Ang mga kumpanya ay nakikipagkumpitensya para sa mga programmer na maaaring magsulat ng code para sa machine learning at deep learning. Kung interesado ka sa mga paksang ito, marahil ay dapat mong tingnan ang pinakamahusay na mga library ng Java para sa machine learning ngayon?
Mini glossary
Ang machine learning ay isang diskarte kung saan hindi alam ng artificial intelligence sa simula kung paano lutasin ang isang partikular na problema, ngunit natututo ang prosesong ito sa pamamagitan ng paglutas ng mga katulad na problema. Ang iba't ibang mga pamamaraan ng matematika ay ginagamit upang bumuo ng mga relasyon. Ang malalim o malalim na pag-aaral ay isang subset ng machine learning na kadalasang gumagamit ng mga neural network na ginagaya ang paggawa ng desisyon ng tao. Ang malalim na pag-aaral ay kadalasang nangangailangan ng malaking halaga ng data ng pagsasanay. Halimbawa, kung kailangan mong mag-set up ng isang algorithm upang makilala ang isang saxophone, ang programa ay kailangang magpakain hindi lamang ng mga larawan ng mga saxophone, kundi pati na rin ang iba pang katulad na mga instrumentong tanso, upang hindi malito ng algorithm ang mga ito sa hinaharap.
Promising ba ito?
Ang mahabang taglamig ng pagbuo ng artificial intelligence ay tapos na. Ang machine learning ay isa na ngayon sa pinakamainit na kasanayan sa teknolohiya, at ang mga eksperto na nakakaunawa sa paksa ay may mataas na demand. Sa ngayon, walang wika ang naging ganap na pinuno sa larangan ng machine learning, ngunit ang Java ay malinaw na kabilang sa mga paborito. Kaya kung interesado ka sa agham at gustong magsaliksik sa halip na mag-coding lang, iminumungkahi naming tingnan mo ang nangungunang limang library ng Java para sa machine learning programming.
Weka
Link ng library: https://www.cs.waikato.ac.nz/ml/weka/index.html Ang Weka ay ang aming ganap na paborito at walang sorpresa doon. Ang produktong ito ay naisip bilang isang modernong kapaligiran para sa pagbuo ng mga pamamaraan ng machine learning at paglalapat ng mga ito sa totoong data, isang kapaligiran na gagawing magagamit ang mga pamamaraan ng machine learning para sa malawakang paggamit. Sa Weka, maaaring gumamit ang isang application scientist ng mga diskarte sa pag-aaral ng makina upang direktang kumuha ng kapaki-pakinabang na kaalaman mula sa posibleng napakalaking data. Ang Weka 3 ay libreng software na nakasulat sa Java. Ang produkto ay mahusay na isinasama sa iba pang code, dahil nagbibigay ito ng direktang access sa library ng mga algorithm na ipinatupad dito. Iyon ay, magagamit mo na ang mga nakasulat na algorithm mula sa iba pang mga system na ipinatupad sa Java. Bilang karagdagan, ang Weka ay may sarili nitong Explorer user interface, ang Knowledge Flow component interface, ngunit maaari mo ring gamitin ang command line. Bilang karagdagan, ang isang Experimenter application ay binuo para sa Weka upang ihambing ang predictive na kakayahan ng mga machine learning algorithm sa isang partikular na hanay ng mga problema.
“Nasa classification ang lakas ni Weka. Kaya ito ay mainam para sa mga application na nangangailangan ng awtomatikong pag-uuri ng data. Nagsasagawa rin si Weka ng clustering, prediction, feature selection at anomaly detection tasks," sabi ni Eibe Frank, propesor ng computer science sa University of Waikato sa New Zealand. Ang suite ng machine learning algorithm ng Weka ay maaaring direktang ilapat sa isang database o tawagan mula sa iyong sariling Java code. Sinusuportahan nito ang ilang karaniwang gawain sa pagmimina ng data, kabilang ang preprocessing ng data, pag-uuri, clustering, visualization, pagsusuri ng regression, at pagpili ng tampok. Halimbawa ng paggamit ng Weka na may Java code: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Massive Online Analysis (MOA)
Link sa library: https://moa.cms.waikato.ac.nz/ Ang MOA (Massive On-Line Analysis) ay isang framework para sa pagbuo ng mga stream ng data. Kabilang dito ang mga tool sa pagsusuri at isang hanay ng mga algorithm ng machine learning na mahusay sa oras at memorya. Direktang ginagamit ang open source library na ito para sa machine learning at pagkolekta ng impormasyon mula sa mga stream ng data nang real time. Ang MOA ay nakasulat sa Java, kaya madali itong magamit kasama ng Weka upang malutas ang malakihan at kumplikadong mga problema. Ang suite ng MOA ng mga machine learning algorithm at scoring engine ay kapaki-pakinabang para sa regression analysis, classification, outlier detection, clustering, recommender system. Ang MOA ay maaari ding maging kapaki-pakinabang para sa pagbabago ng mga set at daloy ng data, pati na rin ang data na ginawa ng mga Internet of Things (IoT) device.
Ang daloy ng trabaho sa MOA ay sumusunod sa isang simpleng pamamaraan: una, ang isang stream ng data (channel, generator) ay pinili at na-configure, pagkatapos ay isang algorithm (halimbawa, isang classifier) ay pinili at ang mga parameter nito ay itinakda. Sa ikatlong hakbang, isang paraan ng pagtatasa o sukat ang pipiliin, pagkatapos nito ay makukuha ang resulta.
Para magpatakbo ng eksperimento gamit ang MOA, maaaring pumili ang user sa pagitan ng graphical user interface (GUI) o command line.
Malalim na pagkatuto4
Link ng Library: https://deeplearning4j.org/ Deeplearning4j ay isa sa mga makabagong kontribyutor na nagdadala ng makabuluhang pagbabago sa Java ecosystem. Ito ay isang napakataas na kalidad na library, isang open-source na proyekto sa Java at Scala, na inaalok sa amin ng mahuhusay na lalaki (at semi-intelligent na mga robot!) Skymind. Ang ideya sa likod ng Deep;earning4j ay pagsamahin ang mga malalim na neural network at malalim na pag-aaral para sa kapaligiran ng negosyo.
Ang Deeplearning4j ay isang mahusay na tool sa DIY para sa mga programmer ng Java, Scala, at Clojure na nakikipagtulungan sa Hadoop, isang framework para sa pagbuo at pagpapatakbo ng mga distributed program na tumatakbo sa mga cluster na may libu-libong node. Ang Hadoop ay may napakalaking kapangyarihan sa pag-compute at ang kakayahang pangasiwaan ang halos walang limitasyong bilang ng mga magkakatulad na gawain. Ang mga deep neural network at deep reinforcement learning ay may kakayahang makilala ang pattern at naka-target na machine learning. Nangangahulugan ito na ang Deeplearning4j ay lubhang kapaki-pakinabang para sa pagtukoy ng mga pattern at damdamin sa pagsasalita, audio at teksto. Bukod pa rito, magagamit ang library para makita ang mga anomalya sa data ng time series gaya ng mga transaksyong pinansyal.
MALLET
Link ng library: http://mallet.cs.umass.edu/ Ang MALLET ay isang open-source na toolkit ng Java na nilikha ni Andrew McCallum at mga mag-aaral sa UMASS at UPenn. Ang library na ito ay pangunahing idinisenyo para sa pagpoproseso ng text gamit ang machine learning. Paliwanag ng pangalan ng library - MAchine Learning para sa LanguagE Toolkit.
Sinusuportahan ng software package na ito ang istatistikal na natural na pagpoproseso ng wika, clustering, pag-uuri ng dokumento, pagkuha ng impormasyon, pagmomodelo, at iba pang mga advanced na aplikasyon sa pag-aaral. Ang pangunahing lakas ng MALLET ay ang mga modernong kasangkapan para sa pag-uuri ng dokumento, tulad ng mahusay na mga karaniwang pamamaraan para sa pagbabago ng teksto. Sinusuportahan nito ang malawak na hanay ng mga algorithm, kabilang ang Naive Bayes, Decision Tree, Maximum Decision Tree, at Maximum Entropy, pati na rin ang classifier performance analysis code.
ELKI
Link sa library: https://elki-project.github.io/ Ang ELKI ay nangangahulugang Environment for Developing KDD-Applications Supported by Index Structures, na maaaring isalin bilang "isang environment para sa pagbuo ng mga KDD application na sinusuportahan ng mga index structure." Sa turn, ang KDD - Pagtuklas ng kaalaman sa mga database - ay isang pagdadaglat na nagtatago ng posibilidad ng malakihang pagkuha ng kaalaman mula sa data. Ang focus ng ELKI ay sa algorithmic na pananaliksik na may diin sa mga hindi pinangangasiwaang pamamaraan sa cluster analysis at outlier detection. Upang makamit ang mataas na performance at scalability, nag-aalok ang ELKI ng mga istruktura ng index ng data gaya ng R*-tree (ginagamit ang mga ganitong istruktura ng data upang i-index ang spatial na impormasyon), na maaaring magbigay ng makabuluhang mga tagumpay sa pagganap. Ang ELKI ay madaling mapalawak at naglalayong magbigay ng isang malaking hanay ng mga mataas na parameterizable na mga algorithm upang paganahin ang madali at patas na pagsusuri ng mga algorithm.
Nangangahulugan ito na ang ELKI ay lubhang kapaki-pakinabang sa larangan ng data science. Ang tool na ito ay ginamit upang pag-aralan ang mga tunog ng sperm whale, mga flight sa kalawakan at pagtataya ng trapiko. Marahil ay may alam ka pang Java machine learning library na hindi pa nasasakupan? Ibahagi sa amin sa iyong mga komento, nakakatuwang malaman kung ano ang maaaring napalampas namin! Batay sa mga materyales mula sa jaxenter
GO TO FULL VERSION