Компанії борються за програмістів, здатних писати код для машинного навчання та глибокого навчання. Якщо вам цікаві ці теми, можливо, варто придивитися до найкращих бібліотек Java, присвячених машинному навчанню, вже сьогодні?
Міні-глосарій
Машинне навчання — підхід, у якому штучний інтелект спочатку не знає, як вирішувати конкретне завдання, але навчається цього з допомогою вирішення подібних завдань. Для побудови взаємозв'язків застосовуються різні математичні способи. Глибоке чи глибинне навчання - підвид машинного навчання, найчастіше використовує нейронні мережі, що імітують прийняття рішень людиною. Глибоке навчання найчастіше потребує величезних масивів для навчання. Наприклад, якщо потрібно налаштувати алгоритм для впізнавання саксофона, програмі доведеться згодувати не лише зображення саксофонів, а й інших схожих мідних інструментів, щоб алгоритм їх не плутав.
Це перспективно?
Довга зима розвитку штучного інтелекту завершилась. Тепер машинне навчання — одна з найпопулярніших навичок у технологіях, і фахівці, які розуміються на цій темі, — нарозхват. Поки що жодна мова не стала абсолютним лідером у сфері машинного навчання, але Java – явно у групі фаворитів. Отже, якщо вам цікава наука, ви хочете не просто кодувати, а займатися дослідженнями, пропонуємо вам поглянути на п'ятірку найкращих бібліотек Java для програмування машинного навчання.
Weka
Посилання на бібліотеку: https://www.cs.waikato.ac.nz/ml/weka/index.html Weka - наш абсолютний лідер, і в цьому немає нічого дивного. Цей продукт замислювався як сучасне середовище для розробки методів машинного навчання та застосування їх до реальних даних, середовище, яке зробить методи машинного навчання доступними для повсюдного застосування. За допомогою Weka спеціаліст у прикладній області може використовувати методи машинного навчання для отримання корисних знань безпосередньо з даних, можливо, дуже великого обсягу. Weka 3 – вільне програмне забезпечення, написане на Java. Продукт відмінно інтегрується в інший код, оскільки надає прямий доступ до бібліотеки реалізованих алгоритмів. Тобто ви зможете використовувати вже написані алгоритми з інших систем, реалізованих на Java. Крім того, у Weka є власний інтерфейс Explorer, компонентний інтерфейс Knowledge Flow, але також можна використовувати командний рядок. Крім того, для Weka розроблено програму Experimenter для порівняння передбачувальної здатності алгоритмів машинного навчання на заданому наборі завдань.
«Сильна сторона Weka полягає у класифікації. Так що вона ідеально підходить додатків, які потребують автоматичної класифікації даних. Weka також виконує завдання кластеризації, прогнозування, відбору ознак і виявлення аномалій», — говорить Ейб Франк (Eibe Frank), професор комп'ютерних наук університету Вайкато в Новій Зеландії. Набір алгоритмів машинного навчання Weka може бути застосований безпосередньо до бази даних або викликаний з власного коду Java. Він підтримує кілька стандартних завдань зі збирання даних, включаючи попередню обробку даних, класифікацію, кластеризацію, візуалізацію, регресійний аналіз та відбір ознак. Приклад використання Weka з Java-кодом: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Massive Online Analysis (MOA)
Посилання на бібліотеку: https://moa.cms.waikato.ac.nz/ MOA (Massive On-Line Analysis) - фреймворк розробки потоків даних. Він включає інструменти для оцінки та набір алгоритмів машинного навчання, ефективними за часом та з точки зору використання пам'яті. Дана бібліотека з відкритим вихідним кодом використовується безпосередньо для машинного навчання та збору інформації в потоках даних у режимі реального часу. MOA написана на Java, так що її без проблем можна використовувати разом із Weka для вирішення масштабних та складних завдань. Набір алгоритмів машинного навчання MOA та механізми оцінки корисні для регресійного аналізу, класифікації, виявлення викидів, кластеризації, рекомендаційних систем. MOA також може бути корисною для змінних наборів і потоків даних, а також даних, вироблених пристроями інтернету речей (IoT, Internet of Things).
Робочий процес у MOA слід простою схемою: спочатку вибирається і налаштовується потік даних (канал, генератор), потім обирається алгоритм (наприклад, класифікатор), задаються його параметри. На третьому кроці вибирається метод оцінки або міра, після чого буде отримано результат.
Щоб запустити експеримент з використанням MOA, користувач може вибирати між графічним інтерфейсом користувача (GUI) або командним рядком.
Deeplearning4
Посилання на бібліотеку: https://deeplearning4j.org/ Deeplearning4j - один із інноваційних учасників, який вносить значні інновації в екосистему Java. Це дуже якісна бібліотека, open-source проект на Java та Scala, запропонований нам відмінними хлопцями (і напіврозумними роботами!) Skymind. Ідея Deep;earning4j полягає в тому, щоб об'єднати глибокі нейронні мережі та поглиблене навчання для бізнес-середовища.
Deeplearning4j – відмінний DIY-інструмент для Java-, Scala- та Clojure-програмістів, які працюють з Hadoop, фреймворком для розробки та виконання розподілених програм, що працюють на кластерах з тисячами вузлів. Hadoop має величезну обчислювальну потужність і можливість обробки практично необмеженої кількості паралельних завдань. Глибокі нейронні мережі та глибоке навчання з підкріпленням (deep reinforcement learning) здатні до розпізнавання образів та цільового машинного навчання. Це означає, що Deeplearning4j дуже корисний для визначення моделей та настроїв у мові, звуку та тексті. Крім того, бібліотеку можна використовувати для виявлення аномалій даних тимчасових рядів, таких як фінансові транзакції.
MALLET
Посилання на бібліотеку: http://mallet.cs.umass.edu/ MALLET – це open-source інструментарій Java, його автори – Ендрю Маккалум (Andrew McCallum) та студенти UMASS та UPenn. Ця бібліотека розроблена насамперед для обробки тексту із застосуванням машинного навчання. Розшифровка назви бібліотеки - MAchine Learning for LanguagE Toolkit.
Цей пакет програм підтримує статистичну обробку природної мови, кластеризацію, класифікацію документів, інформаційний пошук, питання моделювання та інші програми поглибленого вивчення. Головний коник MALLET – сучасні інструменти для класифікації документів, такі як ефективні стандартні процедури перетворення тексту. Він підтримує широкий спектр алгоритмів, включаючи наївний алгоритм Байєса, дерево прийняття рішень, алгоритм максимальної Decision Trees і метод максимуму ентропії, а також код для аналізу працездатності класифікатора.
ELKI
Посилання на бібліотеку: https://elki-project.github.io/ ELKI розшифровується як Environment for Developing KDD-Applications Supported by Index Structures, що можна перекласти як «середовище для розробки KDD-додатків, що підтримуються індексними структурами». У свою чергу, KDD - Knowledge discovery in databases - абревіатура, за якою ховається можливість масштабного отримання знань з даних. У центрі уваги ELKI лежить дослідження алгоритмів з акцентом на неконтрольовані методи кластерного аналізу та виявлення викидів. Для досягнення високої продуктивності та масштабованості ELKI пропонує структури індексів даних, такі як R*-дерева (такі структури даних застосовуються для індексування просторової інформації), які можуть забезпечити значний приріст продуктивності. ELKI легко розширюється і прагне надати великий набір алгоритмів, що високопараметруються,
Це означає, що ELKI дуже корисна в галузі науки про дані. Цей інструмент встигли використовувати щодо звуків кашалотів, космічних польотів і прогнозуванні трафіку. Можливо, ви знаєте іншу бібліотеку машинного навчання Java, про яку не було розказано? Діліться з нами у своїх коментарях, цікаво дізнатися, що ми могли пропустити! За матеріалами jaxenter
ПЕРЕЙДІТЬ В ПОВНУ ВЕРСІЮ