Разработчики, которые хотят оценить методы машинного обучения, находят растущий спектр специализированных аппаратных средств и платформ разработки, которые часто настраиваются на конкретные классы архитектуры и приложения машинного обучения. Хотя эти специализированные платформы необходимы для многих приложений машинного обучения, немногие разработчики, новые для машинного обучения, готовы принять обоснованные решения о выборе идеальной платформы.
Разработчикам нужна более доступная платформа для получения опыта разработки приложений машинного обучения и более глубокого понимания требований к ресурсам и соответствующих возможностей.
Как описано в статье Digi-Key «Начало работы с машинным обучением с использованием легко доступного оборудования и программного обеспечения», разработка любой модели для контролируемого машинного обучения включает в себя три ключевых этапа:
Подготовка данных для обучения модели
Реализация модели
Модельное обучение
Подготовка данных объединяет знакомые методы сбора данных с дополнительным шагом, необходимым для маркировки конкретных экземпляров данных для использования в учебном процессе. В течение последних двух этапов специалистам по модели машинного обучения до недавнего времени необходимо было использовать относительно низкоуровневые математические библиотеки для реализации подробных расчетов, связанных с модельными алгоритмами. Наличие рамок машинного обучения значительно облегчило сложность реализации модели и обучения.
Сегодня любой разработчик, знакомый с Python или другими поддерживаемыми языками, может использовать эти фреймворки для быстрого развития моделей машинного обучения, способных работать на самых разных платформах. В этой статье мы расскажем о пакете машинного обучения и учебном процессе, прежде чем приступать к разработке приложения для машинного обучения на малине Pi 3. Стивен Эванчук
