Mest populære programmeringsspråkrammer og verktøy for maskinlæring

Video: Hvordan fortelle forskjellen mellom AI, maskinlæring og dyp læring Fremskritt innen kunstig intelligens, maskinlæring og dyp læring påvirker virksomheten. Men, begrepene blir ofte brukt om hverandre. Slik skiller du dem fra hverandre.

Hvis du lurer på hvilken av den voksende pakken med programmeringsspråkbiblioteker og -verktøy som er et godt valg for å implementere maskinlæringsmodeller, er hjelpen tilgjengelig.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

Mer enn 1.300 mennesker som hovedsakelig jobber innen tech, økonomi og helsevesen, avslørte hvilke maskinlæringsteknologier de bruker hos firmaene sine, i en ny O'Reilly-undersøkelse.

Listen er en blanding av programvarerammer og biblioteker for datavitenskapens favoritt Python, big data-plattformer og skybaserte tjenester som håndterer hvert trinn i maskinlæringsrørledningen.

De fleste firmaer er fremdeles på evalueringstrinnet når det gjelder bruk av maskinlæring, eller AI som rapporten viser til den, og de vanligste verktøyene som ble implementert var verktøyene for 'modellvisualisering' og 'automatisert modellsøk og hyperparameterinnstilling'.

Overraskende nok var den vanligste formen for ML som ble brukt veiledet læring, der en maskinlæringsmodell er opplært ved å bruke store mengder merkede data. For eksempel kan en datamaskinvisjon som har til oppgave å oppdage personer i video, bli trent på bilder som er kommentert for å indikere om de inneholder en person.

Bilde: O'Reilly


Her er biblioteker, rammer, big data-plattformer og skytjenester som bedrifter sier at de bruker til maskinlæring.

Programvarebiblioteker og rammer

tensorflow

Googles mye benyttede rammeverk for maskinlæring, designet for å håndtere den numeriske beregningen som kreves når du trener læringsmodeller for maskiner og i stand til å dele beregninger mellom CPUer, GPUer og spesialiserte brikker som Googles Tensor Processing Units (TPUs).

scikit lære

Et populært Python-bibliotek for data mining og dataanalyse som implementerer et bredt spekter av maskinlæringsalgoritmer.

Pytorch

Et åpen kildekode, dyp læringsramme som har et rykte på seg for å være lettere å lære enn noen konkurrerende rammer som TensorFlow, og som er designet for å brukes på hvert trinn i maskinlæringsrørledningen.

Keras

Et dyplærende rammeverk for å jobbe med nevrale nettverk, de hjerneinspirerte matematiske modellene som understøtter dyp læring, som er designet for å være enklere for folk å jobbe med enn konkurrerende rammer.

Skrevet i Python og er i stand til å kjøre på toppen av TensorFlow, Microsoft Cognitive Toolkit (CNTK) og Python-biblioteket Theano.

Cloud suiter

Microsoft Azure ML Studio

Denne tjenestepakken er designet for å hjelpe firmaer med å bygge, trene og distribuere maskinlæringsmodeller, både på Microsofts Azure-sky og også på dataenheter nær kanten av nettverket. Verktøy hjelper med å automatisere prosessen med å identifisere og avstemme en passende maskinlæringsmodell, samt med å skalere den underliggende beregningen for å samsvare med etterspørselen.

Google Cloud ML-motor

I likhet med Azure ML Studio, tilbyr Google Cloud ML Engine også verktøy for trening, evaluering, innstilling og distribusjon av maskinlæringsmodeller.

Amazon SageMaker

Amazon SageMaker tilbyr tilsvarende tjenester for å bygge, trene og distribuere maskinlæringsmodeller, med sikte på å gjøre det mulig å få modeller til å produsere raskere og til en lavere pris.

Hvis du er interessert i de relative fordelene til disse maskinlæringssuitene fra de store skyplattformene, kan du sjekke denne sammenligningen fra søstersiden ZDNet.

Big data platform verktøy

H20

En åpen kildekode, i-minne-plattform som kan skalere arbeidsmengder for maskinlæring over distribuerte systemer.

Plattformen er designet for å støtte de mest brukte statistiske og maskinlæringsalgoritmer og tilbyr også en grad av automatisering for å hjelpe dataforskere med å identifisere og innstille passende maskinlæringsmodeller.

Prodigy

Prodigy er designet for å effektivisere prosessen med trening og evaluering av maskinlæringsmodeller. Det er et verktøy for å hjelpe dataforskere med å kommentere opplæringsdatasett på riktig måte.

Spark NLP

Spark NLP tilbyr et NLP-bibliotek (Natural Language Processing) designet for å jobbe med distribuerte systemer som kjører den store dataminneplattformen Apache Spark.

OpenAI Gym

Beskrevet som et verktøysett for å utvikle og sammenligne algoritmer for forsterkning-læring, en type maskinlæring der programvareagenter lærer å utføre oppgaver ved å bli belønnet for handlinger som resulterer i et ønsket resultat.

Analytics Zoo

Analytics Zoo samler en serie big data og maskinlæringsteknologier i det den beskriver som en enhetlig analyse- og AI-plattform.

Plattformen integrerer Spark, TensorFlow, Keras og det dype læringsbiblioteket BigDL, og kan skalere maskinlæringsmodeller over distribuerte Hadoop og Spark klynger for trening og inferens.

AllenNLP

Utformet for å forenkle prosessen med å designe og evaluere nye dyplæringsmodeller for Natural Language Processing-problemer.

Biblioteket inkluderer referanseimplementeringer av høykvalitetsmodeller for både kjerne NLP-problemer og NLP-applikasjoner.

Rise Lab Ray

Et rammeverk for å kjøre maskinlæringsmodeller på tvers av distribuerte systemer, som tilbyr både høy ytelse og feiltoleranse, mens de fremdeles er skalerbare.


Hvis du er interessert i mer informasjon om hvilke programmeringsspråkbiblioteker og rammer som vanligvis brukes til maskinlæring, kan du sjekke ut GitHubs sammendrag av de ti beste språkene.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2020 | mobilegn.com