[PYTHON] Organisation von Plattformen für maschinelles Lernen und tiefes Lernen

Einführung

In letzter Zeit ist die Offenheit der Plattform populär geworden. Lassen Sie uns daher die Plattform für maschinelles Lernen und die Plattform für tiefes Lernen (Framework) neu organisieren.

• • • Bitte weisen Sie darauf hin, ob es sich von der Tatsache unterscheidet.

Hauptplattformen

PaaS-Service

Lernrahmen (Python)

Eine kurze Beschreibung des PaaS-Dienstes

Die von jedem Anbieter angebotenen Dienstleistungen umfassen vorab erlernte Modellübersetzungen und Bild- / Videoerkennung.

Google Cloud Platform

Es wird eine von Google bereitgestellte Plattform für maschinelles Lernen sein. Ein verwalteter Dienst, der es einfach macht, Modelle für maschinelles Lernen für alle Daten unabhängig von ihrer Größe zu erstellen. Sie können TensorFlow auch in der Cloud verwenden.

• Auszug aus der Website

Inhalt des maschinellen Lernens

・ Cloud Machine Learning Engine Sie können aus verschiedenen Daten wie überwachter Regression / Klassifizierung und unbeaufsichtigtem Clustering lernen. Der verwendete Algorithmus wird nicht offenbart.

Azure Machine Learning

Azure Machine Learning ist ein Cloud Predictive Analysis-Dienst, mit dem Sie schnell Vorhersagemodelle als Analyselösung erstellen und bereitstellen können. Mit einer Bibliothek gebrauchsfertiger Algorithmen können Sie Modelle auf einem mit dem Internet verbundenen PC erstellen und schnell eine Vorhersagelösung bereitstellen.

• Auszug aus der Website

Inhalt des maschinellen Lernens

· Azure ML Sie können auch aus verschiedenen Daten wie überwachter Regression / Klassifizierung und unbeaufsichtigtem Clustering lernen. Sie können den zu verwendenden Algorithmus auswählen. (Es gibt zu viele Algorithmen und es ist über Spezifikation.)

Amazon Machine Learning

Amazon Machine Learning ist ein verwalteter Dienst zum Erstellen von Modellen für maschinelles Lernen und zum Generieren von Vorhersagen, mit dem Sie robuste, skalierbare und erweiterte Anwendungen entwickeln können. Mit Amazon Machine Learning können Sie leistungsstarke Technologien für maschinelles Lernen verwenden, ohne dass Sie umfassendes Hintergrundwissen über Algorithmen und Techniken des maschinellen Lernens benötigen.

• Auszug aus der Website

Inhalt des maschinellen Lernens

・ Amazon Machine Learning Sie können auch aus verschiedenen Daten wie überwachter Regression / Klassifizierung und unbeaufsichtigtem Clustering lernen.

[Verwendeter Algorithmus] Regression: Lineare Regression Klassifizierung Binäre Klassifizierung: Logistische Regression Klassifizierung mehrerer Klassen: Multinomiale logistische Regression

Bluemix IBM Watson

IBM definiert KI als "Augmented Intelligence" und nicht als "Künstliche Intelligenz", um das menschliche Wissen zu erweitern und zu verbessern, und bietet Kunden IBM Watson als kognitive Kernlösung. Es bietet. IBM Watson ist eine Technologieplattform, die die Verarbeitung natürlicher Sprache und maschinelles Lernen verwendet, um Erkenntnisse aus großen Mengen unstrukturierter Daten zu gewinnen.

• Auszug aus der Website

Inhalt des maschinellen Lernens

Sie können auch aus verschiedenen Daten wie überwachter Regression / Klassifizierung und unbeaufsichtigtem Clustering lernen. Da es mehrere gelernte APIs gibt, ist es auch praktisch, einen neuen Dienst zu erstellen. 　 [Verwendeter Algorithmus] Privat Es scheint, dass "mehrere verfügbare Algorithmen in Betracht gezogen werden und derjenige ausgewählt wird, der Ihren Anforderungen entspricht."

Eine kurze Beschreibung des Lernrahmens

Es ist ein von OSS vertriebenes Framework.

Theano

http://deeplearning.net/software/theano/index.html

Viele globale Forscher, die als Großvater des Deep-Learning-Frameworks bezeichnet werden, verwenden Theano, das in Python geschrieben wurde.

Verdienst und Fehler

TensorFlow

https://www.tensorflow.org/

TnesorFlow ist die neueste Bibliothek neuronaler Netze, die von Google im Rahmen des Projekts "Google Brain" entwickelt wurde.

Funktionen auf hoher Ebene können implementiert und Berechnungen in Datenflüssen und Diagrammen dargestellt werden. Das Innere der Bibliothek ist in C ++ erstellt, Python ist jedoch ebenfalls enthalten und verfügt über eine Struktur, die flexibel verwendet werden kann.

Verdienst und Fehler

Caffe

http://caffe.berkeleyvision.org/

Caffe ist eine bekannte und weit verbreitete Bildverarbeitungsbibliothek, die eine Portierung von Matlabs schnellem Faltungsnetzwerk in C und C ++ darstellt. Caffe konzentriert sich auf die Bildverarbeitung und zielt nicht auf andere vertiefte Lernmethoden wie Text-, Audio- und Zeitreihendaten ab.

Verdienst und Fehler

Chainer

http://chainer.org/

Chainer ist ein Open Source-Framework für neuronale Netzwerke mit einer Python-API. Das Kernentwicklungsteam ist in Preferred Networks aktiv, einem in Tokio ansässigen Startup für maschinelles Lernen mit vielen Ingenieuren der Universität Tokio. Bis zum Aufkommen von DyNet von CMU und PyTorch von Facebook war Chainer das wichtigste neuronale Netzwerk-Framework für dynamische Berechnungsgraphen und ein Netzwerk, das Eingaben unterschiedlicher Länge ermöglichte und es für die Verarbeitung natürlicher Sprache beliebt machte. Es ist eine hohe Funktion. Mit seinen eigenen Benchmarks ist Chainer schneller als andere Frameworks für Python und verfügt über TensorFlow, die langsamste Testgruppe, einschließlich MxNet und CNTK.

Verdienst und Fehler

Keras

https://keras.io/

Keras ist eine Bibliothek, die an der Spitze von Theano und TensorFlow verwendet wird. Sie ist kein Wrapper für das gründliche Erlernen von Hochgeschwindigkeitsberechnungsbibliotheken und bietet eine intuitive API.

Wenn Sie mit dem tiefen Lernen beginnen, fällt die Programmierbarriere auf. Mit Keras können Sie jedoch schnell ein einfaches Netzwerk erlernen, auch wenn Sie keine Programmiererfahrung haben.

schließlich

Es gibt keinen Unterschied zwischen PaaS-Unternehmen, was sie erreichen können. Ich denke, das Spiel wird einfach zu bedienen sein.

In Bezug auf das Framework wurde neulich SONY veröffentlicht! Es scheint, dass OSS in Zukunft weiter zunehmen wird!

Ich denke, es ist am besten zu wählen, was Sie brauchen, um das zu erreichen, was Sie tun möchten, aber ich denke, dass die Grundlagen wie Algorithmusauswahl und neuronales Design absolut notwendig sind.