Машинне навчання та штучний інтелект (ШІ) - це нові гарячі області кар'єри в ІТ та в організаціях, які розвиваються. Підприємства намагаються знайти таланти у цих сферах і сьогодні на ринку існує реальна нестача кваліфікованих та досвідчених фахівців.
Щоб заповнити прогалину багато технічних фахівців прагнуть розширити свої навички з технологій, необхідних для машинного навчання і таких мов ШІ, як Python та інші. А як щодо технологій за межами мов, наприклад, бібліотек для машинного навчання? Які з них важливі і до них варто придивитись?
Тут немає простої відповіді. Є багато фреймворків та бібліотек і вони завжди розвиваються, а також весь час розробляються нові.
Прислухайтесь до слів Джеймса Маккейфрі (James McCaffrey) з Microsoft (він виступає від свого імені, а не від імені своєї компанії): "Машинне начання та ШІ мають вибуховий ріст, як інтернет-божевілля кінця 1990-х років, на відміну від чогось іншого ", - сказав він. Є цілий ряд технологій, які можна використовувати для різних цілей, і серед них кілька дуже популярних. Тим не менш, McCaffrey зазначив: "Я не вірю, що з'явиться якась з технологій, як єдина".
Але всі ці бібліотеки та фреймворки можна звузити до жменьки. Чотири великі гравці - Amazon, Facebook, Google і Microsoft - працюють над створенням програмного забезпечення та бібліотек. Зараз складний час, тому що модель, створена з використанням однієї бібліотеки, не може бути легко використана для моделі, написаної за допомогою іншої бібліотеки. Отже, з яких бібліотек ви хочете почати?
У розмовах з фахівцями галузі та професіоналами в області машинного навчання, глибинного навчання та галузі штучного інтелекту, InformationWeek дізнався про цілий ряд різних технологій, які слід знати, якщо плануєте розширити свої навички, щоб використати їх з ШІ та пов'язаними технологіями. Нижче наведені 5 немовних технологій машинного навчання, які ви повинні знати.
Apache MXNet
Це середовище (фреймворк) для глибинного навчання з відкритим кодом, яке наразі є проектом інкубатора в Apache Software Foundation. Одна з речей, яка робить його особливим, полягає в тому, що AWS обрали його як механізм глибинного навчання. Компанія Amazon організувала значну команду для роботи зі спільнотою MXNet для розробки фреймворка, який сприяв його прийняттю в проект інкубатора. Ви можете дізнатись більше на сайті інкубатора.
PyTorch
PyTorch - бібліотека для машинного навчання з відкритим кодом для Python, заснована на бібліотеці машинного навчання Torch. Походить з дослідницької групи ШІ Facebook. Сайт PyTorch описує бібліотеку як систему глибинного навчання для швидкого та гнучкого експерименту. Вона поставляється як пакет Python, який включає в себе обчислення тензора з потужним прискоренням графічного процесора (GPU) та глибокими нейронними мережами.
Theano
Це бібліотека Python, яка дозволяє визначати, оптимізувати та оцінювати математичні вирази з використанням багатовимірних масивів. Бібліотека є проектом з відкритим кодом, який в основному був розроблений групою машинного навчання з Монреальського університету. Версія 1.0.0 бібліотеки була випущена в листопаді 2017 року.
Keras
Це високорівневий API, побудований на вершині TensorFlow, і вважається більш зручним способом доступу до переваг TensorFlow без необхідності глибокого заглиблення в TensorFlow. Тим не менш, ви позбудетеся деяких переваг TensorFlow, наприклад, можливостей налагодження. Але Keras може бути гарним вибором, залежно від додатку. Спочатку Keras був розроблений як частина дослідницької роботи проекту ONEIROS (відкритої операційної системи нейро-електронного інтелектуального робота). Ви можете дізнатись більше про Keras на сайті Keras.
TensorFlow
Це технологія номер один, коли ми запитали експертів про важливі технології машинного навчання. Google спочатку розробив попередника Tensorflow як власну бібліотеку машинного навчання для глибинних нейронних мереж. Google використовував її протягом багатьох років у своїх компаніях, а потім випустив спрощену версію з відкритим кодом в 2015 році. Тепер у TensorFlow є своя екосистема суміжних технологій, блог і активна спільнота груп користувачів. Є велика кількість ресурсів, включаючи підручники, на сайті TensorFlow.
Джерело: informationweek.com
