Introduction à l'architecture d'apprentissage automatique
L'architecture d'apprentissage automatique en tant que sujet a évolué au cours des dernières périodes, passant d'un concept de fantaisie à une preuve de réalité.
Ce qui a évolué d'une approche de base vers la reconnaissance des formes jette les bases du développement d'une plateforme majeure d'intelligence artificielle. L'idée de base était de déterminer si les machines sont capables d'apprendre des données qui leur sont fournies et de devenir capables de produire des actions reproductibles avec une fiabilité plus élevée et une prise de décision efficace.Nous pouvons donc définir l'apprentissage automatique comme une branche de l'intelligence artificielle qui forme les machines comment apprendre. La capacité de l'apprentissage automatique rend un système capable de prendre des décisions sans contribution explicite des utilisateurs. Cette capacité est développée dans le système sur la base d'un échantillon d'espace de données appelé données d'entraînement. L'utilisation de l'apprentissage automatique est visible de nos jours dans toutes les avancées technologiques, soit sa capacité pour les systèmes mobiles à suggérer des choix dans les applications en fonction des recherches précédentes de l'utilisateur, au menu basé sur les événements sur les sites de restaurants, à l'attribution des places de train en fonction de l'âge, etc. Dans un contexte plus large, l'apprentissage automatique peut être considéré comme une application pour l'analyse prédictive.
L'apprentissage automatique peut être formellement défini comme une technologie d'analyse de données pour que les connaissances soient extraites par le système sans aucune définition explicite pour les conduire sur la base d'une série d'observations.
Types d'architecture d'apprentissage automatique
L'architecture d'apprentissage machine peut être classée en fonction de l'algorithme utilisé dans la formation.
1. Apprentissage supervisé
Dans l'apprentissage supervisé, les données de formation utilisées sont un modèle mathématique composé à la fois d'entrées et de sorties souhaitées. Chaque entrée correspondante a une sortie affectée, également appelée signal de supervision. Grâce à la matrice d'apprentissage disponible, le système est capable de déterminer la relation entre l'entrée et la sortie et de les utiliser dans les entrées ultérieures après la formation pour déterminer la sortie correspondante. L'apprentissage supervisé peut être élargi en une analyse de classification et de régression basée sur les critères de sortie. L'analyse de classification est présentée lorsque les résultats sont de nature restreinte et limités à un ensemble de valeurs. Cependant, l'analyse de régression définit une plage numérique de valeurs pour la sortie. Des exemples d'apprentissage supervisé se trouvent dans les systèmes de détection de visage et de vérification des locuteurs.
2. Apprentissage non supervisé
Contrairement à l'apprentissage supervisé, l'apprentissage non supervisé utilise des données de formation qui ne contiennent pas de sortie. L'apprentissage non supervisé identifie une entrée de relation basée sur des tendances, des points communs et la sortie est déterminée sur la base de la présence / absence de telles tendances dans l'entrée utilisateur.
3. Formation de renforcement
Ceci est utilisé dans la formation du système pour décider d'un contexte de pertinence particulier en utilisant divers algorithmes pour déterminer l'approche correcte dans le contexte de l'état actuel. Ceux-ci sont largement utilisés dans la formation des portails de jeu pour travailler en conséquence sur les entrées des utilisateurs.
Architecturer le processus d'apprentissage automatique
Fig: - Schéma fonctionnel de l'architecture de flux de décision pour les systèmes d'apprentissage automatique
Essayons maintenant de comprendre les couches représentées dans l'image ci-dessus.
1. Acquisition de données
Comme l'apprentissage automatique est basé sur les données disponibles pour que le système prenne une décision, la première étape définie dans l'architecture est l'acquisition de données. Cela implique la collecte de données, la préparation et la séparation des scénarios de cas sur la base de certaines caractéristiques impliquées dans le cycle de prise de décision et la transmission des données à l'unité de traitement pour effectuer une catégorisation supplémentaire. Cette étape est parfois appelée étape de prétraitement des données. Le modèle de données attend des données fiables, rapides et élastiques qui peuvent être de nature discrète ou continue. Les données sont ensuite transmises dans des systèmes de traitement de flux (pour les données continues) et stockées dans des entrepôts de données par lots (pour les données discrètes) avant d'être transmises aux étapes de modélisation ou de traitement des données.
2. Traitement des données
Les données reçues dans la couche d'acquisition de données sont ensuite envoyées à la couche de traitement des données où elles sont soumises à une intégration et un traitement avancés et impliquent la normalisation des données, le nettoyage, la transformation et le codage des données. Le traitement des données dépend également du type d'apprentissage utilisé. Par exemple, si un apprentissage supervisé est utilisé, les données doivent être séparées en plusieurs étapes d'échantillons de données nécessaires à la formation du système et les données ainsi créées sont appelées données d'échantillonnage d'apprentissage ou simplement données d'apprentissage. En outre, le traitement des données dépend du type de traitement requis et peut impliquer des choix allant de l'action sur des données continues qui impliqueront l'utilisation d'une architecture basée sur des fonctions spécifiques, par exemple, l'architecture lambda. Il peut également impliquer une action sur des données discrètes qui peuvent nécessitent un traitement lié à la mémoire. La couche de traitement des données définit si le traitement de la mémoire doit être effectué pour les données en transit ou en repos.
3. Modélisation des données
Cette couche de l'architecture implique la sélection de différents algorithmes qui pourraient adapter le système pour résoudre le problème pour lequel l'apprentissage est conçu. Ces algorithmes sont en cours d'évolution ou sont hérités d'un ensemble de bibliothèques. Les algorithmes sont utilisés pour modéliser les données en conséquence, ce qui rend le système prêt pour l'étape d'exécution.
4. Exécution
Cette étape de l'apprentissage automatique est l'endroit où l'expérimentation est effectuée, les tests sont impliqués et les réglages sont effectués. L'objectif général derrière est d'optimiser l'algorithme afin d'extraire le résultat requis de la machine et de maximiser les performances du système.Le résultat de l'étape est une solution raffinée capable de fournir les données requises pour que la machine prenne des décisions.
5. Déploiement
Comme toute autre sortie logicielle, les sorties ML doivent être opérationnalisées ou transmises pour un traitement exploratoire ultérieur. Le résultat peut être considéré comme une requête non déterministe qui doit être davantage déployée dans le système de prise de décision.
Il est conseillé de déplacer de manière transparente la sortie ML directement vers la production où cela permettra à la machine de prendre directement des décisions en fonction de la sortie et de réduire la dépendance à l'égard des étapes d'exploration supplémentaires.
Conclusions
L'architecture d'apprentissage machine occupe désormais le principal intérêt de l'industrie, car chaque processus cherche à optimiser les ressources et les résultats disponibles en fonction des données historiques disponibles.En outre, l'apprentissage machine présente des avantages majeurs en matière de prévision des données et d'analyse prédictive lorsqu'il est associé à la technologie de la science des données. L'architecture d'apprentissage automatique définit les différentes couches impliquées dans le cycle d'apprentissage automatique et implique les principales étapes de la transformation des données brutes en ensembles de données d'apprentissage capables de permettre la prise de décision d'un système.
Articles recommandés
Cela a été un guide pour l'architecture d'apprentissage machine. Ici, nous avons discuté du concept, du processus et des types d'architecture d'apprentissage automatique. Vous pouvez également consulter nos autres articles suggérés pour en savoir plus -
- Apprentissage supervisé vs apprentissage en profondeur
- Qu'est-ce que l'API en Java?
- Qu'est-ce que l'architecture HBase?
- Qu'est-ce que Buffer Overflow?