기계 학습 방법을 평가하려는 개발자는 특정 클래스의 기계 학습 아키텍처 및 응용 프로그램에 맞게 조정되는 전문 하드웨어 및 개발 플랫폼을 찾고 있습니다. 이러한 전문 플랫폼은 많은 기계 학습 응용 프로그램에 필수적이지만 기계 학습을 처음 접하는 개발자는 이상적인 플랫폼 선택에 대한 정보에 근거한 결정을 내릴 준비가되어 있습니다.
개발자는 기계 학습 응용 프로그램 개발 경험과 리소스 요구 사항 및 결과 기능에 대한보다 깊은 이해를 얻기 위해보다 쉽게 액세스 할 수있는 플랫폼이 필요합니다.
Digi-Key의 기사 "쉽게 사용할 수있는 하드웨어 및 소프트웨어를 사용하여 기계 학습 시작"에 설명 된 것처럼 감독 된 기계 학습을위한 모든 모델 개발은 다음 세 가지 주요 단계로 구성됩니다.
모델 교육을위한 데이터 준비
모델 구현
모델 교육
데이터 준비는 익숙한 데이터 수집 방법과 교육 과정에서 사용하기 위해 특정 데이터 인스턴스에 레이블을 지정하는 데 필요한 추가 단계를 결합합니다. 마지막 두 단계를 위해 기계 학습 모델 전문가는 최근까지 모델 알고리즘에 관련된 세부 계산을 구현하기 위해 상대적으로 낮은 수준의 수학 라이브러리를 사용해야했습니다. 기계 학습 프레임 워크의 가용성은 모델 구현 및 교육의 복잡성을 획기적으로 줄였습니다.
오늘날 Python이나 다른 지원 언어에 익숙한 개발자는 이러한 프레임 워크를 사용하여 다양한 플랫폼에서 실행할 수있는 기계 학습 모델을 신속하게 개발할 수 있습니다. 이 기사에서는 라즈베리 파이 3에서 기계 학습 애플리케이션을 개발하는 방법에 익숙해지기 전에 기계 학습 스택 및 교육 과정에 대해 설명합니다 . Stephen Evanczuk
