Разработчиците, които търсят да оценят методите за машинно обучение, намират все по-голямо разнообразие от специализирани хардуерни и платформи за разработка, които често са настроени към конкретни класове архитектура и приложение на машинно обучение. Въпреки че тези специализирани платформи са от съществено значение за много приложения за машинно обучение, малко разработчици, нови за машинно обучение, са готови да вземат информирани решения за избора на идеална платформа.
Разработчиците се нуждаят от по-достъпна платформа за придобиване на опит в разработването на приложения за машинно обучение и по-задълбочено разбиране на изискванията за ресурси и произтичащите от тях способности.
Както е описано в статията Digi-Key "Започнете с изучаването на машината чрез използване на лесно достъпен хардуер и софтуер", разработването на всеки модел за машинообучение под контрола се състои от три ключови стъпки:
Подготовка на данни за обучение на модел
Изпълнение на модела
Обучение по образец
Подготовката на данни съчетава познати методи за придобиване на данни с допълнителна стъпка, необходима за етикетиране на конкретни случаи на данни за използване в процеса на обучение. За последните две стъпки специалистите по моделиране на машинно обучение, до неотдавна, трябваше да използват библиотеки с математически сравнително ниски нива, за да приложат подробните изчисления, включени в алгоритмите на моделите. Наличието на рамки за машинно обучение драстично облекчи сложността на прилагането на модела и обучението.
Днес всеки програмист, запознат с Python или други поддържани езици, може да използва тези рамки за бързо разработване на модели за машинно обучение, които могат да работят на широк спектър от платформи. Тази статия ще опише машината за обучение и процеса на обучение, преди да се сдобие с как да разработи приложение за машинно обучение на Raspberry Pi 3. От Стивън Еванцук
