Razvijalci, ki želijo oceniti metode strojnega učenja, najdejo vse več specializiranih strojnih in razvojnih platform, ki so pogosto prilagojene določenim razredom strojne učne arhitekture in aplikacij. Čeprav so te specializirane platforme bistvene za mnoge aplikacije za strojno učenje, je nekaj razvijalcev, ki so novi v strojno učenje, pripravljeni sprejemati odločitve o izbiri idealne platforme.
Razvijalci potrebujejo bolj dostopno platformo za pridobivanje izkušenj pri razvoju aplikacij strojnega učenja in globlje razumevanje zahtev glede virov in posledičnih zmožnosti.
Kot je opisano v članku Digi-Key "Začetek s strojnim učenjem z uporabo preprosto razpoložljive strojne in programske opreme", je razvoj katerega koli modela za nadzorovano strojno učenje sestavljen iz treh ključnih korakov:
Priprava podatkov za usposabljanje modela
Izvedba modela
Model usposabljanja
Priprava podatkov združuje znane metode pridobivanja podatkov z dodatnim korakom, potrebnim za označevanje določenih primerov podatkov za uporabo v procesu usposabljanja. V zadnjih dveh korakih so strokovnjaki za strojno učenje do nedavnega potrebovali uporabo relativno nizkih matematičnih knjižnic za izvedbo podrobnih izračunov, ki so vključeni v algoritme modelov. Razpoložljivost strojnih učnih okvirov je dramatično zmanjšala kompleksnost izvajanja in usposabljanja modela.
Danes lahko kateri koli razvijalec, ki je seznanjen z Pythonom ali drugimi podpornimi jeziki, lahko uporablja te okvire za hitro razvijanje strojnih učnih modelov, ki lahko delujejo na široko paleto platform. V tem članku bo opisano strojno učenje in proces usposabljanja, preden se lotite kako razviti strojno učno aplikacijo na Raspberry Pi 3. Avtor Stephen Evanczuk
