Infoworld | Per Serdar Yegulalp
Després de passar dècades en les ombres com una disciplina especialitzada, o un aprenentatge automàtic, Java s’ha convertit en una eina de negocis. La part més difícil, però, és el que és útil, sobretot per als desenvolupadors i científics de dades que s’estan encarregant de les màquines de prendizaje (Java machine learning). Amb aquesta finalitat, hem arrodonit algunes de les eines més comunes i útils per a saber com treure-li avantatge és aquest llenguatge de codi obert.
Python: Els científics de dades han assimilat Python com l’alternativa més oberta a les llengües analítiques, com R, i molts empresaris busquen afegir la perícia dels grans dades a les seves llistes Python com una habilitat desitjada. Com a resultat, moltes de les biblioteques d’aprenentatge automàtic tenen ara un programari de Python.
De el grup, la millor opció és aprendre scikit. Ha carregat algoritmes i mòduls i és àmpliament apreciat a GitHub, (gairebé 2.000 usuaris i en ascens), i té una varietat de grans noms de testimonis
Un altre important és PyBrain, que està dissenyat per ser fàcil de treballar i permet accedir a algunes eines poderoses. Com el seu nom ho indica, se centra en els gustos de les xarxes neuronals i aprenentatge no supervisat, i proporciona un mecanisme per als algoritmes d’entrenament i refinació.
Go: idioma de sistema de Google dissenyat perquè l’ paral·lelisme sembli com un ambient ideal per a les biblioteques d’aprenentatge. Una sèrie de petits, biblioteques on el més específic és la figura o el paisatge, però posseeix un parell d’opcions. La més notable, GoLearn, és descrita pels seus creadors com un “bateries incloses” o una “biblioteca d’aprenentatge de màquines”, i té eines per al filtrat, classificació i anàlisi de regressió.
Una biblioteca molt més petita i més bàsica és mlgo, que implementa només un petit nombre d’algoritmes en aquest moment, però té previst créixer per al futur.
Java en Hadoop: mahout (que vol dir “corredor d’elefants” en hindi). Agrupa diverses metodologies d’aprenentatge automàtic comuna per al seu ús en el marc de dades, el que la fa preferida de tots. el paquet està construït al voltant d’algorismes en lloc de metodologies, de manera que per a alguns la comprensió dels algoritmes és la que es requereix. Dit això, no és difícil veure com encaixen les peces en un sistema de recomanació basat en l’usuari i que es pot realitzar en unes poques línies de codi.
Un altre projecte de la màquina d ‘apre nentatge basat en Hadoop, Oryx de Cloudera, té la intenció de construir sobre el treball de mahout, mitjançant el lliurament de resultats de transmissió per seqüències en temps real en lloc de treballar en treballs per lots. Per desgràcia, està encara en les primeres etapes; és realment un projecte en lloc d’un producte, però que mereix una estreta vigilància a mesura que evoluciona.
Java: A part de mahout, que se centra en Hadoop, que és un nombre d’altres biblioteques d’aprenentatge automàtic per a Java i està en ampli ús, està Weka, que va ser creat per la Universitat de Waikato a Nova Zelanda, i és una aplicació en un entorn de treball com la suma visualitzacions i les capacitats de mineria de dades a l’habitual barreja d’algoritmes.
per a les persones que volen un front-end per al seu treball i pensen en fer una bona part d’ella en Java, és ideal.
Weka podria ser el millor lloc per començar. Una biblioteca més convencional, el Java-ML, també està disponible, encara que està dirigit a persones que ja coneixen o dominen el treball amb Java i l’aprenentatge automàtic.
estigui habilitat: La broma sobre JavaScript, ( “Llei d’Atwood”), és que qualsevol cosa que es pot escriure en JavaScript serà eventual. Pel que és per a les biblioteques d’aprenentatge, una cosa automàtic. per descomptat, hi ha relativament poc en aquest camp disponible per a JavaScript a partir d’aquest escrit, ja que la majoria de les opcions consisteixen d’algorismes individuals en lloc de biblioteques senceres, però algunes eines útils que ja han sortit a la superfície, com ConvNetJS, que li permet realitzar l’entrenament de la xarxa neuronal d’aprenentatge profund directament en un navegador, i l’apropiat nom de cervell proporciona una xarxa neuronal com un mòdul-NPM instal. També cal esmentar és la biblioteca Encog, disponible per múltip els plataformes: Java, C #, C / C + + i JavaScript.