Q:
Kodėl mastelio mokymasis yra svarbus?
A:Mastelio keitimosi mašinomis mokymasis yra pagrindinis masinio mokymosi pranašas, iš dalies todėl, kad mašinų mokymosi procesų masto didinimas yra svarbus ir sudėtingas daugelio mašinų mokymosi projektų aspektas.
Pvz., Kai kuriems mažesniems mašininio mokymosi projektams gali reikėti ne tiek masto, bet inžinieriams svarstant įvairius produktyvaus modeliavimo būdus, bandant atlikti milžiniškų duomenų rinkinių analizę arba bandant pritaikyti mašininį mokymąsi skirtingoms aparatinės įrangos aplinkoms, mastelį gali padidinti reiškia viską.
| Nemokamas atsisiuntimas: mašinų mokymasis ir kodėl tai svarbu |
Mastelio mokymasis yra svarbus, kai aišku, kad projekto apimtis viršys pradinę sąranką. Gali prireikti skirtingų algoritmų metodų, kad mašininio mokymosi procesai atitiktų kitus duomenų analizės procesus. Tam pačiam duomenų rinkiniui gali prireikti daugiau išteklių.
Kalbant apie naudojamas priemones, „Apache Hadoop“ dažnai naudojamas ypač dideliems duomenų rinkiniams, pavyzdžiui, apie 5 TB. Žemiau šio ženklo yra kiti vidutinio lygio įrankiai, kurie gali gerai atlikti darbą, pavyzdžiui, „Pandas“, „Matlab“ ir R. IT specialistai suderins įrankius su reikiamu mastelio mastu. Jie supras, kiek reikia atlikti mašinų mokymosi programas ir kaip jie turi būti aprūpinti, kad pasiektų tuos tikslus.
Kartu su galimybe pritaikyti daug didesnius duomenų rinkinius kelių terabaitų tvarka, kitas iššūkis, susijęs su mastelio mokymu, yra sistemos, galinčios veikti keliuose mazguose, sukūrimas. Kai kurios pagrindinės mašinų mokymosi sistemos gali būti sukonfigūruotos veikti tik su atskiru kompiuterio ar aparatūros komponentu. Bet kai mašininio mokymosi procesai turi sąveikauti su keliais mazgais, tam reikės kitokio požiūrio. Įgijimas išmokti mašinų dirbti paskirstytoje architektūroje yra dar viena pagrindinė mastelio keitimosi mašina dalis. Apsvarstykite situaciją, kai mašininio mokymosi algoritmai turi pasiekti duomenis iš kelių dešimčių ar net šimtų serverių - tam reikės didelių mastelio pokyčių ir universalumo.
Kitas keičiamo mastelio mokymosi veiksnys yra gilaus mokymosi procesas, kai inžinieriai ir suinteresuotosios šalys gali gauti daugiau rezultatų gilindamiesi į duomenų rinkinius ir manipuliuodami jais giliau. Giluminio mokymosi projektai yra puikus pavyzdys, kaip įmonėms gali prireikti priimti keičiamo mastelio mokymosi strategiją, kad pasiektų reikiamas galimybes. Toliau tobulėjant giliam mokymuisi, bus daromas spaudimas mašinų mokymosi sistemoms, kad jos būtų efektyvesnės.
