Udviklere, der ønsker at evaluere maskinindlæringsmetoder, finder et voksende udvalg af specialiserede hardware- og udviklingsplatforme, der ofte indstilles til specifikke klasser af maskinlæringsarkitektur og -applikation. Selvom disse specialiserede platforme er vigtige for mange maskinlæringsapplikationer, er få udviklere, der er nye til maskinindlæring, klar til at træffe velinformerede beslutninger om valg af den ideelle platform.
Udviklere har brug for en mere tilgængelig platform for at få erfaring i udvikling af maskinlæringsapplikationer og en dybere forståelse af ressourcebehov og resulterende kapaciteter.
Som beskrevet i Digi-Key-artiklen "Kom i gang med maskinundervisning ved brug af let tilgængelig hardware og software", omfatter udvikling af enhver model til overvåget maskinindlæring tre centrale trin:
Forberedelse af data til træning af en model
Model implementering
Model træning
Databehandling kombinerer velkendte dataindsamlingsmetoder med et yderligere trin, der kræves for at mærke specifikke forekomster af data til brug i træningsprocessen. For de sidste to trin har maskinmodelspecialister, indtil for nylig, brug for at bruge relativt lavt niveau matematikbiblioteker til at implementere de detaljerede beregninger involveret i modelalgoritmer. Tilgængeligheden af maskinindlæringsrammer har reduceret kompleksiteten af modelimplementering og træning dramatisk.
I dag kan enhver udvikler, der er bekendt med Python eller andre understøttede sprog, bruge disse rammer til hurtigt at udvikle maskinindlæringsmodeller, der kan køre på en lang række platforme. Denne artikel beskriver maskinens læringsstak og træningsproces, inden man kommer ind i, hvordan man udvikler en maskinindlæringsapplikation på en Raspberry Pi 3. Ved Stephen Evanczuk
