Vývojáři chtějí vyhodnotit metody učení stroj najít rostoucí škálu specializovaný hardware a vývoj platformy, které jsou často laděny do konkrétní třídy machine learning architektury a aplikace. Ačkoli tyto specializované platformy jsou zásadní pro mnoho strojového učení aplikace, málo nové vývojáře strojové učení jsou připraveny činit informovaná rozhodnutí o výběru ideální platformu.
Vývojáři potřebují dostupnější platforma pro získání zkušeností v oblasti vývoje aplikací, učení stroje a hlubší pochopení požadavků na zdroje a výsledné možnosti.
Jak je popsáno v článku Digi-Key "Si začala s stroj učení pomocí snadno dostupný Hardware a Software", rozvoj všech modelu pro dozorovaného machine learning zahrnuje tři klíčové kroky:
Příprava dat pro školení modelu
Model implementace
Model vzdělávání
Příprava dat kombinuje metody získávání známých dat s další krok potřeba označovat konkrétní instance dat pro použití v procesu vzdělávání. Za poslední dva kroky strojového učení modelu specialistů, až donedávna, potřeboval použít relativně nízké úrovně matematické knihovny provádět podrobné kalkulace, jichž vzorových algoritmů. Dostupnost stroje učení rámců se dramaticky snížila složitost modelu implementace a školení.
Dnes všechny vývojáře obeznámeni s Python nebo jiné podporované jazyky můžete použít tyto rámce k rychlému vývoji modely strojového učení, která je schopen běžet na širokou škálu platforem. Tento článek bude popisují strojového učení zásobníku a tréninkového procesu než se dostane do toho, jak rozvíjet strojového učení aplikace na Raspberry Pi 3.Podle Stephen Evanczuk
