मशीन सीखने के तरीकों का मूल्यांकन करने वाले डेवलपर्स विशेष हार्डवेयर और विकास प्लेटफार्मों की बढ़ती सरणी पाते हैं जिन्हें अक्सर मशीन लर्निंग आर्किटेक्चर और एप्लिकेशन के विशिष्ट वर्गों के लिए ट्यून किया जाता है। यद्यपि ये विशेष प्लेटफार्म कई मशीन लर्निंग अनुप्रयोगों के लिए आवश्यक हैं, लेकिन आदर्श मंच चुनने के बारे में सूचित निर्णय लेने के लिए मशीन सीखने के लिए नए डेवलपर्स तैयार हैं।
मशीन सीखने के अनुप्रयोगों के विकास में अनुभव प्राप्त करने और संसाधन आवश्यकताओं और परिणामी क्षमताओं की गहरी समझ के लिए डेवलपर्स को एक और अधिक सुलभ मंच की आवश्यकता है।
जैसा कि डिजी-कुंजी आलेख में वर्णित है "आसानी से उपलब्ध हार्डवेयर और सॉफ्टवेयर का उपयोग कर मशीन लर्निंग के साथ प्रारंभ करें", पर्यवेक्षित मशीन सीखने के लिए किसी भी मॉडल के विकास में तीन महत्वपूर्ण कदम शामिल हैं:
एक मॉडल प्रशिक्षण के लिए डेटा की तैयारी
मॉडल कार्यान्वयन
मॉडल प्रशिक्षण
डेटा तैयार करने से प्रशिक्षण प्रक्रिया में उपयोग के लिए डेटा के विशिष्ट उदाहरणों को लेबल करने के लिए आवश्यक अतिरिक्त चरण के साथ परिचित डेटा अधिग्रहण विधियों को जोड़ दिया जाता है। अंतिम दो चरणों के लिए, हाल ही में मशीन लर्निंग मॉडल विशेषज्ञों को मॉडल एल्गोरिदम में शामिल विस्तृत गणनाओं को लागू करने के लिए अपेक्षाकृत कम-स्तरीय गणित पुस्तकालयों का उपयोग करने की आवश्यकता है। मशीन लर्निंग फ्रेमवर्क की उपलब्धता ने मॉडल कार्यान्वयन और प्रशिक्षण की जटिलता को नाटकीय रूप से आसान बना दिया है।
आज, पाइथन या अन्य समर्थित भाषाओं से परिचित कोई भी डेवलपर इन ढांचे का उपयोग प्लेटफार्मों की विस्तृत श्रृंखला पर चलने में सक्षम मशीन लर्निंग मॉडल को तेजी से विकसित करने के लिए कर सकता है। यह आलेख रास्पबेरी पाई 3 पर मशीन लर्निंग एप्लिकेशन को विकसित करने के तरीके से पहले मशीन लर्निंग स्टैक और ट्रेनिंग प्रक्रिया का वर्णन करेगा। स्टीफन इवांकज़ुक द्वारा
