iT邦幫忙

2021 iThome 鐵人賽

DAY 17
0

以下是我自己這一路學習ML過程中,整理出來的ML研究與實作,使用的演進脈絡,純屬個人觀感,並未有任何理論說明是這樣區分。

因為網路上的資料實在太多,這個領域的知識和做法又在快速地進展,然而看太新的資料在沒有基礎的知識支撐之下,除了看不懂根基也不扎實,看太舊太基礎的資料又晦澀難懂,實務上好像得要花上幾年摸索才能商業化,到底怎麼有效率的學習這門學科並應用,實在是莫大的痛點。


1. 純手工土砲做法

了解了ML訓練模型,其實本自於數學運算,那麼就可以開始寫程式了,數學函式,譬如說梯度下降法會用到的微分,偏微分,啟動函式等等,其實可以用程式的方式寫出,網路上也不少參考資料。

搭配讀取進來的資料,整理成適當的資料格式後,傳入數學運算的訓練函式,執行後就可以拿到結果。

以上好比只用基礎語法if/else、for迴圈、switch等等,很辛苦的手刻各種東西,但相對若能手刻做一次,一定令人體驗深刻。

2. 套件化的輔助

有些固定的數學運算方式寫成library是不是方便許多了?大家也可以不用重複造輪子,python的許多套件便是為了這樣產生,甚至是為了數學運算的效率而生,例如numpy套件,專門為了矩陣運算效率成為廣泛使用的套件之一。

這些套件並不是像我們寫golang那樣,也許只是外面多包一點,參入一些自己需要的功能,反而是為了需求或運算效率而產生。

以上好比有了function、class、package的概念,世代又更進一步的演進。

3. 框架

如果想要更懶呢?就是衍生出框架的概念。

譬如說使用 sklearn.LinearRegression() ,就直接讓框架幫我們執行迴歸模型的運算,需要細部的調教再另外設定參數。

以下列出三個比較常見的ML/DL框架,有興趣可以參閱更詳細的資料。

Scikit-learn

Tensorflow

PyTorch

4. SaaS服務自動化訓練

那麼選什麼框架,怎麼樣調教才能獲得最好的模型,或得到相對清楚的訓練報告呢?

如果願意花一點預算,Google Vertex AI功能可以提供這樣的服務,花費的金額就我們來看,相對比請幾個工程師便宜多了,當然需要比較客製化或使用進階的功能,有能力的人才依然不可或缺。


上一篇
最小平方法 | ML#Day16
下一篇
介紹Vertex(1) | ML#Day18
系列文
後端工程師的ML入門理解與Vertex AI30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言