A gépi tanulási módszerek értékelésére törekvő fejlesztők egyre több olyan speciális hardver- és fejlesztési platformot találnak, amelyek gyakran a gépi tanulási struktúrák és alkalmazások meghatározott osztályaihoz vannak igazítva. Bár ezek a speciális platformok sok gépi tanuláshoz elengedhetetlenek, néhány, a gépi tanuláshoz új fejlesztő készen áll arra, hogy tájékozott döntéseket hozzon az ideális platform kiválasztásáról.
A fejlesztőknek könnyebben hozzáférhető platformra van szükségük ahhoz, hogy tapasztalatokat szerezzenek a gépi tanulási alkalmazások fejlesztésében, és megismerjék az erőforrásigényeket és az ebből fakadó képességeket.
Amint azt a Digi-Key cikk "A gépi tanulás elsajátítása a könnyen hozzáférhető hardverekkel és szoftverekkel" című fejezetben leírtak szerint a felügyelt gépi tanulás bármely modelljének fejlesztése három kulcsfontosságú lépést tartalmaz:
Adatok készítése egy modell képzésére
A modell megvalósítása
Modellképzés
Az adatok előkészítése egyes ismert adatgyűjtési módszereket kombinál egy olyan további lépéssel, amely a képzési folyamatban felhasználandó konkrét adatelemek címkézéséhez szükséges. A végső két lépés esetében a gépi tanulásmodell szakemberek a közelmúltig viszonylag alacsony szintű matematikai könyvtárakat alkalmaztak a modell algoritmusok részletes számításainak végrehajtásához. A gépi tanulási keretek rendelkezésre állása jelentősen megkönnyítette a modell megvalósításának és képzésének bonyolultságát.
Ma a Python vagy más támogatott nyelvek ismerőinek használhatják ezeket a kereteket, hogy gyorsan kifejthessék a gépi tanulási modelleket, amelyek számos platformon futhatnak. Ez a cikk leírja a gépi tanulási stacket és a képzési folyamatot, mielőtt bejutna egy gépi tanulási alkalmazás fejlesztésébe egy Raspberry Pi 3-ban . Stephen Evanczuk
