UWAGA! Używamy plików cookies, by ułatwić korzystanie z naszego serwisu. Jeśli nie chcesz, by pliki cookies były zapisywane na Twoim dysku zmień ustawienia swojej przeglądarki. Co to są pliki cookies?



Wolfram Language
 Machine Learning
 Dlaczego maszyny mogą być efektywnie uczone
z Wolfram Language?
Istnieje wiele różnych środowisk tworzenia oprogramowania i wiele różnych języków programowania używanych do budowy aplikacji z zakresu uczących się maszyn. Dlaczego należy to robić za pomocą Wolfram Language w środowisku programu Mathematica?

Istnieje wiele powodów, dla których środowisko Wolfram Language jest wykorzystywane do tworzenia aplikacji szeroko pojętej analizy i wizualizacji danych. Ogólne zalety tego środowiska zostały zaprezentowane w części Co to jest Wolfram Language?.

Poniżej wymienionych zostało kilka dodatkowych zalet środowiska Wolfram Language, które sprawiają, że tworzenie projektów wykorzystujących algorytmy maszyn uczących jest w tym środowisku szybkie i efektywne.

  • Środowisko "All in one"
    		•
    Wolfram Language stanowi kompletne środowisko oferujące pełny zestaw narzędzi, procedur i technik programowania niezbędnych dla wymagających programistów. Stanowi jednocześnie obszerną bibliotekę procedur z zakresu obliczeń numerycznych i symbolicznych rozwiązujących nie tylko ogólne problemy matematyczne, ale także zagadnienia specjalistyczne specyficzne dla określonych dziedzin nauki i techniki. Jeśli uwzględnić w tym opisie bogaty zestaw procedur graficzne wizualizacji danych, to powstaje środowisko, w którym programiście nie zabraknie niczego, nie będą potrzebne żadne dodatkowe biblioteki czy narzędzia.
  • Zaawansowane algorytmy uczenia maszyn
    		•
    Do opisanych powyżej ogólnych zalet środowiska Wolfram Language istotnych dla programistów należy dodać wszechstronne wyposażenie języka w procedury z dziedziny machine learning. Konsekwentna składnia języka pozwala pracować z tymi procedurami bez posiadania specjalistycznej wiedzy w konkretnym obszarze tematycznym. Zagadnienia klasyfikacji obiektów, predykcji przyszłych wartości, ustalania nieznanych struktur danych czy klasyfikacja na bazie generowania klastrów danych mogą być łatwo realizowane w dowolnej dziedzinie i dla dowolnej kategorii danych.
  • Zestaw modeli wstępnie przeszkolonych
    		•
    Wolfram Language udostępnia szereg gotowych procedur będących klasyfikatorami określonych grup obiektów. Szereg dedykowanych funkcji przeznaczonych jest do rozpoznawania obrazów i analizy skanowanego tekstu. Osobną grupę predefiniowanych klasyfikatorów stanowią procedury rozpoznawania języka naturalnego.

    Klasyfikatory treści graficzne pozwalają rozpoznawać obiekty określonych kategorii lub wyodrębniać twarze na zdjęciach.



  • Budowa własnych modeli maszyn uczących się
    		•
    Bazujące na różnych algorytmach procedury klasyfikacji i predykcji pozwalają tworzyć moduły bazujące na algorytmach maszyn uczących się dla dowolnej kategorii danych. Mogą to być typowe dane liczbowe, ale też tekstowe, graficzne czy dźwiękowe. Dopuszczalne jest też dowolne łączenie tych kategorii danych w większe ich zestawy i operowanie na tych zestawach. Zestawy te mogą być wykorzystywane w procesie uczenia, aby później wykorzystać nauczony moduł do rozpoznawania i klasyfikacji nowych zestawów danych.