2018 年に注目すべき 10 個の機械学習ツール

2018 年に注目すべき 10 個の機械学習ツール

[[215148]]

[51CTO.com クイック翻訳] 2017年は機械学習が輝いた年でした。多くの企業による、より新しく効率的なツールやフレームワークに関する広範かつ徹底的な研究開発のおかげで、インテリジェント モデルの開発はかつてないほど容易になりました。 2017 年は Tensorflow、Keras、PyTorch などのフレームワークがトップの機械学習およびディープラーニング ライブラリとして君臨していましたが、2018 年は強力なオープン ソースおよびエンタープライズ ツールのラインアップが現在の既存ツールに取って代わる、または少なくとも競合する準備が整っているため、よりエキサイティングな年になると期待されています。

この記事では、2018年に普及すると予想されるツールやフレームワークを10個紹介します。

1. Amazon セージメーカー

AWS re:Invent 2017 で発表された主要製品の 1 つは、機械学習モデルの構築とクラウドへのデプロイのタスクを簡素化する新しいフレームワークである Amazon Sagemaker の一般リリースでした。

このサービスは、人気の Jupyter ノートブック形式に基づいて、事前に構築されたさまざまな開発環境を開発者に提供するため、機械学習について深く理解していない開発者にとって便利です。 AWS 上で効果的な機械学習システムを構築し、そのパフォーマンスを微調整するのに多くの時間を費やしたくないデータサイエンティストにとって、このサービスは便利です。

関連リンク:

https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/

2.DSSTNE

Amazon が提供するもう 1 つのサービスは、機械学習モデルを開発するためのオープン ソース ライブラリである DSSTNE (一般に Destiny として知られています) です。その主な利点は、スパース入力を処理する推奨モデルのトレーニングと展開に使用できることです。 DSSTNE を使用して開発されたモデルは、複数の GPU を使用するようにトレーニングでき、スケーラブルで、高速パフォーマンス向けに最適化されています。

GitHub で約 4,000 個のスターを獲得しているこのライブラリは、2018 年に注目すべきもう 1 つのツールです。

関連リンク: https://github.com/amzn/amazon-dsstne

3. Azure 機械学習ワークベンチ

マイクロソフトは早くも 2014 年に、機械学習と人工知能の機能をクラウドに組み込んだ Azure Machine Learning ツールをリリースしました。しかし、これはあくまで純粋なクラウド サービスです。今年 9 月に開催された Ignite 2017 カンファレンスで、Microsoft は次世代の Azure 機械学習ツールを発表し、Azure Machine Learning Workbench を通じて多くの企業組織に機械学習機能を提供しました。

Azure Machine Learning Toolkit は、Windows マシンと Apple マシンの両方で実行されるクロスプラットフォーム クライアントです。これは、データの操作および処理タスクを実行したいデータ サイエンティストや機械学習開発者向けにカスタマイズされています。スケーラビリティを考慮して構築されており、ユーザーは幅広いデータ ソースから直感的な洞察を得て、それをデータ モデリング タスクに使用することができます。

関連リンク: https://azure.microsoft.com/en-in/services/machine-learning-services/

4.ネオン

インテルは2016年に早くも、人工知能市場で大手企業になることを目指し、3億5000万ドルを投じてNervanaを買収すると発表した。 Nervana は、機械学習用のソフトウェアとハ​​ードウェアを開発している人工知能のスタートアップ企業です。 Neon により、最近発表された Nervana ニューラル ネットワーク プロセッサ上で実行するように特別に設計された、高速で高性能なディープラーニング フレームワークが実現しました。

Neon は使いやすいように設計されており、iPython ノートブックとの統合をサポートしています。CNN、RNN、LSTM などの一般的なディープラーニング モデルをサポートしています。このフレームワークは日々改善の兆しを見せており、GitHub では 3,000 を超えるスターが付けられています。 Neon は今後数年間でいくつかの主要なディープラーニング ライブラリに挑戦することになるでしょう。

関連リンク: https://github.com/NervanaSystems/neon

5. マイクロソフト DMLT

企業が機械学習で直面する主な課題の 1 つは、パフォーマンスを犠牲にすることなくリソースの使用を最小限に抑えながら、モデルを迅速に拡張する必要があることです。 Microsoft の分散機械学習フレームワーク (DMLT) はまさにそれを実現することを目的としています。 DMLT は、コミュニティからより幅広いサポートを得られるよう、Microsoft によってオープンソース化されました。これにより、機械学習開発者やデータ サイエンティストは、単一マシンのアルゴリズムをスケールアップして、高性能な分散モデルを構築できるようになります。

DMLT は主に分散機械学習アルゴリズムに焦点を当てており、単語の埋め込み、サンプリング、勾配ブースティングなどのタスクを簡単に実行できます。このフレームワークはまだディープラーニング モデルのトレーニングをサポートしていませんが、この機能はすぐにフレームワークに追加される予定です。

関連リンク: http://www.dmtk.io/

6. Google Cloud 機械学習エンジン

Cloud Machine Learning Engine は、Google の主要な機械学習製品と考えられており、さまざまなデータに基づいて比較的簡単に機械学習モデルを構築できます。このプラットフォームは、人気の Tensorflow 機械学習フレームワークを活用しており、大規模な予測分析を実行するために使用できます。また、人気の HyperTune 機能を使用して、機械学習モデルのパフォーマンスを微調整および最適化することもできます。

サーバーレス アーキテクチャにより、自動監視、構成、スケーリングが可能になるため、機械学習エンジンでは、どの機械学習モデルをトレーニングするかだけを気にすればよいことになります。この機能は、外出先で大規模なモデルを構築したい機械学習開発者にとって特に便利です。

関連リンク: https://cloud.google.com/ml-engine/

7. アップルコアML

Core ML フレームワークは、iOS 開発者がよりスマートなアプリを構築できるようにするために Apple によって開発されたもので、Siri をよりスマートにする秘訣です。 CPU のパワーと GPU の機能を最大限に活用することで、開発者はさまざまな種類の機械学習やディープラーニング モデルを構築し、それを iOS アプリケーションにシームレスに統合できるようになります。 Core ML は、決定木、サポート ベクター マシン、線形モデルなど、一般的な機械学習アルゴリズムをすべてサポートしています。

Core ML の機能は、自然言語処理やコンピューター ビジョンなど、多くの実際のユース ケースを対象としているため、学習用のモデルをインポートしなくても、外出中に Apple デバイスでデータを分析できます。

関連リンク: https://developer.apple.com/machine-learning/

8. アップルトゥリクリエイト

多くの場合、iOS 開発者は、開発するアプリに統合したい機械学習モデルをカスタマイズしたいと考えています。この目的のために、Apple は Turi Create を立ち上げました。このライブラリを使用すると、どのアルゴリズムを使用するかを決めるのではなく、目の前のタスクに集中できます。これにより、データセット、モデルを実行する必要がある規模、モデルを展開する必要があるプラットフォームに関して柔軟性が得られます。

Turi Create は使いやすく、推奨、画像処理、テキスト分類、その他多くのタスク用のカスタム モデルの構築に使用できます。始めるのに必要なのは、Python に関する知識だけです。

関連リンク: https://github.com/apple/turicreate

9.コンブネット

ディープラーニングはスーパーコンピューターやマシン クラスターで行われるだけでなく、今では文字通りインターネット ブラウザーで行われるようになりました。人気の高い JavaScript ベースの Convnetjs ライブラリを使用すると、CPU や GPU を必要とせずに、高度な機械学習およびディープラーニング モデルをブラウザー上で直接トレーニングできるようになりました。

このライブラリはもともと、Tesla の現在の AI 責任者である Andrej Karpathy によって作成され、その後、コミュニティからの積極的な貢献によりオープンソース化され、拡張されました。この非常にユニークで便利なライブラリのおかげで、ディープ ニューラル ネットワークや強化学習モデルをブラウザー上で簡単にトレーニングできます。このライブラリは、計算集約型のモデルをトレーニングするために専用のハードウェアを購入したくない人に適しています。 GitHub で約 9,000 個のスターを獲得した Convnetjs は、2017 年のスター プロジェクトの 1 つであり、すぐにディープラーニングに最適なライブラリになりました。

関連リンク: http://cs.stanford.edu/people/karpathy/convnetjs/

10. ビッグML

BigML は、機械学習モデルを開発するための使いやすいプラットフォームを提供する有名な機械学習企業です。 BigML の REST API を使用すると、プラットフォーム上で機械学習モデルをシームレスにトレーニングできます。異常検出や時系列予測などのさまざまなタスクを実行できるほか、リアルタイムの予測分析を実行するアプリケーションを構築することもできます。

BigML を使用すると、モデルをローカルまたはクラウドにデプロイできるため、機械学習モデルを実行するために必要な環境を柔軟に選択できます。 BigML は、「機械学習を誰にとっても驚くほど簡単にする」という約束を果たしています。

マイクロソフト、アマゾン、グーグルがいずれもこの分野の覇権を競い合う中、2018年は人工知能にとって画期的な年となるかもしれない。これに、ユーザー向けに機械学習を簡素化するように設計されたさまざまなオープンソース ライブラリが加わり、注目すべきツールやフレームワークが数多く存在します。興味深いのは、これらすべてが次の TensorFlow となり、次の AI の破壊的変化をもたらす可能性を秘めていることです。

関連リンク: https://bigml.com/

原題: 2018 年に注目すべき 10 個の機械学習ツール、著者: Amey Varangaonkar

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]

<<:  量子コンピューティングと人工知能の関係は何ですか?

>>:  人工知能は人間のキャリアにどのような影響を与えるのでしょうか? 11のトレンド予測はこちら

ブログ    
ブログ    
ブログ    
ブログ    

推薦する

...

自動運転車が急カーブを曲がるときに車線を検知する3つの技術

自動運転車は、車線を正確に検出するために、さまざまな色や照明条件下で車線を認識する必要があります。車...

人工知能はどのようにして新しい世界を創造するのでしょうか?

AI は時間の経過とともにさらに賢くなり、パワーを増していきます。私たちの多くにとって、人工知能 ...

人工知能の可能性を解き放つ3つのステップ

ガートナーのデータによると、2020 年までに人工知能は CIO の 30% 以上にとって最優先事項...

...

...

人工知能技術は建設業界をどのように変えるのでしょうか?

人工知能 (AI) は世界中の産業に革命をもたらし、その能力によって世界を変えています。 ChatG...

APP がアルゴリズムにこだわっているとき、パーソナライズされたカスタマイズを通じて「自分自身」を理解できるでしょうか?

アルゴリズムによる推奨が普及している今日の世界では、あなたよりもあなたのことをよく知っているのは、あ...

教師なしトレーニング用のスタック型オートエンコーダは時代遅れですか? ML博士が8つのオートエンコーダを比較

ベルリン工科大学のディープラーニング博士課程の学生であるティルマン・クロコッチ氏は、複数のタスクにお...

...

2021 年の人工知能に関する詳細な研究: 機械学習は最終的に人間の医師に取って代わるのでしょうか?

[[377208]]これから議論する論文で採用されているアプローチは、これまでのどのアプローチより...

GPT 1周年深夜の雑談: プログラミングなしで誰もが GPT を定義できる時代が到来!

執筆者 | Yun Zhao制作:51CTO テクノロジースタック(WeChat ID:blog)深...

...

AIとブロックチェーンが壊れたサプライチェーンを修復する方法

2020年にコロナウイルス危機が発生した際、医療上の緊急事態に伴って、特に一部の医療機器に関して深刻...

5分で強力で使いやすいディープラーニング環境を構築

ディープラーニング プロジェクトに適した環境を構築するのは簡単な作業ではありません。処理すべきことは...