ניו-טק מגזין | אוקטובר 2023 | המהדורה הדיגיטלית

Microchip קרדיט:

«

מבוססת על מה שאנו מכנים 'למידה ML בפיקוח'. בטכניקה זו, הנתונים מסומנים, והתוצאות מבוססות על סימון זה - אנו גם בונים את המודל המבוסס על סימון זה. טכניקה נוספת היא למידה עמוקה, שעובדת על אלגוריתמים מורכבים יותר, שבהם הנתונים אינם מתויגים. נעסוק בעיקר בלמידה מפוקחת עבור הקצה במאמר זה. הוא הרשת העצבית, ML האלמנט הבסיסי של המורכבת משכבות של צמתים, שלכל צומת יש חיבור לקלטים או לשכבות הבאות. ישנם מספר סוגים של רשתות עצביות. ככל שנעבור מלמידת מכונה ללמידה עמוקה, כך נראה יותר רשתות מורכבות. למידה עמוקה משלבת גם כמה מנגנוני משוב, בעוד שלמודלים יש פעולות קדימה פשוטות, ML פשוטים של הנעות מהנתונים לפלט או לתוצאה. איך "מאמנים" מכונה? השלב הראשון הוא איסוף נתונים. ככל שאנו מתמקדים בלמידה מפוקחת, אנו אוספים נתונים מסומנים, כך שניתן למצוא דפוסים בצורה נכונה. איכות הנתונים תקבע את מידת הדיוק של המודל. אנחנו צריכים להרכיב אותו ולהפוך אותו לאקראי, שכן, אם הוא מאורגן מדי, מודלים לא ייווצרו כראוי, ואנחנו יכולים בלהישאר בסופו של דבר עם אלגוריתמים גרועים. השלב השני הוא לנקות ולהסיר את הנתונים הלא רצויים. יש להסיר כל קבוצה שבה חסרים עתידים מסוימים. יש להסיר גם מדינות שבהן הנתונים אינם נחוצים או מצבים שבדרך כלל אינם ידועים. לאחר מכן יש להפריד את הנתונים לשני חלקים, אחד לאימון והשני לבדיקה.

לאחר מכן עלינו להעריך את המודל, אשר נעשה על ידי בדיקת המודל עם קבוצת משנה של נתונים. זה שכבר שמרנו לבדיקות ולהערכה בעתיד. מערך נתונים זה אינו ידוע לדגם. לאחר מכן נוכל להשוות את פלט הדגם לתוצאות הידועות. לאחר השלמת שלבים אלה, נוכל להשתמש במודל שנוצר ולאמת את התוצאות על ידי ביצוע הסקה על מטרות. הרעיון הוא לקחת את המודל בשטח, לספק לו כמה תשומות ולראות אם התוצאות נכונות. תוכנה וכלים של מיקרו-שבב שיתפה פעולה עם מספר חברות Microchip Edge Impulse , Motion צד שלישי, כולל . SensiML ו - Gestures אנו תומכים גם במסגרות פופולריות כגון למיקרו - בקרים, המהווה TensorFlow Lite . ניתן Microchip Harmony חלק ממסגרת כדי ליצור TensorFlow Lite להשתמש ב - , Microchip מודלים בכל תיקי השבבים של

השלב השלישי הוא אימון האלגוריתם. זה מחולק לשלושה שלבים. השלב הראשון הוא לבחור את אלגוריתם הסיווג של למידת מכונה. כמה מהם זמינים ומתאימים לסוגים שונים של נתונים. דוגמה לאלגוריתם סיווג למידת מכונה הוא: בונסאי ■ אנסמבל עץ ההחלטה ■ אנסמבל עץ מחוזק ■ עבור מיקרו-בקרים TensorFlow Lite ■ PME ■ חשוב לבחור את הרכב המודל הנכון מכיוון שזה קובע את הפלט שתקבל לאחר הפעלת על הנתונים שנאספו. זה עשוי ML אלגוריתם לדרוש כמה מיומנויות של מדען נתונים, אבל יכול גם להישאר למנוע אוטומטי המסופק על ידי מספר כלים ליצירת מודלים. תת - השלב השני הוא פעולת הכשרת הדגם, המורכבת מהפעלת מספר איטרציות לשיפור משקלי השכבות השונות ולדיוק הכולל של הדגם.

Microchip קרדיט:

«

New-Tech Magazine l 56