اگر شما یک توسعه دهنده PHP هستید یا به دنبال یک کتابخانه دوستانه و لذت بخش هستید می توانید برای ساخت برنامه هایی که از هوش مصنوعی استفاده کنید ، باید Rubix ML را جدی بگیرید. در این پست شما یک نمای کلی از کتابخانه Rubix ML و منابع مفیدی درباره مکان یادگیری بیشتر خواهید داشت.
توضیحات: Rubix ML یک کتابخانه سطح بالا برای یادگیری ماشین و یادگیری عمیق برای زبان PHP است که شامل پیاده سازی چندین الگوریتم یادگیری ماشین است ، بنابراین می توانید یک شی مدل را در یک خط یا چند خط کد تعریف کنید ، سپس از آن استفاده کنید تا متناسب با مجموعه ای از نقاط یا یک مقدار را پیش بینی کنید. این منبع باز است و استفاده تجاری از آن رایگان است.
این کتابخانه ابزارهایی را برای کل چرخه زندگی یادگیری ماشین از ETL (استخراج ، تبدیل ، بارگذاری ، دستکاری و جمع بندی داده ها) تا آموزش ، اعتبارسنجی متقابل و تولید با بیش از 40 الگوریتم یادگیری تحت نظارت و نظارت نشده فراهم می کند. تعدادی از الگوریتم های موجود در کتابخانه از یادگیری عمیق پشتیبانی می کنند از جمله Multilayer Perceptron classifier و MLP Regressor.
از کجا آمده؟ Rubix ML توسط Andrew DalPino ، مهندس یادگیری ماشین و معمار نرم افزار ایجاد شد. این پروژه اکنون بیش از 20 مشارکت کننده فعال دارد.
مثال: طبقه بندی کننده گل زنبق بگذارید مثالی بزنم تا به شما نشان دهم استفاده از کتابخانه آسان است. در این مثال ، ما برای تعیین گونه های گل زنبق از مجموعه ای از نمونه های آزمایش ناشناخته با استفاده از مجموعه داده های Iris ، یک طبقه بندی K نزدیکترین همسایه (KNN) آموزش می دهیم.
use Rubix\ML\Datasets\Labeled;
use Rubix\ML\Extractors\NDJSON;
use Rubix\ML\Classifiers\KNearestNeighbors;
use Rubix\ML\CrossValidation\Metrics\Accuracy;
echo 'Loading data into memory ...' . PHP_EOL;
$training = Labeled::fromIterator(new NDJSON('dataset.ndjson'));
$testing = $training->randomize()->take(10);
$estimator = new KNearestNeighbors(5);
echo 'Training ...' . PHP_EOL;
$estimator->train($training);
echo 'Making predictions ...' . PHP_EOL;
$predictions = $estimator->predict($testing);
echo 'Example predictions:' . PHP_EOL;
print_r(array_slice($predictions, 0, 3));
$metric = new Accuracy();
$score = $metric->score($predictions, $testing->labels());
echo 'Accuracy is ' . (string) ($score * 100.0) . '%' . PHP_EOL;
این کد کامل را بررسی کنید.
زیست بوم Rubix ML برای تسریع در عملکرد و سرور برای استقرار مدل آموزش دیده شما در تولید ، Tensor پسوند کتابخانه را فراهم می کند.
اگر می خواهید بیشتر بیاموزید ، به صفحه اصلی Rubix ML مراجعه کنید که شامل اسناد و مدارک و منابع مرتبط است. می توانید کد را از مخزن github دریافت کنید.
اگر از قبل با مفاهیم پایه ML آشنایی دارید یا اگر نه ، توصیه می کنم با مقدمه اساسی شروع به کار کنید تا مختصراً به یک پروژه Rubix ML نگاهی بیندازید ، توصیه می کنم نگاهی به مقاله یادگیری ماشین چیست؟ بیندازید.
نتیجه Rubix ML انجام یادگیری ماشین با استفاده از زبان برنامه نویسی PHP را برای شما بسیار آسان می کند. این ابزار برای کل چرخه زندگی یادگیری ماشین از ETL تا آموزش ، اعتبارسنجی متقابل و تولید فراهم می کند.
https://devdojo.com/mnsuccess/a-noble-introduction-to-rubix-ml-a-php-machine-learning-library
