Programeri koji žele da procene metode za učenje mašina pronalaze sve veći broj specijalizovanih hardverskih i razvojnih platformi koje se često podešavaju na određene klase arhitekture i primene mašina za učenje. Iako su ove specijalizovane platforme od suštinskog značaja za mnoge aplikacije za mašinsko učenje, mali broj novih programera za mašinsko učenje spreman je da donose odluke o izboru idealne platforme.
Programerima je potrebna pristupačnija platforma za sticanje iskustva u razvoju aplikacija za mašinsko učenje i dublje razumevanje potreba resursa i rezultirajućih sposobnosti.
Kao što je opisano u članku Digi-Key-a "Počnite sa mašinskim učenjem koristeći lako dostupne hardver i softver", razvoj bilo kog modela za supervizirano mašinsko učenje obuhvata tri ključna koraka:
Priprema podataka za obuku modela
Implementacija modela
Obuka modela
Priprema podataka kombinira poznate metode prikupljanja podataka uz dodatni korak koji je potreban za označavanje specifičnih primjera podataka za korištenje u procesu obuke. Za poslednja dva koraka, stručnjaci za model mašine za mašinsku obuku su do nedavno trebali koristiti relativno niske matematičke biblioteke za implementaciju detaljnih izračunavanja uključenih u algoritme modela. Raspoloživost okvira mašinskih učenja dramatično je olakšala složenost implementacije modela i obuke.
Danas svaki developer koji je upoznat sa Python-om ili drugim podržanim jezicima može koristiti ove okvire za brzo razvijanje modela za učenje računara koji mogu raditi na širokom nizu platformi. Ovaj članak će opisati stack mašinskog učenja i proces obuke prije nego što počne da razvija aplikaciju za učenje mašina na Raspberry Pi 3. Stephen Evanczuk
