Szybkość uczenia czy dokładność predykcji? Analiza porównawcza szkieletów programistycznych do sztucznej inteligencji

• Autorzy: Zdeb Konrad , Żukiewicz Piotr , Łukasik Edyta

Identyfikatory

DOI

10.35784/jcsi.2926

Warianty tytułu

EN

Learning speed or prediction accuracy? Comparative analysis of programming frameworks for artificial intelligence

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest analiza szkieletów aplikacji do sztucznej inteligencji. Zbadane zostały: skuteczność, czasochłonność oraz ilość potrzebnych zasobów. Dla każdego frameworka stworzono modele regresji liniowej, lasów losowych i k najbliższych sąsiadów. Dane uczące to zbiory danych zawierające informację o diamencie oraz jego cenie. Każdy model miał za zadanie nauczyć się cen diamentów, a następnie dokonać predykcji w zależności od ich konkretnych cech tj. szlif, kolor, objętość. Dane uczące zostały podzielone na zbiory o różnej wielkości dzięki czemu można było zaobserwować zmianę w modelu w zależności od liczby danych treningowych. Z trzech przebadanych szkieletów programistycznych do uczenia maszynowego TensorFlow wykazał się największą skutecznością, a SciKit-Learn najkrótszym czasem dokonywania predykcji

EN

The purpose of the article is to analyze frameworks for artificial intelligence applications. In particular, the effectiveness, time-consumption and resources requirement. Linear regression, random forests and k nearest neighbors models were created for each framework. The learning data is a dataset containing informations about diamonds and their prices. Each model was designed to learn diamonds’ prices and then make a prediction depending on its specific characteristics such as cut, color, and volume. The learning data was divided into sets of different sizes to show changes in a model depending on the amount of training data. Out of the three machine learning frameworks tested, TensorFlow proved to be the most accurate and SciKit-Learn the fastest

Słowa kluczowe

PL

sztuczna inteligencja; predykcja danych; szkielety programistyczne

EN

artificial intelligence; data prediction; framework

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2022
• Tom: Vol. 24
• Strony: 172--175
• Opis fizyczny: Bibliogr. 8 poz., fig., tab.

Twórcy

autor

Zdeb Konrad

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

autor

Żukiewicz Piotr

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

autor

Łukasik Edyta

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

Bibliografia

• 1. X. D. Zhang, A Matrix Algebra Approach to Artificial Intelligence, Springer, 2020.
• 2. J. Brownlee, Deep learning for computer vision: image classification, object detection, and face recognition in python, Machine Learning Mastery, 2019.
• 3. R. Garreta, G. Moncecchi, Learning scikit-learn: machine learning in python, PACKT Publishing Ltd., 2013.
• 4. G. Hackeling, Mastering Machine Learning with scikit-learn, PACKT Publishing Ltd., 2017.
• 5. E. Stevens, L. Antiga, T. Viehmann, Deep learning with PyTorch, Manning Publications, 2020.
• 6. N. McClure, TensorFlow machine learning cookbook, PACKT Publishing Ltd., 2017.
• 7. D. Sarkar, R. Bali, T. Sharma, Practical machine learning with Python. A Problem-Solvers Guide To Building Real-World Intelligent Systems, Apress, Berkeley, CA, 2018.
• 8. S. Raschka, V. Mirjalili, Python Machine Learning: Machine Learning and Deep Learning with Python. Scikit-Learn, and TensorFlow, Second edition, PACKT Publishing Ltd., 2017.