Szybkość uczenia czy dokładność predykcji? Analiza porównawcza szkieletów programistycznych do sztucznej inteligencji
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Learning speed or prediction accuracy? Comparative analysis of program-ming frameworks for artificial intelligence
|
| Autorzy: | Zdeb Konrad, Żukiewicz Piotr, Łukasik Edyta |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2022 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | polski |
| Wolumen/Tom: | 24 |
| Strony: | 172 - 175 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 września 2022 |
| Abstrakty: | angielski | polski |
| The purpose of the article is to analyze frameworks for artificial intelligen ce applications. In particular, the effectiv e- ness, time-consumption and resources requirement. Linear regression, r andom forests and k nearest neighbors models were created for each framework. The learning data is a dataset containing informations about diamonds and their pri c- es. Each model was designed to learn diamonds’ prices and then make a pred iction depending on its specific characte r- istics such as cut, color, and volume. The learning data was divided into sets o f 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. | |
| Celem artykułu jest analiza szkieletów aplikacji do sztucznej inteligencji. Zbadane został y: skuteczność, czasochło n- ność oraz ilość potrzebnych zasobów. Dla każdego frameworka stworzo no modele regresji liniowej, lasów losowych i k najbliższych sąsiadów. Dane uczące to zbiory danych zawierające informacj ę o diamencie oraz jego cenie. Każdy m o- del 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 w ielkości dzięki czemu można było zaobse r- wować zmianę w modelu w zależności od liczby danych treningowych . Z trzech przebadanych szkieletów program i- stycznych do uczenia maszynowego TensorFlow wykazał się największą skutecznością, a SciKit - Learn najkrótszym czasem dokonywania predykcji. |
