Machine Learning: Frameworks und Services im Vergleich

Für die Implementierung von Machine-Learning-Anwendungen gibt es viele Bibliotheken, Frameworks und Cloud-Dienste. So wählen Sie das passende Framework aus.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 1 Kommentar lesen
Machine-Learning-Frameworks und -Services im Vergleich
Lesezeit: 15 Min.
Von
  • Tim Schürmann
Inhaltsverzeichnis

Beim Machine Learning (ML) lernen Algorithmen anhand von Beispieldaten ein bestimmtes Verhalten. Verfüttert man beispielsweise Katzenbilder an einen solchen Algorithmus, kann dieser später auch neue Katzenfotos als solche erkennen. Um den eigenen Rechner lernen zu lassen, könnte man sich seine Lieblingsprogrammiersprache schnappen, die zu analysierenden Daten in die dort angebotenen Datenstrukturen laden und dann einen passenden Algorithmus implementieren.

In C++ könnte man etwa für die Neuronen eines neuronalen Netzes jeweils entsprechende Klassen erstellen. Allerdings muss man dann auch die notwendigen Algorithmen auswählen, implementieren und optimieren. Diese aufwendige Arbeit wollen zahlreiche Bibliotheken, Frameworks und Cloud-Dienste erleichtern.

Die meisten Frameworks sind auf Python zugeschnitten. Diese Skriptsprache haben die Entwickler von künstlicher Intelligenz anscheinend besonders ins Herz geschlossen. Häufig existieren jedoch auch Anbindungen an andere Sprachen. Die Frameworks nutzen optimierte Algorithmen und können im Idealfall die Grafikkarte einspannen, um die notwendigen Berechnungen zu beschleunigen. Dies erfolgt durchweg über die von NVIDIA entwickelte Schnittstelle CUDA, die direkt auf die Shader-Rechenkerne der GPU zugreift.