A Natural Language Processing (nltk) keretrendszer a nem csak számítógépes nyelvészt iránt érdeklődők tömegeit vezette/vezeti be a szakma rejtelmeibe, hanem már a "való világban", üzleti alkalmazásokba építve is bizonyított. A nyílt forráskódú projektekre leselkedő veszélyt - hogy nem alakul ki a lelkes önkéntesek köre - elkerülte, és az "alapító atyáknak" hála egy jó minőségű, immár több nyelvre is fordított, szabadon hozzáférhető könyv vezeti be a szakma rejtelmeibe a nagyérdeműt. A scikit-learn valami hasonlóvá próbál kinőni a gépi tanulás területén - remélem így már érthető a cím :D
Scikit-learn harnesses this rich environment to provide state-of-the-art implementations of many well known machine learning algorithms, while maintaining an easy-to-use interface tightly integrated with the Python language. [1]
A scikit-learn csomag első sorban azok számára készült akik más területekről érkeznek a gépi tanulás problémáihoz; ezek általában fizikusok, biológusok, társadalomtudósok, és nyelvészek, azaz nem számítástudománnyal foglalkoznak. Ahogy a nem rég megjelent Science Code Manifesto is fogalmazott, a programozás vagy szebb névvel kumputációs modellezés a tudományos munka részévé vált - igen, cakk-pakk a TUDOMÁNY praxisa megköveteli hogy programokba öntsük modelljeinket. Ez azzal jár hogy maga a programozás eszköz (és nem cél, vagy maga végeredmény) sokak számára. Ebből a szempontból a Python programozási nyelv választása telitalálat, nagyon jól dokumentált, kifejezetten kezdőbarát.
Természetes választás lehetne még az R nyelv, hiszen sok gépi tanulással kapcsolatos csomag áll a felhasználók rendelkezésére, valamint a korpusznyelvészek és pszicholingvisták körében kávzi lingua franca, azonban elsajátítása jóval több időt vesz igénybe, nem beszélve erről hogy az eltérő csomagok nem annyira egységesek mint a scikit-learn.
A különféle Java csomagok (WEKA, MALLET, stb.) sajnos nem jelentenek megoldást, nem csak azért viszonylag nehéz elsajátítani a nyelvet, hanem úgynevezett dizájn megfontolások miatt nehézkesebb az ilyen eszközök használata. A Java csomagok általában öröklődés útján kerülnek bevetésre, ezért használatuk során sok "felesleges" kódot kell írnunk. A scikit-learn ellenben az ún. interfészekre esküszik, ami a kezdők számára sokkal barátságosabb modell, hiszen egyszerűbben "mixelhetik" össze egy objektumba az adatokat és a rajtuk végzett műveleteket.
Az egyszerűségnek sajnos ára van. A csomag kis és közepes nagyságú adatokon muzsikál jól. Teljesítménye gondos kezek segítségével növelhető, de a kezdők és nem vér profi programozók számára ezek már barokkos díszítőelemek, nem biztos hogy könnyen megoldják. Nem kapunk kézhez egy könyvet a scikit-learn-nel, pláne nem olyat mint az nltk book. User Guide néven alatt fut valami könyvhöz hasonló de ez gyakran hiányos még, a példák és magyarázatok néha mint ha félbeszakadnának. Azonban józan ésszel, némi Python és gépi tanulási (statisztikai) háttérismerettel lehetővé teszi hogy kipróbáljuk, vagy saját munkákban is alkalmazzuk az egyes eljárásokat.
[1] Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825−2830, 2011.
Nincsenek megjegyzések:
Megjegyzés küldése