Yo diría que sí. Hemos construido un nuevo motor ML basado en C # y .NET Framework. Si le preocupa el rendimiento, estoy de acuerdo en que usar C o C ++ podría ser ideal, pero en nuestro caso C # ha hecho el trabajo. Además, no somos como otros motores ML tradicionales que se basan en algoritmos matemáticos en su núcleo como nuestro motor ML lo hace en un enfoque lógico. Una razón importante de por qué el rendimiento no es un problema y, de hecho, es algo que hemos mejorado con respecto a los motores ML tradicionales. Es una bestia diferente, de verdad.
Para obtener más información sobre nuestro proyecto, puede visitar la Máquina de aprendizaje Ryskamp (RLM) aquí [1] y leer por qué es diferente.
Recientemente hemos sido de código abierto, por lo que si desea probarlo, puede ir a nuestra página de Github [2] y, desde allí, puede descargar el código fuente o leer el wiki para obtener la documentación. Además, estamos disponibles a través de Nuget [3]. Pero antes de hacerlo, asegúrese de leer la Licencia [4] para conocer ciertas limitaciones en su uso.
- ¿El objetivo de un autoencoder variacional y una red de confrontación generativa es el mismo?
- ¿Por qué se utilizan imágenes en escala de grises para el análisis de componentes principales?
- ¿Cuál es la distribución condicional completa?
- ¿Se está saturando el aprendizaje automático como campo de investigación?
- ¿Qué algoritmo de aprendizaje automático usarías para analizar los datos de los alumnos?
Notas al pie
[1] useAIble ™
[2] usable / RyskampLearningMachine
[3] useAIble.RyskampLearningMachine
[4] utilizable / RyskampLearningMachine