3 Pustaka Pembelajaran Mesin Teratas di C++ yang Harus Anda Dapatkan

Hari ini, di mana pun kita melihat, Machine Learning ada di sekitar kita dalam beberapa bentuk atau lainnya. Bagian dari Kecerdasan Buatan ini telah menemukan beragam aplikasi di semua paralel industri, dan memang demikian. Meskipun Machine Learning adalah bidang yang baru muncul, ini telah membuka banyak kemungkinan untuk dijelajahi.

Sekarang, pertanyaannya adalah, bahasa pemrograman apa yang digunakan untuk proyek Machine Learning?

Python dan C++ adalah dua bahasa pemrograman yang paling populer. Kedua bahasa ini membanggakan komunitas yang aktif, dukungan alat khusus, ekosistem perpustakaan yang luas, dan kinerja runtime yang terpuji. Namun, fokus dari posting hari ini adalah Machine Learning di C++.

Mengapa C++ untuk Pembelajaran Mesin?

Ini adalah fakta yang mapan bahwa Pembelajaran Mesin membutuhkan kinerja CPU tugas berat, dan inilah yang dijamin oleh C++. Dalam hal kecepatan dan kinerja, C++ meninggalkan Python, Java, dan bahkan C#. Keuntungan utama lainnya menggunakan C++ untuk Machine Learning adalah ia memiliki dukungan pointer, fitur yang tidak tersedia di banyak bahasa pemrograman populer.

Untuk keberhasilan implementasi Machine Learning di C++, hal terpenting yang harus dilakukan adalah membiasakan diri dengan library C++. Untungnya, C++ memiliki beberapa library yang bagus untuk Machine Learning, termasuk Shark, MLPack, dan GRT (Gesture Recognition Toolkit).

Sekarang, mari selami pembahasan library Machine Learning di C++.

Perpustakaan Pembelajaran Mesin di C++

1. Hiu

Shark adalah pustaka modular sumber terbuka di C++. Ini adalah perpustakaan yang sempurna untuk Pembelajaran Mesin karena memiliki dukungan luas untuk algoritma pembelajaran yang diawasi seperti regresi linier, k-means, jaringan saraf, dan pengelompokan, untuk beberapa nama.

Shark juga menyertakan banyak metode untuk pengoptimalan linier dan nonlinier, algoritme pembelajaran berbasis kernel, pengoptimalan numerik, dan sejumlah teknik ML lainnya. Ini adalah alat yang ideal untuk penelitian dan membangun aplikasi dunia nyata. Shark memiliki dokumentasi yang sangat baik dan kompatibel dengan Linux, Windows, dan macOS.

Bagaimana cara menginstal Hiu?

Untuk menginstal Shark, Anda harus mendapatkan paket sumber dari halaman unduhan resmi . Setelah ini, Anda harus membangun perpustakaan dengan menulis kode berikut:

mkdir Hiu/build/

cd Hiu/build

cmake ../

membuat

Anda harus tahu bahwa Shark memiliki dua dependensi – Boost dan CMake . Sementara pada iklan Linux Windows, biasanya ATLAS digunakan, pada macOS, Accelerate adalah pustaka aljabar linier default. Di macOS, Anda dapat menggunakan MacPorts untuk mendapatkan paket yang diperlukan, seperti:

sudo port instal boost cmake

Namun, di bawah Ubuntu, Anda harus menginstal paket yang diperlukan dengan menggunakan pernyataan berikut:

sudo apt-get install cmake cmake-curses-gui libatlas-base-dev libboost-all-dev

Berikut adalah langkah-langkah untuk menginstal Shark:

• Pertama, unduh paket sumber dari halaman d ownloads dan buka paketnya .
• Luncurkan GUI CMake
• Pilih "Di mana kode sumbernya" untuk mengatur jalur ke lokasi Hiu yang dibongkar.
• Pilih "Where to build the directory" untuk mengatur jalur di mana Anda ingin menyimpan file proyek Visual Studio.
• Pilih opsi "Tambah Entri". Sekarang, tambahkan Entry BOOST_ROOT tipe PATH dan atur ke direktori instal boost Anda.
• Sekali lagi, tambahkan Entry BOOST_LIBRARYDIR dari tipe PATH dan setel ke direktori boost library Anda.
• Terakhir, pilih compiler Visual Studio yang tepat dan klik dua kali pada opsi "Configure", diikuti oleh opsi "Generate".

2. paket ml

mlpack adalah pustaka C++ yang dirancang secara eksplisit untuk kinerja. Ini menjanjikan untuk menawarkan implementasi yang cepat dan dapat diperluas dari algoritma ML perintis. Aspek unik dari pustaka C++ ini adalah ia menyediakan algoritme ML sebagai program baris perintah sederhana, binding Python, binding Julia, dan kelas C++, yang semuanya dapat Anda integrasikan ke dalam solusi ML skala besar.

Bagaimana cara menginstal mlpack?

Proses instalasi MLPack bervariasi dari platform ke platform.

Untuk Python, Anda bisa mendapatkan paket sumber melalui pip atau conda, seperti:

pip install mlpack

conda install -c conda-forge mlpack

Anda dapat merujuk ke mlpack dalam panduan memulai cepat Python untuk detail lebih lanjut.

Untuk Julia, Anda bisa mendapatkan sumbernya melalui Pkg, sebagai berikut:

impor Pkg;

Pkg.add("mlpack")

Untuk Ubuntu, Debian, Fedora, dan Red Hat, Anda dapat menginstal mlpack menggunakan manajer paket. Panduan memulai cepat baris perintah mlpack adalah tempat yang baik untuk memulai. Anda juga dapat membangunnya dari sumber dengan mengikuti tutorial membangun Linux .

Untuk Windows, Anda dapat mengunduh binari bawaan – Windows 64 bit – Penginstal MSI dan Windows 64 bit – ZIP . Anda juga dapat menginstalnya menggunakan manajer paket seperti vcpkg , atau membangun dari sumber dengan mengikuti tutorial membangun Windows .

Datang ke macOS, Anda dapat menginstal perpustakaan melalui homebrew, seperti:

brew install mlpack

Baca: Pekerjaan Machine Learning dengan Pembayaran Tertinggi

3. GRT (Perangkat Pengenalan Gerakan)

GRT atau Gesture Recognition Toolkit adalah pustaka C++ lintas platform sumber terbuka. Ini dirancang khusus untuk pengenalan gerakan waktu nyata. Ini mencakup C++ API komprehensif yang selanjutnya diperkuat oleh GUI (Graphical User Interface) yang rapi dan mudah digunakan.

GRT tidak hanya ramah bagi pemula, tetapi juga sangat mudah untuk diintegrasikan ke dalam proyek C++ yang ada. Ini kompatibel dengan sensor/input data apa pun, dan Anda dapat melatihnya dengan gerakan unik Anda. Selain itu, GRT dapat beradaptasi dengan pemrosesan khusus atau algoritma ekstraksi fitur Anda jika diperlukan.

Bagaimana cara menginstal GRT?

Hal pertama yang harus Anda lakukan adalah mengunduh paket GRT. Setelah ini, Anda harus menemukan folder GRT di folder utama gesture-recognition-toolkit dan menambahkan folder GRT (termasuk semua subfolder) ke proyek yang diinginkan.

Anda dapat mulai menggunakan GRT dengan menambahkan kode lengkap yang disimpan di folder GRT ke proyek C++ Anda. Jika Anda menggunakan IDE seperti VisualStudio atau XCode, Anda dapat menambahkan file folder GRT ke proyek Anda dengan mengikuti jalur ini – “ File -> Add Files to project .” Anda juga dapat menyeret folder GRT (dari Finder atau Windows Explorer) ke dalam IDE untuk menambahkan semua file dari folder GRT ke proyek Anda.

Setelah Anda menambahkan kode yang terdapat dalam folder GRT ke proyek Anda, Anda dapat menggunakan semua fungsi/kelas GRT. Yang harus Anda lakukan adalah menambahkan dua baris kode berikut ke bagian atas file header di proyek tempat Anda ingin menggunakan kode GRT:

#sertakan “GRT/GRT.h”

int main (int argc, const char * argv[])

{

//Kode utama untuk proyek Anda…

}

Dalam kode ini, baris pertama menambahkan file header GRT utama (GRT.h) ke proyek. File GRT.h berisi semua file header modul GRT, dan karenanya, Anda tidak perlu memasukkan file header GRT lainnya secara manual. Namun, baris kedua menyatakan bahwa namespace GRT sedang digunakan. Ini menghilangkan kebutuhan untuk menulis GRT:: WhatEverClass setiap kali Anda ingin menggunakan kelas GRT – Anda dapat menulis WhatEverClass dan menyelesaikannya.

Namun, ingat bahwa Anda harus menentukan jalur fisik tempat Anda menyimpan folder GRT di hard drive Anda, berdasarkan IDE yang Anda gunakan.

Baca Juga: Karir di Machine Learning

Kesimpulan

Ketiga library C++ ini sempurna untuk menangani hampir semua kebutuhan ML Anda. Kunci untuk menguasai Machine Learning di C++ adalah pertama-tama mempelajari library ini, memahami spesialisasi dan fungsinya, lalu mengimplementasikannya ke persyaratan ML tertentu.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT- B Status alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.