Szybkość uczenia czy dokładność predykcji? Analiza porównawcza szkieletów programistycznych do sztucznej inteligencji

Celem artykułu jest analiza szkieletów aplikacji do sztucznej inteligencji. Zbadane zostały: skuteczność, czasochłonność oraz ilość potrzebnych zasobów. Dla każdego frameworka stworzono modele regresji liniowej, lasów losowych i k najbliższych sąsiadów. Dane uczące to zbiory danych zawierające informację o diamencie oraz jego cenie. Każdy model 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 wielkości dzięki czemu można było zaobserwować zmianę w modelu w zależności od liczby danych treningowych. Z trzech przebadanych szkieletów programistycznych do uczenia maszynowego TensorFlow wykazał się największą skutecznością, a SciKit-Learn najkrótszym czasem dokonywania predykcji

---

The purpose of the article is to analyze frameworks for artificial intelligence applications. In particular, the effectiveness, time-consumption and resources requirement. Linear regression, random forests and k nearest neighbors models were created for each framework. The learning data is a dataset containing informations about diamonds and their prices. Each model was designed to learn diamonds’ prices and then make a prediction depending on its specific characteristics such as cut, color, and volume. The learning data was divided into sets of 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