Javaは、特にエンタープライズ環(huán)境での機械學習のための実行可能で実用的な選択です。 1）Javaは、既存のシステムとのパフォーマンス、スケーラビリティ、シームレスな統(tǒng)合を提供し、詐欺検出などの大規(guī)模および低遅延アプリケーションに最適です。 2）初心者向けのWeka、Deeplearning4jのディープラーニングのdeeplearning4j、ビッグデータのApache Spark Mllib、Stream LearningのMOAなどの主要なライブラリは、さまざまなMLタスクに堅牢なツールを提供します。 3）単純なWekaの例を使用すると、データをロードし、決定ツリーをトレーニングし、外部依存関係なしで純粋なJavaを使用してモデルを評価できます。 4）Javaは、SparkやKafkaなどのJavaベースのデータパイプラインを使用して、Spring Bootを使用してマイクロサービスで作業(yè)する場合、またはチームにPythonの専門知識がない場合に特に有利です。 5）Pythonは迅速なプロトタイピングと高度な研究に適したままですが、Javaは既存のJVMベースのシステム內で生産対応MLモデルの展開と維持に優(yōu)れています。したがって、すでにJavaエコシステムにいる場合は、言語を切り替えることなく機械學習を効果的に構築および統(tǒng)合できます。

機械學習は、Python開発者だけではありません。Javaも始めることができます。 PythonはMLランドスケープを支配していますが、特に既存のシステムとのパフォーマンス、スケーラビリティ、および統(tǒng)合が重要なエンタープライズ環(huán)境では、Javaは引き続き強力な選択です。すでにJavaを使用している場合は、機械學習のためにそれを活用すると時間を節(jié)約し、展開を合理化できます。

Javaを使用して機械學習にアプローチする方法についての実用的な見方です。

なぜ機械學習にJavaを使用するのですか？

JavaはMLにとって思い浮かぶ第一言語ではないかもしれませんが、それは本當の利點があります。

• パフォーマンスとスケーラビリティ：Javaのランタイム効率とマルチスレッドサポートにより、大規(guī)模なアプリケーションに最適です。
• エンタープライズ統(tǒng)合：多くの銀行、保険會社、および大規(guī)模システムがJavaで実行されます。これらのシステムにMLを直接追加すると、コストのかかるAPI呼び出しや言語の切り替えが回避されます。
• 強力なエコシステム：Weka、DL4J、MOAなどのライブラリは、MLタスクに強固なツールを提供します。
• 生産対応：Javaの靜的タイピングと成熟ツール（Maven、Gradle、Spring）により、モデルが展開と保守が容易になります。

スマート機能を追加するためだけに、Pythonでバックエンドを書き換える必要はありません。

人気のJava機械學習ライブラリ

ゼロからアルゴリズムを作成する必要はありません。これらのライブラリは重い持ち上げを行います。

• ウェカ
  最も古く、最もユーザーフレンドリーなMLライブラリの1つ。データの前処理、分類、回帰、クラスタリング、視覚化のためのツールを提供します。初心者に最適で、GUIとコードベースのワークフローの両方をサポートしています。

• deeplearning4j（dl4j）
  JavaとScala向けに設計された深い學習ライブラリ。 HadoopおよびSparkと統(tǒng)合し、ニューラルネットワークをサポートし、分散環(huán)境でうまく機能します。 JVMベースのスタックでNLPまたは畫像認識を行っている場合に理想的です。

• ApacheSpark Mllib（Java API付き）
  SparkはScalaで書かれていますが、堅実なJava APIを提供します。 KafkaまたはFlinkと組み合わせると、大規(guī)模なデータセットとリアルタイム処理に最適です。

• MOA（大規(guī)模なオンライン分析）
  ストリーム學習とリアルタイムデータに最適です。データストリームの場合は、IoTまたは監(jiān)視システムに最適です。

これらのツールを使用すると、モデルをトレーニングし、パフォーマンスを評価し、予測をJavaアプリに直接統(tǒng)合できます。

Wekaの簡単な例

顧客が年齢と収入に基づいて製品を購入するかどうかを分類したいとしましょう。

1. プロジェクトにウェカを追加します（Maven経由）：

    <依存関係>
       <GroupId> nz.ac.waikato.cms.weka </groupId>
       <artifactid> weka-stable </artifactid>
       <バージョン> 3.8.6 </version>
   </依存関係>

2. データを読み込み、決定ツリーをトレーニングします。

    weka.core.instancesをインポートします。
   weka.core.converters.csvloaderをインポートします。
   weka.classifiers.trees.j48をインポートします。
   weka.classifiers.Evaluationをインポートします。
   
   //データをロードします
   csvloader loader = new csvloader（）;
   loader.setsource（new file（ "data.csv"））;
   instances data = loader.getDataset（）;
   data.setClassIndex（data.numattributes（） -  1）; //最後の列はラベルです
   
   // 電車
   J48ツリー= new J48（）;
   tree.buildclassifier（data）;
   
   // 評価する
   評価eval = new Evaluation（data）;
   Eval.CrossValidateModel（Tree、Data、10、New Random（1））;
   system.out.println（eval.tosummarystring（））;

これはすべて純粋なJavaです。外部サービスもPythonブリッジもありません。

JavaがMLに理にかなっているとき

次のことをJavaと考えてください

• Spring Bootを使用してマイクロサービスアーキテクチャで作業(yè)しています。
• あなたのデータパイプラインはすでにSparkまたはKafkaを備えたJava/Scalaにあります。
• 低遅延の推論が必要です（たとえば、トランザクションでの詐欺検出）。
• あなたのチームはJavaをよく知っていますが、Pythonではありません。

反対に、迅速なプロトタイピング、研究、または複雑なディープラーニング（トランスのような）を行っている場合、PythonはPytorchやScikit-Learnなどのライブラリのために依然として勝ちます。

しかし、既存のエンタープライズアプリにモデルを統(tǒng)合するためには、Javaは能力以上のものです。

最終的な考え

Javaは機械學習の最も派手な選択ではありませんが、実用的です。堅実なライブラリと強力なパフォーマンスにより、信頼性と統(tǒng)合が最新のアルゴリズムよりも重要な現(xiàn)実世界のアプリケーションに最適です。

アプリにインテリジェンスを追加するために言語を切り替える必要はありません。 Weka、DL4J、またはSpark Mllibを使用すると、すべてJavaエコシステム內でモデルを構築、トレーニング、展開できます。

基本的に、すでにJVMの世界にいる場合、機械學習を行うためだけに辭任する理由はありません。

以上がJavaを使用した機械學習の紹介の詳細內容です。詳細については、PHP 中國語 Web サイトの他の関連記事を參照してください。