توسعه دهندگان به دنبال ارزیابی روش های یادگیری ماشین، یک مجموعه رو به رشد از سخت افزار تخصصی و سیستم عامل های توسعه هستند که اغلب به کلاس های خاصی از معماری یادگیری ماشین و برنامه کاربردی متصل می شوند. اگر چه این سیستم عامل تخصصی برای بسیاری از برنامه های کاربردی برای یادگیری ماشین ضروری است، اما تعداد کمی از توسعه دهندگان جدید برای یادگیری ماشین آماده تصمیم گیری آگاهانه در مورد انتخاب پلت فرم ایده آل هستند.
توسعه دهندگان نیاز به یک پلت فرم در دسترس بیشتر برای به دست آوردن تجربه در توسعه برنامه های کاربردی یادگیری ماشین و درک عمیق تر از نیاز منابع و قابلیت های حاصل شده است.
همانطور که در مقاله Digi-Key آمده است "شروع به یادگیری ماشین با استفاده از سخت افزار و نرم افزار به راحتی در دسترس"، توسعه هر مدل برای یادگیری ماشین های تحت نظارت شامل سه مرحله کلیدی:
تهیه داده ها برای آموزش یک مدل
پیاده سازی مدل
آموزش مدل
آماده سازی داده ها متشکل از روش های آشنا گرفتن داده ها با یک مرحله اضافی مورد نیاز برای برچسب گذاری نمونه های خاص داده ها برای استفاده در روند آموزش است. برای دو مرحله نهایی، متخصصان مدل یادگیری ماشین تا همین اواخر نیاز به استفاده از کتابخانه های ریاضی نسبتا کم سطح برای اجرای محاسبات دقیق در الگوریتم های مدل داشتند. در دسترس بودن چارچوب یادگیری ماشین به طور چشمگیری پیچیدگی اجرای مدل و آموزش را کاهش داده است.
امروزه هر توسعه دهنده آشنا با پایتون یا سایر زبان های پشتیبانی شده می تواند از این چارچوب ها برای سرعت بخشیدن به مدل های یادگیری ماشین استفاده کند که بتواند بر روی یک مجموعه گسترده از سیستم عامل اجرا شود. این مقاله پشته یادگیری ماشین و فرآیند آموزش را پیش از ورود به چگونگی توسعه یک برنامه یادگیری ماشین در Raspberry Pi 3 توصیف می کند. Stephen Evanczuk
