ಯಂತ್ರ ಕಲಿಕೆ (ML) ಎಂದರೇನು? ಆರಂಭಿಕರಿಗಾಗಿ

ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೇನು?

ಯಂತ್ರ ಕಲಿಕೆ (ML) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕ್ಷೇತ್ರವಾಗಿದ್ದು , ಮಾದರಿಗಳನ್ನು ಕಲಿಯಲು ಮತ್ತು ಡೇಟಾದಿಂದ ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡಲು ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ನೀವು ಕಂಪ್ಯೂಟರ್ ಸಿಸ್ಟಮ್‌ಗೆ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನೀಡುತ್ತೀರಿ ಮತ್ತು ಸ್ಪಷ್ಟ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಇಲ್ಲದೆ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಕಲಿಯುತ್ತದೆ.

ನೀವು ಇನ್‌ಪುಟ್ ಡೇಟಾ ಮತ್ತು ಅಪೇಕ್ಷಿತ ಔಟ್‌ಪುಟ್‌ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ, ಅವುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅಲ್ಗಾರಿದಮ್ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಏನು ಮಾಡಬೇಕೆಂದು ನೀವು ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುವುದಿಲ್ಲ ; ಒದಗಿಸಿದ ಡೇಟಾದಿಂದ ಅದು ಕಲಿಯುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಮಾದರಿಗಳನ್ನು ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಈ ಮಾದರಿಗಳು ಮಾದರಿಗಳನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಹೊಸ, ಕಾಣದ ಡೇಟಾದಲ್ಲಿ ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡುತ್ತವೆ.

ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ಅಲ್ಗಾರಿದಮ್ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಮುನ್ನೋಟಗಳನ್ನು ಸುಧಾರಿಸಲು ಅದರ ನಿಯತಾಂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. ಪ್ರಕ್ರಿಯೆಯು ಪುನರಾವರ್ತಿತವಾಗಿದೆ, ನಿಖರವಾದ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರಿಷ್ಕರಿಸುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣಾ ಕಲಿಕೆ ಸೇರಿದಂತೆ ವಿವಿಧ ರೀತಿಯ ಯಂತ್ರ ಕಲಿಕೆಗಳಿವೆ, ಅಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕಲಿಕೆ, ಅಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್ ಲೇಬಲ್ ಮಾಡಿದ ಔಟ್‌ಪುಟ್‌ಗಳಿಲ್ಲದೆ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ.

ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಳಂತಹ ವಿವಿಧ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಕೈಗಾರಿಕೆಗಳಾದ್ಯಂತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಯಂತ್ರ ಕಲಿಕೆಯ ಅಂತಿಮ ಗುರಿಯು ನೈಜ-ಪ್ರಪಂಚದ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳು ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸುವ, ಕಾಣದ ಡೇಟಾದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ರಚಿಸುವುದು.

ಯಂತ್ರ ಕಲಿಕೆಯ ಉದಾಹರಣೆ

ಸ್ಪ್ಯಾಮ್ ಇಮೇಲ್ ಪತ್ತೆಗಾಗಿ ನೀವು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದೀರಿ ಎಂದು ಹೇಳೋಣ .

ಆರಂಭದಲ್ಲಿ, ನೀವು ಇಮೇಲ್‌ಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಂಗ್ರಹಿಸುತ್ತೀರಿ, ಅವುಗಳನ್ನು ಸ್ಪ್ಯಾಮ್ ಅಥವಾ ಸ್ಪ್ಯಾಮ್ ಅಲ್ಲ ಎಂದು ಗುರುತಿಸುತ್ತೀರಿ. ಈ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾವು ಸಾಮಾನ್ಯ ಇಮೇಲ್‌ಗಳಿಂದ ಸ್ಪ್ಯಾಮ್ ಅನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಲು ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ನೀವು ಈ ಡೇಟಾವನ್ನು ಮಾದರಿಗೆ ಫೀಡ್ ಮಾಡಿದಾಗ, ಇದು ನಿರ್ದಿಷ್ಟ ಪದಗಳು, ಇಮೇಲ್ ಕಳುಹಿಸುವವರು ಅಥವಾ ಇಮೇಲ್ ರಚನೆಯಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪರಿಗಣಿಸಬೇಕೆಂದು ನೀವು ಮಾದರಿಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುವುದಿಲ್ಲ; ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಅದು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ.

• ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಅಲ್ಗಾರಿದಮ್ ತನ್ನ ನಿಯತಾಂಕಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸರಿಹೊಂದಿಸುತ್ತದೆ, ಸ್ಪ್ಯಾಮ್ ಮತ್ತು ಸ್ಪ್ಯಾಮ್ ಅಲ್ಲದ ಇಮೇಲ್‌ಗಳ ನಡುವೆ ಉತ್ತಮ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಸ್ವತಃ ಉತ್ತಮ-ಟ್ಯೂನಿಂಗ್ ಮಾಡುತ್ತದೆ. ಇದು ಮಾನವರು ಕಡೆಗಣಿಸಬಹುದಾದ ಸೂಕ್ಷ್ಮ ಸೂಚನೆಗಳನ್ನು ಗುರುತಿಸಲು ಮಾದರಿಯನ್ನು ಕಲಿಸುವಂತಿದೆ.
• ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ನಂತರ, ಅದು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ನೀವು ಅದನ್ನು ಹೊಸ, ಕಾಣದ ಇಮೇಲ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸುತ್ತೀರಿ. ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಅದು ಕಲಿತದ್ದನ್ನು ಆಧರಿಸಿ ಇಮೇಲ್ ಸ್ಪ್ಯಾಮ್ ಆಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಅದು ನಿಖರವಾಗಿ ಊಹಿಸಬೇಕು.
• ಈಗ, ನೀವು ಹೊಸ ಇಮೇಲ್ ಅನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯು ಅದನ್ನು ತ್ವರಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಸ್ಪ್ಯಾಮ್ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬ ಸಂಭವನೀಯತೆಯ ಸ್ಕೋರ್ ಅನ್ನು ನಿಮಗೆ ನೀಡುತ್ತದೆ. ತರಬೇತಿ ಡೇಟಾದಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವು ಪರಿಚಯವಿಲ್ಲದ ಇಮೇಲ್‌ಗಳ ಬಗ್ಗೆ ತಿಳುವಳಿಕೆಯುಳ್ಳ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ.

ಈ ಸ್ಪ್ಯಾಮ್ ಪತ್ತೆ ಉದಾಹರಣೆಯು ಯಂತ್ರ ಕಲಿಕೆಯು ಡೇಟಾದಿಂದ ಕಲಿಯಲು, ಹೊಂದಿಕೊಳ್ಳಲು ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡಲು ಸಿಸ್ಟಮ್‌ಗಳಿಗೆ ಹೇಗೆ ಅಧಿಕಾರ ನೀಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.

ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಗಳು

ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಮೂರು ಪ್ರಾಥಮಿಕ ವಿಧಗಳಿವೆ: ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆ ಮತ್ತು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ. ನಾನು ನಿಮಗಾಗಿ ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರವನ್ನು ಒಡೆಯುತ್ತೇನೆ.

1. ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ , ನೀವು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾದೊಂದಿಗೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಒದಗಿಸುತ್ತೀರಿ, ಅಂದರೆ ನೀವು ಇನ್‌ಪುಟ್-ಔಟ್‌ಪುಟ್ ಜೋಡಿಗಳನ್ನು ನೀಡುತ್ತೀರಿ. ಅಲ್ಗಾರಿದಮ್ ಔಟ್‌ಪುಟ್‌ಗೆ ಇನ್‌ಪುಟ್ ಅನ್ನು ಮ್ಯಾಪ್ ಮಾಡಲು ಕಲಿಯುತ್ತದೆ, ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಕಲಿತ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ಹೊಸ, ಕಾಣದ ಡೇಟಾದ ಮೇಲೆ ಭವಿಷ್ಯ ನುಡಿಯುತ್ತದೆ.
2. ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕಲಿಕೆಯು ಲೇಬಲ್ ಮಾಡಿದ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಹೊಂದಿಲ್ಲ. ಇಲ್ಲಿ, ಅಲ್ಗಾರಿದಮ್ ನಿರ್ದಿಷ್ಟ ಮಾರ್ಗದರ್ಶನವಿಲ್ಲದೆ ಡೇಟಾವನ್ನು ಪರಿಶೋಧಿಸುತ್ತದೆ, ಮಾದರಿಗಳು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ತನ್ನದೇ ಆದ ಮೇಲೆ ಗುರುತಿಸುತ್ತದೆ. ಸಾಮಾನ್ಯ ತಂತ್ರಗಳು ಕ್ಲಸ್ಟರಿಂಗ್ ಮತ್ತು ಆಯಾಮದ ಕಡಿತವನ್ನು ಒಳಗೊಂಡಿವೆ.
3. ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಪರಿಸರದೊಳಗೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಏಜೆಂಟ್ ತರಬೇತಿಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಏಜೆಂಟರ ಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ನೀವು ಪ್ರತಿಫಲಗಳು ಅಥವಾ ದಂಡಗಳ ರೂಪದಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುತ್ತೀರಿ, ಇದು ಕಾಲಾನಂತರದಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದ ತಂತ್ರಗಳನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು ML ಪ್ರಕಾರಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸುತ್ತದೆ:

ಯಂತ್ರ ಕಲಿಕೆ ಪ್ರಕ್ರಿಯೆ

ಈಗ, ಒಂದು ವಿಶಿಷ್ಟವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಹಂತಗಳನ್ನು ನಾನು ಚರ್ಚಿಸುತ್ತೇನೆ!

1. ಡೇಟಾ ಸಂಗ್ರಹಣೆ - ನಿಮ್ಮ ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದ ಗಣನೀಯ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನೀವು ಸಂಗ್ರಹಿಸುತ್ತೀರಿ, ಇದು ಮಾದರಿಯನ್ನು ನಿರ್ವಹಿಸಲು ನೀವು ಬಯಸುವ ಸನ್ನಿವೇಶಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
2. ಡೇಟಾ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ - ಇದು ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಮತ್ತು ಸಿದ್ಧಪಡಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಈ ಹಂತವು ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಆಯ್ಕೆಮಾಡಿದ ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಸೂಕ್ತವಾದ ಸ್ವರೂಪಕ್ಕೆ ಡೇಟಾವನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ .
3. ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ - ಇಲ್ಲಿ, ನೀವು ಡೇಟಾದಿಂದ ಸಂಬಂಧಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ರಚಿಸಿ, ಮಾದರಿಗಳನ್ನು ಕಲಿಯುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸಿ.
4. ಮಾದರಿ ಆಯ್ಕೆ - ನಿಮ್ಮ ಸಮಸ್ಯೆಯ ಆಧಾರದ ಮೇಲೆ ನೀವು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯ ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆ ಮಾಡಿ - ಅದು ವರ್ಗೀಕರಣ, ಹಿಂಜರಿತ ಅಥವಾ ಕ್ಲಸ್ಟರಿಂಗ್ ಆಗಿರಲಿ - ಮತ್ತು ನಿಮ್ಮ ಡೇಟಾ ಮತ್ತು ಉದ್ದೇಶಗಳಿಗೆ ಸರಿಹೊಂದುವ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ.
5. ಮಾದರಿಯ ತರಬೇತಿ - ಈ ಹಂತವು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾದೊಂದಿಗೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪೋಷಿಸುತ್ತದೆ ಮತ್ತು ಆಧಾರವಾಗಿರುವ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಲು ಅದರ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಮಾದರಿಯು ತನ್ನ ಮುನ್ನೋಟಗಳನ್ನು ಸುಧಾರಿಸಲು ನಿರಂತರವಾಗಿ ತನ್ನನ್ನು ತಾನು ಪರಿಷ್ಕರಿಸುತ್ತದೆ.
6. ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನಿಯೋಜನೆ - ತರಬೇತಿಯ ನಂತರ, ನೀವು ಹೊಸ, ಕಾಣದ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸುತ್ತೀರಿ. ಇದು ನಿಮ್ಮ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸಿದರೆ, ನೈಜ-ಪ್ರಪಂಚದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಭವಿಷ್ಯ ಅಥವಾ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಲು ನೀವು ಅದನ್ನು ನಿಯೋಜಿಸುತ್ತೀರಿ.

ಈ ಹಂತಗಳು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುತ್ತುವರಿಯುತ್ತವೆ, ಡೇಟಾದಿಂದ ಕಲಿಯಬಹುದಾದ ಮತ್ತು ಕಾಣದ ನಿದರ್ಶನಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ರಚನಾತ್ಮಕ ವಿಧಾನವನ್ನು ನೀಡುತ್ತದೆ.

ML ಬಗ್ಗೆ ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು (FAQs).

1. ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೇನು?

ಯಂತ್ರ ಕಲಿಕೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕ್ಷೇತ್ರವಾಗಿದ್ದು , ದತ್ತಾಂಶದಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಲು ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಇಲ್ಲದೆಯೇ ಭವಿಷ್ಯವಾಣಿಗಳು ಅಥವಾ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ.

2. ಯಂತ್ರ ಕಲಿಕೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಇದು ಕಂಪ್ಯೂಟರ್ ಸಿಸ್ಟಮ್‌ಗೆ ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪೋಷಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಡೇಟಾದೊಳಗಿನ ಮಾದರಿಗಳು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ತಿಳುವಳಿಕೆಯುಳ್ಳ ನಿರ್ಧಾರಗಳು ಅಥವಾ ಭವಿಷ್ಯಗಳನ್ನು ಮಾಡಲು ಅದನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

3. ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಕಾರಗಳು ಯಾವುವು?

ಮೂರು ಮುಖ್ಯ ವಿಧಗಳಿವೆ: ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ (ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾ), ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕಲಿಕೆ (ಲೇಬಲ್ ಮಾಡದ ಡೇಟಾ), ಮತ್ತು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ (ಪರಿಸರದಲ್ಲಿ ಪ್ರತಿಫಲಗಳು ಮತ್ತು ದಂಡಗಳ ಮೂಲಕ ಕಲಿಕೆ).

4. ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೇನು?

ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು ತರಬೇತಿಗಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಆದರೆ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯು ಲೇಬಲ್ ಮಾಡಲಾದ ಔಟ್‌ಪುಟ್‌ಗಳಿಲ್ಲದೆ ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸುತ್ತದೆ, ಮಾದರಿಗಳು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಗುರುತಿಸುತ್ತದೆ.

5. ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಉದಾಹರಣೆಯನ್ನು ನೀವು ನೀಡಬಹುದೇ?

ಸ್ಪ್ಯಾಮ್ ಇಮೇಲ್ ಪತ್ತೆಯು ಒಂದು ಉದಾಹರಣೆಯಾಗಿದ್ದು, ಸ್ಪ್ಯಾಮ್ ಮತ್ತು ಸ್ಪ್ಯಾಮ್ ಅಲ್ಲದ ಸಂದೇಶಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಇಮೇಲ್‌ಗಳಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.

6. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವುದು ಏನು?

ಒಂದು ಮಾದರಿಯು ತರಬೇತಿಯ ಡೇಟಾವನ್ನು ಚೆನ್ನಾಗಿ ಕಲಿಯುವಾಗ, ಶಬ್ದ ಮತ್ತು ಹೊರಗಿನವರನ್ನು ಸೆರೆಹಿಡಿಯುವಾಗ, ಹೊಸ, ಕಾಣದ ಡೇಟಾದಲ್ಲಿ ಅದು ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡಿದಾಗ ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಸಂಭವಿಸುತ್ತದೆ.

7. ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀವು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೀರಿ?

ಸಾಮಾನ್ಯ ಮೌಲ್ಯಮಾಪನ ಮೆಟ್ರಿಕ್‌ಗಳು ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಸ್ಥಾಪನೆ ಮತ್ತು F1 ಸ್ಕೋರ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಇದು ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿವಿಧ ಅಂಶಗಳನ್ನು ಅದರ ಮುನ್ಸೂಚನೆಗಳ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಣಯಿಸುತ್ತದೆ.

8. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್‌ನ ಪಾತ್ರವೇನು?

ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಡೇಟಾದಿಂದ ಸಂಬಂಧಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ಮತ್ತು ರಚಿಸುವುದು, ಕಲಿಯಲು ಮತ್ತು ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

9. ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ಪಕ್ಷಪಾತಿಯಾಗಬಹುದೇ?

ಹೌದು, ತರಬೇತಿ ಡೇಟಾ ಪ್ರತಿನಿಧಿಸದಿದ್ದರೆ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ಪಕ್ಷಪಾತವನ್ನು ಪ್ರದರ್ಶಿಸಬಹುದು. ಪಕ್ಷಪಾತವನ್ನು ತಗ್ಗಿಸಲು ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಪರಿಗಣಿಸುವುದು ಅತ್ಯಗತ್ಯ.

10. ವ್ಯವಹಾರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ?

ಗ್ರಾಹಕರ ವಿಭಾಗ, ವಂಚನೆ ಪತ್ತೆ, ಬೇಡಿಕೆ ಮುನ್ಸೂಚನೆ ಮತ್ತು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳು, ನಿರ್ಧಾರ-ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದು ಸೇರಿದಂತೆ ವಿವಿಧ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ವ್ಯಾಪಾರದಲ್ಲಿ ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.