എന്താണ് മെഷീൻ ലേണിംഗ് (ML)? തുടക്കക്കാർക്ക്

എന്താണ് മെഷീൻ ലേണിംഗ്?

മെഷീൻ ലേണിംഗ് (ML) എന്നത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഒരു മേഖലയാണ് , അവിടെ പാറ്റേണുകൾ പഠിക്കാനും ഡാറ്റയിൽ നിന്ന് പ്രവചനങ്ങൾ നടത്താനും അൽഗോരിതങ്ങൾ പരിശീലിപ്പിക്കുന്നു. മെഷീൻ ലേണിംഗിൽ, നിങ്ങൾ ഒരു കമ്പ്യൂട്ടർ സിസ്റ്റത്തിന് വലിയ അളവിലുള്ള ഡാറ്റ നൽകുന്നു, കൂടാതെ അത് വ്യക്തമായ പ്രോഗ്രാമിംഗ് കൂടാതെ പാറ്റേണുകൾ തിരിച്ചറിയാനും തീരുമാനങ്ങൾ എടുക്കാനും പഠിക്കുന്നു.

നിങ്ങൾ ഇൻപുട്ട് ഡാറ്റയും ആവശ്യമുള്ള ഔട്ട്പുട്ടും ഉപയോഗിച്ച് ആരംഭിക്കുന്നു, അവ തമ്മിലുള്ള ബന്ധം കണ്ടെത്താൻ അൽഗോരിതം അനുവദിക്കുന്നു. എന്താണ് ചെയ്യേണ്ടതെന്ന് നിങ്ങൾ അൽഗോരിതത്തോട് വ്യക്തമായി പറയുന്നില്ല ; നൽകിയ ഡാറ്റയിൽ നിന്ന് അത് പഠിക്കുന്നു. മെഷീൻ ലേണിംഗിൽ, വിവിധ സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റാസെറ്റിൽ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നു. പാറ്റേണുകളെ സാമാന്യവൽക്കരിക്കാനും പുതിയതും കാണാത്തതുമായ ഡാറ്റയിൽ കൃത്യമായ പ്രവചനങ്ങൾ നടത്താനും ഈ മോഡലുകൾ ലക്ഷ്യമിടുന്നു.

പരിശീലന സമയത്ത്, പിശകുകൾ കുറയ്ക്കുന്നതിനും പ്രവചനങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിനും അൽഗോരിതം അതിൻ്റെ പാരാമീറ്ററുകൾ ക്രമീകരിക്കുന്നു. കൃത്യമായ തീരുമാനങ്ങൾ എടുക്കാനുള്ള മോഡലിൻ്റെ കഴിവിനെ ശുദ്ധീകരിക്കുന്ന പ്രക്രിയ ആവർത്തനമാണ്. ലേബൽ ചെയ്‌ത ഡാറ്റയിൽ അൽഗോരിതം പരിശീലിപ്പിക്കപ്പെടുന്ന സൂപ്പർവൈസ്ഡ് ലേണിംഗ് ഉൾപ്പെടെ, മേൽനോട്ടമില്ലാത്ത ലേണിംഗ്, ലേബൽ ചെയ്‌ത ഔട്ട്‌പുട്ടുകളില്ലാതെ പാറ്റേണുകൾ അൽഗോരിതം കണ്ടെത്തുന്ന മേൽനോട്ടമില്ലാത്ത ലേണിംഗ് ഉൾപ്പെടെ വിവിധ തരം മെഷീൻ ലേണിംഗ് ഉണ്ട്.

ഇമേജ് റെക്കഗ്നിഷൻ, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, ശുപാർശ സംവിധാനങ്ങൾ എന്നിങ്ങനെ വിവിധ ഡൊമെയ്‌നുകളിൽ മെഷീൻ ലേണിംഗ് പ്രയോഗിക്കുന്നു, വ്യവസായങ്ങളിലുടനീളം തീരുമാനമെടുക്കൽ പ്രക്രിയകൾ മെച്ചപ്പെടുത്തുന്നു.

മെഷീൻ ലേണിംഗിൻ്റെ ആത്യന്തിക ലക്ഷ്യം, കാണാത്ത ഡാറ്റയിൽ നന്നായി സാമാന്യവൽക്കരിക്കാൻ കഴിയുന്ന മോഡലുകൾ സൃഷ്ടിക്കുകയും യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ കൃത്യമായ പ്രവചനങ്ങളും തീരുമാനങ്ങളും എടുക്കാനുള്ള അവരുടെ കഴിവ് മെച്ചപ്പെടുത്തുകയും ചെയ്യുക എന്നതാണ്.

മെഷീൻ ലേണിംഗ് ഉദാഹരണം

സ്പാം ഇമെയിൽ കണ്ടെത്തലിനായി നിങ്ങൾ ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ നിർമ്മിക്കുകയാണെന്ന് പറയാം .

തുടക്കത്തിൽ, നിങ്ങൾ ഇമെയിലുകളുടെ ഒരു ഡാറ്റാസെറ്റ് ശേഖരിക്കും, അവയെ സ്പാം അല്ലെങ്കിൽ സ്പാം അല്ല എന്ന് അടയാളപ്പെടുത്തുന്നു. ഈ ലേബൽ ചെയ്‌ത ഡാറ്റ, സാധാരണ ഇമെയിലുകളിൽ നിന്ന് സ്‌പാമിനെ വേർതിരിക്കുന്ന പാറ്റേണുകൾ പഠിക്കാൻ അൽഗോരിതത്തെ സഹായിക്കുന്നു.

നിങ്ങൾ ഈ ഡാറ്റ മോഡലിലേക്ക് ഫീഡ് ചെയ്യുമ്പോൾ, നിർദ്ദിഷ്ട വാക്കുകൾ, ഇമെയിൽ അയയ്‌ക്കുന്നയാൾ അല്ലെങ്കിൽ ഇമെയിലിൻ്റെ ഘടന പോലുള്ള സവിശേഷതകൾ അത് തിരിച്ചറിയാൻ തുടങ്ങുന്നു. പരിഗണിക്കേണ്ട സവിശേഷതകൾ എന്താണെന്ന് നിങ്ങൾ മോഡലിനോട് വ്യക്തമായി പറയുന്നില്ല; പരിശീലന വേളയിൽ അത് മനസ്സിലാക്കുന്നു.

• പരിശീലന പ്രക്രിയയിൽ, അൽഗോരിതം അതിൻ്റെ പാരാമീറ്ററുകൾ തുടർച്ചയായി ക്രമീകരിക്കുന്നു, സ്പാം, നോൺ-സ്‌പാം ഇമെയിലുകൾ എന്നിവയെ മികച്ച രീതിയിൽ വേർതിരിച്ചറിയാൻ സ്വയം മികച്ചതാക്കുന്നു. മനുഷ്യർ അവഗണിക്കാനിടയുള്ള സൂക്ഷ്മമായ സൂചനകൾ തിരിച്ചറിയാൻ മാതൃക പഠിപ്പിക്കുന്നത് പോലെയാണിത്.
• മോഡൽ പരിശീലിച്ചുകഴിഞ്ഞാൽ, അത് എത്രത്തോളം സാമാന്യവൽക്കരിക്കപ്പെടുന്നുവെന്ന് കാണാൻ പുതിയതും കാണാത്തതുമായ ഇമെയിലുകളിൽ നിങ്ങൾ അത് പരീക്ഷിക്കുന്നു. പരിശീലന സമയത്ത് പഠിച്ച കാര്യങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു ഇമെയിൽ സ്പാം ആണോ അല്ലയോ എന്ന് അത് കൃത്യമായി പ്രവചിക്കേണ്ടതാണ്.
• ഇപ്പോൾ, നിങ്ങൾക്ക് ഒരു പുതിയ ഇമെയിൽ ലഭിക്കുമ്പോൾ, മെഷീൻ ലേണിംഗ് മോഡലിന് അത് വേഗത്തിൽ വിശകലനം ചെയ്യാനും അത് സ്പാം ആണോ അല്ലയോ എന്നതിൻ്റെ പ്രോബബിലിറ്റി സ്കോർ നൽകാനും കഴിയും. പരിശീലന ഡാറ്റയിൽ നിന്ന് സാമാന്യവൽക്കരിക്കാനുള്ള മോഡലിൻ്റെ കഴിവ്, പരിചിതമല്ലാത്ത ഇമെയിലുകളെക്കുറിച്ച് അറിവോടെയുള്ള തീരുമാനങ്ങൾ എടുക്കാൻ അതിനെ പ്രാപ്തമാക്കുന്നു.

ഡാറ്റയിൽ നിന്ന് പഠിക്കാനും പൊരുത്തപ്പെടാനും യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ പ്രവചനങ്ങൾ നടത്താനും മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളെ എങ്ങനെ പ്രാപ്തമാക്കുന്നുവെന്ന് ഈ സ്പാം കണ്ടെത്തൽ ഉദാഹരണം വ്യക്തമാക്കുന്നു.

മെഷീൻ ലേണിംഗ് തരങ്ങൾ

മെഷീൻ ലേണിംഗിൽ, മൂന്ന് പ്രാഥമിക തരങ്ങളുണ്ട്: മേൽനോട്ടത്തിലുള്ള പഠനം, മേൽനോട്ടമില്ലാത്ത പഠനം, ശക്തിപ്പെടുത്തൽ പഠനം. ഞാൻ നിങ്ങൾക്കായി ഓരോ തരവും തകർക്കട്ടെ.

1. സൂപ്പർവൈസുചെയ്‌ത പഠനം , നിങ്ങൾ ലേബൽ ചെയ്‌ത ഡാറ്റയ്‌ക്കൊപ്പം അൽഗോരിതം നൽകുന്നു, അതായത് നിങ്ങൾ അതിന് ഇൻപുട്ട്-ഔട്ട്‌പുട്ട് ജോഡികൾ നൽകുന്നു. പരിശീലന വേളയിൽ പഠിച്ച പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി, പുതിയതും കാണാത്തതുമായ ഡാറ്റയെക്കുറിച്ചുള്ള പ്രവചനങ്ങൾ ഉണ്ടാക്കി, ഔട്ട്പുട്ടിലേക്ക് ഇൻപുട്ട് മാപ്പ് ചെയ്യാൻ അൽഗോരിതം പഠിക്കുന്നു.
2. മേൽനോട്ടമില്ലാത്ത പഠനത്തിന് ലേബൽ ചെയ്ത ഔട്ട്പുട്ടുകൾ ഇല്ല. ഇവിടെ, അൽഗോരിതം പ്രത്യേക മാർഗനിർദേശമില്ലാതെ ഡാറ്റ പര്യവേക്ഷണം ചെയ്യുന്നു, പാറ്റേണുകളും ബന്ധങ്ങളും സ്വന്തമായി തിരിച്ചറിയുന്നു. സാധാരണ സാങ്കേതികതകളിൽ ക്ലസ്റ്ററിംഗും ഡൈമൻഷണാലിറ്റി കുറയ്ക്കലും ഉൾപ്പെടുന്നു.
3. ഒരു പരിതസ്ഥിതിക്കുള്ളിൽ തീരുമാനങ്ങൾ എടുക്കാൻ ഒരു ഏജൻ്റിനെ പരിശീലിപ്പിക്കുന്നത് ശക്തിപ്പെടുത്തൽ പഠനത്തിൽ ഉൾപ്പെടുന്നു. ഏജൻ്റിൻ്റെ പ്രവർത്തനങ്ങളെ അടിസ്ഥാനമാക്കി റിവാർഡുകളുടെയോ പെനാൽറ്റികളുടെയോ രൂപത്തിൽ നിങ്ങൾ ഫീഡ്‌ബാക്ക് നൽകുന്നു, ഇത് കാലക്രമേണ ഒപ്റ്റിമൽ തന്ത്രങ്ങൾ പഠിക്കാൻ അനുവദിക്കുന്നു.

ഇനിപ്പറയുന്ന ഡയഗ്രം ML തരങ്ങൾ വ്യക്തമായി കാണിക്കുന്നു:

മെഷീൻ ലേണിംഗ് പ്രോസസ്

ഇപ്പോൾ, ഒരു സാധാരണ മെഷീൻ ലേണിംഗ് പ്രക്രിയയിൽ ഉൾപ്പെട്ടിരിക്കുന്ന ഘട്ടങ്ങൾ ഞാൻ ചർച്ച ചെയ്യട്ടെ!

1. ഡാറ്റ ശേഖരണം - നിങ്ങളുടെ പ്രശ്നത്തിന് പ്രസക്തമായ ഗണ്യമായ ഡാറ്റ നിങ്ങൾ ശേഖരിക്കുന്നു, അത് മോഡൽ കൈകാര്യം ചെയ്യാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്ന സാഹചര്യങ്ങളെ പ്രതിനിധീകരിക്കുന്നുവെന്ന് ഉറപ്പാക്കുന്നു.
2. ഡാറ്റ പ്രീപ്രോസസിംഗ് - അതിൽ ഡാറ്റ വൃത്തിയാക്കലും തയ്യാറാക്കലും ഉൾപ്പെടുന്നു. ഈ ഘട്ടം നഷ്‌ടമായ മൂല്യങ്ങളെ അഭിസംബോധന ചെയ്യുന്നു, ഔട്ട്‌ലറുകൾ കൈകാര്യം ചെയ്യുന്നു, തിരഞ്ഞെടുത്ത അൽഗോരിതത്തിന് അനുയോജ്യമായ ഫോർമാറ്റിലേക്ക് ഡാറ്റയെ മാറ്റുന്നു .
3. ഫീച്ചർ എഞ്ചിനീയറിംഗ് - ഇവിടെ, നിങ്ങൾ ഡാറ്റയിൽ നിന്ന് പ്രസക്തമായ സവിശേഷതകൾ തിരഞ്ഞെടുത്ത് സൃഷ്ടിക്കുന്നു, പാറ്റേണുകൾ പഠിക്കാനുള്ള മോഡലിൻ്റെ കഴിവ് വർദ്ധിപ്പിക്കുന്നു.
4. മോഡൽ തിരഞ്ഞെടുക്കൽ - നിങ്ങളുടെ പ്രശ്‌നത്തെ അടിസ്ഥാനമാക്കി നിങ്ങൾ മെഷീൻ ലേണിംഗ് മോഡലിൻ്റെ തരം തിരഞ്ഞെടുക്കുന്നു - അത് ക്ലാസിഫിക്കേഷനോ റിഗ്രഷനോ ക്ലസ്റ്ററിംഗോ ആകട്ടെ - കൂടാതെ നിങ്ങളുടെ ഡാറ്റയ്ക്കും ലക്ഷ്യങ്ങൾക്കും അനുയോജ്യമായ ഒരു അൽഗോരിതം തിരഞ്ഞെടുക്കുക.
5. മോഡൽ പരിശീലിപ്പിക്കൽ - ഈ ഘട്ടത്തിൽ ലേബൽ ചെയ്‌ത ഡാറ്റ ഉപയോഗിച്ച് അൽഗോരിതം നൽകുകയും അടിസ്ഥാന പാറ്റേണുകൾ പഠിക്കാൻ അതിൻ്റെ പാരാമീറ്ററുകൾ ക്രമീകരിക്കാൻ അനുവദിക്കുകയും ചെയ്യുന്നു. മോഡൽ അതിൻ്റെ പ്രവചനങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിന് തുടർച്ചയായി സ്വയം പരിഷ്കരിക്കുന്നു.
6. മോഡൽ മൂല്യനിർണ്ണയവും വിന്യാസവും - പരിശീലനത്തിന് ശേഷം, പുതിയതും കാണാത്തതുമായ ഡാറ്റയിൽ മോഡലിൻ്റെ പ്രകടനം നിങ്ങൾ വിലയിരുത്തുന്നു. ഇത് നിങ്ങളുടെ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെങ്കിൽ, യഥാർത്ഥ ലോക ആപ്ലിക്കേഷനുകളിൽ പ്രവചനങ്ങളോ തീരുമാനങ്ങളോ എടുക്കുന്നതിന് നിങ്ങൾ ഇത് വിന്യസിക്കുന്നു.

ഈ ഘട്ടങ്ങൾ മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കുന്ന പ്രക്രിയയെ ഉൾക്കൊള്ളുന്നു, ഡാറ്റയിൽ നിന്ന് പഠിക്കാനും കാണാത്ത സന്ദർഭങ്ങളിൽ നന്നായി സാമാന്യവൽക്കരിക്കാനും കഴിയുന്ന മോഡലുകൾ വികസിപ്പിക്കുന്നതിനുള്ള ഘടനാപരമായ സമീപനം വാഗ്ദാനം ചെയ്യുന്നു.

ML-നെ കുറിച്ച് പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ (FAQs).

1. എന്താണ് മെഷീൻ ലേണിംഗ്?

മെഷീൻ ലേണിംഗ് എന്നത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഒരു മേഖലയാണ് , അവിടെ ഡാറ്റയിൽ നിന്ന് പാറ്റേണുകൾ പഠിക്കാനും വ്യക്തമായ പ്രോഗ്രാമിംഗ് ഇല്ലാതെ പ്രവചനങ്ങളോ തീരുമാനങ്ങളോ എടുക്കാനും അൽഗോരിതങ്ങൾ പരിശീലിപ്പിക്കുന്നു.

2. മെഷീൻ ലേണിംഗ് എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

ഒരു കമ്പ്യൂട്ടർ സിസ്റ്റത്തിന് ഒരു വലിയ ഡാറ്റാസെറ്റ് നൽകിയാണ് ഇത് പ്രവർത്തിക്കുന്നത്, ഡാറ്റയ്ക്കുള്ളിലെ പാറ്റേണുകളും ബന്ധങ്ങളും പഠിക്കാൻ അൽഗോരിതത്തെ അനുവദിക്കുന്നു, വിവരമുള്ള തീരുമാനങ്ങളോ പ്രവചനങ്ങളോ എടുക്കാൻ അതിനെ പ്രാപ്തമാക്കുന്നു.

3. മെഷീൻ ലേണിംഗ് തരങ്ങൾ എന്തൊക്കെയാണ്?

മൂന്ന് പ്രധാന തരങ്ങളുണ്ട്: സൂപ്പർവൈസ്ഡ് ലേണിംഗ് (ലേബൽ ചെയ്ത ഡാറ്റ), മേൽനോട്ടമില്ലാത്ത പഠനം (ലേബൽ ചെയ്യാത്ത ഡാറ്റ), ശക്തിപ്പെടുത്തൽ പഠനം (ഒരു പരിതസ്ഥിതിയിൽ റിവാർഡുകളിലൂടെയും പിഴകളിലൂടെയും പഠിക്കൽ).

4. മേൽനോട്ടത്തിലുള്ളതും മേൽനോട്ടമില്ലാത്തതുമായ പഠനങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം എന്താണ്?

സൂപ്പർവൈസുചെയ്‌ത പഠനത്തിൽ പരിശീലനത്തിനായി ലേബൽ ചെയ്‌ത ഡാറ്റ ഉൾപ്പെടുന്നു, അതേസമയം മേൽനോട്ടമില്ലാത്ത പഠനം ലേബൽ ചെയ്‌ത ഔട്ട്‌പുട്ടുകളില്ലാതെ ഡാറ്റ പര്യവേക്ഷണം ചെയ്യുന്നു, പാറ്റേണുകളും ബന്ധങ്ങളും സ്വതന്ത്രമായി തിരിച്ചറിയുന്നു.

5. ദൈനംദിന ജീവിതത്തിൽ മെഷീൻ ലേണിംഗിൻ്റെ ഒരു ഉദാഹരണം നൽകാമോ?

സ്‌പാം, നോൺ-സ്‌പാം സന്ദേശങ്ങൾ തമ്മിൽ വേർതിരിച്ചറിയാൻ ഇമെയിലുകളിലെ പാറ്റേണുകൾ വിശകലനം ചെയ്യാൻ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്ന ഒരു ഉദാഹരണമാണ് സ്പാം ഇമെയിൽ കണ്ടെത്തൽ.

6. മെഷീൻ ലേണിംഗിലെ ഓവർ ഫിറ്റിംഗ് എന്താണ്?

ഒരു മോഡൽ പരിശീലന ഡാറ്റ നന്നായി പഠിക്കുകയും ശബ്‌ദവും ഔട്ട്‌ലറുകളും പിടിച്ചെടുക്കുകയും പുതിയതും കാണാത്തതുമായ ഡാറ്റയിൽ മോശം പ്രകടനം നടത്തുകയും ചെയ്യുമ്പോൾ ഓവർഫിറ്റിംഗ് സംഭവിക്കുന്നു.

7. ഒരു മെഷീൻ ലേണിംഗ് മോഡലിൻ്റെ പ്രകടനത്തെ നിങ്ങൾ എങ്ങനെയാണ് വിലയിരുത്തുന്നത്?

സാധാരണ മൂല്യനിർണ്ണയ അളവുകോലുകളിൽ കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ, എഫ്1 സ്കോർ എന്നിവ ഉൾപ്പെടുന്നു, ഇത് മോഡലിൻ്റെ പ്രകടനത്തിൻ്റെ വ്യത്യസ്ത വശങ്ങൾ അതിൻ്റെ പ്രവചനങ്ങളെ അടിസ്ഥാനമാക്കി വിലയിരുത്തുന്നു.

8. മെഷീൻ ലേണിംഗിൽ ഫീച്ചർ എഞ്ചിനീയറിംഗിൻ്റെ പങ്ക് എന്താണ്?

ഫീച്ചർ എഞ്ചിനീയറിംഗിൽ ഡാറ്റയിൽ നിന്ന് പ്രസക്തമായ സവിശേഷതകൾ തിരഞ്ഞെടുക്കുന്നതും സൃഷ്ടിക്കുന്നതും ഉൾപ്പെടുന്നു, പഠിക്കാനും കൃത്യമായ പ്രവചനങ്ങൾ നടത്താനുമുള്ള മോഡലിൻ്റെ കഴിവ് വർദ്ധിപ്പിക്കുന്നു.

9. മെഷീൻ ലേണിംഗ് മോഡലുകൾ പക്ഷപാതപരമാകുമോ?

അതെ, പരിശീലന ഡാറ്റ പ്രാതിനിധ്യമല്ലെങ്കിൽ മെഷീൻ ലേണിംഗ് മോഡലുകൾക്ക് പക്ഷപാതം കാണിക്കാൻ കഴിയും. പക്ഷപാതം ലഘൂകരിക്കുന്നതിന് ഡാറ്റാ ഉറവിടങ്ങളുടെ ശ്രദ്ധാപൂർവമായ പരിഗണനയും പ്രീപ്രോസസിംഗും അത്യാവശ്യമാണ്.

10. ബിസിനസ്സിൽ മെഷീൻ ലേണിംഗ് എങ്ങനെയാണ് ഉപയോഗിക്കുന്നത്?

ഉപഭോക്തൃ വിഭജനം, വഞ്ചന കണ്ടെത്തൽ, ഡിമാൻഡ് പ്രവചനം, വ്യക്തിഗതമാക്കിയ ശുപാർശകൾ, തീരുമാനമെടുക്കൽ പ്രക്രിയകൾ മെച്ചപ്പെടുത്തൽ എന്നിവ ഉൾപ്പെടെ വിവിധ ആപ്ലിക്കേഷനുകൾക്കായി ബിസിനസ്സിൽ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു.