இயந்திர கற்றல் (ML) என்றால் என்ன? ஆரம்பநிலைக்கு

இயந்திர கற்றல் என்றால் என்ன?

இயந்திர கற்றல் (ML) என்பது செயற்கை நுண்ணறிவின் ஒரு துறையாகும் , அங்கு வழிமுறைகள் வடிவங்களைக் கற்கவும் தரவுகளிலிருந்து கணிப்புகளைச் செய்யவும் பயிற்சியளிக்கப்படுகின்றன. மெஷின் லேர்னிங்கில், நீங்கள் ஒரு கணினி அமைப்புக்கு அதிக அளவு தரவுகளை வழங்குகிறீர்கள், மேலும் அது வெளிப்படையான நிரலாக்கம் இல்லாமல் வடிவங்களை அடையாளம் கண்டு முடிவுகளை எடுக்க கற்றுக்கொள்கிறது.

உள்ளீட்டுத் தரவு மற்றும் விரும்பிய வெளியீட்டுடன் நீங்கள் தொடங்குகிறீர்கள், அவற்றுக்கிடையேயான உறவைக் கண்டறிய அல்காரிதம் அனுமதிக்கிறது. என்ன செய்ய வேண்டும் என்பதை நீங்கள் வெளிப்படையாக அல்காரிதம் சொல்லவில்லை ; வழங்கப்பட்ட தரவுகளிலிருந்து அது கற்றுக்கொள்கிறது. இயந்திர கற்றலில், மாதிரிகள் பல்வேறு நுட்பங்களைப் பயன்படுத்தி தரவுத்தொகுப்பில் பயிற்சியளிக்கப்படுகின்றன. இந்த மாதிரிகள் வடிவங்களைப் பொதுமைப்படுத்துவதையும், புதிய, பார்க்காத தரவுகளில் துல்லியமான கணிப்புகளைச் செய்வதையும் நோக்கமாகக் கொண்டுள்ளன.

பயிற்சியின் போது, ​​அல்காரிதம் பிழைகளைக் குறைப்பதற்கும் கணிப்புகளை மேம்படுத்துவதற்கும் அதன் அளவுருக்களை சரிசெய்கிறது. துல்லியமான முடிவுகளை எடுப்பதற்கான மாதிரியின் திறனைச் செம்மைப்படுத்துவது, செயல்முறையானது. மேற்பார்வையிடப்பட்ட கற்றல் உட்பட பல்வேறு வகையான இயந்திர கற்றல் உள்ளன, அங்கு அல்காரிதம் லேபிளிடப்பட்ட தரவு மற்றும் மேற்பார்வை செய்யப்படாத கற்றல், அல்காரிதம் லேபிளிடப்பட்ட வெளியீடுகள் இல்லாமல் வடிவங்களைக் கண்டறியும்.

இயந்திர கற்றல் பல்வேறு களங்களில் பயன்படுத்தப்படுகிறது, அதாவது பட அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் பரிந்துரை அமைப்புகள், தொழில்கள் முழுவதும் முடிவெடுக்கும் செயல்முறைகளை மேம்படுத்துகிறது.

இயந்திரக் கற்றலின் இறுதி இலக்கு, நிஜ உலகக் காட்சிகளில் துல்லியமான கணிப்புகள் மற்றும் முடிவுகளை எடுக்கும் திறனை மேம்படுத்துவதன் மூலம், கண்ணுக்குத் தெரியாத தரவுகளைப் பொதுமைப்படுத்தக்கூடிய மாதிரிகளை உருவாக்குவதாகும்.

இயந்திர கற்றல் உதாரணம்

ஸ்பேம் மின்னஞ்சல் கண்டறிதலுக்கான இயந்திர கற்றல் மாதிரியை உருவாக்குகிறீர்கள் என்று வைத்துக்கொள்வோம் .

தொடக்கத்தில், நீங்கள் மின்னஞ்சல்களின் தரவுத்தொகுப்பைச் சேகரித்து, அவற்றை ஸ்பேம் அல்லது ஸ்பேம் அல்ல எனக் குறிக்கலாம். இந்த லேபிளிடப்பட்ட தரவு, வழக்கமான மின்னஞ்சல்களிலிருந்து ஸ்பேமை வேறுபடுத்தும் வடிவங்களை அல்காரிதம் அறிய உதவுகிறது.

நீங்கள் இந்தத் தரவை மாதிரியில் வழங்கும்போது, ​​குறிப்பிட்ட வார்த்தைகள், மின்னஞ்சல் அனுப்புபவர் அல்லது மின்னஞ்சலின் அமைப்பு போன்ற அம்சங்களை அது அங்கீகரிக்கத் தொடங்குகிறது. என்ன அம்சங்களைக் கருத்தில் கொள்ள வேண்டும் என்பதை மாடலுக்கு நீங்கள் வெளிப்படையாகக் கூறவில்லை; பயிற்சியின் போது அது கண்டுபிடிக்கிறது.

• பயிற்சி செயல்பாட்டின் போது, ​​அல்காரிதம் அதன் அளவுருக்களை தொடர்ந்து சரிசெய்கிறது, ஸ்பேம் மற்றும் ஸ்பேம் அல்லாத மின்னஞ்சல்களை வேறுபடுத்துவதற்கு தன்னை நன்றாகச் சரிசெய்கிறது. இது மனிதர்கள் கவனிக்காத நுட்பமான குறிப்புகளை அடையாளம் காண மாதிரியை கற்பிப்பது போன்றது.
• மாதிரியைப் பயிற்றுவித்ததும், அது எவ்வளவு நன்றாகப் பொதுமைப்படுத்துகிறது என்பதைப் பார்க்க, புதிய, பார்க்காத மின்னஞ்சல்களில் அதைச் சோதிக்கவும். பயிற்சியின் போது அது கற்றுக்கொண்டவற்றின் அடிப்படையில் மின்னஞ்சல் ஸ்பேமா இல்லையா என்பதை துல்லியமாக கணிக்க வேண்டும்.
• இப்போது, ​​நீங்கள் ஒரு புதிய மின்னஞ்சலைப் பெறும்போது, ​​இயந்திரக் கற்றல் மாதிரி அதை விரைவாகப் பகுப்பாய்வு செய்து, அது ஸ்பேமா இல்லையா என்பதற்கான நிகழ்தகவு மதிப்பெண்ணை உங்களுக்கு வழங்கும். பயிற்சித் தரவிலிருந்து பொதுமைப்படுத்துவதற்கான மாதிரியின் திறன், அறிமுகமில்லாத மின்னஞ்சல்களைப் பற்றிய தகவலறிந்த முடிவுகளை எடுக்க உதவுகிறது.

இந்த ஸ்பேம் கண்டறிதல் உதாரணம், எந்திரக் கற்றல் அமைப்புகளை தரவுகளில் இருந்து கற்றுக் கொள்ளவும், மாற்றியமைக்கவும் மற்றும் நிஜ உலக சூழ்நிலைகளில் கணிப்புகளை உருவாக்கவும் எவ்வாறு அதிகாரம் அளிக்கிறது என்பதை விளக்குகிறது.

இயந்திர கற்றல் வகைகள்

இயந்திரக் கற்றலில், மூன்று முதன்மை வகைகள் உள்ளன: மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வை செய்யப்படாத கற்றல் மற்றும் வலுவூட்டல் கற்றல். உங்களுக்காக ஒவ்வொரு வகையையும் உடைக்கிறேன்.

1. மேற்பார்வையிடப்பட்ட கற்றல் , நீங்கள் லேபிளிடப்பட்ட தரவுகளுடன் அல்காரிதத்தை வழங்குகிறீர்கள், அதாவது உள்ளீடு-வெளியீட்டு ஜோடிகளை வழங்குகிறீர்கள். அல்காரிதம், பயிற்சியின் போது கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில், புதிய, காணப்படாத தரவுகளின் மீது கணிப்புகளைச் செய்து, வெளியீட்டிற்கு உள்ளீட்டை வரைபடமாக்க கற்றுக்கொள்கிறது.
2. மேற்பார்வை செய்யப்படாத கற்றலில் லேபிளிடப்பட்ட வெளியீடுகள் இல்லை. இங்கே, அல்காரிதம் குறிப்பிட்ட வழிகாட்டுதல் இல்லாமல் தரவை ஆராய்கிறது, வடிவங்கள் மற்றும் உறவுகளை அதன் சொந்தமாக அடையாளம் காட்டுகிறது. பொதுவான நுட்பங்களில் கிளஸ்டரிங் மற்றும் பரிமாணக் குறைப்பு ஆகியவை அடங்கும்.
3. வலுவூட்டல் கற்றல் என்பது ஒரு முகவருக்கு சுற்றுச்சூழலுக்குள் முடிவுகளை எடுக்க பயிற்சியளிக்கிறது. ஏஜென்ட்டின் செயல்களின் அடிப்படையில் வெகுமதிகள் அல்லது அபராதங்கள் வடிவில் நீங்கள் கருத்துக்களை வழங்குகிறீர்கள், இது காலப்போக்கில் உகந்த உத்திகளைக் கற்றுக்கொள்ள அனுமதிக்கிறது.

பின்வரும் வரைபடம் ML வகைகளை தெளிவாகக் காட்டுகிறது:

இயந்திர கற்றல் செயல்முறை

இப்போது, ​​வழக்கமான இயந்திர கற்றல் செயல்பாட்டில் உள்ள படிகளைப் பற்றி விவாதிக்கிறேன்!

1. தரவு சேகரிப்பு - உங்கள் சிக்கலுடன் தொடர்புடைய கணிசமான அளவிலான தரவை நீங்கள் சேகரிக்கிறீர்கள், இது மாதிரியை நீங்கள் கையாள விரும்பும் காட்சிகளைக் குறிக்கிறது.
2. தரவு முன் செயலாக்கம் - இது தரவை சுத்தம் செய்து தயாரிப்பதை உள்ளடக்கியது. இந்த படியானது விடுபட்ட மதிப்புகளை நிவர்த்தி செய்கிறது, அவுட்லையர்களைக் கையாளுகிறது மற்றும் தேர்ந்தெடுக்கப்பட்ட அல்காரிதத்திற்கு பொருத்தமான வடிவமைப்பாக தரவை மாற்றுகிறது .
3. அம்சப் பொறியியல் - இங்கே, நீங்கள் தரவுகளிலிருந்து பொருத்தமான அம்சங்களைத் தேர்ந்தெடுத்து உருவாக்குகிறீர்கள், இது மாதிரியின் வடிவங்களைக் கற்கும் திறனை மேம்படுத்துகிறது.
4. மாதிரித் தேர்வு - வகைப்பாடு, பின்னடைவு அல்லது கிளஸ்டரிங் என எதுவாக இருந்தாலும் சரி - உங்கள் பிரச்சனையின் அடிப்படையில் இயந்திர கற்றல் மாதிரியின் வகையைத் தேர்வுசெய்து, உங்கள் தரவு மற்றும் நோக்கங்களுக்கு ஏற்ற அல்காரிதத்தைத் தேர்ந்தெடுக்கவும்.
5. மாதிரியைப் பயிற்றுவித்தல் - இந்தப் படியானது, லேபிளிடப்பட்ட தரவுகளுடன் அல்காரிதத்திற்கு உணவளிப்பதையும், அடிப்படை வடிவங்களைக் கற்றுக்கொள்ள அதன் அளவுருக்களை சரிசெய்வதையும் உள்ளடக்குகிறது. மாதிரியானது அதன் கணிப்புகளை மேம்படுத்துவதற்காகத் தன்னைத் தொடர்ந்து செம்மைப்படுத்துகிறது.
6. மாதிரி மதிப்பீடு மற்றும் வரிசைப்படுத்தல் - பயிற்சிக்குப் பிறகு, புதிய, பார்க்காத தரவுகளில் மாதிரியின் செயல்திறனை மதிப்பிடுவீர்கள். இது உங்கள் அளவுகோல்களைப் பூர்த்திசெய்தால், நிஜ உலகப் பயன்பாடுகளில் கணிப்புகள் அல்லது முடிவுகளை எடுக்க அதைப் பயன்படுத்துகிறீர்கள்.

இந்தப் படிகள் இயந்திரக் கற்றலைச் செயல்படுத்தும் செயல்முறையை உள்ளடக்கி, தரவுகளிலிருந்து கற்றுக் கொள்ளக்கூடிய மற்றும் காணாத நிகழ்வுகளில் நன்கு பொதுமைப்படுத்தக்கூடிய மாதிரிகளை உருவாக்குவதற்கான கட்டமைக்கப்பட்ட அணுகுமுறையை வழங்குகிறது.

ML பற்றி அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQகள்).

1. இயந்திர கற்றல் என்றால் என்ன?

மெஷின் லேர்னிங் என்பது செயற்கை நுண்ணறிவின் ஒரு துறையாகும் , அங்கு தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்வதற்கும், வெளிப்படையான நிரலாக்கம் இல்லாமல் கணிப்புகள் அல்லது முடிவுகளை எடுப்பதற்கும் வழிமுறைகள் பயிற்றுவிக்கப்படுகின்றன.

2. இயந்திர கற்றல் எவ்வாறு செயல்படுகிறது?

கணினி அமைப்புக்கு ஒரு பெரிய தரவுத்தொகுப்பை ஊட்டுவதன் மூலம் இது செயல்படுகிறது, அல்காரிதம் தரவுக்குள் உள்ள வடிவங்கள் மற்றும் உறவுகளை அறிய அனுமதிக்கிறது, தகவலறிந்த முடிவுகளை அல்லது கணிப்புகளை எடுக்க உதவுகிறது.

3. இயந்திர கற்றலின் வகைகள் யாவை?

மூன்று முக்கிய வகைகள் உள்ளன: மேற்பார்வையிடப்பட்ட கற்றல் (லேபிளிடப்பட்ட தரவு), மேற்பார்வை செய்யப்படாத கற்றல் (லேபிளிடப்படாத தரவு) மற்றும் வலுவூட்டல் கற்றல் (ஒரு சூழலில் வெகுமதிகள் மற்றும் அபராதங்கள் மூலம் கற்றல்).

4. மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வை செய்யப்படாத கற்றலுக்கு என்ன வித்தியாசம்?

மேற்பார்வையிடப்பட்ட கற்றல் பயிற்சிக்கான லேபிளிடப்பட்ட தரவை உள்ளடக்கியது, அதே சமயம் மேற்பார்வை செய்யப்படாத கற்றல் லேபிளிடப்பட்ட வெளியீடுகள் இல்லாமல் தரவை ஆராய்கிறது, வடிவங்கள் மற்றும் உறவுகளை சுயாதீனமாக அடையாளம் காட்டுகிறது.

5. அன்றாட வாழ்வில் இயந்திரக் கற்றலுக்கு உதாரணம் தர முடியுமா?

ஸ்பேம் மின்னஞ்சல் கண்டறிதல் என்பது ஸ்பேம் மற்றும் ஸ்பேம் அல்லாத செய்திகளை வேறுபடுத்துவதற்கு மின்னஞ்சல்களில் உள்ள வடிவங்களை பகுப்பாய்வு செய்ய இயந்திர கற்றல் பயன்படுத்தப்படும் ஒரு எடுத்துக்காட்டு.

6. மெஷின் லேர்னிங்கில் அதிகப்படியான பொருத்தம் என்றால் என்ன?

ஒரு மாதிரியானது பயிற்சித் தரவை நன்றாகக் கற்று, சத்தம் மற்றும் வெளிப்புறங்களைப் படம்பிடித்து, புதிய, காணாத தரவுகளில் அது மோசமாகச் செயல்படும் போது அதிகப்படியான பொருத்தம் ஏற்படுகிறது.

7. இயந்திர கற்றல் மாதிரியின் செயல்திறனை எவ்வாறு மதிப்பிடுகிறீர்கள்?

பொதுவான மதிப்பீட்டு அளவீடுகளில் துல்லியம், துல்லியம், நினைவுபடுத்துதல் மற்றும் F1 மதிப்பெண் ஆகியவை அடங்கும், இது மாதிரியின் செயல்திறனின் வெவ்வேறு அம்சங்களை அதன் கணிப்புகளின் அடிப்படையில் மதிப்பிடுகிறது.

8. இயந்திர கற்றலில் அம்ச பொறியியலின் பங்கு என்ன?

அம்சப் பொறியியல் என்பது தரவுகளிலிருந்து பொருத்தமான அம்சங்களைத் தேர்ந்தெடுத்து உருவாக்குவது, மாடலின் திறனைக் கற்று துல்லியமான கணிப்புகளைச் செய்வது.

9. இயந்திர கற்றல் மாதிரிகள் சார்புடையதாக இருக்க முடியுமா?

ஆம், பயிற்சி தரவு பிரதிநிதித்துவம் இல்லை என்றால் இயந்திர கற்றல் மாதிரிகள் சார்புநிலையை வெளிப்படுத்தும். சார்புகளைத் தணிக்க தரவு மூலங்கள் மற்றும் முன் செயலாக்கம் ஆகியவற்றை கவனமாகக் கருத்தில் கொள்வது அவசியம்.

10. வணிகத்தில் இயந்திர கற்றல் எவ்வாறு பயன்படுத்தப்படுகிறது?

வாடிக்கையாளர் பிரிவு, மோசடி கண்டறிதல், கோரிக்கை முன்கணிப்பு மற்றும் தனிப்பயனாக்கப்பட்ட பரிந்துரைகள், முடிவெடுக்கும் செயல்முறைகளை மேம்படுத்துதல் உள்ளிட்ட பல்வேறு பயன்பாடுகளுக்காக இயந்திர கற்றல் வணிகத்தில் பயன்படுத்தப்படுகிறது.