machine learning in tamil

 மெஷின் லேர்னிங் என்றால் என்ன? 

மெஷின் லேர்னிங் (எம்எல்) என்பது கணித தரவு மாதிரிகளைப் பயன்படுத்தி கணினிகள் நேரடி அறிவுறுத்தல் இல்லாமல் கற்றுக்கொள்ள உதவும் செயல்முறையாகும். இது செயற்கை நுண்ணறிவின் (AI) துணைக்குழுவாகக் கருதப்படுகிறது. மெஷின் லேர்னிங் தரவுகளில் உள்ள வடிவங்களை அடையாளம் காண அல்காரிதம்களைப் பயன்படுத்துகிறது, மேலும் இந்த வடிவங்கள் கணிப்புகளைச் செய்யக்கூடிய தரவு மாதிரிகளை உருவாக்கப் பயன்படுத்தப்படுகின்றன. அதிகரித்த தரவு மற்றும் அனுபவத்துடன், மனிதர்கள் நடைமுறையில் சிறந்து விளங்குவது போல், மெஷின் லேர்னிங் முடிவுகள் மிகவும் துல்லியமாகின்றன.

தரவு தொடர்ந்து மாறுவது, கோரிக்கைகள் அல்லது பணிகளின் தன்மை தொடர்ந்து மாறுவது அல்லது ஒரு தீர்வைக் குறியிடுவது கிட்டத்தட்ட சாத்தியமற்றது போன்ற சூழல்களில் இயந்திரக் கற்றலின் தகவமைப்புத் திறன் ஒரு சிறந்த தேர்வாக அமைகிறது.

மெஷின் லேர்னிங் என்பது செயற்கை நுண்ணறிவின் துணைப் புலமாகும், இது அறிவார்ந்த மனித நடத்தையைப் பின்பற்றும் இயந்திரங்களின் திறன் என பரவலாக வரையறுக்கப்படுகிறது. செயற்கை நுண்ணறிவு அமைப்புகள் மனிதர்கள் பிரச்சனைகளை தீர்க்கும் அதே வழியில் சிக்கலான பணிகளை தீர்க்க பயன்படுத்தப்படுகின்றன.

செயற்கை நுண்ணறிவின் குறிக்கோள், CSAIL இல் உள்ள இன்ஃபோலேப் குழுவின் முன்னணி ஆராய்ச்சியாளர் மற்றும் இயக்குனர் போன்ற மனிதர்களைப் போன்ற "அறிவுமிக்க நடத்தையை" வெளிப்படுத்தும் கணினி மாதிரிகளை உருவாக்குவதாகும். இதன் பொருள் ஒரு காட்சிக் காட்சியை அடையாளம் காணக்கூடிய, இயற்கை மொழியில் எழுதப்பட்ட உரையைப் புரிந்துகொள்ள அல்லது இயற்பியல் உலகில் ஒரு செயலைச் செய்யக்கூடிய ஒரு இயந்திரம்.

மெஷின் லேர்னிங் தரவுகளுடன் தொடங்குகிறது - எண்கள், புகைப்படங்கள் அல்லது உரை, வங்கிப் பரிமாற்றங்கள், நபர்களின் புகைப்படங்கள், பராமரிப்புப் பதிவுகள், சென்சார்கள் அல்லது விற்பனை அறிக்கைகளின் நேரத் தொடர் தரவு. பயிற்சி தரவு அல்லது பயிற்சி மெஷின் லேர்னிங் மாதிரிகளுக்கான தரவாகப் பயன்படுத்த தரவு சேகரிக்கப்பட்டு தயாரிக்கப்படுகிறது. அதிக தரவு, சிறந்த நிரல்.

மெஷின் லேர்னிங் எவ்வாறு செயல்படுகிறது?

மெஷின் லேர்னிங் மூன்று பகுதிகளைக் கொண்டுள்ளது:

நிர்ணயம் செய்வதற்கான கணக்கீட்டு அல்காரிதம்.

முடிவுகளை எடுக்கும் மாறிகள் மற்றும் பண்புகள்.

பதில் அறியப்பட்ட அடிப்படை அறிவு மற்றும் கணினியைக் கற்றுக்கொள்ள (பயிற்சி) அனுமதிக்கிறது.

ஆரம்பத்தில், மாதிரியானது பதில் அறியப்பட்ட அளவுரு தரவை உள்ளடக்கியது. அதன் பிறகு அல்காரிதம் இயக்கப்பட்டு, அல்காரிதம் (கற்றல்) முடிவுகள் தெரிந்த பதில்களுடன் பொருந்தும் வரை சரிசெய்தல் செய்யப்படுகிறது. இந்த கட்டத்தில், கணினி பெரிய கணக்கீட்டு முடிவுகளைக் கற்றுக்கொள்வதற்கும் செயலாக்குவதற்கும் உதவும் வகையில் அதிகமான தரவு உள்ளிடப்படுகிறது.

மெஷின் லேர்னிங் தரவின் முக்கியத்துவம்

ஒரு முழு வணிகத்தின் உயிர்நாடியாகும். தரவு உந்துதல் முடிவுகள் பெருகிய முறையில் போட்டியைத் தக்கவைத்துக்கொள்வதற்கும் அல்லது மேலும் பின்தங்குவதற்கும் இடையிலான வித்தியாசமாக மாறி வருகின்றன. வணிக மதிப்பு மற்றும் வாடிக்கையாளர் தரவைத் திறப்பதற்கும், போட்டியை விட நிறுவனங்களை முன்னிறுத்தும் முடிவுகளை எடுப்பதற்கும் மெஷின் லேர்னிங் முக்கியமாகும்.

இயற்கை மொழி செயலாக்கம் (NLP) மற்றும் கணினி பார்வை (CV) போன்ற பயன்பாடுகளில் செயற்கை நுண்ணறிவின் முன்னேற்றங்களைப் பயன்படுத்தி, இது நிதிச் சேவைகள், சுகாதாரம் மற்றும் வாகனம் போன்ற தொழில்களுக்கு புதுமைகளை விரைவுபடுத்தவும், வாடிக்கையாளர் அனுபவத்தை மேம்படுத்தவும் மற்றும் செலவுகளைக் குறைக்கவும் உதவுகிறது. உற்பத்தி, சில்லறை விற்பனை, சுகாதாரம் மற்றும் வாழ்க்கை அறிவியல், பயணம் மற்றும் விருந்தோம்பல், நிதிச் சேவைகள் மற்றும் ஆற்றல், மூலப்பொருட்கள் மற்றும் பயன்பாடுகள் உட்பட அனைத்து துறைகளிலும் தொழில் வகைகள். பயன்பாட்டு நிகழ்வுகளில் பின்வருவன அடங்கும்: 

உற்பத்தி.

செயல்திறன் மிக்க பராமரிப்பு மற்றும் கண்காணிப்பு

சில்லறை விற்பனை நிலைமைகளின்முழுவதும் விற்பனை மற்றும் சந்தைப்படுத்தல்

உடல்நலம் மற்றும் வாழ்க்கை அறிவியல்நோய் கண்டறிதல் மற்றும் இடர் மதிப்பீடு

சுற்றுலா மற்றும் விருந்தோம்பல்.மாறும் விலை

நிதி சேவைகளுக்கானஆபத்து மற்றும் ஒழுங்குமுறை

மெஷின் லேர்னிங் மற்றும் ஆழமான கற்றல் 

இது ஒரு பொதுவான கேள்வி, நீங்கள் இதுவரை படித்திருந்தால், நீங்கள் அதைக் கேட்கக் கூடாது என்பது உங்களுக்கு முன்பே தெரிந்திருக்கும். ஆழ்ந்த கற்றல் வழிமுறைகள் மெஷின் லேர்னிங் வழிமுறைகள். எனவே, இயந்திரக் கற்றல் துறையில் ஆழ்ந்த கற்றலைச் சிறப்புறச் செய்வதை விவாதிப்பது நல்லது. பதில்: ANN அல்காரிதம் அமைப்பு, குறைவான மனித தலையீடு மற்றும் அதிக தரவு தேவை.

முதலாவதாக, பாரம்பரிய மெஷின் லேர்னிங் வழிமுறைகள் நேரியல் பின்னடைவு அல்லது முடிவெடுக்கும் மரங்கள் போன்ற எளிமையான கட்டமைப்புகளைக் கொண்டிருக்கும் போது, ​​ஆழ்ந்த கற்றல் செயற்கை நரம்பியல் நெட்வொர்க்குகளை அடிப்படையாகக் கொண்டது. இந்த பல அடுக்கு ANN, மனித மூளை போன்ற சிக்கலானது மற்றும் சுருண்டது.

இரண்டாவதாக, ஆழ்ந்த கற்றல் வழிமுறைகளுக்கு குறைவான மனித தலையீடு தேவைப்படுகிறது. டெஸ்லா உதாரணம் நினைவிருக்கிறதா? STOP சைன் பட அங்கீகாரம் என்பது மிகவும் பாரம்பரியமான மெஷின் லேர்னிங் வழிமுறையாக இருந்தால், ஒரு மென்பொருள் பொறியாளர் படங்களை வரிசைப்படுத்துவதற்கு அம்சங்களையும் வகைப்படுத்திகளையும் கைமுறையாகத் தேர்ந்தெடுத்து, முடிவுகள் தேவைப்படுகிறதா எனச் சரிபார்த்து, இல்லையெனில் அல்காரிதத்தைச் சரிசெய்வார். இருப்பினும், ஒரு ஆழமான கற்றல் வழிமுறையாக, அம்சங்கள் தானாகவே பிரித்தெடுக்கப்படுகின்றன மற்றும் அல்காரிதம் அதன் சொந்த தவறுகளிலிருந்து கற்றுக்கொள்கிறது.

மூன்றாவதாக, ஆழமான கற்றலுக்கு பாரம்பரிய மெஷின் லேர்னிங் வழிமுறைகளை விட அதிக தரவுகள் சரியாக செயல்பட வேண்டும். மெஷின் லேர்னிங் ஆயிரக்கணக்கான தரவு புள்ளிகளுடன் வேலை செய்கிறது, அதே சமயம் ஆழமான கற்றல் பெரும்பாலும் மில்லியன் கணக்கில் மட்டுமே வேலை செய்கிறது. சிக்கலான பல அடுக்கு கட்டமைப்பின் காரணமாக, ஆழமான கற்றல் அமைப்புகளுக்கு மாறுபாட்டை அகற்றவும் உயர்தர விளக்கங்களை உருவாக்கவும் பெரிய தரவுத்தொகுப்புகள் தேவைப்படுகின்றன.