An advent to device getting to know,
இன்றைய உலகத்தை ஆட்டுவிக்கும் சொல்லாக உள்ள வார்த்தை தான் “இயந்திர கற்றல்” (device getting to know). அப்படி என்றால் என்ன? அதன் தாக்கம் என்ன என்பதைப் பற்றி இக்கட்டுரையில் காண்போம்.
பல்வேறு அறிஞர் பெருமக்கள் இந்த மெஷின் லேர்னிங் அல்லது இயந்திரத்தை கற்றுவித்தல் அல்லது இயந்திரத்தை பயன்படுத்துதல் பற்றி பல்வேறு இடங்களில், பல்வேறு விளக்கங்களை தந்துள்ளார்கள்.
எடுத்துக்காட்டாக, நம்மிடம் யாரோ ஒரு கூடை முழுவதும் மாம்பழத்தை கொடுத்து, அதை பழுத்த (ripen) மற்றும் பழுக்காத (raw) மாம்பழம் பிரிக்க சொன்னார்கள் என்று வைத்துக்கொள்வோம். மனிதர்களாகிய நாம் மாம்பழத்தின் தனிச்சிறப்பை அதாவது மாம்பழத்தின் நிறம், எடை மற்றும் இன்னும் சில பண்புகளை பொறுத்து மிகவும் எளிதாக பிரித்து விடலாம்.
ஆனால் இதையே ஒரு கணிப்பொறி (computer) மூலம் எவ்வாறு பிரித்து எடுப்பது என்பதை பற்றி தெரிந்து கொள்வதே மெஷின் லேர்னிங் ஆகும். மிகவும் இரத்தின சுருக்கமாக சொல்வது என்றால் மனிதனை போன்று தானாக ஒரு கணிப்பொறியை கணிக்க உதவும் வழிமுறை(set of rules) தான் மெஷின் லேர்னிங் என்பதாகும்(To make a gadget classify mechanically through getting to know method).
மேற்கூறிய உதாரணத்தை இன்னும் சிறிது விரிவாக காண்போம். கூடை முழுவதும் உள்ள மாம்பழத்தை டேட்டா(facts) அல்லது தகவல்கள் அல்லது தரவு என்பர். மாம்பழத்தின் தனிசிறப்பு அல்லது capabilities அதாவது மாம்பழத்தின் நிறம், எடை, வகை இன்னும் சில பண்புகள், இதை கணிப்பொறிக்கு (input information) அல்லது உள்ளீடுதரவுகளாக தருகிறோம். இந்த உள்ளீடு தரவுகளை, கணிப்பொறி நம்முடைய வழிமுறை (set of rules) பயன்படுத்தி கொடுக்கப்பட்ட மாம்பழத்தை பழுத்த மாம்பழம் மற்றும் பழுக்காத மாம்பழம் என்று பிரித்துக் கொடுக்கிறது. மேற்கூறிய தகவல்களை Pictorial representation ஆக காண்போம்.
இங்கே,
input - features - அதாவது நிறம் மற்றும் எடை
Output-Label அல்லது type அல்லது வகை - பழுத்த மற்றும் பழுக்காத மாம்பழம்
மேலே உள்ள வரைபடத்தில் இருந்து, நாம் அறிவது என்னவென்றால் கொடுக்கப்பட்ட தரவுகளில் இருந்து (statistics) இந்த கோட்டை (Separator line) கண்டுபிடிப்பது தான் மெஷின் லேர்னிங் அல்காரிதம்.
பொதுவாக, மிஷின் லேர்னிங் (set of rules) இருவகைகளாகப் பிரிப்பர், அதாவது supervised mastering மற்றும் unsupervised mastering.
Supervised getting to know:
இது இயந்திரகற்றலில் ஒரு வகையாகும். இதில் நன்கு பெயிரிடப்பட்ட பயிற்சிதரவை(Label education facts) பயன்படுத்தி இயந்திரங்கள் பயிற்றுவிக்கப்படுகின்றன (trained) மற்றும் அந்த பயிற்றுவிக்கப்பட்ட தரவின் அடிப்படையில் கொடுக்கப்பட்ட தரவுகளை அந்த தரவுகளின் தன்மை அடிப்படையில் இயந்திரங்கள் (கணிப்பொறி) வெளியீட்டைக்
(Output) கணிக்கின்றன (Prediction).இதைத்தான் supervised learning என்பர்.
Unsupervised gaining knowledge of:
இது இயந்திர(கணிப்பொறி) கற்றலில் மற்றொரு வகையாகும். இதில் பயிற்சிதரவைப் (education statistics) பயன்படுத்தி மாதிரிகள் கண்காணிக்கப்படுவதில்லை(No supervision). இது பெயரிடப்படாத (unlabeled) மற்றும் வகைபடுத்தப் படாத (error records) தரவுகளில் மட்டுமே வேலை செய்கிறது.
இன்னும் இரத்தினம் சுருக்கமாக, மிஷின் லேர்னிங் பற்றி சொல்ல வேண்டுமானால், மெஷின் லேர்னிங் என்பது, ஒரு இயந்திரத்திற்கு(கணிப்பொறி)தன்னைத்தானே கற்றுக்கொள்ள, மாற்றியமைக்க, ஒழுங்கமைக்க அல்லது சரி செய்யும் திறனை பற்றிய வழிமுறைகளை (set of rules) கற்றுவித்தல் முறைதான் (system learning) ஆகும்.
Machine learning in english, full definition in english:
Machine learning (ML) and artificial intelligence (AI) are becoming mainstream problem-solving technologies in many research and industrial fields, especially with recent advances in deep learning (DL). However, as suggested by recent news, blogs, and media, the equation AI = ML = DL is too short. These fields share a common basic assumption. Calculations are a useful means of modeling the behavior of intelligent machines. What is a calculation and how do I program it? This is the wrong question. Computing does not exclude exploratory methods, logic and probability, or (deep) reinforcement learning methods (unsupervised and unsupervised), among other things, because computing models include all-inclusive mathematics. They complement each other and the next step is to combine rather than use each.
Big data is not fashion. The world is evolving at an exponential rate, just like the amount of data being collected globally. Data is increasingly meaningful and contextual, opening new opportunities for machine learning (ML), particularly deep learning (DL) and artificial intelligence (AI), from research to production (Jordan and Mitchell, 2015). The challenge has shifted from collecting large amounts of data to understanding it and turning it into ideas, conclusions, and actions. From cognitive science to biology, finance, physics and social sciences, many fields of study and many businesses believe that solving problems requires smart, data-driven solutions. It solves many important problems. High-throughput experiments with genes and proteins can be used for personalized drug activation. You can improve information retrieval by using large data sets of search queries. Historical climate data can be used to understand global warming and make better weather forecasts. Numerous sensory indicators and ultramicroscopic images of plants can be used to identify dry conditions and to better understand when and how stress affects growth and development. Plants and how to fight world hunger. Game data can turn pixels into action in video games, and observation data can help robots understand complex, unstructured environments and learn manipulation skills. But are AI, ML and DL synonymous, as recently suggested by news, blogs and media? For example, when AlphaGo (Silver , 2016) defeated Korean master Sedol Lee in Go in 2016, the media used the terms AI, ML, and DL to describe his victory. “AlphaGo. Furthermore, Gartner’s list of Top 10 Strategic Trends for 2018 (Panetta, 2017) also took first place, defining (narrow) AI as “consisting of a very broad range of machine learning solutions focused on solving a specific problem.” Really you will understand the meaning of machine learning.
You must be logged in to post a comment.