நமக்கு புத்திசாலியான அடிமைகள் தேவை.
இந்தியாவிற்கு டிக்கெட் போடு’ என சொன்னால், நம்முடைய முந்தைய பயணங்களைக் கணக்கில் கொண்டு சாமர்த்தியமாக பேரம் பேசி, நம் விருப்பத்தை தானே உணர்ந்து பயணச்சீட்டு போடும் ஏஜெண்ட் தேவை.
நான் பார்ப்பதை, பேசுவதை, நினைப்பதை கணித்து, வருங்காலத்தில் எந்த முடிவில் சந்தோசமும் திருப்தியும் கொள்வேன் என்று புரிந்து கொள்ளும் சக்தி வாய்ந்த ‘சிக்கல் தீர்வாளர்’ தேவை.
இன்றைய தேதியில் இதெல்லாம் சாத்தியமே இல்லை.
யாராவது உங்களிடம் வந்து ‘நாளைக்கழித்து இதெல்லாம் கிடைக்கும்!’ என்றால் நம்பாதீர்கள்.
‘மேற்பார்வை கற்றல்‘க்கு நிறைய உதாரணங்கள் தேவை. – வாய் தேய்வதற்கு கை தேயலாம் என நீங்களே காரியத்தை முடித்து விடலாம்.
வலுவூட்டல் கற்றல்‘க்கு சொல்லொண்ணா அளவு சோதனைகள் தேவை. – அத்தனை காசு தேய்வதற்கு நாயையோ பூனையையோக் கொண்டு கூட வித்தை காட்டி காரியத்தை முடித்து விடலாம்.
‘சுய மேற்பார்வை கற்றல்‘ இன்றைய நிலையில் நன்றாகத்தான் வேலை செய்கிறது – ஆனால் ஒன்றே ஒன்று மட்டும்தான் அவற்றிற்குப் புரிகிறது: வார்த்தைகள் கொண்ட கோப்பை முழுமையாக விளக்கிச் சொல்லி, விலாவாரியாக வக்கணையாகக் கேள்வி கேட்டால் ஏதோ சொன்னதை ஓரளவப் புரிந்து பதிலளிக்கும். அல்லது ஒரேயொரு அசையா புகைப்படத்தைக் காட்டினால் அந்தப் படத்தை ஏதோ புரிந்து கொள்ளும்.
ஐந்து வயதுக் குழந்தையின் சூட்டிகை கூட இல்லாத இன்றைய செயற்கை நுண்ணறிவை விடுங்கள்.
இராம நாராயணன் படத்தில் வரும் விலங்குகளை எடுத்துக் கொள்ளுங்கள் – அவை செயல்படுத்தும் அறிவைக் கூட, அவற்றையொத்த தகுதிகளைக் கூட — இன்றைய நவநாகரிக மாடல்களும் அல்காரிதம்களும் கொண்டில்லை.
சிறார்களுக்கும் சீவன்களுக்கும் இலட்சியம் இருக்கிறது. குறிக்கோளை நோக்கிய பயணத்தை அவை மேற்கொள்கின்றன.
பூனைகள் செய்யும் சாகசங்களை ரீல்களாகப் பார்த்திருப்பீர்கள்.
நாய்களின் வித்தைகளை விழியங்களாகப் பார்த்திருப்பீர்கள்.
பத்து வயதில் பாத்திரத்தைக் கழுவி எவ்வாறு தேய்ப்பது என்பதைத் தானே உணர்ந்து செய்வது: ‘சொல்லித் தராமல் பார்த்தே வருவது’ – பூஜ்யம்–மடக்கு (அ) “ஜீரோ-ஷாட்” என்னும் கற்றல் முறை
ஏன்? —> தன்பின்னடைவு உருவாக்கும் மாதிரிகள் (auto-regressive generative models) முதிர்கன்னி ஆகவில்லை.
தானியங்கி தொடர்புப் போக்கு (அ) தன் சார்புக் கணிப்பு – ஆகியவற்றுள் செல்வதற்கு முன்… பால பாடத்தைத் தொடர்வோம்.
எப்பொழுது செயற்கை நுண்ணறிவு (ஏ.ஐ. – AI)ம் பொறிக் கற்றல் (எம்.எல். – ML)ம் பொருத்தமான தீர்வுகள்?
நம் பிரச்சினையைத் தீர்க்க ஏ.ஐ. எப்போது பயன்படுத்த வேண்டும் என்பதை நீங்கள் புரிந்து கொள்ள வேண்டும். பின்வரும் பயன்பாட்டு நிகழ்வுகளுக்கு ஏ.ஐ. ஒரு நல்ல தேர்வாகும்:
“ஒரு வாட்டி முடிவு பண்ணா என் பேச்ச நானே கேக்க மாட்டேன்”: விதிகளை ‘குறியிடுவது’ சவாலானது: எளிமையான, விதி அடிப்படையிலான தீர்வுகளைப் பயன்படுத்தி பல மனிதப் பணிகளைச் சரியாகத் தீர்க்க முடியாது. உதாரணமாக எரிதம் வடிகட்டுதலை எடுத்துக் கொள்ளுங்கள். உள்வரும் மின்னஞ்சல் முறையானதா அல்லது ஸ்பேமா என்பதைத் தீர்மானிப்பது சிக்கலான பணியாகும். இது எப்போதும் முன்னரே வரையறுக்கப்பட்ட விதிகளின் தொகுப்பின் மூலம் திறம்பட கையாள முடியாது. நிஜத்தில் பல மாறிகள் உள்ளன. விதிகள் பல காரணிகளை நம்பியிருக்கும்போது, ஒன்றுடன் ஒன்று இருக்கும்போது அல்லது நேர்த்தியாக மாற்றியமைக்கப்பட வேண்டியிருக்கும் போது, அவற்றை துல்லியமாக குறியிடுவது மனிதர்களுக்கு கடினமாகிறது. இந்த வகையான சிக்கலை திறம்பட தீர்க்க எம். எல். பயன்படுத்தப்படலாம்.
“வெற்றிக் கொடி கட்டு; லட்சியம் எட்டும் வரை எட்டு”: திட்டத்தின் அளவுகோல் சவாலானது: எரிதம் எடுத்துக்காட்டில், தனி மனிதனால் சில நூறு மின்னஞ்சல்களைப் பார்த்து அவை குப்பை மடலா இல்லையா என்பதை தீர்மானிக்க முடியும். இருப்பினும், கோடிக்கணக்கான மின்னஞ்சல்களை அல்சி ஆராய்ந்து இந்தப் பணியை அளவிடுவது கடினமாகவும் திறமையற்றதாகவும் இருக்கும். இது போன்ற பெரிய அளவிலான பிரச்சினைகளுக்கு எம். எல். தீர்வுகள் பொருத்தமானவை.
ஏ.ஐ./எம்.எல். எப்பொழுதுமே எல்லாவற்றுக்குமே தேவையில்லை. ஏ.ஐ. பல சிக்கல்களை தீர்க்க முடியும் . இருப்பினும், மாற்று அணுகுமுறைகளுக்கு பொருத்தமான சூழ்நிலைகள் இருக்கலாம். அனைத்து அணுகுமுறைகளையும் கருத்தில் கொண்டு, பணியின் குறிப்பிட்ட தேவைகளையும் கட்டுப்பாடுகளின் அடிப்படையிலும் மிகவும் பொருத்தமான ஒன்றைத் தேர்ந்தெடுக்கவும்.
எடுத்துக்காட்டாக, எளிய விதிகள், கணக்கீடுகள் அல்லது முன்னரே தீர்மானிக்கப்பட்ட படிகளைப் பயன்படுத்தி இலக்கு மதிப்பை நீங்கள் தீர்மானிக்க முடிந்தால் உங்களுக்கு எம். எல். தேவையில்லை. தரவு சார்ந்த கற்றல் எதுவும் தேவையில்லாமல் நீங்கள் படிகளைத் திட்டமிடலாம்.
உதாரணமாக காலை எழுந்தவுடன் காப்பி. அதன் பின் இட்லி என்பது உங்களின் வாரநாள் வழக்கம் என்றால் அதற்கு ஏ.ஐ. தேவையில்லை.
சில நாள் காலையில் காம்ப்ளான்; சில நாள் அருகம்புல் சாறு; சில நாள் தேநீர் என்று முந்தைய இரவின் உணவைப் பொருத்தோ, அன்றைய விருந்தினரைப் பொருத்தோ, அல்லது நாள்தோறும் வித்தியாசத்தைத் தேடும் பொருட்டோ உங்களின் தேர்வு மாறிக் கொண்டேயிருக்கும் – இவ்வாறு சூழ்நிலைக்கு ஏற்ப முடிவை ஊகிக்க வேண்டும் என்றால் ஏ.ஐ. தேவை.
ஏ.ஐ./எம்.எல். எப்போது பொருத்தமானது, எப்போது மாற்று தீர்வு பொருத்தமானது என்பதை நீங்கள் கற்றுக்கொண்டீர்கள். அடுத்து, ஒரு மாதிரியைத் தேர்ந்தெடுப்பதற்கான எம். எல் நுட்பங்களைப் பற்றி பார்ப்போம்.
இயந்திர கற்றல் நுட்பங்களும் பயன்பாட்டு வழக்குகளும்
எம்.எல். தீர்வைத் தேர்ந்தெடுக்கும்போது, அது தொழில்நுட்பத்தைப் பற்றியது மட்டுமல்ல; குறிப்பிட்ட பயன்பாட்டு நிகழ்வுகளுக்கு பொருத்தமான எம்எல் நுட்பங்களைப் புரிந்துகொள்வதும் ஆகும். எம்எல் கற்றல் நுட்பங்கள் நவீன செயற்கை நுண்ணறிவின் முதுகெலும்பாகப் பிரதிநிதித்துவம் செய்கின்றன. மேலும் தரவுகளிலிருந்து கற்றுக்கொள்ளவும், வெளிப்படையான நிரலாக்கம் இல்லாமல் புத்திசாலித்தனமான முடிவுகளை எடுக்கவும் அமைப்புகளை மேம்படுத்துகின்றன. இந்த நுட்பங்களில் மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வை செய்யப்படாத கற்றல் மற்றும் வலுவூட்டல் கற்றல் ஆகியவை அடங்கும். இவை ஒவ்வொன்றும் ஒரு தனித்துவமான நோக்கத்திற்கு உதவுகின்றன.
1. மேற்பார்வையிடப்பட்ட கற்றல் (Supervised learning)
மேற்பார்வையிடப்பட்ட கற்றல் என்பது எம்எல்-இன் பிரபலமான வகையாகும், ஏனெனில் இது பரவலாக பொருந்தும். மேற்பார்வையாளர் இருக்க வேண்டும் என்பதால் இது மேற்பார்வையிடப்பட்ட கற்றல் என்று அழைக்கப்படுகிறது.
மேற்பார்வையாளர் என்றால் மனிதர் அல்ல; பயிற்சி தரவு. நெட் ப்ராக்டிஸ். சோதனை ஓட்டம். மாதிரி வினாத்தாள். படத்திற்கான ட்ரெயிலர் முன்னோட்டம்.
எந்தவொரு மாணவரையும் போலவே, மேற்பார்வையிடப்பட்ட அல்காரிதம் எடுத்துக்காட்டு மூலம் கற்றுக்கொள்ள வேண்டும். அடிப்படையில், இந்த வகை வழிமுறை உள்ளீடுகளுக்கும் வெளியீடுகளுக்கும் இடையிலான வடிவங்களையும் உறவுகளையும் தீர்மானிக்க உதவும் பயிற்சி தரவைப் உபயோகிக்கிறது. எடுத்துக்காட்டாக, மக்கள் கார்கள் என்று முத்திரை குத்தப்பட்ட கார்களின் படங்கள் மாடலுக்கு வழங்கப்படுகின்றன. பின்னர், மாடல் பெயரிடப்படாத ஒரு காரின் புதிய படத்தைப் பெறும்போது, அது ஒரு கார் என்று மாடல் கணிக்க முடியும்.
ஏற்கனவே பெயரிடப்பட்ட தரவுகளில் உள்ள வடிவங்களை அடையாளம் காண்பதன் மூலம் மாதிரி கற்றுக்கொள்கிறது.
அதாவது:
1. பூனை, நாய், பறவை, மிருகம் என வகைப்படுத்தப்பட்ட ஆயிரக்கணக்கான படங்களை மாடல் கவனித்து பயிற்சியைப் பெற்றுக் கொள்ளும்.
2. அதன் பின் அதற்கு ஏதோவொரு படம் காண்பிக்கப்படும்.
3. அந்தப் படத்தைப் பார்த்து, – மாடல், ‘இது “பூனை/நாய்/பறவை/மிருகம்” என நான் 70% நம்புகிறேன்’ என்று ஆருடம் சொல்லும்.
4. அந்த கணிப்பு சரியாக இருந்தாலும், தவறாக இருந்தாலும் – இந்தப் பாடத்தில் இருந்து கற்றுக் கொள்ளும்.
5. இவ்வாறு இலட்சக்கணக்கான தரவுகளை சோதித்து தன் ஆருடக் கணிப்பை உன்னதமாக்கும்.
இதே போல் அகநானூறுப் பாடல், அறிவியல் விசயங்கள் என எல்லாவற்றையும் ஒவ்வொன்றாகக் கற்றுக் கொடுக்கலாம். ஒவ்வொரு துறைக்கும் ஒரு வல்லுநரை உருவாக்கலாம்.
மேற்பார்வையிடப்பட்ட எம். எல். வகைகள்
மேற்பார்வையிடப்பட்ட கற்றல் இரண்டு துணைப்பிரிவுகளைக் கொண்டுள்ளது – வகைப்பாடு மற்றும் பின்னடைவு.
வகைப்பாடு (Classification)
வகைப்படுத்தல் என்பது ஒரு மேற்பார்வையிடப்பட்ட கற்றல் நுட்பமாகும். இது ஒரு பயிற்சி பெற்ற மாதிரியின் அடிப்படையில் புதிய, காணப்படாத தரவு நிகழ்வுகளுக்கு முத்திரை (லேபிள்கள்) அல்லது வகைகளை ஒதுக்க பயன்படுகிறது.
மாதிரியானது பெயரிடப்பட்ட தரவுத்தொகுப்பில் பயிற்றுவிக்கப்படுகிறது, அங்கு ஒவ்வொரு நிகழ்வும் ஏற்கனவே அறியப்பட்ட வகுப்பு அல்லது வகைக்கு ஒதுக்கப்பட்டுள்ளது.
பூவெல்லாம் கேட்டுப்பார் படத்தில் சூர்யா கூறும் நூறு பூக்கள் கபிலரின் குறிஞ்சிப் பாட்டில் இருந்து எடுக்கப்பட்டது:
வள் இதழ், ஒண் செங் காந்தள், ஆம்பல், அனிச்சம், தண் கயக் குவளை, குறிஞ்சி, வெட்சி, செங் கொடுவேரி, தேமா, மணிச்சிகை, உரிது நாறு அவிழ் தொத்து உந்தூழ், கூவிளம், எரி புரை எறுழம், சுள்ளி, கூவிரம், வடவனம், வாகை, வான் பூங் குடசம், எருவை, செருவிளை, மணிப் பூங் கருவிளை, பயினி, வானி, பல் இணர்க் குரவம், பசும்பிடி, வகுளம், பல் இணர்க் காயா, விரி மலர் ஆவிரை, வேரல், சூரல், குரீஇப் பூளை, குறுநறுங் கண்ணி, குருகிலை, மருதம், விரி பூங் கோங்கம், போங்கம், திலகம், தேங் கமழ் பாதிரி, செருந்தி, அதிரல், பெருந் தண் சண்பகம், கரந்தை, குளவி, கடி கமழ் கலி மா, தில்லை, பாலை, கல் இவர் முல்லை, குல்லை, பிடவம், சிறுமாரோடம், வாழை, வள்ளி, நீள் நறு நெய்தல், தாழை, தளவம், முள் தாள் தாமரை, ஞாழல், மௌவல், நறுந் தண் கொகுடி, சேடல், செம்மல், சிறுசெங்குரலி, கோடல், கைதை, கொங்கு முதிர் நறு வழை, காஞ்சி, மணிக் குலைக் கள் கமழ் நெய்தல், பாங்கர், மராஅம், பல் பூந் தணக்கம், ஈங்கை, இலவம், தூங்கு இணர்க் கொன்றை, அடும்பு, அமர் ஆத்தி, நெடுங் கொடி அவரை, பகன்றை, பலாசம், பல் பூம் பிண்டி, வஞ்சி, பித்திகம், சிந்துவாரம், தும்பை, துழாஅய், சுடர்ப் பூந் தோன்றி, நந்தி, நறவம், நறும் புன்னாகம், பாரம், பீரம், பைங் குருக்கத்தி, ஆரம், காழ்வை, கடி இரும் புன்னை, நரந்தம், நாகம், நள்ளிருள் நாறி, மா இருங் குருந்தும், வேங்கையும், பிறவும்
இது கிளாசிஃபிகேஷன் – வகைப்படுத்தல்.
வகைப்பாட்டின் குறிக்கோள் பயிற்சி தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்வதும், புதிய பெயரிடப்படாத தரவு நிகழ்வுகளுக்கான வகுப்பு அல்லது வகையை கணிக்க அவற்றைப் பயன்படுத்துவதும் ஆகும்.
பயன்பாடுகளில் பின்வருவன அடங்கும்:
- மோசடி கண்டறிதல்
- பட வகைப்பாடு
- வாடிக்கையாளர் தக்கவைப்பு
- நோயறிதல்
பின்னடைவு (Regression)
பின்னடைவு என்பது ஒன்று அல்லது அதற்கு மேற்பட்ட உள்ளீட்டு மாறியின் அடிப்படையில் தொடர்ச்சியான அல்லது எண் மதிப்புகளைக் கணிக்கப் பயன்படுத்தப்படும் மேற்பார்வையிடப்பட்ட கற்றல் நுட்பமாகும்.
1. பயிற்சிக்கு பல அம்சங்கள் உள்ளே தீனியாகப் போடப்படுகின்றன; ஒரேயொரு இலக்கு ‘குறிக்கோள்’ என வைக்கப்பட்டு தரவுத்தொகுப்பில் பயிற்சி அளிக்கப்படுகிறது.
2. அறிந்த விஷயங்களைக் கொண்டு அறியாத இலக்கைக் கணிக்க வைக்கப் போகிறோம்.
3. தக்காளி விலை ஏறினால் ஆட்சி கவிழுமா? ஹர்ஷத் மேத்தா சொன்னால் அந்தப் பங்கின் விலை அதிகரிக்குமா?
கொடி அசைந்ததும் காற்று வந்ததா (காற்றை எவ்வாறு அளவிடுவது என கணிப்பது: அறிவியல்)
காற்று வந்ததும் கொடி அசைந்ததா (கையால் அசைத்தார்களோ என முடிவெடுப்பது: ‘பின்னடைவு’)
நிலவு வந்ததும் மலர் மலர்ந்ததா (அப்பொழுது அமாவாசை அன்று என்ன ஆகும் என கணிப்பது: ‘பின்னடைவு’)
மலர் மலர்ந்ததால் நிலவு வந்ததா !?
ஒரு சார்பு மாறி (கணிக்கப்பட வேண்டிய மதிப்பு) மற்றும் ஒன்று அல்லது அதற்கு மேற்பட்ட சுயாதீன மாறிகள் (கணிப்புக்கு பயன்படுத்தப்படும் அம்சங்கள் அல்லது உள்ளீடுகள்) ஆகியவற்றுக்கு இடையிலான உறவை மாதிரியாக்க இது பயன்படுத்தப்படுகிறது.
சார்பு மாறி – ‘மலர் மலர்வது’
சுயாதீன மாறிகள் – இருள், வெளிச்சம், நேரம், மாதம், கிழமை, தட்பவெட்பம் என எல்லாவற்றையும் கணக்கிடுவது: ‘பின்னடைவு’
பயன்பாட்டு வழக்குகளில் பின்வருவன அடங்கும்:
- விளம்பரப் புகழ் கணிப்பு
- வானிலை முன்னறிவிப்பு
- சந்தை கணிப்பு
- ஆயுள் எதிர்பார்ப்பை மதிப்பிடுதல்
- மக்கள் தொகை வளர்ச்சி கணிப்பு
2. மேற்பார்வை செய்யப்படாத கற்றல் (Unsupervised learning)
மேற்பார்வையிடப்பட்ட கற்றலில், தரவிலேயே முத்திரை பதித்து அனுப்பி விடுகிறோம். வகைளை உள்ளடக்கியது என்பதால், மாதிரி வடிவங்கள் மற்றும் உறவுகளைக் கற்றுக்கொள்ள முடியும்.
மேற்பார்வை செய்யப்படாத கற்றலில், மாதிரி பெயரிடப்படாத தரவுகளில் பயிற்சி அளிக்கப்படுகிறது. அல்காரிதம் எந்த முன் தகவலும் வழிகாட்டலும் இல்லாமல் தரவுகளுக்குள் மறைக்கப்பட்ட வடிவங்கள் அல்லது கட்டமைப்புகளைக் கண்டறிய முயற்சிக்கிறது.
இந்த வகையான கற்றலில், இயந்திரம் முத்திரைகளைக் கண்டுபிடித்து உருவாக்க வேண்டும். இந்த மாதிரிகள் அவை வழங்கிய தரவைப் பயன்படுத்தி முழு தரவுத்தொகுப்பின் வளர்ந்து வரும் பண்புகளைக் கண்டறிந்து பின்னர் வடிவங்களை உருவாக்குகின்றன.
மேற்பார்வை செய்யப்படாத கற்றலில், முத்திரைகள் வழங்கப்படவில்லை-உங்களுக்கு அனைத்து மாறிகள் மற்றும் வடிவங்கள் தெரியாது.
மேற்பார்வையிடப்பட்ட கற்றலில் ‘சென்ற ஆண்டு பங்குச் சந்தை எப்படி ஏறியது? எப்பொழுது இறங்கியது? எந்தச் செய்தியைப் பொறுத்து எவ்வாறு பாதித்தது?’ என்பதெல்லாம் சொல்லிக் கொடுப்பீர்கள்.
மேற்பார்வை செய்யப்படாத கற்றலில், திக்கற்ற பார்வதியாக, கண்ணக் கட்டி, காட்டில் விடுவீர்கள். தானாகச் சென்று எவ்வாறு இந்த மாதிரி ஆனது? யார் பட்ஜெட் போட்டார்கள்? எந்த நிறுவனம் எவரை வாங்கினார்கள்? ஆட்சியில் யார் இருந்தார்கள்? என்பதெல்லாம் சுயம்புவாக அறிய வேண்டும்.
ஒன்றும் ஒன்றும் மூன்று என கணக்கிடத் தெரிந்தால் மேற்பார்வை செய்யப்படாத கற்றல்.
உலகின் எல்லா தகவல்களையும் புரிந்து வரப்போவதை கணித்தால் மேற்பார்வை செய்யப்படாத கற்றல்.
தொல்காப்பியத்தை வைத்து அபிராமி பட்டர் அந்தாதி கவிதை எழுதினார் என முடிவுக்கு வந்தால் மேற்பார்வை செய்யப்படாத கற்றல்.
மேற்பார்வை செய்யப்படாத எம்எல் வகைகள்
மேற்பார்வை செய்யப்படாத கற்றல் பல்வேறு நுட்பங்கள் மற்றும் வழிமுறைகளை உள்ளடக்கியது. மேற்பார்வை செய்யப்படாத கற்றலின் இரண்டு முக்கிய துணைப்பிரிவுகள் கொத்தாக்கம் (கிளஸ்டரிங்) மற்றும் பரிமாண குறைப்பு (dimensionality reduction) ஆகும்.
கொத்தாக்கம் (Clustering)
மேற்பார்வை செய்யப்படாத கற்றலின் பொதுவான துணைப்பிரிவு கிளஸ்டரிங் ஆகும். இந்த வகையான அல்காரிதம் ஒரு குறிப்பிட்ட கொத்தாக்க பண்புகளை நன்கு புரிந்துகொள்ள ஒத்த அம்சங்கள் அல்லது தரவு புள்ளிக்கு இடையிலான தூரங்களின் அடிப்படையில் தரவை வெவ்வேறு கொத்துகளாக தொகுக்கிறது.
எடுத்துக்காட்டாக, வாடிக்கையாளர் வாங்கும் பழக்கத்தை பகுப்பாய்வு செய்வதன் மூலம், மேற்பார்வை செய்யப்படாத வழிமுறை ஒரு நிறுவனத்தை பெரியதாகவோ அல்லது சிறியதாகவோ அடையாளம் காண முடியும்.
உங்களுக்கு புஷ்பா படம் பிடிக்குமா? அப்படியானால் கே.ஜி.எஃப் பாருங்க என்பது நல்ல கொத்தாக்கம்.
மணி ரத்னம் படம் பிடிக்குமா? அப்படியானால் இயக்குநர் ஹரியின் சிங்கம் பாருங்க என்பது வேலை சரியாக செய்யாத கொத்தாக்கம்.
பயன்பாட்டு வழக்குகள்:
- வாடிக்கையாளர் பிரிவு
- இலக்கு சந்தைப்படுத்தல்
- பரிந்துரைகள்
பரிமாண குறைப்பு
பரிமாணக் குறைப்பு என்பது ஒரு தரவுத்தொகுப்பில் உள்ள அம்சங்கள் அல்லது பரிமாணங்களின் எண்ணிக்கையைக் குறைக்க பயன்படுத்தப்படும் ஒரு மேற்பார்வை செய்யப்படாத கற்றல் நுட்பமாகும், அதே நேரத்தில் மிக முக்கியமான தகவல் அல்லது வடிவங்களைப் பாதுகாக்கிறது.
கே.எஸ். ரவிக்குமார் எல்லாவிதமான படங்களும் எடுத்திருக்கிறார். புரியாத புதிர், அவ்வை சண்முகி, லிங்கா. இதை வைத்து ‘பிஸ்தா’ எடுத்தது சுந்தர் சி. என்றால் என்று தவறான பரிமாணக் குறைப்பு.
கே.எஸ். ரவிக்குமார் நடித்தால், அந்தப் படத்தை அவர் இயக்கினார் என்பதும் தவறான பரிமாணக் குறைப்பு.
கே.எஸ். ரவிக்குமார் கமலுடன் இணைந்தால், அது வெற்றிப்படம் என்பதும் தவறான பரிமாணக் குறைப்பு. (மன்மதன் அம்பு)
அப்படியானால் கே.எஸ். ரவிக்குமார் எப்படி மசாலா மாஸ்டர் ஆகி வெள்ளி விழா தருகிறார் என ஒரிரு பரிமாணங்களுக்குள் சுருக்குவது ‘மேற்பார்வை செய்யப்படாத கற்றல்’ வித்தை.
பயன்பாட்டு வழக்குகள்:
- மிகப்பெரிய தரவுகளை வண்ணமயமாக காட்சிப்படுத்தல்
- அர்த்தமுள்ள சுருக்கம்
- மூலாதார கட்டமைப்பு கண்டுபிடிப்பு
- சிறப்பம்சங்கள் வெளிப்பாடு
3. வலுவூட்டல் கற்றல் (Reinforcement learning)
சமீபத்தில் பிரபலமடைந்த மற்றொரு வகையான வழிமுறை வலுவூட்டல் கற்றல் ஆகும்.
முதல் இரண்டு வழிமுறைகளைப் போலல்லாமல், இது முந்தைய மறு செய்கைகளிலிருந்து பின்னூட்டங்களைத் தேடுவதன் மூலம் அதன் மாதிரியை தொடர்ந்து மேம்படுத்துகிறது.
மேற்பார்வையிடப்பட்ட கற்றலில் தக்காளியை காய்கறி என்போம்.
மேற்பார்வை செய்யப்படாத கற்றலில் தக்காளியை பழம் என்று ஏ.ஐ. கணிக்கும். (தாவரவியல் ரீதியாக, தக்காளி பழங்கள், ஏனெனில் அவை விதைகளைக் கொண்டுள்ளன).
இப்பொழுது எது சரி! எப்பொழுது எது தவறு? இந்த மாதிரி ஆய்ந்து அறிவது ‘வலுவூட்டல் கற்றல்’.
இந்த மாதிரிச் சூழலில் – வலுவூட்டல் கற்றல், பயன்பட்டைப் புரிந்து, வார்த்தைத் தொடர்புகளை அறியும்போது வலுப்பெறுகிறார்.
படி என்று சொன்னால் புத்தகத்தைப் படி என்பதா?
அல்லது படிக்கட்டா?
அல்லது பிடி என்பதன் எழுத்துப் பிழையா?
சோதனை செய்வார்; அதன் முடிவை உங்களிடம் ஆதாயமா/சேதாரமா எனக் கேட்பார். சரி அல்லடு பிழை மூலம் தொடர்ந்து கற்றுக்கொள்கிறார். விரும்பிய முடிவின் வெகுமதி அறியப்படும்போது வலுவூட்டல் கற்றல் பரவலாக பயனுள்ளதாக இருக்கும். ஆனால் அதை அடைவதற்கான நேரடி, சொகுசுப் பாதை இல்லை. மேலும் அந்த பாதையை கண்டறிய நிறைய சோதனைகளின் சரி(களும்) பிழை(களும்) தேவைப்படுகிறது.
உதாரணம் கொண்டு பார்ப்போம்.
பயனர் என்பது கார்; சூழல் என்பது பந்தயப் பாதை.
காரின் செயல்பாடுகள் என்பது வேகம் கொடுப்பது/குறைப்பது மற்றும் ஓட்டு வளையமான ஸ்டீயரிங் உள்ளீடுகள் ஆகும். ரேஸ் டிராக்கை முடிந்தவரை விரைவாகவும், பாதையிலிருந்து விலகிச் செல்லாமலும் முடிப்பதே குறிக்கோள்.
பாதையை நிறைவு செய்வதற்கான இலக்கை கார் அடைய வேண்டும். ஓட்டுநர் விரும்பிய நடத்தையைக் கற்றுக்கொள்ள வேண்டும். இதைக் கற்றுக்கொள்ள, ஓட்டுநர் விரும்பிய நடத்தையைக் கற்றுக்கொள்ள மாதிரியை ஊக்குவிக்க வெகுமதிகள் பயன்படுத்தப்படுகின்றன.
சுருக்கமாக, பின்வரும் வரைபடத்தில் நீங்கள் காணக்கூடியது போல, இயந்திர கற்றல் நுட்பங்கள் மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வை செய்யப்படாத கற்றல் மற்றும் வலுவூட்டல் கற்றல் உள்ளிட்ட பல்வேறு முறைகளை உள்ளடக்கியது. மேற்பார்வையிடப்பட்ட கற்றல் இரண்டு துணைப்பிரிவுகளைக் கொண்டுள்ளது: வகைப்பாடு மற்றும் பின்னடைவு. இதேபோல், மேற்பார்வை செய்யப்படாத கற்றல் இரண்டு துணைப்பிரிவுகளைக் கொண்டுள்ளது: கிளஸ்டரிங் மற்றும் பரிமாண குறைப்புகள். எம்எல் இன் முழு ஆற்றலையும் பயன்படுத்த, இந்த நுட்பங்களின் கொள்கைகளையும் பயன்பாடுகளையும் நீங்கள் புரிந்து கொள்ள வேண்டும்.
அடுத்த பகுதியில் இயற்றறிவு (Generative AI)க்குள் சென்று விடலாம்.
முந்தைய பகுதி: