இயந்திர கற்றலில் முன்னேற்றத்துடன், ஒரு உயர் சாலையை எடுத்துள்ளது. பாரிய தரவுத் தொகுப்புகளைப் பயன்படுத்தும் சிக்கலான சிக்கல்களைத் தீர்க்க உருவாக்கப்பட்ட மேம்பட்ட தொழில்நுட்பமாக ஆழமான கற்றல் கருதப்படுகிறது. நியூரல் நெட்வொர்க்குகள் என்றால் என்ன என்ற இந்த வலைப்பதிவு நரம்பியல் நெட்வொர்க்குகளின் அடிப்படைக் கருத்துகளையும் அவை சிக்கலான தரவு சார்ந்த சிக்கல்களை எவ்வாறு தீர்க்க முடியும் என்பதையும் உங்களுக்கு அறிமுகப்படுத்தும்.
செயற்கை நுண்ணறிவு மற்றும் ஆழமான கற்றல் பற்றிய ஆழமான அறிவைப் பெற, நீங்கள் நேரலைக்கு பதிவு செய்யலாம் 24/7 ஆதரவு மற்றும் வாழ்நாள் அணுகலுடன் எடுரேகாவால்.
இதில் உள்ளடக்கப்பட்ட தலைப்புகளின் பட்டியல் இங்கே வலைப்பதிவு:
- நரம்பியல் நெட்வொர்க் என்றால் என்ன?
- ஆழமான கற்றல் என்றால் என்ன?
- AI, ML மற்றும், DL க்கு இடையிலான வேறுபாடு
- ஆழ்ந்த கற்றல் தேவை
- ஆழமான கற்றல் பயன்பாட்டு வழக்கு
- நரம்பியல் நெட்வொர்க்குகள் எவ்வாறு செயல்படுகின்றன?
- நரம்பியல் நெட்வொர்க் எடுத்துக்காட்டுடன் விளக்கப்பட்டுள்ளது
ஒரு நரம்பியல் வலையமைப்பின் எளிய வரையறை
மனித மூளைக்கு ஏற்ப வடிவமைக்கப்பட்டுள்ளது, அ மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் வகையில் நியூரல் நெட்வொர்க் கட்டப்பட்டது . மனித மூளை என்பது பல நியூரான்களால் ஆன ஒரு நரம்பியல் வலையமைப்பாகும், இதேபோல், ஒரு செயற்கை நரம்பியல் வலையமைப்பு (ANN) பல பெர்செப்டிரான்களால் ஆனது (பின்னர் விளக்கப்பட்டது).
ஒரு நரம்பியல் நெட்வொர்க் மூன்று முக்கியமான அடுக்குகளைக் கொண்டுள்ளது:
- உள்ளீட்டு அடுக்கு: பெயர் குறிப்பிடுவது போல, இந்த அடுக்கு புரோகிராமர் வழங்கிய அனைத்து உள்ளீடுகளையும் ஏற்றுக்கொள்கிறது.
- மறைக்கப்பட்ட அடுக்கு: உள்ளீடு மற்றும் வெளியீட்டு அடுக்குக்கு இடையில் மறைக்கப்பட்ட அடுக்குகள் எனப்படும் அடுக்குகளின் தொகுப்பு உள்ளது. இந்த அடுக்கில், கணக்கீடுகள் செய்யப்படுகின்றன, இதன் விளைவாக வெளியீடு கிடைக்கும்.
- வெளியீட்டு அடுக்கு: உள்ளீடுகள் மறைக்கப்பட்ட அடுக்கு வழியாக தொடர்ச்சியான உருமாற்றங்களைக் கடந்து செல்கின்றன, இதன் விளைவாக இதன் விளைவாக வழங்கப்படும் வெளியீடு கிடைக்கிறது அடுக்கு.
ஒரு நரம்பியல் நெட்வொர்க் எவ்வாறு செயல்படுகிறது என்பதற்கான ஆழத்திற்குள் செல்வதற்கு முன், ஆழமான கற்றல் என்றால் என்ன என்பதைப் புரிந்துகொள்வோம்.
ஆழமான கற்றல் என்றால் என்ன?
ஆழமான கற்றல் என்பது இயந்திரக் கற்றலின் ஒரு மேம்பட்ட துறையாகும், இது பல பரிமாண தரவுகளின் பகுப்பாய்வை உள்ளடக்கிய அதிக கணக்கீட்டு பயன்பாட்டு நிகழ்வுகளைத் தீர்க்க நரம்பியல் நெட்வொர்க்குகளின் கருத்துகளைப் பயன்படுத்துகிறது. அம்சம் பிரித்தெடுக்கும் செயல்முறையை இது தானியங்குபடுத்துகிறது, மிகக் குறைந்த மனித தலையீடு தேவை என்பதை உறுதி செய்கிறது.
எனவே ஆழமான கற்றல் என்றால் என்ன?
ஆழமான கற்றல் ஒரு மேம்பட்டது செயற்கை நரம்பியல் நெட்வொர்க்குகள் எனப்படும் மூளையின் கட்டமைப்பு மற்றும் செயல்பாட்டால் ஈர்க்கப்பட்ட வழிமுறைகளைப் பயன்படுத்தும் இயந்திர கற்றலின் துணைத் துறை.
AI, ML மற்றும் DL க்கு இடையிலான வேறுபாடு (செயற்கை நுண்ணறிவு vs இயந்திர கற்றல் மற்றும் ஆழமான கற்றல்)
மக்கள் பெரும்பாலும் அதை நினைக்க முனைகிறார்கள் , , மற்றும் ஆழமான கற்றல் பொதுவான பயன்பாடுகள் இருப்பதால் அவை ஒன்றே. எடுத்துக்காட்டாக, ஸ்ரீ என்பது AI, இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் ஆகியவற்றின் பயன்பாடு ஆகும்.
இந்த தொழில்நுட்பங்கள் எவ்வாறு தொடர்புடையவை?
- செயற்கை நுண்ணறிவு மனிதர்களின் நடத்தையைப் பிரதிபலிக்கும் இயந்திரங்களைப் பெறுவதற்கான அறிவியல்.
- இயந்திர வழி கற்றல் செயற்கை நுண்ணறிவு (AI) இன் துணைக்குழு ஆகும், இது இயந்திரங்களை தரவுகளுக்கு உணவளிப்பதன் மூலம் முடிவுகளை எடுப்பதில் கவனம் செலுத்துகிறது.
- ஆழமான கற்றல் இயந்திர கற்றலின் துணைக்குழு ஆகும், இது சிக்கலான சிக்கல்களைத் தீர்க்க நரம்பியல் நெட்வொர்க்குகளின் கருத்தைப் பயன்படுத்துகிறது.
AI ஐச் சுருக்கமாகக் கூற, இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் ஆகியவை ஒன்றோடொன்று இணைக்கப்பட்ட துறைகள். இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் எயிட்ஸ் செயற்கை நுண்ணறிவுக்கு தீர்வு காண்பதற்கான வழிமுறைகள் மற்றும் நரம்பியல் நெட்வொர்க்குகளின் தொகுப்பை வழங்குவதன் மூலம் தரவு உந்துதல் சிக்கல்கள்.
இப்போது நீங்கள் அடிப்படைகளை நன்கு அறிந்திருக்கிறீர்கள், ஆழமான கற்றலின் தேவைக்கு என்ன வழிவகுத்தது என்பதைப் புரிந்துகொள்வோம்.
ஆழ்ந்த கற்றலுக்கான தேவை: பாரம்பரிய இயந்திர கற்றல் வழிமுறைகள் மற்றும் நுட்பங்களின் வரம்புகள்
இயந்திர கற்றல் தொழில்நுட்ப உலகில் ஒரு முக்கிய திருப்புமுனையாக இருந்தது, இது சலிப்பான மற்றும் நேரத்தைச் செலவழிக்கும் பணிகளை தன்னியக்கமாக்குவதற்கு வழிவகுத்தது, இது சிக்கலான சிக்கல்களைத் தீர்ப்பதற்கும் சிறந்த முடிவுகளை எடுப்பதற்கும் உதவியது. இருப்பினும், இயந்திர கற்றலில் ஒரு சில குறைபாடுகள் இருந்தன, அவை ஆழமான கற்றல் தோன்றுவதற்கு வழிவகுத்தன.
இயந்திர கற்றலின் சில வரம்புகள் இங்கே:
- உயர் பரிமாண தரவை செயலாக்க முடியவில்லை: இயந்திர கற்றல் ஒரு சிறிய அளவிலான மாறிகளைக் கொண்ட தரவின் சிறிய பரிமாணங்களை மட்டுமே செயலாக்க முடியும். 100 களின் மாறிகள் கொண்ட தரவை நீங்கள் பகுப்பாய்வு செய்ய விரும்பினால், இயந்திர கற்றலைப் பயன்படுத்த முடியாது.
- அம்ச பொறியியல் கையேடு: உங்களிடம் 100 முன்கணிப்பு மாறிகள் உள்ள ஒரு பயன்பாட்டு வழக்கைக் கவனியுங்கள், மேலும் குறிப்பிடத்தக்கவற்றை மட்டுமே நீங்கள் குறைக்க வேண்டும். இதைச் செய்ய நீங்கள் ஒவ்வொரு மாறிகளுக்கும் இடையிலான உறவை கைமுறையாகப் படித்து வெளியீட்டைக் கணிப்பதில் எது முக்கியம் என்பதைக் கண்டுபிடிக்க வேண்டும். இந்த பணி ஒரு டெவலப்பருக்கு மிகவும் கடினமான மற்றும் நேரத்தை எடுத்துக்கொள்ளும்.
- பொருள் கண்டறிதல் மற்றும் பட செயலாக்கத்தை செய்வதற்கு ஏற்றதல்ல: பொருள் கண்டறிதலுக்கு உயர் பரிமாண தரவு தேவைப்படுவதால், பட தரவுத் தொகுப்புகளை செயலாக்க இயந்திரக் கற்றலைப் பயன்படுத்த முடியாது, இது தடைசெய்யப்பட்ட எண்ணிக்கையிலான அம்சங்களைக் கொண்ட தரவுத் தொகுப்புகளுக்கு மட்டுமே ஏற்றது.
நாம் ஆழத்திற்குள் செல்வதற்கு முன் நரம்பியல் நெட்வொர்க்குகள், ஆழமான கற்றல் செயல்படுத்தப்படும் ஒரு நிஜ உலக பயன்பாட்டு வழக்கைக் கருத்தில் கொள்வோம்.
ஆழமான கற்றல் பயன்பாடு வழக்கு / பயன்பாடுகள்
பேபால் அதன் 170 மில்லியனுக்கும் அதிகமான வாடிக்கையாளர்களால் நான்கு பில்லியன் பரிவர்த்தனைகளிலிருந்து 5 235 பில்லியனுக்கும் அதிகமான கொடுப்பனவுகளை செயலாக்குகிறது என்பது உங்களுக்குத் தெரியுமா? பிற காரணங்களுக்கிடையில் சாத்தியமான மோசடி நடவடிக்கைகளை அடையாளம் காண இந்த பரந்த அளவிலான தரவைப் பயன்படுத்துகிறது.
ஆழ்ந்த கற்றல் வழிமுறைகளின் உதவியுடன், ஒரு குறிப்பிட்ட பரிவர்த்தனை மோசடி இல்லையா என்பதை கணிக்க அதன் தரவுத்தளங்களில் சேமிக்கப்பட்டுள்ள மோசடிகளின் வடிவங்களை மறுஆய்வு செய்வதோடு கூடுதலாக, பேபால் தங்கள் வாடிக்கையாளரின் வாங்கும் வரலாற்றிலிருந்து தரவை வெட்டியது.
நிறுவனம் சுமார் 10 ஆண்டுகளாக ஆழமான கற்றல் மற்றும் இயந்திர கற்றல் தொழில்நுட்பத்தை நம்பி வருகிறது. ஆரம்பத்தில், மோசடி கண்காணிப்புக் குழு எளிய, நேரியல் மாதிரிகளைப் பயன்படுத்தியது. ஆனால் பல ஆண்டுகளாக நிறுவனம் டீப் லர்னிங் என்ற மேம்பட்ட இயந்திர கற்றல் தொழில்நுட்பத்திற்கு மாறியது.
மோசடி இடர் மேலாளரும் பேபாலில் தரவு விஞ்ஞானியுமான கே வாங் மேற்கோள் காட்டினார்:
'மிகவும் நவீன, மேம்பட்ட இயந்திரக் கற்றலில் இருந்து நாம் அனுபவிப்பது என்னவென்றால், அதிக தரவுகளை உட்கொள்வது, அடுக்குகள் மற்றும் சுருக்க அடுக்குகளைக் கையாளுதல் மற்றும் எளிமையான தொழில்நுட்பத்தால் பார்க்க முடியாத விஷயங்களை 'பார்க்க' முடியும், மனிதர்கள் கூட பார்க்க முடியாது. '
ஒரு எளிய நேரியல் மாதிரி சுமார் 20 மாறிகள் நுகரும் திறன் கொண்டது. இருப்பினும், ஆழமான கற்றல் தொழில்நுட்பத்துடன் ஒருவர் ஆயிரக்கணக்கான தரவு புள்ளிகளை இயக்க முடியும். எனவே, செயல்படுத்துவதன் மூலம் ஆழ்ந்த கற்றல் தொழில்நுட்பம், எந்தவொரு மோசடியையும் அடையாளம் காண பேபால் இறுதியாக மில்லியன் கணக்கான பரிவர்த்தனைகளை பகுப்பாய்வு செய்யலாம் நடவடிக்கை.
இப்போது ஒரு நரம்பியல் வலையமைப்பின் ஆழத்திற்குச் சென்று அவை எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்வோம்.
ஒரு நரம்பியல் நெட்வொர்க் எவ்வாறு செயல்படுகிறது?
நரம்பியல் நெட்வொர்க்குகளைப் புரிந்து கொள்ள, நாம் அதை உடைத்து, ஒரு நரம்பியல் வலையமைப்பின் மிக அடிப்படையான அலகு புரிந்து கொள்ள வேண்டும், அதாவது ஒரு பெர்செப்டிரான்.
பெர்செப்டிரான் என்றால் என்ன?
பெர்செப்டிரான் என்பது ஒற்றை அடுக்கு நரம்பியல் பிணையமாகும், இது நேரியல் தரவை வகைப்படுத்த பயன்படுகிறது. இது 4 முக்கியமான கூறுகளைக் கொண்டுள்ளது:
சதுரத்தில் உள்ள தடைகள் என்ன
- உள்ளீடுகள்
- எடைகள் மற்றும் சார்பு
- கூட்டுத்தொகை செயல்பாடு
- செயல்படுத்தல் அல்லது மாற்றம் செயல்பாடு
பெர்செப்டிரானின் பின்னால் உள்ள அடிப்படை தர்க்கம் பின்வருமாறு:
உள்ளீட்டு அடுக்கிலிருந்து பெறப்பட்ட உள்ளீடுகள் (x) அவற்றின் ஒதுக்கப்பட்ட எடையுடன் பெருக்கப்படுகின்றன. எடையுள்ள தொகையை உருவாக்க பெருக்கப்பட்ட மதிப்புகள் சேர்க்கப்படுகின்றன. உள்ளீடுகளின் எடையுள்ள தொகை மற்றும் அவற்றின் எடைகள் பின்னர் தொடர்புடைய செயல்படுத்தல் செயல்பாட்டிற்குப் பயன்படுத்தப்படும். செயல்படுத்தும் செயல்பாடு அந்தந்த வெளியீட்டில் உள்ளீட்டை வரைபடமாக்குகிறது.
ஆழமான கற்றலில் எடைகள் மற்றும் சார்பு
ஒவ்வொரு உள்ளீட்டிற்கும் நாம் ஏன் எடைகளை ஒதுக்க வேண்டும்?
ஒரு உள்ளீட்டு மாறி நெட்வொர்க்கிற்கு வழங்கப்பட்டவுடன், தோராயமாக தேர்ந்தெடுக்கப்பட்ட மதிப்பு அந்த உள்ளீட்டின் எடையாக ஒதுக்கப்படுகிறது. ஒவ்வொரு உள்ளீட்டு தரவு புள்ளியின் எடை முடிவைக் கணிப்பதில் அந்த உள்ளீடு எவ்வளவு முக்கியமானது என்பதைக் குறிக்கிறது.
சார்பு அளவுரு, மறுபுறம், ஒரு துல்லியமான வெளியீட்டை அடையக்கூடிய வகையில் செயல்படுத்தும் செயல்பாட்டு வளைவை சரிசெய்ய உங்களை அனுமதிக்கிறது.
கூட்டுத்தொகை செயல்பாடு
உள்ளீடுகளுக்கு சிறிது எடை ஒதுக்கப்பட்டதும், அந்தந்த உள்ளீடு மற்றும் எடையின் தயாரிப்பு எடுக்கப்படுகிறது. இந்த தயாரிப்புகள் அனைத்தையும் சேர்ப்பது எடையுள்ள தொகையைத் தருகிறது. இது கூட்டுத்தொகை செயல்பாட்டால் செய்யப்படுகிறது.
செயல்படுத்தும் செயல்பாடு
செயல்படுத்தும் செயல்பாடுகளின் முக்கிய நோக்கம் எடையுள்ள தொகையை வெளியீட்டிற்கு வரைபடமாக்குவதாகும். செயல்படுத்தும் செயல்பாடுகளான டான், ரெலு, சிக்மாய்டு மற்றும் பல உருமாற்ற செயல்பாடுகளுக்கு எடுத்துக்காட்டுகள்.
பெர்செப்டிரான்களின் செயல்பாடுகளைப் பற்றி மேலும் அறிய, நீங்கள் இதைச் செல்லலாம் வலைப்பதிவு.
எங்களுக்கு முன் இந்த வலைப்பதிவை மடக்குங்கள், ஒரு நரம்பியல் நெட்வொர்க் எவ்வாறு இயங்குகிறது என்பதைப் புரிந்துகொள்ள ஒரு எளிய உதாரணத்தை எடுத்துக் கொள்வோம்.
நரம்பியல் நெட்வொர்க்குகள் ஒரு எடுத்துக்காட்டுடன் விளக்கப்பட்டுள்ளன
படங்களை இரண்டு வகுப்புகளாக வகைப்படுத்தும் ஒரு செயற்கை நரம்பியல் வலையமைப்பை (ANN) உருவாக்க வேண்டிய ஒரு காட்சியைக் கவனியுங்கள்:
- வகுப்பு A: நோயற்ற இலைகளின் படங்களை உள்ளடக்கியது
- வகுப்பு B: நோயுற்ற இலைகளின் படங்களை உள்ளடக்கியது
இலைகளை நோயுற்ற மற்றும் நோயற்ற பயிர்களாக வகைப்படுத்தும் ஒரு நரம்பியல் வலையமைப்பை எவ்வாறு உருவாக்குவது?
செயல்முறை எப்போதும் செயலாக்க மற்றும் உள்ளீட்டை எளிதில் செயலாக்கக்கூடிய வகையில் மாற்றுவதன் மூலம் தொடங்குகிறது. எங்கள் விஷயத்தில், ஒவ்வொரு இலை படமும் படத்தின் பரிமாணத்தைப் பொறுத்து பிக்சல்களாக உடைக்கப்படும்.
எடுத்துக்காட்டாக, படம் 30 ஆல் 30 பிக்சல்கள் கொண்டதாக இருந்தால், மொத்த பிக்சல்களின் எண்ணிக்கை 900 ஆக இருக்கும். இந்த பிக்சல்கள் மெட்ரிக்குகளாக குறிப்பிடப்படுகின்றன, பின்னர் அவை நியூரல் நெட்வொர்க்கின் உள்ளீட்டு அடுக்கில் வழங்கப்படுகின்றன.
எண்ணங்களை உருவாக்குவதற்கும் இணைப்பதற்கும் உதவும் நியூரான்கள் நம் மூளையில் எவ்வாறு உள்ளன என்பதைப் போலவே, ஒரு ஏ.என்.என் உள்ளீடுகளை ஏற்றுக்கொண்டு அவற்றை உள்ளீட்டு அடுக்கிலிருந்து மறைக்கப்பட்ட மற்றும் இறுதியாக வெளியீட்டு அடுக்குக்கு அனுப்புவதன் மூலம் அவற்றை செயலாக்கும் பெர்செப்டிரான்களைக் கொண்டுள்ளது.
உள்ளீடு அடுக்கிலிருந்து மறைக்கப்பட்ட அடுக்குக்கு உள்ளீடு அனுப்பப்படுவதால், ஒவ்வொரு உள்ளீட்டிற்கும் ஒரு ஆரம்ப சீரற்ற எடை ஒதுக்கப்படுகிறது. உள்ளீடுகள் அவற்றின் தொடர்புடைய எடையுடன் பெருக்கப்படுகின்றன மற்றும் அவற்றின் தொகை அடுத்த மறைக்கப்பட்ட அடுக்குக்கு உள்ளீடாக அனுப்பப்படும்.
இங்கே, ஒவ்வொரு பெர்செப்டிரானுக்கும் சார்பு எனப்படும் ஒரு எண் மதிப்பு ஒதுக்கப்படுகிறது, இது ஒவ்வொரு உள்ளீட்டின் வெயிட்டேஜுடன் தொடர்புடையது. மேலும், ஒவ்வொரு பெர்செப்டிரானும் செயல்படுத்தல் அல்லது ஒரு குறிப்பிட்ட பெர்செப்டிரான் செயல்படுத்தப்படுகிறதா இல்லையா என்பதை தீர்மானிக்கும் ஒரு உருமாற்ற செயல்பாடு மூலம் அனுப்பப்படுகிறது.
அடுத்த அடுக்குக்கு தரவை அனுப்ப ஒரு செயல்படுத்தப்பட்ட பெர்செப்டிரான் பயன்படுத்தப்படுகிறது. இந்த முறையில், பெர்செப்டிரான்கள் வெளியீட்டு அடுக்கை அடையும் வரை தரவு நரம்பியல் நெட்வொர்க் மூலம் பரப்பப்படுகிறது (முன்னோக்கி பரப்புதல்).
வெளியீட்டு அடுக்கில், நிகழ்தகவு பெறப்படுகிறது, இது தரவு வகுப்பு A அல்லது வகுப்பு B க்கு சொந்தமானதா என்பதை தீர்மானிக்கிறது.
எளிமையானதாகத் தெரிகிறது, இல்லையா? சரி, நியூரல் நெட்வொர்க்குகளுக்குப் பின்னால் உள்ள கருத்து முற்றிலும் மனித மூளையின் செயல்பாட்டை அடிப்படையாகக் கொண்டது. பல்வேறு கணிதக் கருத்துகள் மற்றும் வழிமுறைகளைப் பற்றிய ஆழமான அறிவு உங்களுக்குத் தேவை. தொடங்குவதற்கு வலைப்பதிவுகளின் பட்டியல் இங்கே:
- ஆழமான கற்றல் என்றால் என்ன? ஆழ்ந்த கற்றலுடன் தொடங்குவது
- பைத்தானுடன் ஆழமான கற்றல்: ஆழ்ந்த கற்றலுக்கான தொடக்க வழிகாட்டி
இந்த வலைப்பதிவு உங்களுக்கு பொருத்தமானது எனில், பாருங்கள் உலகெங்கிலும் பரவியுள்ள 250,000 க்கும் மேற்பட்ட திருப்தியான கற்றவர்களின் வலைப்பின்னலுடன் நம்பகமான ஆன்லைன் கற்றல் நிறுவனமான எடுரேகாவால். டென்சர்ஃப்ளோ சான்றிதழ் பயிற்சி பாடநெறியுடன் எடூரெகா ஆழமான கற்றல், சாஃப்ட்மேக்ஸ் செயல்பாடு, ஆட்டோ-குறியாக்கி நியூரல் நெட்வொர்க்குகள், கட்டுப்படுத்தப்பட்ட போல்ட்ஜ்மேன் இயந்திரம் (ஆர்.பி.எம்) போன்ற கருத்தாக்கங்களுடன் நிகழ்நேர திட்டங்கள் மற்றும் பணிகளைப் பயன்படுத்தி அடிப்படை மற்றும் மாற்றக்கூடிய நரம்பியல் வலைப்பின்னல்களைப் பயிற்றுவிப்பதில் நிபுணத்துவம் பெற உதவுகிறது.