இயந்திர கற்றல் வழிமுறைகள் ஏற்கனவே உள்ள தரவுகளிலிருந்து கற்றுக்கொண்ட வடிவங்கள் மற்றும் உறவுகளைப் பயன்படுத்தி புதிய எடுத்துக்காட்டுகளில் கணிப்புகளை உருவாக்க வடிவமைக்கப்பட்டுள்ளன. கிளவுட் கம்ப்யூட்டிங் மற்றும் குறிப்பாக கூகுள் கிளவுட் பிளாட்ஃபார்ம் (ஜிசிபி) ஆய்வகங்களின் சூழலில், கிளவுட் எம்எல் எஞ்சினுடன் கூடிய சக்திவாய்ந்த மெஷின் லேர்னிங் மூலம் இந்த செயல்முறை எளிதாக்கப்படுகிறது.
இயந்திரக் கற்றல் புதிய எடுத்துக்காட்டுகளில் எவ்வாறு கணிப்புகளைச் செய்கிறது என்பதைப் புரிந்து கொள்ள, இதில் உள்ள அடிப்படைப் படிகளைப் புரிந்துகொள்வது அவசியம்:
1. தரவு சேகரிப்பு மற்றும் தயாரிப்பு: முதல் படி, கையில் உள்ள சிக்கலைக் குறிக்கும் தொடர்புடைய தரவைச் சேகரிப்பதாகும். தரவுத்தளங்கள், APIகள் அல்லது பயனர் உருவாக்கிய உள்ளடக்கம் போன்ற பல்வேறு மூலங்களிலிருந்து இந்தத் தரவு சேகரிக்கப்படலாம். சேகரிக்கப்பட்டவுடன், தரவை முன்கூட்டியே செயலாக்கி சுத்தம் செய்து அதன் தரம் மற்றும் இயந்திரக் கற்றல் மாதிரியைப் பயிற்றுவிப்பதற்கான பொருத்தத்தை உறுதிப்படுத்த வேண்டும்.
2. அம்சம் பிரித்தெடுத்தல் மற்றும் தேர்வு: துல்லியமான கணிப்புகளைச் செய்வதற்கு, சேகரிக்கப்பட்ட தரவுகளிலிருந்து மிகவும் பொருத்தமான அம்சங்களைக் கண்டறிந்து பிரித்தெடுப்பது முக்கியம். இந்த அம்சங்கள் இயந்திர கற்றல் மாதிரியின் உள்ளீடுகளாக செயல்படுகின்றன மற்றும் அதன் செயல்திறனை கணிசமாக பாதிக்கலாம். மாதிரியின் முன்கணிப்பு சக்தியை மேம்படுத்த, பரிமாணக் குறைப்பு அல்லது அம்சப் பொறியியல் போன்ற அம்சத் தேர்வு நுட்பங்களைப் பயன்படுத்தலாம்.
3. மாதிரி பயிற்சி: தயாரிக்கப்பட்ட தரவு மற்றும் தேர்ந்தெடுக்கப்பட்ட அம்சங்களுடன், இயந்திர கற்றல் மாதிரி பொருத்தமான வழிமுறையைப் பயன்படுத்தி பயிற்சியளிக்கப்படுகிறது. பயிற்சியின் போது, மாதிரியானது தரவுக்குள் உள்ள அடிப்படை வடிவங்கள் மற்றும் உறவுகளைக் கற்றுக்கொள்கிறது, கணிக்கப்பட்ட மற்றும் உண்மையான விளைவுகளுக்கு இடையிலான வேறுபாட்டைக் குறைக்க அதன் உள் அளவுருக்களை சரிசெய்கிறது. பயிற்சி செயல்முறையானது, திரும்பத் திரும்ப மேம்படுத்துவதை உள்ளடக்கியது, அங்கு மாதிரியானது பல முறை தரவுகளுக்கு வெளிப்படும், படிப்படியாக அதன் முன்கணிப்பு திறன்களை மேம்படுத்துகிறது.
4. மாதிரி மதிப்பீடு: பயிற்சிக்குப் பிறகு, மாதிரியின் செயல்திறன் அதன் துல்லியம் மற்றும் பொதுமைப்படுத்தல் திறன்களை மதிப்பிடுவதற்கு மதிப்பீடு செய்யப்பட வேண்டும். இது பொதுவாக தரவைப் பயிற்சி மற்றும் சோதனைத் தொகுப்புகளாகப் பிரிப்பதன் மூலம் செய்யப்படுகிறது, அங்கு சோதனைத் தொகுப்பு பார்க்கப்படாத எடுத்துக்காட்டுகளில் மாதிரியின் செயல்திறனை அளவிட பயன்படுகிறது. மாதிரியின் முன்கணிப்புத் தரத்தை அளவிட துல்லியம், துல்லியம், நினைவுபடுத்துதல் அல்லது F1 மதிப்பெண் போன்ற மதிப்பீட்டு அளவீடுகள் பயன்படுத்தப்படலாம்.
5. புதிய எடுத்துக்காட்டுகள் பற்றிய கணிப்பு: பயிற்சியளிக்கப்பட்ட மாதிரி மதிப்பீட்டுக் கட்டத்தைக் கடந்ததும், புதிய, பார்க்காத உதாரணங்களைப் பற்றிய கணிப்புகளைச் செய்ய அது தயாராக உள்ளது. இதைச் செய்ய, மாதிரியானது புதிய எடுத்துக்காட்டுகளின் உள்ளீட்டு அம்சங்களுக்கு கற்ற வடிவங்கள் மற்றும் உறவுகளைப் பயன்படுத்துகிறது. பயிற்சியின் போது சரிசெய்யப்பட்ட மாதிரியின் உள் அளவுருக்கள், வழங்கப்பட்ட உள்ளீடுகளின் அடிப்படையில் கணிப்புகளை உருவாக்கப் பயன்படுத்தப்படுகின்றன. இந்த செயல்முறையின் வெளியீடு ஒவ்வொரு புதிய உதாரணத்துடனும் தொடர்புடைய முன்னறிவிக்கப்பட்ட விளைவு அல்லது வகுப்பு லேபிள் ஆகும்.
புதிய எடுத்துக்காட்டுகளின் கணிப்புகளின் துல்லியம் பயிற்சி தரவின் தரம், அம்சங்களின் பிரதிநிதித்துவம் மற்றும் அடிப்படை வடிவங்களின் சிக்கலான தன்மை ஆகியவற்றைப் பொறுத்தது என்பதைக் கவனத்தில் கொள்ள வேண்டியது அவசியம். கூடுதலாக, இயந்திர கற்றல் மாதிரியின் செயல்திறனை குழும கற்றல், மாதிரி ட்யூனிங் போன்ற நுட்பங்களைப் பயன்படுத்துவதன் மூலம் அல்லது மேம்பட்ட வழிமுறைகளைப் பயன்படுத்துவதன் மூலம் மேலும் மேம்படுத்தலாம்.
இந்த செயல்முறையை விளக்குவதற்கு, ஒரு நடைமுறை உதாரணத்தை கருத்தில் கொள்வோம். வாடிக்கையாளர்களின் வயது, பாலினம் மற்றும் வாங்கிய வரலாறு உள்ளிட்ட தகவல்களைக் கொண்ட தரவுத்தொகுப்பு எங்களிடம் உள்ளது என்று வைத்துக்கொள்வோம். ஒரு வாடிக்கையாளரால் குழப்பம் ஏற்படுமா (அதாவது, சேவையைப் பயன்படுத்துவதை நிறுத்துங்கள்) என்பதை கணிக்கும் இயந்திர கற்றல் மாதிரியை உருவாக்க விரும்புகிறோம். தரவைச் சேகரித்து முன்கூட்டியே செயலாக்கிய பிறகு, லாஜிஸ்டிக் ரிக்ரஷன், முடிவு மரங்கள் அல்லது நரம்பியல் நெட்வொர்க்குகள் போன்ற அல்காரிதங்களைப் பயன்படுத்தி மாதிரியைப் பயிற்றுவிக்க முடியும். மாடலைப் பயிற்றுவித்து மதிப்பீடு செய்தவுடன், புதிய வாடிக்கையாளர்களுக்கு அவர்களின் வயது, பாலினம் மற்றும் வாங்கிய வரலாறு ஆகியவற்றின் அடிப்படையில் சலிப்பு நிகழ்தகவைக் கணிக்க அதைப் பயன்படுத்தலாம்.
இயந்திர கற்றல் ஏற்கனவே உள்ள தரவுகளிலிருந்து கற்றுக்கொண்ட வடிவங்கள் மற்றும் உறவுகளை மேம்படுத்துவதன் மூலம் புதிய எடுத்துக்காட்டுகளில் கணிப்புகளை உருவாக்குகிறது. இந்த செயல்முறை தரவு சேகரிப்பு மற்றும் தயாரிப்பு, அம்சம் பிரித்தெடுத்தல் மற்றும் தேர்வு, மாதிரி பயிற்சி, மதிப்பீடு மற்றும் இறுதியாக, புதிய எடுத்துக்காட்டுகளில் கணிப்பு ஆகியவற்றை உள்ளடக்கியது. இந்தப் படிகளைப் பின்பற்றி, Google Cloud ML Engine போன்ற சக்திவாய்ந்த கருவிகளைப் பயன்படுத்துவதன் மூலம், பல்வேறு டொமைன்கள் மற்றும் பயன்பாடுகளில் துல்லியமான கணிப்புகளைச் செய்யலாம்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/CL/GCP கூகிள் மேகக்கணி தளம்:
- கூகுள் கிளவுட் பிளாட்ஃபார்மை நிர்வகிக்க ஏதேனும் ஆண்ட்ராய்டு மொபைல் அப்ளிகேஷன் பயன்படுத்தப்படுகிறதா?
- Google Cloud Platform ஐ நிர்வகிப்பதற்கான வழிகள் என்ன?
- கிளவுட் கம்ப்யூட்டிங் என்றால் என்ன?
- Bigquery க்கும் Cloud SQL க்கும் என்ன வித்தியாசம்
- கிளவுட் SQL மற்றும் கிளவுட் ஸ்பேனருக்கு என்ன வித்தியாசம்
- GCP ஆப் எஞ்சின் என்றால் என்ன?
- கிளவுட் ரன் மற்றும் ஜிகேஇ இடையே என்ன வித்தியாசம்
- ஆட்டோஎம்எல் மற்றும் வெர்டெக்ஸ் ஏஐக்கு என்ன வித்தியாசம்?
- கொள்கலன் பயன்பாடு என்றால் என்ன?
- Dataflowக்கும் BigQueryக்கும் என்ன வித்தியாசம்?
EITC/CL/GCP Google Cloud Platform இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க