மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வையிடப்படாத கற்றல் என்பது இரண்டு அடிப்படை வகையான இயந்திர கற்றல் முன்னுதாரணங்கள் ஆகும், அவை தரவின் தன்மை மற்றும் கையில் இருக்கும் பணியின் நோக்கங்களின் அடிப்படையில் தனித்துவமான நோக்கங்களுக்கு சேவை செய்கின்றன. பயனுள்ள இயந்திர கற்றல் மாதிரிகளை வடிவமைப்பதில் மேற்பார்வையிடப்பட்ட பயிற்சி மற்றும் மேற்பார்வை செய்யப்படாத பயிற்சி ஆகியவற்றை எப்போது பயன்படுத்த வேண்டும் என்பதைப் புரிந்துகொள்வது முக்கியமானது. இந்த இரண்டு அணுகுமுறைகளுக்கு இடையேயான தேர்வு, லேபிளிடப்பட்ட தரவுகளின் கிடைக்கும் தன்மை, விரும்பிய முடிவு மற்றும் தரவுத்தொகுப்பின் அடிப்படைக் கட்டமைப்பைப் பொறுத்தது.
மேற்பார்வையிடப்பட்ட கற்றல் என்பது ஒரு வகை இயந்திர கற்றல் ஆகும், அங்கு மாதிரியானது பெயரிடப்பட்ட தரவுத்தொகுப்பில் பயிற்சியளிக்கப்படுகிறது. மேற்பார்வையிடப்பட்ட கற்றலில், பயிற்சி எடுத்துக்காட்டுகளுடன் வழங்குவதன் மூலம் உள்ளீட்டுத் தரவை சரியான வெளியீட்டிற்கு வரைபடமாக்க அல்காரிதம் கற்றுக்கொள்கிறது. இந்தப் பயிற்சி உதாரணங்கள் உள்ளீடு-வெளியீட்டு ஜோடிகளைக் கொண்டிருக்கின்றன, இதில் உள்ளீட்டுத் தரவு தொடர்புடைய சரியான வெளியீடு அல்லது இலக்கு மதிப்புடன் இருக்கும். மேற்பார்வையிடப்பட்ட கற்றலின் குறிக்கோள், உள்ளீட்டு மாறிகள் முதல் வெளியீட்டு மாறிகள் வரையிலான மேப்பிங் செயல்பாட்டைக் கற்றுக்கொள்வது ஆகும், இது பார்க்கப்படாத தரவைக் கணிக்கப் பயன்படுகிறது.
விரும்பிய வெளியீடு அறியப்படும்போது மேற்பார்வையிடப்பட்ட கற்றல் பொதுவாகப் பயன்படுத்தப்படுகிறது மற்றும் உள்ளீடு மற்றும் வெளியீட்டு மாறிகளுக்கு இடையிலான உறவைக் கற்றுக்கொள்வதே இலக்காகும். இது பொதுவாக வகைப்பாடு போன்ற பணிகளில் பயன்படுத்தப்படுகிறது, அங்கு புதிய நிகழ்வுகளின் வகுப்பு லேபிள்களைக் கணிப்பது இலக்காகும், மற்றும் தொடர்ச்சியான மதிப்பைக் கணிப்பதே இலக்காக இருக்கும் பின்னடைவு. எடுத்துக்காட்டாக, கண்காணிக்கப்படும் கற்றல் சூழ்நிலையில், மின்னஞ்சலின் உள்ளடக்கம் மற்றும் முந்தைய மின்னஞ்சல்களின் லேபிளிடப்பட்ட ஸ்பேம்/ஸ்பேம் அல்லாத நிலை ஆகியவற்றின் அடிப்படையில் மின்னஞ்சல் ஸ்பேமா இல்லையா என்பதைக் கணிக்க ஒரு மாதிரியைப் பயிற்றுவிக்கலாம்.
மறுபுறம், மேற்பார்வை செய்யப்படாத கற்றல் என்பது ஒரு வகை இயந்திர கற்றல் ஆகும், அங்கு மாதிரியானது பெயரிடப்படாத தரவுத்தொகுப்பில் பயிற்சியளிக்கப்படுகிறது. மேற்பார்வை செய்யப்படாத கற்றலில், சரியான வெளியீட்டில் வெளிப்படையான கருத்து இல்லாமல் உள்ளீட்டுத் தரவிலிருந்து வடிவங்களையும் கட்டமைப்புகளையும் அல்காரிதம் கற்றுக்கொள்கிறது. மேற்பார்வை செய்யப்படாத கற்றலின் குறிக்கோள், தரவுகளின் அடிப்படை கட்டமைப்பை ஆராய்வது, மறைக்கப்பட்ட வடிவங்களைக் கண்டறிவது மற்றும் லேபிளிடப்பட்ட தரவு தேவையில்லாமல் அர்த்தமுள்ள நுண்ணறிவுகளைப் பிரித்தெடுப்பதாகும்.
தரவை ஆராய்வது, மறைக்கப்பட்ட வடிவங்களைக் கண்டறிவது மற்றும் ஒரே மாதிரியான தரவுப் புள்ளிகளைக் குழுவாக்குவது ஆகியவை குறிக்கோளாக இருக்கும்போது மேற்பார்வை செய்யப்படாத கற்றல் பொதுவாகப் பயன்படுத்தப்படுகிறது. இது பெரும்பாலும் க்ளஸ்டரிங் போன்ற பணிகளில் பயன்படுத்தப்படுகிறது, அங்கு ஒரே மாதிரியான தரவு புள்ளிகளை அவற்றின் அம்சங்களின் அடிப்படையில் கிளஸ்டர்களாகக் குழுவாக்குவது மற்றும் பரிமாணக் குறைப்பு, தரவுகளில் உள்ள அத்தியாவசியத் தகவலைப் பாதுகாக்கும் போது அம்சங்களின் எண்ணிக்கையைக் குறைப்பதே இலக்காகும். எடுத்துக்காட்டாக, மேற்பார்வை செய்யப்படாத கற்றல் சூழ்நிலையில், வாடிக்கையாளர் பிரிவுகளைப் பற்றிய எந்த முன் அறிவும் இல்லாமல் வாடிக்கையாளர்களின் வாங்கும் நடத்தையின் அடிப்படையில் குழுவாக்க கிளஸ்டரிங்கைப் பயன்படுத்தலாம்.
மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வையிடப்படாத கற்றலுக்கு இடையேயான தேர்வு பல காரணிகளைப் பொறுத்தது. உங்களிடம் லேபிளிடப்பட்ட தரவுத்தொகுப்பு இருந்தால் மற்றும் குறிப்பிட்ட விளைவுகளைக் கணிக்க விரும்பினால், மேற்பார்வையிடப்பட்ட கற்றல் சரியான தேர்வாகும். மறுபுறம், உங்களிடம் பெயரிடப்படாத தரவுத்தொகுப்பு இருந்தால் மற்றும் தரவு கட்டமைப்பை ஆராய அல்லது மறைக்கப்பட்ட வடிவங்களைக் கண்டறிய விரும்பினால், மேற்பார்வை செய்யப்படாத கற்றல் மிகவும் பொருத்தமானது. சில சமயங்களில், மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வை செய்யப்படாத நுட்பங்கள் இரண்டின் கலவையும், அரை-மேற்பார்வைக் கற்றல் என அறியப்படுகிறது, இரண்டு அணுகுமுறைகளின் நன்மைகளையும் பயன்படுத்த முடியும்.
இயந்திரக் கற்றலில் மேற்பார்வையிடப்பட்ட பயிற்சி மற்றும் மேற்பார்வை செய்யப்படாத பயிற்சி ஆகியவற்றைப் பயன்படுத்துவதற்கான முடிவு, லேபிளிடப்பட்ட தரவுகளின் கிடைக்கும் தன்மை, பணியின் தன்மை மற்றும் விரும்பிய முடிவைப் பொறுத்தது. பயனுள்ள இயந்திரக் கற்றல் மாதிரிகளை வடிவமைப்பதற்கு மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வையிடப்படாத கற்றலுக்கு இடையே உள்ள வேறுபாடுகளைப் புரிந்துகொள்வது அவசியம், அவை அர்த்தமுள்ள நுண்ணறிவுகளைப் பிரித்தெடுக்கலாம் மற்றும் தரவிலிருந்து துல்லியமான கணிப்புகளைச் செய்யலாம்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/GCML கூகிள் கிளவுட் மெஷின் கற்றல்:
- டெக்ஸ்ட் டு ஸ்பீச் (TTS) என்றால் என்ன, அது AI உடன் எவ்வாறு செயல்படுகிறது?
- இயந்திர கற்றலில் பெரிய தரவுத்தொகுப்புகளுடன் பணிபுரிவதில் உள்ள வரம்புகள் என்ன?
- இயந்திர கற்றல் சில உரையாடல் உதவிகளை செய்ய முடியுமா?
- டென்சர்ஃப்ளோ விளையாட்டு மைதானம் என்றால் என்ன?
- பெரிய தரவுத்தொகுப்பு உண்மையில் என்ன அர்த்தம்?
- அல்காரிதத்தின் ஹைபர்பாராமீட்டர்களின் சில எடுத்துக்காட்டுகள் யாவை?
- இசையமைத்தல் கற்றல் என்றால் என்ன?
- தேர்ந்தெடுக்கப்பட்ட இயந்திர கற்றல் அல்காரிதம் பொருத்தமானதாக இல்லாவிட்டால் என்ன செய்வது மற்றும் சரியானதைத் தேர்ந்தெடுப்பதை எவ்வாறு உறுதிப்படுத்துவது?
- ஒரு இயந்திர கற்றல் மாதிரி அதன் பயிற்சியின் போது மேற்பார்வை தேவையா?
- நியூரல் நெட்வொர்க் அடிப்படையிலான அல்காரிதம்களில் பயன்படுத்தப்படும் முக்கிய அளவுருக்கள் யாவை?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க