இயந்திர கற்றலின் பின்னணியில் பயிற்சிக்கு 80% வெயிட்டேஜும், மதிப்பீடு செய்வதற்கு 20% வெயிட்டேஜும் பல காரணிகளை அடிப்படையாகக் கொண்ட ஒரு மூலோபாய முடிவாகும். இந்த விநியோகமானது கற்றல் செயல்முறையை மேம்படுத்துவதற்கும் மாதிரியின் செயல்திறனின் துல்லியமான மதிப்பீட்டை உறுதி செய்வதற்கும் இடையே சமநிலையை ஏற்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது. இந்த பதிலில், இந்த தேர்வின் பின்னணியில் உள்ள காரணங்களை ஆராய்வோம் மற்றும் அது வழங்கும் செயற்கையான மதிப்பை ஆராய்வோம்.
80% பயிற்சி மற்றும் 20% மதிப்பீட்டுப் பிரிவின் பின்னணியில் உள்ள காரணத்தைப் புரிந்து கொள்ள, இயந்திரக் கற்றலின் ஏழு படிகளைப் புரிந்துகொள்வது முக்கியம். தரவு சேகரிப்பு, தரவு தயாரித்தல், மாதிரி பயிற்சி, மாதிரி மதிப்பீடு, மாதிரி ட்யூனிங், மாதிரி வரிசைப்படுத்தல் மற்றும் மாதிரி கண்காணிப்பு ஆகியவற்றை உள்ளடக்கிய இந்த படிகள், இயந்திர கற்றல் மாதிரிகளை உருவாக்குவதற்கான விரிவான கட்டமைப்பை உருவாக்குகின்றன.
ஆரம்ப கட்டம், தரவு சேகரிப்பு, மாதிரியைப் பயிற்றுவிப்பதற்கு தொடர்புடைய தரவைச் சேகரிப்பதை உள்ளடக்கியது. இந்தத் தரவு பின்னர் தரவுத் தயாரிப்பு கட்டத்தில் முன்கூட்டியே செயலாக்கப்பட்டு தயாரிக்கப்படுகிறது. தரவு தயாரானதும், மாதிரி பயிற்சி கட்டம் தொடங்குகிறது, அங்கு மாதிரியானது பயிற்சி தரவுத்தொகுப்பில் வடிவங்கள் மற்றும் உறவுகளை அறிய வெளிப்படும். மாதிரி மதிப்பீட்டு கட்டத்தில் ஒரு தனி தரவுத்தொகுப்பைப் பயன்படுத்தி மாதிரியின் செயல்திறன் மதிப்பீடு செய்யப்படுகிறது.
பயிற்சிக்கு 80% வெயிட்டேஜையும், மதிப்பீட்டிற்கு 20% வெயிட்டேஜையும் ஒதுக்குவதற்கான முடிவு, தரவிலிருந்து மாதிரி கற்றுக் கொள்ளும் முதன்மைக் கட்டமாக பயிற்சி உள்ளது. பயிற்சியின் போது, மாதிரியானது அதன் கணிக்கப்பட்ட வெளியீடுகளுக்கும் பயிற்சி தரவுத்தொகுப்பில் உள்ள உண்மையான வெளியீடுகளுக்கும் இடையிலான வேறுபாட்டைக் குறைக்க அதன் உள் அளவுருக்களை சரிசெய்கிறது. இந்த செயல்முறையானது சாய்வு வம்சாவளி போன்ற தேர்வுமுறை வழிமுறைகளைப் பயன்படுத்தி மாதிரியின் அளவுருக்களை மீண்டும் மீண்டும் புதுப்பிக்கிறது.
பயிற்சிக்கு அதிக வெயிட்டேஜ் வழங்குவதன் மூலம், தரவிலிருந்து கற்றுக்கொள்வதற்கும் சிக்கலான வடிவங்களைப் படம்பிடிப்பதற்கும் மாதிரியின் திறனுக்கு முன்னுரிமை அளிக்கிறோம். பயிற்சிக் கட்டம் என்பது மாதிரியானது அதன் அறிவைப் பெறுகிறது மற்றும் பயிற்சி தரவுத்தொகுப்பிலிருந்து பார்க்காத தரவைக் கணிப்பதற்காகப் பொதுமைப்படுத்துகிறது. மாடல் எவ்வளவு பயிற்சித் தரவை வெளிப்படுத்துகிறதோ, அவ்வளவு சிறப்பாகக் கற்றுக் கொள்ளவும், பொதுமைப்படுத்தவும் முடியும். எனவே, மதிப்பீட்டு செயல்முறையின் கணிசமான பகுதியை பயிற்சிக்காக அர்ப்பணிப்பது, பயனுள்ள கற்றலுக்கான பயிற்சி தரவுகளுக்கு போதுமான வெளிப்பாடு இருப்பதை உறுதி செய்கிறது.
மறுபுறம், பார்க்காத தரவுகளில் மாதிரியின் செயல்திறனை மதிப்பிடுவதில் மதிப்பீட்டு கட்டம் முக்கிய பங்கு வகிக்கிறது. பயிற்சி தரவுத்தொகுப்பிலிருந்து தனித்தனியாக இருக்கும் மதிப்பீட்டுத் தரவுத்தொகுப்பு, நிஜ உலகக் காட்சிகளுக்கான ப்ராக்ஸியாகச் செயல்படுகிறது. மாதிரியானது அதன் கற்றலை புதிய மற்றும் காணாத நிகழ்வுகளுக்கு எவ்வளவு நன்றாகப் பொதுமைப்படுத்த முடியும் என்பதை அளவிடுவதற்கு இது நம்மை அனுமதிக்கிறது. குறிப்பிட்ட சிக்கல் டொமைனைப் பொறுத்து அதன் துல்லியம், துல்லியம், நினைவுகூருதல் அல்லது வேறு ஏதேனும் தொடர்புடைய அளவீடுகளை அளவிட, மாதிரியின் செயல்திறனை மதிப்பிடுவது அவசியம்.
மதிப்பீட்டிற்கு கொடுக்கப்பட்ட 20% வெயிட்டேஜ், மாடல் பார்க்கப்படாத தரவுகளில் கடுமையாக சோதிக்கப்படுவதை உறுதிசெய்கிறது மற்றும் அதன் திறன்களின் யதார்த்தமான மதிப்பீட்டை வழங்குகிறது. இந்த மதிப்பீட்டு கட்டமானது, மாதிரியின் கணிப்புகளில் அதிகப்படியான பொருத்துதல், பொருத்தமற்றது அல்லது சார்பு போன்ற சாத்தியமான சிக்கல்களைக் கண்டறிய உதவுகிறது. இது செயல்திறனை மேம்படுத்த ஹைப்பர் பாராமீட்டர்கள் மற்றும் மாடல் ஆர்கிடெக்சரை நன்றாகச் சரிசெய்ய உதவுகிறது.
இந்த கருத்தை விளக்குவதற்கு, ஒரு நடைமுறை உதாரணத்தை கருத்தில் கொள்வோம். பூனைகள் மற்றும் நாய்களின் படங்களை வகைப்படுத்த இயந்திர கற்றல் மாதிரியை நாங்கள் பயிற்சி செய்கிறோம் என்று வைத்துக்கொள்வோம். பயிற்சிக் கட்டத்தில், பெயரிடப்பட்ட படங்களின் பெரிய தரவுத்தொகுப்பை பகுப்பாய்வு செய்வதன் மூலம் பூனைகள் மற்றும் நாய்களின் அம்சங்களை வேறுபடுத்திப் பார்க்க மாதிரி கற்றுக்கொள்கிறது. மாடல் எவ்வளவு அதிகமான படங்களைப் பயிற்றுவிக்க முடியுமோ, அவ்வளவு சிறப்பாக இரண்டு வகுப்புகளுக்கு இடையே வேறுபடுத்திக் காட்ட முடியும்.
பயிற்சி முடிந்ததும், இதுவரை பார்த்திராத படங்களைக் கொண்ட தனி தரவுத்தொகுப்பைப் பயன்படுத்தி மாதிரி மதிப்பீடு செய்யப்படுகிறது. இந்த மதிப்பீட்டுக் கட்டமானது, அதன் கற்றலைப் பொதுமைப்படுத்துவதற்கும், புதிய, பார்க்காத படங்களைத் துல்லியமாக வகைப்படுத்துவதற்குமான மாதிரியின் திறனைச் சோதிக்கிறது. மதிப்பீட்டிற்கு 20% வெயிட்டேஜை ஒதுக்குவதன் மூலம், மாடலின் செயல்திறன் கண்ணுக்குத் தெரியாத தரவுகளில் முழுமையாக மதிப்பிடப்படுவதை உறுதிசெய்கிறோம்.
இயந்திரக் கற்றலில் பயிற்சிக்கு 80% வெயிட்டேஜும், மதிப்பீட்டிற்கு 20% வெயிட்டேஜும் வழங்குவது மாதிரியின் செயல்திறனின் துல்லியமான மதிப்பீட்டை உறுதி செய்யும் போது கற்றல் செயல்முறையை மேம்படுத்துவதை நோக்கமாகக் கொண்ட ஒரு மூலோபாயத் தேர்வாகும். மதிப்பீட்டு செயல்முறையின் கணிசமான பகுதியை பயிற்சிக்காக அர்ப்பணிப்பதன் மூலம், தரவிலிருந்து கற்றுக்கொள்வதற்கும் சிக்கலான வடிவங்களைப் படம்பிடிப்பதற்கும் மாதிரியின் திறனை நாங்கள் முதன்மைப்படுத்துகிறோம். அதேசமயம், மதிப்பீட்டுக் கட்டமானது, கண்ணுக்குத் தெரியாத தரவுகளில் மாதிரியை கடுமையாகச் சோதித்து, அதன் திறன்களின் யதார்த்தமான மதிப்பீட்டை வழங்குகிறது.
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