இயந்திரக் கற்றலில் மேற்பார்வை செய்யப்படாத மாதிரியானது, முன் வரையறுக்கப்பட்ட லேபிள்கள் இல்லாமல் தரவுக்குள் வடிவங்கள் மற்றும் உறவுகளைக் கண்டறிவதை நோக்கமாகக் கொண்டிருப்பதால், பயிற்சிக்கான லேபிளிடப்பட்ட தரவு தேவையில்லை. மேற்பார்வையிடப்படாத கற்றலில் பெயரிடப்பட்ட தரவைப் பயன்படுத்துவதில்லை என்றாலும், தரவின் அடிப்படைக் கட்டமைப்பைக் கற்றுக்கொள்வதற்கும் அர்த்தமுள்ள நுண்ணறிவுகளைப் பிரித்தெடுப்பதற்கும் மாதிரியானது இன்னும் பயிற்சிச் செயல்முறையை மேற்கொள்ள வேண்டும். மேற்பார்வை செய்யப்படாத கற்றலில் பயிற்சி செயல்முறை கிளஸ்டரிங், பரிமாணக் குறைப்பு மற்றும் ஒழுங்கின்மை கண்டறிதல் போன்ற நுட்பங்களை உள்ளடக்கியது.
K- அதாவது கிளஸ்டரிங் அல்லது படிநிலை கிளஸ்டரிங் போன்ற கிளஸ்டரிங் அல்காரிதம்கள், பொதுவாக மேற்பார்வை செய்யப்படாத கற்றலில் ஒரே மாதிரியான தரவுப் புள்ளிகளை அவற்றின் அம்சங்களின் அடிப்படையில் ஒன்றாகக் குழுவாக்கப் பயன்படுத்தப்படுகின்றன. இந்த வழிமுறைகள், தரவுகளை கொத்துகளாகப் பிரிப்பதன் மூலம் தரவுக்குள் உள்ள வடிவங்கள் மற்றும் கட்டமைப்புகளை அடையாளம் காண மாதிரிக்கு உதவுகின்றன. எடுத்துக்காட்டாக, வாடிக்கையாளர் பிரிவில், க்ளஸ்டரிங் அல்காரிதம்கள் வாடிக்கையாளர்களை அவர்களின் வாங்கும் நடத்தை அல்லது மக்கள்தொகைத் தகவலின் அடிப்படையில் குழுவாக்க முடியும், வணிகங்கள் குறிப்பிட்ட வாடிக்கையாளர் பிரிவுகளை வடிவமைக்கப்பட்ட சந்தைப்படுத்தல் உத்திகளுடன் குறிவைக்க உதவுகிறது.
முதன்மை உபகரண பகுப்பாய்வு (PCA) அல்லது t-SNE போன்ற பரிமாணக் குறைப்பு நுட்பங்கள், அதன் அடிப்படைக் கட்டமைப்பைப் பாதுகாக்கும் அதே வேளையில், தரவுகளில் உள்ள அம்சங்களின் எண்ணிக்கையைக் குறைப்பதற்கு மேற்பார்வை செய்யப்படாத கற்றலில் இன்றியமையாதது. தரவின் பரிமாணத்தைக் குறைப்பதன் மூலம், இந்த நுட்பங்கள் மாதிரியானது தரவுக்குள் சிக்கலான உறவுகளைக் காட்சிப்படுத்தவும் விளக்கவும் உதவுகின்றன. எடுத்துக்காட்டாக, படச் செயலாக்கத்தில், முக்கியமான காட்சித் தகவலைத் தக்கவைத்துக்கொண்டு, பெரிய தரவுத்தொகுப்புகளை பகுப்பாய்வு செய்வதையும் செயலாக்குவதையும் எளிதாக்கும் போது படங்களைச் சுருக்க பரிமாணக் குறைப்பு பயன்படுத்தப்படலாம்.
ஒழுங்கின்மை கண்டறிதல் என்பது மேற்பார்வை செய்யப்படாத கற்றலின் மற்றொரு முக்கியமான பயன்பாடாகும், அங்கு மாதிரியானது இயல்பான நடத்தையிலிருந்து விலகும் தரவுகளில் உள்ள வெளிப்புறங்கள் அல்லது அசாதாரண வடிவங்களை அடையாளம் காட்டுகிறது. ஐசோலேஷன் ஃபாரஸ்ட் அல்லது ஒன்-கிளாஸ் எஸ்விஎம் போன்ற ஒழுங்கின்மை கண்டறிதல் வழிமுறைகள் நிதி பரிவர்த்தனைகளில் மோசடி நடவடிக்கைகள், இணைய பாதுகாப்பில் நெட்வொர்க் ஊடுருவல்கள் அல்லது முன்கணிப்பு பராமரிப்பில் உபகரணங்கள் தோல்விகளைக் கண்டறிவதற்குப் பயன்படுத்தப்படுகின்றன. இந்த அல்காரிதம்கள் பயிற்சியின் போது தரவுகளில் உள்ள இயல்பான வடிவங்களைக் கற்றுக்கொள்கின்றன மற்றும் இந்த வடிவங்களுடன் ஒத்துப்போகாத நிகழ்வுகளைக் குறிக்கின்றன.
மேற்பார்வை செய்யப்படாத கற்றல் மாதிரிகள் பயிற்சிக்கு லேபிளிடப்பட்ட தரவு தேவையில்லை என்றாலும், அவை தரவின் அடிப்படை கட்டமைப்பைக் கற்றுக்கொள்வதற்கும், கிளஸ்டரிங், பரிமாணத்தைக் குறைத்தல் மற்றும் ஒழுங்கின்மை கண்டறிதல் போன்ற நுட்பங்கள் மூலம் மதிப்புமிக்க நுண்ணறிவுகளைப் பிரித்தெடுப்பதற்கும் இன்னும் பயிற்சி செயல்முறைக்கு உட்பட்டுள்ளன. மேற்பார்வை செய்யப்படாத கற்றல் வழிமுறைகளைப் பயன்படுத்துவதன் மூலம், வணிகங்களும் நிறுவனங்களும் தங்கள் தரவுகளில் மறைந்திருக்கும் வடிவங்களைக் கண்டறியலாம், தகவலறிந்த முடிவுகளை எடுக்கலாம் மற்றும் இன்றைய தரவு உந்துதல் உலகில் போட்டித்தன்மையைப் பெறலாம்.
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