இயந்திரக் கற்றலின் சூழலில் வகைப்படுத்தி என்பது கொடுக்கப்பட்ட உள்ளீட்டு தரவுப் புள்ளியின் வகை அல்லது வகுப்பைக் கணிக்க பயிற்சியளிக்கப்பட்ட மாதிரியாகும். மேற்பார்வையிடப்பட்ட கற்றலில் இது ஒரு அடிப்படைக் கருத்தாகும், அங்கு அல்காரிதம் லேபிளிடப்பட்ட பயிற்சித் தரவிலிருந்து கண்ணுக்குப் புலப்படாத தரவைக் கணிக்கக் கற்றுக்கொள்கிறது. ஸ்பேம் கண்டறிதல், உணர்வு பகுப்பாய்வு, படத்தை அறிதல் மற்றும் பல போன்ற பல்வேறு பயன்பாடுகளில் வகைப்படுத்திகள் பரவலாகப் பயன்படுத்தப்படுகின்றன.
பல வகையான வகைப்படுத்திகள் உள்ளன, ஒவ்வொன்றும் அதன் சொந்த குணாதிசயங்கள் மற்றும் வெவ்வேறு வகையான தரவு மற்றும் பணிகளுக்கு ஏற்றது. லாஜிஸ்டிக் பின்னடைவு, ஆதரவு திசையன் இயந்திரங்கள், முடிவு மரங்கள், சீரற்ற காடுகள் மற்றும் நரம்பியல் நெட்வொர்க்குகள் ஆகியவை சில பொதுவான வகைப்பொருள் வகைகளாகும். ஒவ்வொரு வகைப்படுத்தலுக்கும் அதன் சொந்த பலம் மற்றும் பலவீனங்கள் உள்ளன, அவை குறிப்பிட்ட காட்சிகளுக்கு ஏற்றதாக அமைகின்றன.
லாஜிஸ்டிக் பின்னடைவு என்பது ஒரு நேரியல் வகைப்படுத்தி ஆகும், இது பைனரி விளைவின் நிகழ்தகவைக் கணிக்கும். மின்னஞ்சல் ஸ்பேமா இல்லையா என்பதைக் கணிப்பது போன்ற பைனரி வகைப்பாடு பணிகளுக்கு இது பரவலாகப் பயன்படுத்தப்படுகிறது. ஆதரவு திசையன் இயந்திரங்கள் (SVM) அம்ச இடத்தில் வகுப்புகளை சிறப்பாகப் பிரிக்கும் ஹைப்பர் பிளேனைக் கண்டறிவதன் மூலம் நேரியல் மற்றும் நேரியல் அல்லாத வகைப்பாடு பணிகளுக்கு பயனுள்ளதாக இருக்கும்.
முடிவு மரங்கள் மரம் போன்ற கட்டமைப்புகள் ஆகும், அங்கு ஒவ்வொரு உள் முனையும் ஒரு அம்சத்தைக் குறிக்கிறது, ஒவ்வொரு கிளையும் அந்த அம்சத்தின் அடிப்படையில் ஒரு முடிவைக் குறிக்கிறது, மேலும் ஒவ்வொரு இலை முனையும் ஒரு வர்க்க லேபிளைக் குறிக்கிறது. ரேண்டம் காடுகள் பல மரங்களின் முடிவுகளைத் திரட்டுவதன் மூலம் கணிப்புத் துல்லியத்தை மேம்படுத்தும் முடிவு மரங்களின் குழுமங்களாகும். நரம்பியல் நெட்வொர்க்குகள், குறிப்பாக ஆழமான கற்றல் மாதிரிகள், மிகவும் நெகிழ்வான வகைப்படுத்திகள் ஆகும், அவை தரவுகளிலிருந்து சிக்கலான வடிவங்களைக் கற்றுக்கொள்ளலாம், அவை படம் மற்றும் பேச்சு அங்கீகாரம் போன்ற பணிகளுக்கு ஏற்றதாக அமைகின்றன.
ஒரு வகைப்படுத்தியைப் பயிற்றுவிக்கும் செயல்முறையானது, லேபிளிடப்பட்ட தரவை மாதிரியில் ஊட்டுவதை உள்ளடக்குகிறது, இது உள்ளீட்டு அம்சங்கள் மற்றும் இலக்கு வகுப்புகளுக்கு இடையே உள்ள வடிவங்கள் மற்றும் உறவுகளை அறிய அனுமதிக்கிறது. துல்லியமான கணிப்புகளைச் செய்வதில் அதன் செயல்திறனை மதிப்பிடுவதற்கு சோதனைத் தொகுப்பு எனப்படும் தனித்தனி தரவுத் தொகுப்பில் மாதிரி மதிப்பீடு செய்யப்படுகிறது. துல்லியம், துல்லியம், நினைவுபடுத்துதல் மற்றும் F1 மதிப்பெண் போன்ற அளவீடுகள் பொதுவாக வகைப்படுத்தி செயல்திறனை மதிப்பிடுவதற்குப் பயன்படுத்தப்படுகின்றன.
கூகுள் கிளவுட் மெஷின் லேர்னிங்கின் சூழலில், கூகுள் கிளவுட்டின் AI பிளாட்ஃபார்மைப் பயன்படுத்தி வகைப்படுத்திகளுக்குப் பயிற்சி அளிக்கப்பட்டு பயன்படுத்தப்படலாம். இந்த தளமானது இயந்திர கற்றல் மாதிரிகளை உருவாக்க, பயிற்சி மற்றும் பயன்படுத்துவதற்கான கருவிகள் மற்றும் உள்கட்டமைப்பை வழங்குகிறது. சர்வர்லெஸ் கணிப்புகள் மூலம், பயனர்கள் சர்வர்கள் அல்லது உள்கட்டமைப்பை நிர்வகிக்க வேண்டிய அவசியமின்றி புதிய தரவுகளில் எளிதாக கணிப்புகளைச் செய்யலாம், இது இயந்திர கற்றல் மாதிரிகளை உற்பத்தி அமைப்புகளில் தடையின்றி ஒருங்கிணைக்க அனுமதிக்கிறது.
வகைப்படுத்திகள் இயந்திர கற்றல் அமைப்புகளின் அத்தியாவசிய கூறுகளாகும், அவை தானியங்கு வகைப்படுத்தல் மற்றும் கணிப்பு பணிகளை செயல்படுத்துகின்றன. பல்வேறு வகையான வகைப்படுத்திகள் மற்றும் அவற்றின் பயன்பாடுகளைப் புரிந்துகொள்வது பயனுள்ள இயந்திர கற்றல் தீர்வுகளை உருவாக்குவதற்கு முக்கியமானது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/GCML கூகிள் கிளவுட் மெஷின் கற்றல்:
- 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?
- டென்சர்போர்டு என்றால் என்ன?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க