குழும கற்றல் என்பது இயந்திர கற்றல் நுட்பமாகும், இது பல மாதிரிகளை இணைப்பதன் மூலம் ஒரு மாதிரியின் செயல்திறனை மேம்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது. பல பலவீனமான கற்பவர்களை இணைப்பதன் மூலம் எந்தவொரு தனிப்பட்ட மாடலை விடவும் சிறப்பாகச் செயல்படும் ஒரு வலுவான கற்றலை உருவாக்க முடியும் என்ற கருத்தை இது மேம்படுத்துகிறது. முன்கணிப்பு துல்லியம், வலிமை மற்றும் பொதுமைப்படுத்தல் ஆகியவற்றை மேம்படுத்த இந்த அணுகுமுறை பல்வேறு இயந்திர கற்றல் பணிகளில் பரவலாகப் பயன்படுத்தப்படுகிறது.
பல வகையான குழும கற்றல் முறைகள் உள்ளன, இரண்டு முக்கிய பிரிவுகள் பேக்கிங் மற்றும் பூஸ்டிங். பேக்கிங், பூட்ஸ்ட்ராப் திரட்டுதலுக்கான சுருக்கம், பயிற்சி தரவின் வெவ்வேறு துணைக்குழுக்களில் ஒரே அடிப்படை கற்றல் வழிமுறையின் பல நிகழ்வுகளைப் பயிற்றுவிப்பதை உள்ளடக்கியது. அனைத்து தனிப்பட்ட மாதிரிகளின் கணிப்புகளையும் ஒருங்கிணைத்து இறுதி கணிப்பு தீர்மானிக்கப்படுகிறது. ரேண்டம் ஃபாரஸ்ட் என்பது பேக்கிங்கைப் பயன்படுத்தும் ஒரு பிரபலமான அல்காரிதம் ஆகும், இதில் பல முடிவு மரங்கள் தரவுகளின் வெவ்வேறு துணைக்குழுக்களில் பயிற்சியளிக்கப்படுகின்றன, மேலும் அனைத்து மரங்களின் கணிப்புகளையும் சராசரியாகக் கொண்டு இறுதிக் கணிப்பு செய்யப்படுகிறது.
மறுபுறம், பூஸ்டிங், மாடல்களின் வரிசையைப் பயிற்றுவிப்பதன் மூலம் செயல்படுகிறது, அங்கு ஒவ்வொரு அடுத்தடுத்த மாதிரியும் முந்தையவற்றின் பிழைகளை சரிசெய்கிறது. கிரேடியண்ட் பூஸ்டிங் என்பது நன்கு அறியப்பட்ட பூஸ்டிங் அல்காரிதம் ஆகும், இது மரங்களை வரிசையாக உருவாக்குகிறது, ஒவ்வொரு மரமும் முந்தைய பிழைகளில் கவனம் செலுத்துகிறது. இந்த பலவீனமான கற்பவர்களை இணைப்பதன் மூலம், இறுதி மாதிரியானது துல்லியமான கணிப்புகளைச் செய்யக்கூடிய வலிமையான கற்றவராக மாறுகிறது.
மற்றொரு பிரபலமான குழும நுட்பம் ஸ்டாக்கிங் ஆகும், இது பல அடிப்படை மாதிரிகளை ஒருங்கிணைக்கிறது, இது ஒரு மெட்டா-மாடலை அவர்களின் கணிப்புகளில் பயிற்சி செய்கிறது. அடிப்படை மாதிரிகள் தனிப்பட்ட கணிப்புகளைச் செய்கின்றன, மேலும் இந்த கணிப்புகளை எவ்வாறு சிறந்த முறையில் இணைத்து இறுதி வெளியீட்டை உருவாக்குவது என்பதை மெட்டா மாடல் கற்றுக்கொள்கிறது. ஸ்டாக்கிங் தரவுகளில் இருக்கும் பல்வேறு வடிவங்களைப் படம்பிடிப்பதில் பயனுள்ளதாக இருக்கும் மற்றும் தனிப்பட்ட மாதிரிகளைப் பயன்படுத்துவதை விட மேம்பட்ட செயல்திறனுக்கு வழிவகுக்கும்.
AdaBoost, XGBoost, LightGBM மற்றும் CatBoost போன்ற பல்வேறு அல்காரிதங்களைப் பயன்படுத்தி குழுமக் கற்றலை செயல்படுத்தலாம், ஒவ்வொன்றும் அதன் சொந்த பலம் மற்றும் குணாதிசயங்கள். நிஜ-உலகப் பயன்பாடுகளில் குழும முறைகளின் பல்துறை மற்றும் செயல்திறனைக் காண்பிக்கும், பட அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் நிதி முன்கணிப்பு உள்ளிட்ட பல்வேறு களங்களில் இந்த வழிமுறைகள் வெற்றிகரமாகப் பயன்படுத்தப்பட்டுள்ளன.
குழும கற்றல் என்பது இயந்திர கற்றலில் ஒரு சக்திவாய்ந்த நுட்பமாகும், இது முன்கணிப்பு செயல்திறனை மேம்படுத்த பல மாதிரிகளின் கூட்டு நுண்ணறிவை மேம்படுத்துகிறது. பல்வேறு மாதிரிகளை இணைப்பதன் மூலம், குழும முறைகள் தனிப்பட்ட மாதிரி பலவீனங்களைக் குறைக்கலாம் மற்றும் ஒட்டுமொத்த துல்லியம் மற்றும் வலிமையை மேம்படுத்தலாம், அவை இயந்திர கற்றல் கருவிப்பெட்டியில் மதிப்புமிக்க கருவியாக மாறும்.
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