ஆழமான கற்றல்: எந்திரன் கற்றல் அதன் சிறப்பானது

நீங்கள் செயற்கை நுண்ணறிவின் பரிணாம வளர்ச்சி பற்றி தெரிந்து கொள்ள வேண்டும்

ஆழமான கற்றல் என்பது இயந்திர கற்றல் (எம்.எல்) இன் சக்தி வாய்ந்த வடிவம் ஆகும், இது பரந்த அளவிலான தரவு (தகவல்) பயன்படுத்தி நரம்பியல் நெட்வொர்க்குகள் என்று அழைக்கப்படும் சிக்கலான கணித கட்டமைப்புகளை உருவாக்குகிறது.

ஆழமான கற்றல் வரையறை

ஆழமான கற்றல் என்பது மிகவும் சிக்கலான வகையான தரவுகளை செயலாக்க, நரம்பியல் நெட்வொர்க்குகள் பல அடுக்குகளைப் பயன்படுத்தி ML ஐ செயல்படுத்துவதற்கான ஒரு வழி. சில நேரங்களில் படிநிலைக் கற்றல் என அழைக்கப்படுவது, ஆழமான கற்றல் அம்சங்கள் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி அம்சங்களைக் கற்றுக்கொள்ள (பிரதிநிதித்துவங்கள் என்றும் அழைக்கப்படுகின்றன) மற்றும் மூல, சட்டகமற்ற தரவு (கட்டமைக்கப்பட்ட தரவு) ஆகியவற்றைக் கண்டறிவதைப் பயன்படுத்துகின்றன. ஆழ்ந்த கற்றலின் முதல் வெற்றிகரமான ஆர்ப்பாட்டங்களில் ஒன்று, YouTube வீடியோக்களின் தொகுப்பிலிருந்து பூனைகளின் படங்களை வெற்றிகரமாக தேர்ந்தெடுத்தது.

தினசரி வாழ்வில் ஆழமான கற்றல் உதாரணங்கள்

ஆழமான கற்றல் பட அங்கீகாரத்தில் பயன்படுத்தப்படுகிறது, ஆனால் மொழி மொழிபெயர்ப்பு, மோசடி கண்டறிதல், மற்றும் வாடிக்கையாளர்கள் பற்றிய நிறுவனங்களால் சேகரிக்கப்படும் தரவை ஆய்வு செய்தல். உதாரணமாக, நெட்ஃபிக்ஸ் உங்கள் பார்வை பழக்கங்களை ஆராய்ந்து பார்க்க மற்றும் நீங்கள் பார்க்க விரும்பும் காட்சிகள் மற்றும் படங்கள் பற்றி ஆழமான கற்றல் பயன்படுத்துகிறது. உங்கள் பரிந்துரை வரிசையில் நடவடிக்கை படங்கள் மற்றும் இயற்கையான ஆவணப்படங்களை வைத்து நெட்ஃபிக்ஸ் எப்படி தெரியும் என்று. நீங்கள் சமீபத்தில் புதிய நாடு இசை ஆல்பங்களுக்கான விருப்பங்களை உருவாக்க ஆர்வமாக உள்ளீர்கள், மேலும் சந்தையில் நீங்கள் சாம்பல் மற்றும் மஞ்சள் டென்னிஸுக்கு சந்தையில் உள்ளீர்கள் என்று சமீபத்தில் நீங்கள் சமீபத்தில் தேடின சமீபத்திய சமீபத்திய வாங்குதல்கள் மற்றும் உருப்படிகளை ஆராஸன் ஆழ்ந்து கற்றல் பயன்படுத்துகிறது. காலணிகள். ஆழ்ந்த கற்றல் கட்டமைப்பற்ற மற்றும் மூல தரவுகளிலிருந்து இன்னும் கூடுதலான பார்வையை வழங்குகிறது எனில், தனிப்பட்ட வாடிக்கையாளர் தனிப்பட்ட வாடிக்கையாளர் சேவையைப் பெற்றுக்கொள்வதன் மூலம் நிறுவனங்கள் வாடிக்கையாளர்களின் தேவைகளை சிறப்பாக எதிர்பார்க்கலாம்.

செயற்கை நரம்பு நெட்வொர்க்குகள் மற்றும் ஆழமான கற்றல்

ஆழமான கற்றல் புரிந்து கொள்ள எளிதாக , ஒரு செயற்கை நரம்பியல் நெட்வொர்க் (ANN) எங்கள் ஒப்பீடு மீண்டும் பார்க்கலாம் . ஆழ்ந்த கற்றலுக்கு, எங்கள் 15-அடுக்கு அலுவலக கட்டடம் ஐம்பது அலுவலக அலுவலகங்களைக் கொண்ட ஒரு நகரை ஆக்கிரமித்துக் கொள்கிறது என்று கற்பனை செய்து பாருங்கள். தெருவின் ஒவ்வொரு பக்கத்திலும் மூன்று கட்டடங்கள் உள்ளன. எமது கட்டிடம் கட்டியமைக்கின்றது மற்றும் தெருவின் அதேப் பக்கங்களை B மற்றும் C. என கட்டியமைக்கின்றது. A கட்டிடத்தை நிர்மாணிப்பதில் இருந்து தெருவில் 1 கட்டியமைக்கின்றது, B இல் கட்டியமைக்கப்படுவது 2 ஐ உருவாக்குகிறது. ஒவ்வொரு கட்டிடத்திற்கும் வேறுபட்ட மாடிகள் உள்ளன, பல்வேறு பொருட்களிலிருந்து தயாரிக்கப்படுகின்றன, மற்றவர்களிடமிருந்து வேறுபட்ட கட்டடக்கலை பாணி உள்ளது. இருப்பினும், ஒவ்வொரு கட்டிடமும் இன்னும் தனித்தனி மாடிகள் (அடுக்குகள்) அலுவலகங்களில் (முனைகளில்) ஏற்பாடு செய்யப்பட்டுள்ளன - ஒவ்வொரு கட்டிடமும் ஒரு தனிப்பட்ட ANN ஆகும்.

உரை அடிப்படையிலான தரவு, வீடியோ நீரோடைகள், ஆடியோ ஸ்ட்ரீம்கள், தொலைபேசி அழைப்புக்கள், ரேடியோ அலைகள் மற்றும் புகைப்படங்களை போன்ற பல ஆதாரங்களில் இருந்து பல்வேறு வகையான தகவல்களுடன் கூடிய ஒரு டிஜிட்டல் தொகுப்பு ஏ ஒரு கட்டிடத்தில் வரும் என்று கற்பனை செய்து பாருங்கள், இருப்பினும், அது ஒரு பெரிய குழப்பத்தில் எந்த தருக்க வழியில் பெயரிடப்பட்ட அல்லது வரிசைப்படுத்தப்படவில்லை (கட்டமைக்கப்பட்ட தரவு). இந்த தகவலை ஒவ்வொரு தரையிலும் அனுப்ப வேண்டும். 15 ^வது மாடி வெளியீடு (வெளியீடு) அடைந்தவுடன், அது கட்டிடத்தின் 1 ^வது மாடிக்கு (உள்ளீடு) 3 ஆல் கட்டியெழுப்புவதன் மூலம் இறுதி செயலாக்க முடிவுக்கு அனுப்பப்படுகிறது A. கட்டிடம் 3 இல் இருந்து கற்றுக்கொள்கிறது, பின்னர் அதே முறையில் ஒவ்வொரு மாடி வழியாக தகவல் தாழ்த்துகிறது செயல்படுத்துகிறது. தகவல் கட்டிடம் மேல் மாடி அடையும் போது 3, அதை கட்டி அந்த கட்டிடத்தின் முடிவுகளை இருந்து அனுப்பப்படும் 1. கட்டிடம் 1 இருந்து கற்று மற்றும் அதை தரையில்-மூலம்-தளம் செயலாக்க முன் 3 கட்டிடம் இருந்து முடிவுகளை ஒருங்கிணைக்கிறது. கட்டிடம் 1 தகவல் மற்றும் முடிவுகளை C ஐ கட்டமைப்பதற்கான அதே வழியில் செல்கிறது, இது 2 ஐ உருவாக்குவதற்கும் அனுப்புவதற்கும் அனுப்புகிறது.

ஒவ்வொரு ANN (கட்டிடம்) எங்கள் எடுத்துக்காட்டாக தேடல்களில் வேறுபட்ட அம்சத்திற்கான கட்டமைக்கப்பட்ட தரவில் (தகவல்களைச் சுருக்கமாக) மற்றும் முடிவுகளை அடுத்த கட்டிடத்திற்கு அனுப்பும். அடுத்த கட்டடம் முந்தைய (வெளியீடு) வெளியீடு (முடிவுகளை) ஒருங்கிணைக்கிறது. ஒவ்வொரு ANN (கட்டிடம்) தரவு செயலாக்கப்படுவதால், ஒரு குறிப்பிட்ட அம்சத்தின் மூலம் ஒழுங்கமைக்கப்பட்ட மற்றும் பெயரிடப்பட்ட (வகைப்படுத்தப்பட்ட) பெறுகிறது, இதனால் தரவு கடந்த ANN (கட்டிடம்) இறுதி வெளியீட்டை (மேல் மாடி) அடையும் போது, ​​அது வகைப்படுத்தப்பட்டு, பெயரிடப்பட்டுள்ளது (மேலும் கட்டமைக்கப்பட்ட).

செயற்கை நுண்ணறிவு, இயந்திர கற்றல், மற்றும் ஆழமான கற்றல்

ஆழ்ந்த கற்றல் செயற்கை நுண்ணறிவு (AI) மற்றும் எம்.எல். ஆழ்ந்த கற்றல் எம்.எல்.சின் சக்தியை அதிகரிக்கிறது மற்றும் AI இன் செயல்திறன் அளவை அதிகரிக்கிறது. ஆழமான கற்றல் நரம்பு வலைகளைப் பயன்படுத்துவதோடு, எளிமையான பணி-குறிப்பிட்ட நெறிமுறைகளுக்கு பதிலாக தரவு அமைப்பில் உள்ள அம்சங்களை அங்கீகரிப்பதால், ஒரு ப்ரோக்ராமரின் தேவையை இல்லாமல், முதலில் ஒரு முறை அதை அடையாளப்படுத்தாமல், கட்டமைக்கப்படாத (மூல) தரவிலிருந்து விவரங்களை கண்டுபிடித்துப் பயன்படுத்தலாம். பிழைகள் அறிமுகப்படுத்தக்கூடிய வினோதமான பணி. ஆழமான கற்றல் நிறுவனங்கள் கணினிகள் மற்றும் தனிநபர்களை இரண்டாகப் பயன்படுத்த தரவுகளைப் பயன்படுத்தி சிறப்பாகவும் சிறந்ததாகவும் உதவுகின்றன.