മെഷീൻ ലേണിംഗ് തരങ്ങൾ

മെഷീൻ ലേണിംഗ് (ഓട്ടോമാറ്റിക് ലേണിംഗ്) എന്ന പദം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ലോകത്ത് ഉൾപ്പെടുന്ന ഒരു കൂട്ടം മെക്കാനിസങ്ങളെ സൂചിപ്പിക്കുന്നു. മൂന്ന് തരത്തിലുള്ള മെഷീൻ ലേണിംഗ് ഉണ്ട്: സൂപ്പർവൈസ്ഡ്, അൺ സൂപ്പർവൈസ്ഡ്, റൈൻഫോഴ്സ്മെന്റ് ലേണിംഗ്.

ഈ സംവിധാനങ്ങൾ ഒരു ബുദ്ധിമാനായ യന്ത്രത്തെ കാലക്രമേണ അതിന്റെ കഴിവുകളും പ്രകടനവും മെച്ചപ്പെടുത്താൻ അനുവദിക്കുന്നു, ചില ജോലികൾ ചെയ്യാൻ അനുഭവത്തിലൂടെ യാന്ത്രികമായി പഠിക്കുന്നു, കാലക്രമേണ അതിന്റെ പ്രകടനം കൂടുതൽ കൂടുതൽ മെച്ചപ്പെടുത്തുന്നു. 

ഒരു ഉദാഹരണമാണ് അല്ഫഗൊ, വികസിപ്പിച്ച Go ഗെയിമിനായുള്ള മെഷീൻ ലേണിംഗ് സോഫ്‌റ്റ്‌വെയർ ദീപ്പ് മൈൻഡ്. ഒരു വിമാനത്തിലെ ഗെയിമിൽ ഒരു മനുഷ്യ യജമാനനെ പരാജയപ്പെടുത്താൻ കഴിവുള്ള ആദ്യത്തെ സോഫ്റ്റ്വെയറായിരുന്നു അൽപാഗോ ഗോബൻ സാധാരണ വലുപ്പം (19 × 19). വ്യത്യസ്‌ത ഗെയിമുകൾക്കിടയിൽ ഗോ കളിക്കാർ നടത്തിയ ദശലക്ഷക്കണക്കിന് നീക്കങ്ങൾ നിരീക്ഷിച്ചും മെഷീൻ സ്വയം പ്ലേ ചെയ്‌തുകൊണ്ടും ആൽഫാഗോ സോഫ്‌റ്റ്‌വെയർ വിദ്യാഭ്യാസം നേടി, അതിന്റെ ഫലമായി ഈ ഗെയിമിലെ ലോകത്തിലെ ഏറ്റവും മികച്ച കളിക്കാരനെന്ന് വിശ്വസിക്കപ്പെടുന്നതിനെ മറികടക്കാൻ അതിന് കഴിഞ്ഞു.

ഇനി മെഷീൻ ലേണിംഗിന്റെ മൂന്ന് പ്രധാന വിഭാഗങ്ങളിലേക്ക് പോകാം.

മേൽനോട്ടത്തിലുള്ള പഠനം

ആവശ്യമുള്ള ഔട്ട്പുട്ട് അനുസരിച്ച് ലേബൽ ചെയ്ത ഉദാഹരണങ്ങൾ സിസ്റ്റത്തിന് ലഭിക്കുന്നു. അതായത്, മെഷീന് നിർദ്ദേശം നൽകുന്നതിന് ഉപയോഗപ്രദമായ ഡാറ്റാസെറ്റുകൾ ഇൻപുട്ട് ഡാറ്റ കൊണ്ട് നിർമ്മിച്ച യഥാർത്ഥ സാഹചര്യങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഘടകങ്ങളാൽ നിർമ്മിതമാണ് "സവിശേഷതകൾ"ഒപ്പം ഔട്ട്പുട്ട് ഡാറ്റയിൽ നിന്നും"ലക്ഷ്യം". ലേഖനത്തിന്റെ ഉദാഹരണം പരാമർശിച്ചുകൊണ്ട് എന്താണ് മെഷീൻ ലേണിംഗ്, അത് എന്തിനെക്കുറിച്ചാണ്, അതിന്റെ ലക്ഷ്യങ്ങൾ, പരിശീലനത്തിന്റെ തയ്യാറെടുപ്പ് മേൽനോട്ടത്തിലുള്ള തരത്തിലായിരുന്നു, കാരണം ഞങ്ങൾക്ക് റൂട്ടുകളുടെ വ്യക്തിഗത കേസുകൾ ഉണ്ടായിരുന്നു, അവയിൽ ഓരോന്നിനും സവിശേഷതകൾ (വാഹനം, റൂട്ട്), ടാർഗെറ്റ് (യാത്രാ സമയം) എന്നിവ വ്യക്തമാക്കിയിട്ടുണ്ട്. ഡാറ്റാ സെറ്റുകൾ സാധാരണയായി കൂടുതൽ സങ്കീർണ്ണമാണ്, ഉദാഹരണം വളരെ പരിമിതവും ഉപദേശപരവുമായിരുന്നു, സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗിന്റെ ധാരണ ലളിതമാക്കുക എന്ന ലക്ഷ്യത്തോടെ.

ഇത്തരത്തിലുള്ള ഒരു കേസ് റൂട്ടിന്റെയും വാഹനത്തിന്റെയും അടിസ്ഥാനം, യാത്രാ സമയം എന്തായിരിക്കാം എന്നതിനെ കുറിച്ച് പഠിക്കാൻ അൽഗോരിതത്തെ അനുവദിക്കുന്നു. സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗിൽ രണ്ട് തരത്തിലുള്ള പ്രശ്നങ്ങൾ ഉണ്ട്:

1. റിഗ്രഷൻ: ലക്ഷ്യം ഒരു തുടർച്ചയായ വേരിയബിൾ കൊണ്ട് നിർമ്മിതമാകുമ്പോൾ, അത് ഒരു അളവ്, ഒരു സംഖ്യ;
2. വർഗ്ഗീകരണം: ടാർഗെറ്റിനെ ഒരു ക്ലാസ് അല്ലെങ്കിൽ വിഭാഗം പ്രതിനിധീകരിക്കുമ്പോൾ.

മോട്ടോർവേ റൂട്ടുകളുടെ ഉദാഹരണം പുനർവിചിന്തനം ചെയ്യുമ്പോൾ, ഇത് ഒരു റിഗ്രഷൻ ആണെന്ന് നമുക്ക് പറയാം. ലക്ഷ്യം ഇനിപ്പറയുന്നതുപോലുള്ള ഒരു വിലയിരുത്തൽ ഉൾക്കൊള്ളുന്നുവെങ്കിൽ: ഒരു മണിക്കൂറിൽ താഴെയാണെങ്കിൽ വേഗത, 1 മുതൽ രണ്ട് മണിക്കൂർ വരെ വേഗത, രണ്ട് മണിക്കൂറിൽ കൂടുതലാണെങ്കിൽ വളരെ പതുക്കെ. ഈ സാഹചര്യത്തിൽ ഇത് ഒരു വർഗ്ഗീകരണ പ്രശ്നമാകുമായിരുന്നു.

മേൽനോട്ടമില്ലാത്ത പഠനം

ലേബൽ ചെയ്ത ഡാറ്റയൊന്നുമില്ല, ഇൻപുട്ടുകളിൽ നിന്ന് ആരംഭിച്ച് ഡാറ്റയിൽ ഒരു ഘടന കണ്ടെത്തേണ്ട സംവിധാനമാണിത്. ഞങ്ങൾക്ക് പ്രായോഗികമായി ലക്ഷ്യങ്ങളൊന്നുമില്ല, പക്ഷേ ഇൻപുട്ട് ഡാറ്റ മാത്രം. ഉദാഹരണത്തിലെന്നപോലെ, ഞങ്ങൾക്ക് റൂട്ടിന്റെയും വാഹനത്തിന്റെയും ഡാറ്റ മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ, പക്ഷേ യാത്രാ സമയ ഡാറ്റ ഇല്ല.

ഈ സമീപനത്തിൽ, ഡാറ്റയിൽ മറഞ്ഞിരിക്കുന്ന ഘടനകൾക്കായി അൽഗോരിതങ്ങൾ വിഭാഗങ്ങളെ തിരിച്ചറിയണം. മേൽനോട്ടമില്ലാത്ത സമീപനത്തിൽ ഉപയോഗിക്കാവുന്ന പ്രധാന ഉപകരണങ്ങൾ ഇവയാണ് ക്ലസ്റ്ററിങ് പിന്നെ അസോസിയേഷൻ നിയമങ്ങൾ.

ശക്തിപ്പെടുത്തൽ പഠനം

സിസ്റ്റം പരിസ്ഥിതിയിൽ നിന്ന് ഇൻപുട്ട് സ്വീകരിക്കുകയും നടപടികൾ കൈക്കൊള്ളുകയും ചെയ്യുന്നു. റിവാർഡുകൾ ലഭിക്കുന്നതിനായി സിസ്റ്റം നടപടികൾ സ്വീകരിക്കാൻ ശ്രമിക്കുന്നു. ചുറ്റുമുള്ള പരിസ്ഥിതിയുടെ അവസ്ഥയെ ആശ്രയിച്ച് പ്രതിഫലം ഒപ്റ്റിമൈസ് ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ നടപ്പിലാക്കാൻ സിസ്റ്റം ശ്രമിക്കും. 

റിവാർഡ് സംവിധാനം നടപ്പിലാക്കുന്നത് ഒരു ഘടകത്തിലൂടെയാണ് ഏജന്റ്. പരിസ്ഥിതിയിൽ നടപ്പിലാക്കേണ്ട ഒരു പ്രവർത്തനം ഏജന്റ് തീരുമാനിക്കുകയും അതിൽ നിന്ന് അയാൾക്ക് ഒരെണ്ണം ലഭിക്കുകയും ചെയ്യുന്നു പ്രതിഫലം ആരംഭിച്ച പ്രവർത്തനത്തിന്റെ അനന്തരഫലമായി പരിസ്ഥിതിയുടെ അവസ്ഥയെക്കുറിച്ചുള്ള വിവരങ്ങളും.

ഉദാഹരണത്തിന്, ചെസ്സ് ഗെയിമിനായി സമർപ്പിച്ചിരിക്കുന്ന ഒരു സംവിധാനത്തെക്കുറിച്ച് നമ്മൾ ചിന്തിക്കുകയാണെങ്കിൽ, നീക്കം തീരുമാനിക്കുന്ന ഘടകം ഏജന്റാണ്, പരിസ്ഥിതിയാണ് ഗെയിം. ഏജന്റ് നടത്തുന്ന ഓരോ നീക്കത്തിന്റെയും അനന്തരഫലമായി, ഗെയിമിന്റെ അവസ്ഥ മാറുന്നു (നിലവിലെ സാഹചര്യം, എല്ലാ കഷണങ്ങളുടെയും സ്ഥാനം, എതിരാളിയുടെ നീക്കത്തിന്റെ അനന്തരഫലമായി മനസ്സിലാക്കുന്നു), എതിരാളിയുടെ കഷണം തിന്നതായി ഫീഡ്‌ബാക്ക് സ്വീകരിക്കുന്നു, അതിനാൽ നീക്കത്തിനുള്ള പ്രതിഫലമായി ഉദ്ദേശിച്ചത്. ഈ രീതിയിൽ, ഏജന്റ് സ്വയം പഠിക്കുകയും പഠിക്കുകയും ചെയ്യുന്നു.

നിഗമനങ്ങൾ

അതിനാൽ, മെഷീൻ ലേണിംഗ് തരങ്ങൾ തമ്മിലുള്ള തിരഞ്ഞെടുപ്പ് സന്ദർഭത്തെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് വ്യക്തമാണ്. അതായത്, ലഭ്യമായ ഡാറ്റയുടെയും ഓരോ വ്യക്തിഗത കേസിന്റെയും (ഇൻപുട്ട്) സാഹചര്യങ്ങളുടെ വിവരണവും ഒരു ഫലവും (ഔട്ട്പുട്ട്) ഉൾപ്പെടുന്ന ഒരു ചരിത്രമുണ്ടാകാനുള്ള സാധ്യതയും അടിസ്ഥാനമാക്കിയാണ് സമീപനരീതി തിരഞ്ഞെടുക്കുന്നത്. അതിനാൽ ഈ തരത്തിലുള്ള ഒരു ഡാറ്റാ സെറ്റ് ഉപയോഗിച്ച്, നിങ്ങൾക്ക് മേൽനോട്ടത്തിലുള്ള ഒരു സമീപനം ഉപയോഗിക്കാൻ കഴിയും.

മറുവശത്ത്, നിങ്ങൾക്ക് ഔട്ട്‌പുട്ട് ഡാറ്റ (ടാർഗെറ്റ്) ഒരു മുൻകൂർ അറിയാനുള്ള സാധ്യത ഇല്ലെങ്കിലോ പുതിയ ടാർഗെറ്റുകൾ കണ്ടെത്താൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിലോ, ഒരിക്കലും അനുഭവിച്ചിട്ടില്ലാത്ത സാഹചര്യങ്ങൾ കണ്ടെത്തുന്നതിന് ഇൻപുട്ട് ഡാറ്റ തമ്മിലുള്ള ലിങ്കുകൾ തിരിച്ചറിയേണ്ടത് ആവശ്യമാണ്. ചരിത്രം, അല്ലെങ്കിൽ പരിണമിക്കുകയും പ്രതികരിക്കുകയും ചെയ്യുന്ന ഒരു പരിതസ്ഥിതിയിലേക്ക് ഒരു പഠനത്തെ അഭിമുഖീകരിക്കുക. ഈ സാഹചര്യത്തിൽ, മേൽനോട്ടമില്ലാത്ത അല്ലെങ്കിൽ ശക്തിപ്പെടുത്തൽ സാങ്കേതികതകൾ തിരഞ്ഞെടുക്കേണ്ടത് ആവശ്യമാണ്.

Ercole Palmeri: നവീകരണത്തിന് അടിമ