Machine Learning

இயந்திரக் கற்றல்: ஒரு அறிமுகம்

இயந்திரக் கற்றல் (Machine Learning) என்பது செயற்கை நுண்ணறிவின் (Artificial Intelligence) ஒரு முக்கியமான துணைப் பிரிவாகும். இது, கணினிகளுக்கு வெளிப்படையாக நிரலாக்கம் செய்யப்படாமல், தரவுகளிலிருந்து தானாகவே கற்றுக்கொள்ளும் திறனை வழங்குகிறது. அதாவது, ஒரு குறிப்பிட்ட பணியைச் செய்ய கணினிக்கு எப்படிச் செயல்பட வேண்டும் என்று நாம் நேரடியாகக் கூறாமல், தரவுகளைக் கொடுத்து, அந்த தரவுகளின் அடிப்படையில் கணினி தானே கற்றுக்கொண்டு முடிவுகளை எடுக்க உதவுகிறது. இந்தத் தொழில்நுட்பம் தற்போது பல்வேறு துறைகளில் புரட்சியை ஏற்படுத்தி வருகிறது.

இயந்திரக் கற்றலின் வரலாறு

இயந்திரக் கற்றலின் வரலாறு 1950-களில் ஆர்தர் சாமுவேல் (Arthur Samuel) என்ற கணினி விஞ்ஞானியால் தொடங்கப்பட்டது. அவர் செக்கர்ஸ் (Checkers) விளையாட்டில் கணினியை விளையாட வைக்க ஒரு நிரலை உருவாக்கினார். அந்த நிரல், விளையாடும்போது தனது தவறுகளைத் திருத்திக்கொண்டு, படிப்படியாக சிறப்பாக விளையாடக் கற்றுக்கொண்டது. இதுவே இயந்திரக் கற்றலின் ஆரம்பப் புள்ளியாக அமைந்தது.

1980-களில், நியூரல் நெட்வொர்க்குகள் (Neural Networks) மற்றும் ஆழமான கற்றல் (Deep Learning) போன்ற புதிய அல்காரிதம்கள் உருவாக்கப்பட்டன. ஆனால், அந்தக் காலக்கட்டத்தில் கணினிகளின் செயல்திறன் குறைவாக இருந்ததால், இந்த அல்காரிதம்கள் பரவலாகப் பயன்படுத்தப்படவில்லை.

2000-களுக்குப் பிறகு, கணினிகளின் செயல்திறன் அதிகரித்ததோடு, தரவுகளின் அளவும் பெருகியதால், இயந்திரக் கற்றல் மீண்டும் முக்கியத்துவம் பெற்றது. குறிப்பாக, பெரிய தரவு (Big Data) மற்றும் கிளவுட் கம்ப்யூட்டிங் (Cloud Computing) ஆகியவற்றின் வளர்ச்சி இயந்திரக் கற்றலுக்கு உந்துதலாக அமைந்தது.

இயந்திரக் கற்றலின் வகைகள்

இயந்திரக் கற்றலை அதன் கற்றல் முறையின் அடிப்படையில் மூன்று முக்கிய வகைகளாகப் பிரிக்கலாம்:

• கண்காணிப்பு கற்றல் (Supervised Learning): இந்த முறையில், பயிற்சித் தரவுகளுடன் சரியான பதில்களும் (Labels) கொடுக்கப்படும். கணினி, அந்த தரவுகளைப் பயன்படுத்தி, உள்ளீடுகளுக்கும் வெளியீடுகளுக்கும் இடையிலான தொடர்பைக் கற்றுக்கொள்கிறது. புதிய உள்ளீடுகள் கொடுக்கப்படும்போது, கணினி அதற்கான சரியான பதிலைப் கணிக்கிறது. எடுத்துக்காட்டாக, மின்னஞ்சல்களை ஸ்பேம் (Spam) மற்றும் ஸ்பேம் அல்லாதவை என வகைப்படுத்துதல்.

• கண்காணிக்கப்படாத கற்றல் (Unsupervised Learning): இந்த முறையில், பயிற்சித் தரவுகளுடன் பதில்கள் கொடுக்கப்படாது. கணினி, தரவுகளுக்குள் இருக்கும் மறைந்திருக்கும் வடிவங்கள் (Patterns) மற்றும் தொடர்புகளைத் தானாகவே கண்டறிய வேண்டும். எடுத்துக்காட்டாக, வாடிக்கையாளர்களை அவர்களின் நடத்தை அடிப்படையில் குழுக்களாகப் பிரித்தல்.

• reinforcement கற்றல் (Reinforcement Learning): இந்த முறையில், கணினி ஒரு சூழலில் (Environment) செயல்பட்டு, அதற்கான வெகுமதிகள் (Rewards) அல்லது தண்டனைகளைப் (Penalties) பெறுகிறது. வெகுமதிகளை அதிகரிக்கவும், தண்டனைகளைக் குறைக்கவும் கணினி தனது செயல்களைத் தானாகவே சரிசெய்து கொள்கிறது. எடுத்துக்காட்டாக, ஒரு ரோபோவை ஒரு குறிப்பிட்ட பாதையில் செல்லப் பழக்குதல்.

பிரபலமான இயந்திரக் கற்றல் அல்காரிதம்கள்

இயந்திரக் கற்றலில் பல்வேறு வகையான அல்காரிதம்கள் உள்ளன. அவற்றில் சில முக்கியமான அல்காரிதம்கள் கீழே கொடுக்கப்பட்டுள்ளன:

• லீனியர் ரெக்ரெஷன் (Linear Regression): இது ஒரு எளிய அல்காரிதம். இது இரண்டு மாறிகளுக்கு இடையிலான தொடர்பை ஒரு நேர்கோட்டின் மூலம் பிரதிபலிக்கிறது.
• லாஜிஸ்டிக் ரெக்ரெஷன் (Logistic Regression): இது ஒரு வகைப்பாடு அல்காரிதம். இது ஒரு நிகழ்வு நடக்குமா இல்லையா என்பதை கணிக்கப் பயன்படுகிறது.
• சப்போர்ட் வெக்டர் மெஷின் (Support Vector Machine - SVM): இது ஒரு சக்திவாய்ந்த வகைப்பாடு அல்காரிதம். இது தரவுகளை வெவ்வேறு வகுப்புகளாகப் பிரிக்க ஒரு சிறந்த கோட்டைக் (Hyperplane) கண்டறியப் பயன்படுகிறது.
• முடிவு மரங்கள் (Decision Trees): இது தரவுகளைப் பிரித்து, முடிவுகளை எடுக்கப் பயன்படும் ஒரு மர அமைப்பு அல்காரிதம்.
• ரேண்டம் ஃபாரஸ்ட் (Random Forest): இது பல முடிவு மரங்களின் தொகுப்பாகும். இது ஒரு துல்லியமான வகைப்பாடு மற்றும் பின்னடைவு அல்காரிதம்.
• நியூரல் நெட்வொர்க்குகள் (Neural Networks): இது மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் ஒரு சிக்கலான அல்காரிதம். இது படங்கள், உரை மற்றும் ஒலி போன்ற சிக்கலான தரவுகளைப் பகுப்பாய்வு செய்யப் பயன்படுகிறது.
• கே-மீன்ஸ் கிளஸ்டரிங் (K-Means Clustering): இது தரவுகளை குழுக்களாகப் பிரிக்கப் பயன்படும் ஒரு கண்காணிப்பற்ற கற்றல் அல்காரிதம்.
• பிரின்சிபல் காம்போனென்ட் அனாலிசிஸ் (Principal Component Analysis - PCA): இது தரவுகளின் பரிமாணத்தைக் குறைக்கப் பயன்படும் ஒரு கண்காணிப்பற்ற கற்றல் அல்காரிதம்.

இயந்திரக் கற்றலின் பயன்பாடுகள்

இயந்திரக் கற்றல் பல்வேறு துறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. அவற்றில் சில முக்கியமான பயன்பாடுகள் கீழே கொடுக்கப்பட்டுள்ளன:

• சுகாதாரம் (Healthcare): நோய்களைக் கண்டறிதல், நோயாளிகளின் தரவுகளைப் பகுப்பாய்வு செய்தல், தனிப்பயனாக்கப்பட்ட மருத்துவ சிகிச்சை அளித்தல்.
• நிதி (Finance): மோசடிகளைக் கண்டறிதல், கடன் மதிப்பீடு செய்தல், பங்குச் சந்தை முன்னறிவிப்பு.
• சில்லறை வணிகம் (Retail): வாடிக்கையாளர் நடத்தை பகுப்பாய்வு, பரிந்துரை அமைப்பு (Recommendation System), சரக்கு மேலாண்மை.
• போக்குவரத்து (Transportation): தானியங்கி வாகனங்கள், போக்குவரத்து நெரிசல் குறைத்தல், வழித்தடத்தை மேம்படுத்துதல்.
• உற்பத்தி (Manufacturing): தரக் கட்டுப்பாடு, இயந்திரங்களின் செயல்திறனை மேம்படுத்துதல், உற்பத்திச் செலவைக் குறைத்தல்.
• சந்தைப்படுத்தல் (Marketing): இலக்கு விளம்பரம் (Targeted Advertising), வாடிக்கையாளர் பிரிவு (Customer Segmentation), சந்தை ஆய்வு.
• இயற்கை மொழி செயலாக்கம் (Natural Language Processing - NLP): மொழிபெயர்ப்பு, உரை சுருக்கம், பேச்சு அங்கீகாரம்.
• கணினி பார்வை (Computer Vision): படங்களை அடையாளம் காணுதல், வீடியோ பகுப்பாய்வு, முக அங்கீகாரம்.

இயந்திரக் கற்றல் கருவிகள் மற்றும் நூலகங்கள்

இயந்திரக் கற்றலை எளிதாக்க உதவும் பல கருவிகள் மற்றும் நூலகங்கள் உள்ளன. அவற்றில் சில முக்கியமானவை:

• பைதான் (Python): இயந்திரக் கற்றலுக்கு மிகவும் பிரபலமான நிரலாக்க மொழி.
• ஆர் (R): புள்ளியியல் பகுப்பாய்வு மற்றும் தரவு காட்சிப்படுத்தலுக்குப் பயன்படும் ஒரு நிரலாக்க மொழி.
• ஸ்கிட்-லேர்ன் (Scikit-learn): பைத்தானில் உள்ள ஒரு பிரபலமான இயந்திரக் கற்றல் நூலகம். இது பல்வேறு வகையான அல்காரிதம்களைக் கொண்டுள்ளது.
• டென்சார்ஃப்ளோ (TensorFlow): கூகிளால் உருவாக்கப்பட்ட ஒரு ஆழமான கற்றல் நூலகம்.
• கிராஸ் (Keras): டென்சார்ஃப்ளோ மற்றும் தியோனோ (Theano) போன்ற பிற ஆழமான கற்றல் நூலகங்களுடன் இணைந்து செயல்படும் ஒரு உயர்-நிலை நரம்பியல் நெட்வொர்க் API.
• பண்டாஸ் (Pandas): பைத்தானில் உள்ள ஒரு தரவு பகுப்பாய்வு நூலகம்.
• நம்பை (NumPy): பைத்தானில் உள்ள ஒரு அறிவியல் கணக்கீட்டு நூலகம்.
• மேட்லாட்லிப் (Matplotlib): பைத்தானில் உள்ள ஒரு தரவு காட்சிப்படுத்தல் நூலகம்.
• ஸ்பார்க் (Spark): பெரிய தரவு செயலாக்கத்திற்கான ஒரு திறந்த மூல பகுப்பாய்வு இயந்திரம்.

இயந்திரக் கற்றலில் உள்ள சவால்கள்

இயந்திரக் கற்றல் பல நன்மைகளை வழங்கினாலும், சில சவால்களையும் கொண்டுள்ளது:

• தரவு தரம் (Data Quality): இயந்திரக் கற்றல் அல்காரிதம்களின் செயல்திறன் தரவுகளின் தரத்தைப் பொறுத்தது. தவறான அல்லது முழுமையற்ற தரவு தவறான முடிவுகளுக்கு வழிவகுக்கும்.
• அதிகப்படியான பொருத்தம் (Overfitting): அல்காரிதம் பயிற்சித் தரவுகளுக்கு மிகவும் பொருத்தமாக இருந்தால், அது புதிய தரவுகளுக்கு சரியாகப் பொருந்தாது.
• விளக்கமின்மை (Lack of Explainability): சில இயந்திரக் கற்றல் அல்காரிதம்கள், குறிப்பாக ஆழமான கற்றல் மாதிரிகள், எப்படி முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது கடினம்.
• கணக்கீட்டுச் செலவு (Computational Cost): சில இயந்திரக் கற்றல் அல்காரிதம்களுக்கு அதிக கணக்கீட்டு சக்தி தேவைப்படுகிறது.
• தனியுரிமை மற்றும் பாதுகாப்பு (Privacy and Security): இயந்திரக் கற்றல் மாதிரிகள் தனிப்பட்ட தரவுகளைப் பயன்படுத்தும் போது, தனியுரிமை மற்றும் பாதுகாப்பு கவலைகள் எழலாம்.

இயந்திரக் கற்றலின் எதிர்காலம்

இயந்திரக் கற்றல் தொடர்ந்து வளர்ந்து வரும் ஒரு துறையாகும். எதிர்காலத்தில், இயந்திரக் கற்றல் இன்னும் பல புதிய துறைகளில் பயன்படுத்தப்படும் என்று எதிர்பார்க்கப்படுகிறது. குறிப்பாக, தானியங்கி இயந்திரக் கற்றல் (AutoML), விளக்கக்கூடிய AI (Explainable AI - XAI) மற்றும் கூட்டாண்மை கற்றல் (Federated Learning) போன்ற துறைகளில் அதிக கவனம் செலுத்தப்படும்.

இயந்திரக் கற்றல், அறிவார்ந்த முகவர்கள் (Intelligent Agents) மற்றும் மனித-இயந்திர இடைமுகம் (Human-Machine Interface) போன்ற மேம்பட்ட தொழில்நுட்பங்களை உருவாக்குவதில் முக்கிய பங்கு வகிக்கும். இது வணிகங்கள் மற்றும் தனிநபர்கள் தரவுகளைப் பயன்படுத்தி சிறந்த முடிவுகளை எடுக்க உதவும்.

தரவு அறிவியல் (Data Science), பெரிய தரவு பகுப்பாய்வு (Big Data Analytics) மற்றும் செயற்கை நுண்ணறிவு நெறிமுறைகள் (AI Ethics) போன்ற தொடர்புடைய துறைகளுடன் இணைந்து இயந்திரக் கற்றல் தொடர்ந்து வளர்ச்சி அடையும்.

மேலும் தகவலுக்கு

• TensorFlow website
• Scikit-learn documentation
• Keras official website
• PyTorch official website
• Machine Learning Mastery

பரிந்துரைக்கப்பட்ட எதிர்கால சந்தை பதிவு தளங்கள்

தளம்	எதிர்கால செயல்பாடுகள்	பதிவு
Binance Futures	125x வரை மூலதனம், USDⓈ-M ஒப்பந்தங்கள்	இங்கு பதிவு செய்யவும்
Bybit Futures	நிரந்தர தலைகீழ் ஒப்பந்தங்கள்	வணிகத்தை தொடங்கு
BingX Futures	நகல் வணிகம்	BingX இல் சேர்
Bitget Futures	USDT உறுதியான ஒப்பந்தங்கள்	கணக்கை திற
BitMEX	கிரிப்டோ சந்தை, 100x வரை மூலதனம்	BitMEX

நமது சமூகத்தில் சேர்க்கை

@strategybin என்ற Telegram சேனலுக்கு குழுசேர்க்கை செய்து மேலும் தகவல்களைப் பெறுங்கள். சிறந்த இலாப தளங்கள் – இங்கு பதிவு செய்யவும்.

நமது சமூகத்தில் பங்கேற்கவும்

@cryptofuturestrading என்ற Telegram சேனலுக்கு குழுசேர்க்கை செய்து பகுப்பாய்வு, இலவச சமிக்ஞைகள் மற்றும் மேலும் தகவல்களைப் பெறுங்கள்!