இயந்திர கற்றல்
இயந்திரக் கற்றல் (Machine learning (ML)) என்பது கணினி அறிவியலின் ஒரு பிரிவாகும், இது கணினி அமைப்புகளுக்கு கற்கும் திறனை அளிக்கிறது, இதனால் அவை தரவுகளிலிருந்து கற்றுக் கொள்ளலாம். மேலும், ஒரு குறிப்பிட்ட வழியில் முன்கூட்டியே தீர்மானிக்கப்பட்ட பணிகளைச் செய்ய திட்டமிடப்பட வேண்டிய அவசியமின்றி முடிவுகளை எடுக்க முடியும். இயந்திரக் கற்றலின் முக்கிய நோக்கம், இயந்திரங்கள் தரவுகளிலிருந்து வடிவங்கள் மற்றும் விதிகளைக் கற்றுக்கொள்வது. இதனால் அவை முடிவுகளை எடுக்கவும் புதிய தரவுகளில் செயல்படவும் முடியும். அதாவது அவை முடிவுகளை எடுப்பது, தரவை பகுப்பாய்வு செய்தல் மற்றும் சிக்கல்களுக்குத் தீர்வு காண்பதாகும்.[1][2][3][4]
இயந்திர கற்றலில் இரண்டு முக்கிய வகைகள் உள்ளன:
- மேற்பார்வையிடப்பட்ட கற்றல்:
இதில், மாதிரியானது தரவுகளுடன் கற்பிக்கப்படுகிறது, இதில் உள்ளீடு மற்றும் வெளியீடு ஆகியவற்றுக்கு இடையேயான தொடர்பு பயிற்சியளிக்கப்பட்ட தரவுகளில் கற்பிக்கப்படுகிறது. அதன் பிறகு, கற்றுக்கொண்ட அறிவைப் பயன்படுத்தி, மாதிரியானது புதிய தரவுகளுக்கு அதைப் பயன்படுத்துகிறது.
- மேற்பார்வை செய்யப்படாதக் கற்றல்:
எந்தவொரு குறிப்பிட்ட வெளியீட்டின் உதவியும் இல்லாமல், தரவில் உள்ள வடிவங்கள் அல்லது கட்டமைப்புகளை சுயாதீனமாக கண்டறிய இது மாதிரியை அனுமதிக்கிறது.
தரவு பகுப்பாய்வு, முடிவு ஆதரவு, ரோபாட்டிக்ஸ், நிபுணர் அமைப்புகள் மற்றும் நிதி மாதிரியாக்கம் போன்ற பல பயன்பாடுகளுக்கு இயந்திர கற்றல் பயனுள்ளதாக இருக்கும். தனிப்பட்ட நிரல்களை உருவாக்காமல் சுயாதீனமாக கற்று மேம்படுத்தும் திறனை இது கணினி அமைப்புகளுக்கு வழங்குகிறது. பெரு மொழி மாதிரி, பொறி நோக்கு, பேச்சுணரி, மின்னஞ்சல் வடித்தல், வேளாண்மை மருத்துவம் போன்ற படிமுறைத் தீர்வுகளை உருவாக்க அதிகச் செலவாகும் இடங்களில் இயந்திரக் கற்றல் பயன்படுகிறது.[5][6]
மேற்கோள்கள்[தொகு]
- ↑ What is Machine Learning?
- ↑ What is Machine Learning?
- ↑ What is Machine Learning?
- ↑ Ethem Alpaydin (2020). Introduction to Machine Learning (Fourth ed.). மாசாச்சூசெட்சு தொழில்நுட்பக் கழகம். pp. xix, 1–3, 13–18. பன்னாட்டுத் தரப்புத்தக எண் 978-0262043793.
- ↑ Hu, Junyan; Niu, Hanlin; Carrasco, Joaquin; Lennox, Barry; Arvin, Farshad (2020). "Voronoi-Based Multi-Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning". IEEE Transactions on Vehicular Technology 69 (12): 14413–14423. doi:10.1109/tvt.2020.3034800. பன்னாட்டுத் தர தொடர் எண்:0018-9545. http://dx.doi.org/10.1109/tvt.2020.3034800. பார்த்த நாள்: 2023-04-16.
- ↑ Yoosefzadeh-Najafabadi, Mohsen; Hugh, Earl; Tulpan, Dan; Sulik, John; Eskandari, Milad (2021). "Application of Machine Learning Algorithms in Plant Breeding: Predicting Yield From Hyperspectral Reflectance in Soybean?". Front. Plant Sci. 11: 624273. doi:10.3389/fpls.2020.624273. பப்மெட்:33510761.
வெளியிணைப்புகள்[தொகு]
- International Machine Learning Society
- mloss is an academic database of open-source machine learning software.