Discover and read the best of Twitter Threads about #machinelearningtamil
Most recents (6)
Machine Learning - IX
- Seshadhiri Dhanasekaran
இன்று நாம் காண இருக்கும் டாபிக் Gradient Descent. இது ஒரு optimization (மேம்படுத்தல்) முறை.
#MachineLearningTamil
#Thread
#MachineLearning
- Seshadhiri Dhanasekaran
இன்று நாம் காண இருக்கும் டாபிக் Gradient Descent. இது ஒரு optimization (மேம்படுத்தல்) முறை.
#MachineLearningTamil
#Thread
#MachineLearning
ML algorithmகள் டேட்டாவில் எப்படி உருவானது என கற்கும்போது அதன் கற்றல் திறனை (learning rate and fitting) மேம்படுத்த உதவும். இதில் Gradient Descent தான் அதிகமாக பயன்படுத்த படுகிறது. இந்த gradient descentல பல வகைகள் உள்ளன.
1. Stochastic Gradient Descent
2. Batch Gradient Descent
3. Mini Batch Gradient Descent
2. Batch Gradient Descent
3. Mini Batch Gradient Descent
Machine Learning - VIII
- Seshadhiri Dhanasekaran
இன்னிக்கு நாம Bias (சார்பு) மற்றும் Variance ( மாறுபாடு) குறித்து விரிவாக பாப்போம்.
#MachineLearningTamil
#Thread
#MachineLearning
- Seshadhiri Dhanasekaran
இன்னிக்கு நாம Bias (சார்பு) மற்றும் Variance ( மாறுபாடு) குறித்து விரிவாக பாப்போம்.
#MachineLearningTamil
#Thread
#MachineLearning
Supervised Learningல ஒரு algorithm டேட்டாவில் இருந்து அது எப்படி உருவானது என்பதை கற்று கொள்ள உதவுகிறது . இந்த கற்று கொள்ளும் போது Prediction Errors வரும். இதுல 3 types ஆப் error இருக்கு.
1. Bias Error
2. Variance Error
3. Irreducible Error
1. Bias Error
2. Variance Error
3. Irreducible Error
இதுல Irreducible Error என்பது சரி செய்ய இயலாதது. அதாவது அந்த கேள்வி/problemக்கு இந்த algorithm செட் ஆகலன்னு அர்த்தம் இல்லனா சரியா variables assume பண்ணாத காரணத்தால் ஏற்படுவது.
முதலில் ஒரு ML Algorithm அப்ளை செய்வதற்கு முன் செய்யவேண்டியது hypothesis டெஸ்டிங். இந்த hypothesis டெஸ்டிங் என்பது நம்முடைய அனுமானம் சரியாக இருக்கிறதா இல்லையா என்பதை பரிசோதித்து கொள்ள உதவும்.
டேட்டாவில் இருந்து ஒரு சிறிய சாம்பிள் எடுத்து அதன் மேல நீங்கள் hypothesis டெஸ்டிங் செய்யலாம்.
population என்பது மொத்த டேட்டாவாகும். மொத்த டேட்டாவில் இருந்து ஒரு சிறிய பகுதி எடுத்தால் அது தான் சாம்பிள்.
population என்பது மொத்த டேட்டாவாகும். மொத்த டேட்டாவில் இருந்து ஒரு சிறிய பகுதி எடுத்தால் அது தான் சாம்பிள்.
Machine Learning - VI
- Seshadhiri Dhanasekaran
ML மாடலில் சில முக்கியமான termionologies உள்ளன. அவற்றை விரிவாக காண்போம்.
#MachineLearningTamil
#Thread
#MachineLearning
- Seshadhiri Dhanasekaran
ML மாடலில் சில முக்கியமான termionologies உள்ளன. அவற்றை விரிவாக காண்போம்.
#MachineLearningTamil
#Thread
#MachineLearning
Machine learning மாடல்கள் அனைத்துமே mathsஇல் இருந்து உருவானவையே.
1.Mean
2.Median
3.Mode
4.Range
5.Variance
6.Standard Deviation
1.Mean
2.Median
3.Mode
4.Range
5.Variance
6.Standard Deviation
ஒரு எடுத்துக்காட்டு கொண்டு இதை விரிவாக காண்போம். கீழ்க்காணும் நம்பர் ஒரு dataset. இதில் மேல்குறிப்பிட்ட terminologies எப்படி கணக்கிடுவது என காண்போம்.
35,56,43,59,63,79,35,41,64,43,93,60,77,24,82
35,56,43,59,63,79,35,41,64,43,93,60,77,24,82
Machine Learning - V
- Seshadhiri Dhanasekaran
#MachineLearning
#Thread
ஒரு மெஷின் லேர்னிங் மாடலை நீங்கள் implement செய்யும்போது படிப்படியாக தான் செய்ய முடியும். எடுத்த உடனே மாடலை apply செய்து ரிசல்ட் காட்ட முடியாது.
- Seshadhiri Dhanasekaran
#MachineLearning
#Thread
ஒரு மெஷின் லேர்னிங் மாடலை நீங்கள் implement செய்யும்போது படிப்படியாக தான் செய்ய முடியும். எடுத்த உடனே மாடலை apply செய்து ரிசல்ட் காட்ட முடியாது.
ஒரு machine learning சார்ந்த product(அ) டாஸ்க் என்னவாக இருந்தாலும் மெஷின் லேர்னிங் நீங்கள் இந்த 7- ஸ்டெப் paradigms பின்பற்ற வேண்டும்.
1. Data Collection
2. Exploratory Data analysis (EDA)
3. Data Cleaning and Preparation
4. Feature Selection
5. Train Algorithm on Training data
6. Test the Algorithm
7. Deploy the Algorithm on Testing Data
ஒவ்வொன்றாக விரிவாக உதாரணம் கொண்டு பார்ப்போம்.
2. Exploratory Data analysis (EDA)
3. Data Cleaning and Preparation
4. Feature Selection
5. Train Algorithm on Training data
6. Test the Algorithm
7. Deploy the Algorithm on Testing Data
ஒவ்வொன்றாக விரிவாக உதாரணம் கொண்டு பார்ப்போம்.
AI Machine Learning - III
By Seshadhiri Dhanasekaran
குறிப்பு : ஒரு 15 நிமிஷம் பொறுமையாக படிக்கவும். Maths, equationsன்னு வரும் ஆனா மரண சிம்பிளா இருக்கும். Don't worry 😊
#MachineLearning
#Thread
By Seshadhiri Dhanasekaran
குறிப்பு : ஒரு 15 நிமிஷம் பொறுமையாக படிக்கவும். Maths, equationsன்னு வரும் ஆனா மரண சிம்பிளா இருக்கும். Don't worry 😊
#MachineLearning
#Thread
நாம சின்ன வயதில் இருந்து அடிக்கடி இந்த பார்முலா பார்த்து இருப்போம். y = mx + c. Equation of Straight Line.
இதையே தான் நாம மெஷின் லேர்னிங்ல y = B0 +B1 x
இதில் x - கடந்த கால டேட்டா ,
y - நாம் கண்டுபுடிக்க இருக்கும் டேட்டா.
B0 என்பது intercept
B1 என்பது slope.
இதையே தான் நாம மெஷின் லேர்னிங்ல y = B0 +B1 x
இதில் x - கடந்த கால டேட்டா ,
y - நாம் கண்டுபுடிக்க இருக்கும் டேட்டா.
B0 என்பது intercept
B1 என்பது slope.
இதனுடன் நீங்கள் X சேர்த்தால் உங்களுக்கு Y கிடைக்கும். சுருக்கமாக y = f(x). அந்த function லீனியரா நான்லீனியரா என்பதை டேட்டாவை investigate செய்து நீங்கள் முடிவு செய்ய வேண்டும்.
