Thread by @PhDJokesMemes

AI தமிழில் - II
AI ஒரு பெரிய வட்டம் என்றால் அதில் உள்ள ஆக பெரிய வட்டம் மெஷின் லேர்னிங்.
Credits: Seshadhiri Dhanasekaran
#Thread
#MachineLearning

மெஷின் லேர்னிங் என்னனா ஒரு மெஷின் எப்படி வேலை செய்யணும்ன்னு நாம செய்முறை, வழிமுறைகளை (instruction) ஆக கொடுப்பது. இந்த மெஷின் லேர்னிங் இப்போதும், இன்னும் அடுத்த 25 வருடத்திற்கு கோலோச்ச போகும் துறை.

ஒருத்தருக்கு லோன் கொடுக்கலாமா வேண்டாமான்னு சிஸ்டம் ஸ்கோர் சொல்வது ஒரு சிறந்த உதாரணம். இதை போல் நீங்க எந்த ஒரு விஷயத்தையும் டேட்டா இருந்தால் அதை கொண்டு முடிவு எடுக்க செய்யலாம்.

இன்னும் 5 வருடம் கழித்து லோன் தரலாமா வேண்டாமா என்று சிஸ்டம் முடிவு செய்யும். அதுக்கு அடித்தளமாக இருக்க போவது கடந்த காலங்களில் கொடுக்கப்பட்ட லோன் டேட்டாக்கள் . அதில் சகலவிதமான டேட்டா இருக்கும்.

சிபில் ஸ்கோர் கம்மியா இருக்கா, சொத்து இருந்தா கொடுக்கலாம். சூரிட்டி கையெழுத்து இருந்தால் கொடுக்கலாம் என்று சகல விதிகளையும் கொண்டு மெஷினை முடிவு எடுக்க செய்யலாம். ஆனா இதில் ஒரு பிரச்சனை இருக்கு.

அது அந்த சிஸ்டம் டிசைன் செய்யும் மனிதனை பொறுத்தது. ஒரு 2 வருடத்திற்கு முன், கூகுள் resume பில்டரில் பெண்கள் அனைத்து தகுதிகள் இருந்தாலும் குறைவாக இன்டெர்வியூக்கு அழைக்கப்பட்டனர். கூகிள் இதை கண்டுபிடித்து நிவர்த்தி செய்வதாக கூறியது.

இதற்கு காரணம் அவர்கள் கடந்த 1 வருடமாக ஆண்களுக்கு அதிக வாய்ப்பு கொடுத்து உள்ளனர். இதை ஒரு ரூலாக சிஸ்டம் எடுத்து கொண்டு உள்ளது.
மெஷின் லேர்னிங் 3 விஷயங்களை கொண்டது.
1.டேட்டா
2. algorithm
3.டாஸ்க் / knowledge

ஒவ்வொன்னா டீடெயிலா பாப்போம்.

டேட்டா : இதில் மூன்று வகை உள்ளது.
(i) fully observed - முழுமையாகக் கவனிக்கப்பட்ட நிலை என்பது மறைக்கப்பட்ட தகவல்கள் இல்லை என்பதாகும்.
உதாரணம் : பேங்க் லோன் தகவல்கள்

(ii) partially observed - இதில் சில தகவல்கள் விடுபட்டு இருக்கலாம். உதாரணம் : ஒரு சர்வே நிரப்ப கொடுத்தால் அதில் டெலிபோன் நம்பர் சிலர் மட்டுமே குறிப்பிடுவர்.

(iii) active/ சென்ஸ் டேட்டா - வாட்ச், IOT போல் தொடர்ச்சியாக சேகரிக்கப்படும் டேட்டா.

2. algorithm : இதில் ரெண்டு வகை இருக்கு,

(i) மாடல் based methods
(ii) மாடல் free methods

Model based methods என்பது டேட்டாவின் சுருக்கமாகும்
• டேட்டா எவ்வாறு உருவாக்கப்பட்டது என்பதை கூறும் கதை, அதை போல் எதிர்கால டேட்டா எவ்வாறு உருவாகலாம் என்பதை விவரிக்க இதை பயன்படுத்தலாம்
• எ.கா. அறிகுறிகள் மற்றும் நோய்களை கொடுத்தால் இரண்டையும் கொண்டு ஒரு மாடல் உருவாக்குவது

அனுமானம்: மாதிரியிலிருந்து அறிவு வரை
ஒரு மாடல் கொண்டு , எங்களுக்கு பொருத்தமான கேள்விகளுக்கு எவ்வாறு பதிலளிக்க முடியும்
• எ.கா. அறிகுறிகளை கொண்டு என்ன நோய் என கூறுவது

3. டாஸ்க் / Knowledge

இதில் தான் நீங்கள் எந்த மாதிரி டாஸ்க் செய்ய போகிறீர்கள் என்பதை முடிவு செய்தல்.
நாளை மழை பெய்யுமா/பெய்யாதா என்பதை போல் யெஸ்/நோ என்றால் அது classification.
நாளை ஒரு குறிப்பிட்ட பங்கின் விலை என்னவென்று கண்டுபிடிக்க நினைத்தால் அது regression.

அதே போல் மழை பெய்ய எவ்வளவு சதவீத வாய்ப்பு என்று கண்டுபிடித்தால் அது regression.
0 அல்லது 1 என இரண்டில் ஒன்றை கண்டுபிடித்தால் அது classification .
அதே 0க்கும் 1க்கும் இடையில் ஒரு நம்பர் கண்டுபிடித்தால் அது regression.
#End #Part2

AI Part 1ன் லிங்க் 👇

https://twitter.com/PhDJokesMemes/status/1246675849484492800?s=19