AI எவ்வாறு கற்றுக்கொள்கிறது?

AI எவ்வாறு கற்றுக்கொள்கிறது?, இந்த வழிகாட்டி பெரிய யோசனைகளை எளிய மொழியில் வெளிப்படுத்துகிறது - எடுத்துக்காட்டுகள், சிறிய மாற்றுப்பாதைகள் மற்றும் இன்னும் ஓரளவு உதவக்கூடிய சில அபூரண உருவகங்களுடன். அதற்குள் நுழைவோம். 🙂

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 முன்னறிவிப்பு AI என்றால் என்ன?
வரலாற்று மற்றும் நிகழ்நேரத் தரவைப் பயன்படுத்தி முன்கணிப்பு மாதிரிகள் விளைவுகளை எவ்வாறு முன்னறிவிக்கின்றன.

🔗 AI எந்தெந்த தொழில்களை சீர்குலைக்கும்?
துறைகள் பெரும்பாலும் ஆட்டோமேஷன், பகுப்பாய்வு மற்றும் முகவர்களால் மாற்றப்படும்.

🔗 GPT என்றால் என்ன?
GPT சுருக்கம் மற்றும் தோற்றம் பற்றிய தெளிவான விளக்கம்.

🔗 AI திறன்கள் என்றால் என்ன?
AI அமைப்புகளை உருவாக்குதல், பயன்படுத்துதல் மற்றும் நிர்வகிப்பதற்கான முக்கிய திறன்கள்.

சரி, அது எப்படி செய்கிறது? ✅

AI எவ்வாறு கற்றுக்கொள்கிறார்கள்? என்று கேட்கும்போது , அவர்கள் பொதுவாக அர்த்தம்: வெறும் ஆடம்பரமான கணித பொம்மைகளுக்குப் பதிலாக மாதிரிகள் எவ்வாறு பயனுள்ளதாகின்றன. பதில் ஒரு செய்முறை:

தெளிவான குறிக்கோள் - "நல்லது" என்றால் என்ன என்பதை வரையறுக்கும் ஒரு இழப்பு செயல்பாடு. [1]
தரமான தரவு - மாறுபட்டது, சுத்தமானது மற்றும் பொருத்தமானது. அளவு உதவுகிறது; பன்முகத்தன்மை அதிகமாக உதவுகிறது. [1]
நிலையான உகப்பாக்கம் - ஒரு குன்றிலிருந்து தள்ளாடுவதைத் தவிர்க்க தந்திரங்களுடன் சாய்வு இறக்கம். [1], [2]
பொதுமைப்படுத்தல் - பயிற்சித் தொகுப்பில் மட்டுமல்ல, புதிய தரவுகளிலும் வெற்றி. [1]
பின்னூட்ட சுழல்கள் - மதிப்பீடு, பிழை பகுப்பாய்வு மற்றும் மறு செய்கை. [2], [3]
பாதுகாப்பு மற்றும் நம்பகத்தன்மை - பாதுகாப்புத் தடுப்புகள், சோதனை மற்றும் ஆவணப்படுத்தல், இதனால் குழப்பம் ஏற்படாது. [4]

அணுகக்கூடிய அடித்தளங்களுக்கு, உன்னதமான ஆழமான கற்றல் உரை, காட்சிக்கு ஏற்ற பாடநெறி குறிப்புகள் மற்றும் நடைமுறை க்ராஷ் பாடநெறி ஆகியவை உங்களை சின்னங்களில் மூழ்கடிக்காமல் அத்தியாவசியங்களை உள்ளடக்கியது. [1]–[3]

AI எவ்வாறு கற்றுக்கொள்கிறது? சுருக்கமான பதில் எளிய ஆங்கிலத்தில் ✍️

ஒரு AI மாதிரி சீரற்ற அளவுரு மதிப்புகளுடன் தொடங்குகிறது. அது ஒரு கணிப்பை உருவாக்குகிறது. நீங்கள் அந்த கணிப்பை ஒரு இழப்பால் சாய்வுகளைப் பயன்படுத்தி இழப்பைக் குறைக்க அந்த அளவுருக்களை அழுத்துகிறீர்கள் . மாதிரி மேம்படுவதை நிறுத்தும் வரை (அல்லது உங்களுக்கு சிற்றுண்டிகள் தீர்ந்து போகும் வரை) பல எடுத்துக்காட்டுகளில் இந்த சுழற்சியை மீண்டும் செய்யவும். அதுதான் ஒரே மூச்சில் பயிற்சி வளையம். [1], [2]

இன்னும் கொஞ்சம் துல்லியம் வேண்டுமென்றால், சாய்வு இறக்கம் மற்றும் பின் பரவல் பற்றிய பிரிவுகளை கீழே காண்க. விரைவான, புரிந்துகொள்ளக்கூடிய பின்னணிக்கு, குறுகிய விரிவுரைகள் மற்றும் ஆய்வகங்கள் பரவலாகக் கிடைக்கின்றன. [2], [3]

அடிப்படைகள்: தரவு, நோக்கங்கள், மேம்படுத்தல் 🧩

தரவு : உள்ளீடுகள் (x) மற்றும் இலக்குகள் (y). தரவு எவ்வளவு அகலமாகவும் சுத்தமாகவும் இருக்கிறதோ, அவ்வளவுக்கு பொதுமைப்படுத்த உங்களுக்கு வாய்ப்பு அதிகம். தரவு மேலாண்மை கவர்ச்சிகரமானது அல்ல, ஆனால் அதுதான் பாடப்படாத ஹீரோ. [1]
மாதிரி : அளவுருக்கள் (\theta) கொண்ட ஒரு செயல்பாடு (f_\theta(x)). நரம்பியல் நெட்வொர்க்குகள் என்பது சிக்கலான வழிகளில் இணைக்கும் எளிய அலகுகளின் அடுக்குகள் - லெகோ செங்கல்கள், ஆனால் மிகவும் மென்மையானவை. [1]
குறிக்கோள் : பிழையை அளவிடும் இழப்பு (L(f_\theta(x), y)). எடுத்துக்காட்டுகள்: சராசரி வர்க்கப் பிழை (பின்னடைவு) மற்றும் குறுக்கு-என்ட்ரோபி (வகைப்பாடு). [1]
உகப்பாக்கம் : அளவுருக்களைப் புதுப்பிக்க (ஸ்டோகாஸ்டிக்) சாய்வு இறக்கத்தைப் பயன்படுத்தவும்: (\theta \leftarrow \theta - \eta \nabla_\theta L). கற்றல் விகிதம் (\eta): மிகப் பெரியது, நீங்கள் குதித்துச் செல்கிறீர்கள்; மிகச் சிறியது, நீங்கள் எப்போதும் தூங்கிக் கொண்டிருக்கிறீர்கள். [2]

இழப்பு செயல்பாடுகள் மற்றும் உகப்பாக்கம் பற்றிய தெளிவான அறிமுகங்களுக்கு, பயிற்சி தந்திரங்கள் மற்றும் ஆபத்துகள் பற்றிய கிளாசிக் குறிப்புகள் ஒரு சிறந்த தேர்வாகும். [2]

மேற்பார்வையிடப்பட்ட கற்றல்: பெயரிடப்பட்ட எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொள்ளுங்கள் 🎯

யோசனை : உள்ளீடு மற்றும் சரியான பதிலின் மாதிரி ஜோடிகளைக் காட்டு. மாதிரி ஒரு மேப்பிங்கைக் கற்றுக்கொள்கிறது (x \rightarrow y).

பொதுவான பணிகள் : பட வகைப்பாடு, உணர்வு பகுப்பாய்வு, அட்டவணை கணிப்பு, பேச்சு அங்கீகாரம்.
வழக்கமான இழப்புகள் : வகைப்பாட்டிற்கான குறுக்கு-என்ட்ரோபி, பின்னடைவுக்கான சராசரி வர்க்கப் பிழை. [1]
ஆபத்துகள் : லேபிள் சத்தம், வகுப்பு ஏற்றத்தாழ்வு, தரவு கசிவு.
திருத்தங்கள் : அடுக்குப்படுத்தப்பட்ட மாதிரி எடுத்தல், வலுவான இழப்புகள், முறைப்படுத்தல் மற்றும் மிகவும் மாறுபட்ட தரவு சேகரிப்பு. [1], [2]

பல தசாப்த கால வரையறைகள் மற்றும் உற்பத்தி நடைமுறையின் அடிப்படையில், மேற்பார்வையிடப்பட்ட கற்றல் தொடர்ந்து ஒரு சிறந்த தேர்வாகவே உள்ளது, ஏனெனில் முடிவுகள் கணிக்கக்கூடியவை மற்றும் அளவீடுகள் நேரடியானவை. [1], [3]

மேற்பார்வையற்ற மற்றும் சுய மேற்பார்வை கற்றல்: தரவின் கட்டமைப்பைக் கற்றுக்கொள்ளுங்கள் 🔍

மேற்பார்வை இல்லாதவர் லேபிள்கள் இல்லாமல் வடிவங்களைக் கற்றுக்கொள்கிறார்.

கொத்துதல் : ஒத்த புள்ளிகளைக் குழுவாக்குங்கள்—k-பொருள் எளிமையானது மற்றும் வியக்கத்தக்க வகையில் பயனுள்ளதாக இருக்கும்.
பரிமாணக் குறைப்பு : அத்தியாவசிய திசைகளுக்கு தரவை சுருக்கவும் - PCA என்பது நுழைவாயில் கருவியாகும்.
அடர்த்தி/உருவாக்க மாதிரியாக்கம் : தரவு பரவலைக் கற்றுக்கொள்ளுங்கள். [1]

சுய மேற்பார்வை என்பது நவீன இயந்திரம்: மாதிரிகள் அவற்றின் சொந்த மேற்பார்வையை உருவாக்குகின்றன (மறைக்கப்பட்ட கணிப்பு, மாறுபட்ட கற்றல்), அவை பெயரிடப்படாத தரவுகளின் பெருங்கடல்களில் முன்கூட்டியே பயிற்சி செய்து பின்னர் நன்றாகச் சரிசெய்ய உங்களை அனுமதிக்கின்றன. [1]

வலுவூட்டல் கற்றல்: செய்வதன் மூலமும் கருத்துகளைப் பெறுவதன் மூலமும் கற்றுக்கொள்ளுங்கள் 🕹️

ஒரு முகவர் ஒரு சூழலுடன் , வெகுமதிகளைப் , மேலும் நீண்டகால வெகுமதியை அதிகரிக்கும் கொள்கையைக்

முக்கிய பகுதிகள் : நிலை, செயல், வெகுமதி, கொள்கை, மதிப்பு செயல்பாடு.
வழிமுறைகள் : கேள்வி-கற்றல், கொள்கை சாய்வு, நடிகர்-விமர்சகர்.
ஆய்வு vs. சுரண்டல் : புதிய விஷயங்களை முயற்சிக்கவும் அல்லது வேலை செய்வதை மீண்டும் பயன்படுத்தவும்.
கடன் ஒதுக்கீடு : எந்த செயல் எந்த விளைவை ஏற்படுத்தியது?

வெகுமதிகள் குழப்பமாக இருக்கும்போது மனித கருத்து பயிற்சிக்கு வழிகாட்டும் - தரவரிசை அல்லது விருப்பத்தேர்வுகள் சரியான வெகுமதியை கையால் குறியிடாமல் நடத்தையை வடிவமைக்க உதவுகின்றன. [5]

ஆழ்ந்த கற்றல், பின்னோட்டம் மற்றும் சாய்வு இறங்குதல் - துடிக்கும் இதயம் 🫀

நரம்பியல் வலைகள் எளிய செயல்பாடுகளின் கலவைகள். கற்றுக்கொள்ள, அவை பின் பரவலை :

முன்னோக்கி அனுப்புதல் : உள்ளீடுகளிலிருந்து கணிப்புகளைக் கணக்கிடுதல்.
இழப்பு : கணிப்புகளுக்கும் இலக்குகளுக்கும் இடையிலான பிழையை அளவிடுதல்.
பின்னோக்கிய பாஸ் : ஒவ்வொரு அளவுருவிற்கும் இழப்பின் சாய்வுகளைக் கணக்கிட சங்கிலி விதியைப் பயன்படுத்துங்கள்.
புதுப்பிப்பு : ஒரு உகப்பாக்கியைப் பயன்படுத்தி சாய்வுக்கு எதிராக அளவுருக்களை அழுத்தவும்.

பயிற்சியை கைவிடுதல் , எடை இழப்பு மற்றும் சீக்கிரமாக நிறுத்துதல் போன்ற ஒழுங்குமுறை முறைகள் மாதிரிகளை மனப்பாடம் செய்வதற்குப் பதிலாக பொதுமைப்படுத்த உதவுகின்றன. [1], [2]

மின்மாற்றிகள் மற்றும் கவனம்: நவீன மாடல்கள் ஏன் புத்திசாலித்தனமாக உணர்கின்றன 🧠✨

மொழி மற்றும் பார்வையில் பல தொடர்ச்சியான அமைப்புகளை டிரான்ஸ்ஃபார்மர்கள் மாற்றியமைத்தன. முக்கிய தந்திரம் சுய-கவனம் , இது ஒரு மாதிரி சூழலைப் பொறுத்து அதன் உள்ளீட்டின் வெவ்வேறு பகுதிகளை எடைபோட அனுமதிக்கிறது. நிலைசார் குறியாக்கங்கள் வரிசையைக் கையாளுகின்றன, மேலும் பல-தலை கவனம் மாதிரியை ஒரே நேரத்தில் வெவ்வேறு உறவுகளில் கவனம் செலுத்த அனுமதிக்கிறது. அளவிடுதல் - மிகவும் மாறுபட்ட தரவு, அதிக அளவுருக்கள், நீண்ட பயிற்சி - பெரும்பாலும் குறைந்து வரும் வருமானம் மற்றும் உயரும் செலவுகளுடன் உதவுகிறது. [1], [2]

பொதுமைப்படுத்தல், அதிகப்படியான பொருத்தம் மற்றும் சார்பு-மாறுபாட்டு நடனம் 🩰

ஒரு மாடல் பயிற்சித் தொகுப்பில் முன்னேறிச் சென்றாலும் நிஜ உலகில் தோல்வியடையக்கூடும்.

அதிகமாகப் பொருத்துதல் : சத்தத்தை மனப்பாடம் செய்கிறது. பயிற்சிப் பிழை குறைகிறது, சோதனைப் பிழை அதிகரிக்கிறது.
அண்டர்ஃபிட்டிங் : மிகவும் எளிமையானது; சிக்னலைத் தவறவிடுகிறது.
சார்பு-மாறுபாடு வர்த்தகம் : சிக்கலானது சார்பைக் குறைக்கிறது ஆனால் மாறுபாட்டை அதிகரிக்கக்கூடும்.

சிறப்பாகப் பொதுமைப்படுத்துவது எப்படி:

மிகவும் மாறுபட்ட தரவு - வெவ்வேறு மூலங்கள், களங்கள் மற்றும் விளிம்பு வழக்குகள்.
ஒழுங்குபடுத்துதல் - இடைநிற்றல், எடைச் சிதைவு, தரவு அதிகரிப்பு.
முறையான சரிபார்ப்பு - சுத்தமான சோதனைத் தொகுப்புகள், சிறிய தரவுகளுக்கு குறுக்கு சரிபார்ப்பு.
கண்காணிப்பு சறுக்கல் - உங்கள் தரவு விநியோகம் காலப்போக்கில் மாறும்.

ஆபத்து-அறிவு நடைமுறை இவற்றை வாழ்க்கைச் சுழற்சி செயல்பாடுகளாக - நிர்வாகம், மேப்பிங், அளவீடு மற்றும் மேலாண்மை - ஒரு முறை மட்டுமே செய்யப்படும் சரிபார்ப்புப் பட்டியல்களாக அல்ல - வடிவமைக்கிறது. [4]

முக்கியமான அளவீடுகள்: கற்றல் நடந்தது என்பதை நாம் எப்படி அறிவோம் 📈

வகைப்பாடு : துல்லியம், துல்லியம், நினைவுகூரல், F1, ROC AUC. சமநிலையற்ற தரவு துல்லிய-நினைவுகூரல் வளைவுகளைக் கோருகிறது. [3]
பின்னடைவு : MSE, MAE, (R^2). [1]
தரவரிசை/மீட்டெடுப்பு : MAP, NDCG, recall@K. [1]
உருவாக்க மாதிரிகள் : குழப்பம் (மொழி), BLEU/ROUGE/CIDEr (உரை), CLIP-அடிப்படையிலான மதிப்பெண்கள் (மல்டிமாடல்), மற்றும்-முக்கியமாக-மனித மதிப்பீடுகள். [1], [3]

பயனர் தாக்கத்துடன் ஒத்துப்போகும் அளவீடுகளைத் தேர்வுசெய்யவும். தவறான நேர்மறைகள் உண்மையான விலையாக இருந்தால், துல்லியத்தில் ஒரு சிறிய அதிகரிப்பு பொருத்தமற்றதாக இருக்கலாம். [3]

நிஜ உலகில் பயிற்சி பணிப்பாய்வு: ஒரு எளிய வரைபடம் 🛠️

சிக்கலை வடிவமைத்தல் - உள்ளீடுகள், வெளியீடுகள், கட்டுப்பாடுகள் மற்றும் வெற்றி அளவுகோல்களை வரையறுக்கவும்.
தரவு குழாய்வழி - சேகரிப்பு, லேபிளிங், சுத்தம் செய்தல், பிரித்தல், பெருக்குதல்.
அடிப்படை - எளிமையாகத் தொடங்குங்கள்; நேரியல் அல்லது மர அடிப்படைகள் அதிர்ச்சியூட்டும் வகையில் போட்டித்தன்மை வாய்ந்தவை.
மாடலிங் - சில குடும்பங்களை முயற்சிக்கவும்: சாய்வு-மேம்படுத்தப்பட்ட மரங்கள் (அட்டவணை), CNNகள் (படங்கள்), மின்மாற்றிகள் (உரை).
பயிற்சி - அட்டவணை, கற்றல்-விகித உத்திகள், சோதனைச் சாவடிகள், தேவைப்பட்டால் கலப்பு துல்லியம்.
மதிப்பீடு - குறைகள் மற்றும் பிழை பகுப்பாய்வு. சராசரியை மட்டும் பார்க்காமல், தவறுகளைப் பாருங்கள்.
வரிசைப்படுத்தல் - அனுமானக் குழாய், கண்காணிப்பு, பதிவு செய்தல், திரும்பப் பெறுதல் திட்டம்.
மீண்டும் செய்யவும் - சிறந்த தரவு, நன்றாகச் சரிசெய்தல் அல்லது கட்டமைப்பு மாற்றங்கள்.

மினி கேஸ் : ஒரு மின்னஞ்சல்-வகைப்படுத்தி திட்டம் ஒரு எளிய நேரியல் அடிப்படையுடன் தொடங்கப்பட்டது, பின்னர் முன்கூட்டியே பயிற்சி பெற்ற மின்மாற்றியை நன்றாகச் சரிசெய்தது. மிகப்பெரிய வெற்றி மாதிரி அல்ல - அது லேபிளிங் ரூப்ரிக்கை இறுக்குவதும், குறைவாக பிரதிநிதித்துவப்படுத்தப்பட்ட "எட்ஜ்" வகைகளைச் சேர்ப்பதும் ஆகும். அவை உள்ளடக்கப்பட்டவுடன், சரிபார்ப்பு F1 இறுதியாக நிஜ உலக செயல்திறனைக் கண்காணித்தது. (உங்கள் எதிர்கால சுயம்: மிகவும் நன்றியுள்ளவர்.)

தரவு தரம், லேபிளிங் மற்றும் உங்களுக்கு நீங்களே பொய் சொல்லாமல் இருப்பதற்கான நுட்பமான கலை 🧼

குப்பையில் போடுங்கள், வருந்துகிறோம். லேபிளிங் வழிகாட்டுதல்கள் சீரானதாகவும், அளவிடக்கூடியதாகவும், மதிப்பாய்வு செய்யப்பட்டதாகவும் இருக்க வேண்டும். இடை-குறிப்பாளர் ஒப்பந்தம் முக்கியமானது.

எடுத்துக்காட்டுகள், மூலை வழக்குகள் மற்றும் டை-பிரேக்கர்களுடன் ரூப்ரிக்ஸை எழுதுங்கள்.
நகல்களுக்கும் கிட்டத்தட்ட நகல்களுக்கும் தரவுத்தொகுப்புகளைத் தணிக்கை செய்யவும்.
தடமறிதல் தோற்றம் - ஒவ்வொரு எடுத்துக்காட்டு எங்கிருந்து வந்தது, அது ஏன் சேர்க்கப்பட்டுள்ளது.
வெறும் ஒரு நேர்த்தியான அளவுகோலாக இல்லாமல், உண்மையான பயனர் சூழ்நிலைகளுக்கு எதிராக தரவு கவரேஜை அளவிடவும்.

இவை நீங்கள் உண்மையில் செயல்படுத்தக்கூடிய பரந்த உத்தரவாதம் மற்றும் நிர்வாக கட்டமைப்புகளில் சரியாகப் பொருந்துகின்றன. [4]

கற்றல், ஃபைன்-ட்யூனிங் மற்றும் அடாப்டர்களை மாற்றவும் - கனமான தூக்குதலை மீண்டும் பயன்படுத்தவும் ♻️

முன் பயிற்சி பெற்ற மாதிரிகள் பொதுவான பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கின்றன; குறைந்த தரவுகளுடன் அவற்றை உங்கள் பணிக்கு ஏற்ப மாற்றியமைக்கிறது.

அம்சம் பிரித்தெடுத்தல் : முதுகெலும்பை உறைய வைக்கவும், ஒரு சிறிய தலையைப் பயிற்றுவிக்கவும்.
முழுமையான ஃபைன்-ட்யூனிங் : அதிகபட்ச திறனுக்கான அனைத்து அளவுருக்களையும் புதுப்பிக்கவும்.
அளவுரு-திறமையான முறைகள் : அடாப்டர்கள், LoRA-பாணி குறைந்த-தர புதுப்பிப்புகள்-கணக்கீடு இறுக்கமாக இருக்கும்போது நல்லது.
டொமைன் தழுவல் : டொமைன்களுக்கு இடையே உட்பொதிவுகளை சீரமைத்தல்; சிறிய மாற்றங்கள், பெரிய ஆதாயங்கள். [1], [2]

இந்த மறுபயன்பாட்டு முறைதான் நவீன திட்டங்கள் வீரதீர பட்ஜெட்டுகள் இல்லாமல் வேகமாக நகர முடிகிறது.

பாதுகாப்பு, நம்பகத்தன்மை மற்றும் சீரமைப்பு - விருப்பமற்ற பிட்கள் 🧯

கற்றல் என்பது துல்லியத்தைப் பற்றியது மட்டுமல்ல. வலுவான, நியாயமான மற்றும் நோக்கம் கொண்ட பயன்பாட்டுடன் இணைந்த மாதிரிகளையும் நீங்கள் விரும்புகிறீர்கள்.

விரோதமான வலிமை : சிறிய இடையூறுகள் மாதிரிகளை முட்டாளாக்கும்.
சார்பு மற்றும் நியாயத்தன்மை : ஒட்டுமொத்த சராசரிகளை மட்டுமல்லாமல், துணைக்குழு செயல்திறனை அளவிடவும்.
விளக்கம் ஏன் என்பதைப் புரிந்துகொள்ள உதவுகிறது .
சுழற்சியில் மனிதன் : தெளிவற்ற அல்லது அதிக தாக்கத்தை ஏற்படுத்தும் முடிவுகளுக்கான விரிவாக்கப் பாதைகள். [4], [5]

குறிக்கோள்கள் தெளிவற்றதாக இருக்கும்போது மனித தீர்ப்பைச் சேர்க்க முன்னுரிமை அடிப்படையிலான கற்றல் ஒரு நடைமுறை வழி. [5]

ஒரு நிமிடத்தில் அடிக்கடி கேட்கப்படும் கேள்விகள் - விரைவான தீ ⚡

சரி, உண்மையில், AI எவ்வாறு கற்றுக்கொள்கிறது? இழப்புக்கு எதிராக மீண்டும் மீண்டும் மேம்படுத்துவதன் மூலம், சாய்வுகள் சிறந்த கணிப்புகளை நோக்கி அளவுருக்களை வழிநடத்துகின்றன. [1], [2]
அதிக தரவு எப்போதும் உதவுமா? வழக்கமாக, குறைந்து வரும் வருமானம் வரை. பல்வேறு வகைகள் பெரும்பாலும் மூல அளவை விட அதிகமாக இருக்கும். [1]
லேபிள்கள் குழப்பமாக இருந்தால் என்ன செய்வது? சத்தம்-வலுவான முறைகளைப் பயன்படுத்தவும், சிறந்த ரூப்ரிக்ஸ்களைப் பயன்படுத்தவும், மேலும் சுய மேற்பார்வையுடன் கூடிய முன் பயிற்சியைப் பரிசீலிக்கவும். [1]
மின்மாற்றிகள் ஏன் ஆதிக்கம் செலுத்துகின்றன? கவனம் நன்றாக அளவிடப்படுகிறது மற்றும் நீண்ட தூர சார்புகளைப் பிடிக்கிறது; கருவி முதிர்ச்சியடைந்தது. [1], [2]
பயிற்சி முடிந்துவிட்டதா என்று எனக்கு எப்படித் தெரியும்? சரிபார்ப்பு இழப்பு பீடபூமிகள், அளவீடுகள் நிலைபெறுகின்றன, புதிய தரவு எதிர்பார்த்தபடி செயல்படுகிறது - பின்னர் சறுக்கலைக் கண்காணிக்கவும். [3], [4]

ஒப்பீட்டு அட்டவணை - இன்று நீங்கள் உண்மையில் பயன்படுத்தக்கூடிய கருவிகள் 🧰

வேண்டுமென்றே சற்று வினோதமாக இருக்கிறது. விலைகள் முக்கிய நூலகங்களுக்கானவை - அளவிலான பயிற்சிக்கு உள்கட்டமைப்பு செலவுகள் உள்ளன என்பது தெளிவாகிறது.

கருவி	சிறந்தது	விலை	இது ஏன் நன்றாக வேலை செய்கிறது?
பைடார்ச்	ஆராய்ச்சியாளர்கள், கட்டுமான நிறுவனங்கள்	இலவசம் - திறந்த src	டைனமிக் வரைபடங்கள், வலுவான சுற்றுச்சூழல் அமைப்பு, சிறந்த பயிற்சிகள்.
டென்சர்ஃப்ளோ	தயாரிப்பு குழுக்கள்	இலவசம் - திறந்த src	முதிர்ந்த சேவை, மொபைலுக்கான TF லைட்; பெரிய சமூகம்.
ஸ்கைகிட்-கற்று	அட்டவணை தரவு, அடிப்படைகள்	இலவசம்	சுத்தமான API, விரைவாக மீண்டும் செய்யக்கூடியது, சிறந்த ஆவணங்கள்.
கெராஸ்	விரைவான முன்மாதிரிகள்	இலவசம்	TF மீது உயர்-நிலை API, படிக்கக்கூடிய அடுக்குகள்.
ஜாக்ஸ்	சக்தி பயனர்கள், ஆராய்ச்சி	இலவசம்	தானியங்கி திசையன்மயமாக்கல், XLA வேகம், நேர்த்தியான கணித அதிர்வுகள்.
கட்டிப்பிடிக்கும் முக மின்மாற்றிகள்	NLP, பார்வை, ஆடியோ	இலவசம்	முன் பயிற்சி பெற்ற மாதிரிகள், எளிமையான ஃபைன்-ட்யூனிங், சிறந்த மையங்கள்.
மின்னல்	பயிற்சி பணிப்பாய்வுகள்	இலவச கோர்	கட்டமைப்பு, பதிவு செய்தல், பல-GPU-பேட்டரிகள் சேர்க்கப்பட்டுள்ளன.
எக்ஸ்ஜிபூஸ்ட்	அட்டவணை போட்டி	இலவசம்	வலுவான அடிப்படைகள், பெரும்பாலும் கட்டமைக்கப்பட்ட தரவுகளில் வெற்றி பெறுகின்றன.
எடைகள் & சார்புகள்	பரிசோதனை கண்காணிப்பு	இலவச அடுக்கு	மறுஉருவாக்கம், ஓட்டங்களை ஒப்பிடுதல், வேகமான கற்றல் சுழல்கள்.

தொடங்குவதற்கு அதிகாரப்பூர்வ ஆவணங்கள்: PyTorch, TensorFlow, மற்றும் நேர்த்தியான scikit-learn பயனர் வழிகாட்டி. (ஒன்றைத் தேர்ந்தெடுத்து, சிறிய ஒன்றை உருவாக்கி, மீண்டும் மீண்டும் செய்யவும்.)

ஆழ்ந்த ஆய்வு: நிகழ்நேரத்தை மிச்சப்படுத்தும் நடைமுறை குறிப்புகள் 🧭

கற்றல்-விகித அட்டவணைகள் : கோசைன் சிதைவு அல்லது ஒரு-சுழற்சி பயிற்சியை உறுதிப்படுத்தும்.
தொகுதி அளவு : பெரியது எப்போதும் சிறந்த கண்காணிப்பு சரிபார்ப்பு அளவீடுகள் அல்ல, செயல்திறன் மட்டுமல்ல.
எடை init : நவீன இயல்புநிலைகள் சரி; பயிற்சி நின்றால், துவக்கத்தை மீண்டும் பார்வையிடவும் அல்லது ஆரம்ப அடுக்குகளை இயல்பாக்கவும்.
இயல்பாக்கம் : தொகுதி விதிமுறை அல்லது அடுக்கு விதிமுறை வியத்தகு முறையில் மேம்படுத்தலை மென்மையாக்கும்.
தரவு பெருக்குதல் : படங்களுக்கான புரட்டல்கள்/பயிர்கள்/வண்ண நடுக்கம்; உரைக்கான மறைத்தல்/டோக்கன் கலக்குதல்.
பிழை பகுப்பாய்வு : ஸ்லைஸ்-ஒன் எட்ஜ் கேஸ் மூலம் பிழைகளைக் குழுவாக்குவது எல்லாவற்றையும் கீழே இழுக்கும்.
மறுபரிசீலனை : விதைகளை அமைக்கவும், ஹைப்பர்பரம்களை பதிவு செய்யவும், சோதனைச் சாவடிகளைச் சேமிக்கவும். எதிர்காலத்தில் நீங்கள் நன்றியுள்ளவர்களாக இருப்பீர்கள் என்று நான் உறுதியளிக்கிறேன். [2], [3]

சந்தேகம் இருக்கும்போது, அடிப்படைகளை மீண்டும் தேடுங்கள். அடிப்படைகள்தான் திசைகாட்டியாக இருக்கும். [1], [2]

கிட்டத்தட்ட வேலை செய்யும் ஒரு சிறிய உருவகம் 🪴

ஒரு மாதிரியைப் பயிற்றுவிப்பது என்பது ஒரு விசித்திரமான முனையுடன் ஒரு செடிக்கு தண்ணீர் ஊற்றுவது போன்றது. அதிகப்படியான நீர் நிரப்பப்பட்ட குட்டை. மிகக் குறைவான நீர் நிரப்பப்பட்ட வறட்சி. சரியான அளவு, நல்ல தரவுகளிலிருந்து சூரிய ஒளி மற்றும் சுத்தமான நோக்கங்களிலிருந்து ஊட்டச்சத்துக்கள், நீங்கள் வளர்ச்சியைப் பெறுவீர்கள். ஆம், சற்று சீஸியாக இருக்கிறது, ஆனால் அது ஒட்டிக்கொண்டிருக்கும்.

AI எப்படி கற்றுக்கொள்கிறது? அனைத்தையும் ஒன்றாகக் கொண்டுவருதல் 🧾

ஒரு மாதிரி சீரற்ற முறையில் தொடங்குகிறது. சாய்வு அடிப்படையிலான புதுப்பிப்புகள் மூலம், இழப்பால் வழிநடத்தப்பட்டு, அது அதன் அளவுருக்களை தரவுகளில் உள்ள வடிவங்களுடன் சீரமைக்கிறது. கணிப்பை எளிதாக்கும் பிரதிநிதித்துவங்கள் வெளிப்படுகின்றன. கற்றல் உண்மையானதா, தற்செயலானதா என்பதை மதிப்பீடு உங்களுக்குச் சொல்கிறது. மேலும் பாதுகாப்புக்கான தடுப்புகளுடன் கூடிய மறு செய்கை ஒரு டெமோவை நம்பகமான அமைப்பாக மாற்றுகிறது. அதுதான் முழு கதையும், முதலில் தோன்றியதை விட குறைவான மர்மமான அதிர்வுகளுடன். [1]–[4]

இறுதி குறிப்புகள் - மிக நீளமானது, படிக்கவில்லை 🎁

AI எவ்வாறு கற்றுக்கொள்கிறது? பல எடுத்துக்காட்டுகளில் சாய்வுகளுடன் இழப்பைக் குறைப்பதன் மூலம். [1], [2]
நல்ல தரவு, தெளிவான குறிக்கோள்கள் மற்றும் நிலையான தேர்வுமுறை ஆகியவை கற்றலை நிலைநிறுத்துகின்றன. [1]–[3]
பொதுமைப்படுத்தல் எப்போதும் மனப்பாடத்தை விட மேலோங்கி நிற்கிறது. [1]
பாதுகாப்பு, மதிப்பீடு மற்றும் மறு செய்கை ஆகியவை புத்திசாலித்தனமான யோசனைகளை நம்பகமான தயாரிப்புகளாக மாற்றுகின்றன. [3], [4]
எளிமையாகத் தொடங்குங்கள், நன்றாக அளவிடுங்கள், மேலும் கவர்ச்சியான கட்டமைப்புகளைத் துரத்துவதற்கு முன் தரவைச் சரிசெய்வதன் மூலம் மேம்படுத்துங்கள். [2], [3]

குறிப்புகள்

குட்ஃபெல்லோ, பென்கியோ, கோர்வில் - ஆழ்ந்த கற்றல் (இலவச ஆன்லைன் உரை). இணைப்பு
ஸ்டான்போர்ட் CS231n - காட்சி அங்கீகாரத்திற்கான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (பாடநெறி குறிப்புகள் & பணிகள்). இணைப்பு
கூகிள் - இயந்திர கற்றல் செயலிழப்பு பாடநெறி: வகைப்பாடு அளவீடுகள் (துல்லியம், துல்லியம், நினைவுகூருதல், ROC/AUC) . இணைப்பு
NIST - AI இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0) . இணைப்பு
OpenAI - மனித விருப்பங்களிலிருந்து கற்றல் (விருப்பத்தேர்வு அடிப்படையிலான பயிற்சியின் கண்ணோட்டம்). இணைப்பு

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்.

எங்களை பற்றி

வலைப்பதிவிற்குத் திரும்பு

நாடு/பிராந்தியம்