యంత్ర అభ్యాస

యంత్ర అభ్యాస(ఆంగ్లం: Machine Learning) అనగా యంత్రానికి మనిషి వాలే అనుభవాలా నుండి తమ అంతటా తామే నేర్చుకునేలా తీర్చిదిదుట. యంత్రలు తమ అంతటా తామే నేర్చుకోవడానికి తమకు ఇచ్చిన సమాచారం లోని నమూనా లను, సమాచారం గణాంకాలను గుర్తిస్తాయి. గుర్తించిన నమూనా లను, గణాంకాలను బట్టి భవిష్యత్తు లో ఏదైనా తెలియని సమాచారాన్ని అల్గోరిథమ్కి ఇచ్చినపుడు ఆ సమాచారాన్ని ఇంతకు ముందు ఇచ్చిన ఏ నమూనాలు, గణాంకాలతో మ్యాచ్ అయ్యాయో చూచి ఈ సమాచారం విలువ ను గుర్తిస్తుంది.

యంత్ర అభ్యాసనలో ముఖ్యంగా మూడు భాగాలు ఉంటాయి. మొదటిది ట్రైనింగ్ , ఇందులో మన అల్గోరిథమ్కి మనం సమాచారాన్ని అందిస్తాం ఈ సమాచారాన్ని మనం ట్రైనింగ్ డేటా అని అంటాం. రెండవ భాగం లో మనం పంపించిన ట్రైనింగ్ డేటా నుండి మన అల్గోరిథం ఒక మోడల్ ని నేర్చుకుంటుంది. మూడవ భాగం లో మనం తెలియని డేటా ని మన మోడల్ కి ఇస్తే ఆది ఆ సమాచారం విలువని ఇస్తుంది. మెషిన్ లెర్నింగ్ డేటా మైనింగ్, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్, స్టాటిస్టిక్స్ ఆప్టిమైజేషన్‌తో సంబంధాలను కలిగి ఉంది.

చరిత్రసవరించు

యంత్ర అభ్యాస (మిషిన్ లెర్నింగ్) అనే పేరు మొదటగా ఆర్థర్ శామ్యూల్ అనే వ్యక్తి 1959న పేర్కొన్నారు. టామ్ ఎం. మిచెల్ మిషీన్ లెర్నింగ్ ఫీల్డ్‌లో అధ్యయనం చేసే అల్గోరిథంల గురించి విస్తృతం గా ఈ నిర్వచనాన్ని అందించాడు: "కంప్యూటర్ ప్రోగ్రామ్ అనుభవం E ని నేర్చు కుంది అని అంటాం ఏపుడైతే P అనే పని తీరు కొలతతో కోలిసే T అనే పనిని చేయడం లో మన అల్గోరిథం P అనే పనితీరు కొలతని అనుభవం E తో మెరుగు పరుస్తుంది “. మిషన్ లెర్నింగ్ టైం లైన్ చూసే టందుకు ఈ [1]. అల్గోరిథంలకు ఇచ్చే డేటా నిర్మాణం బట్టి,వాటి అంతర్గత నిర్మాణం బట్టి యంత్ర అభ్యాస అల్గోరిథంలు చాలా రకాలు ఉన్నాయి. వాటిలో కొన్ని:

పర్యవేక్షించిన అభ్యాసం(Supervised Learning)సవరించు

దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [2] ఇందులో ట్రైనింగ్ కి ఇచ్చే సమాచారంలో సమాచారం తో పాటు ఆ సమాచారం విలువ(టార్గెట్) కూడా ఉంటుంది. ఈ శిక్షణా సమితి ఆధారంగా, అల్గోరిథం భవిష్యత్తు సమాచారం విలువ సరిగ్గా స్పందించడానికి సాధారణీకరిస్తుంది. ఉదాహరణకు మనం ఇంటి వివరలు వాటి విలువలను మన అల్గోరిథం కి ఇస్తాము. మన మోడల్ తయారు అయిన తరువాత మనం ఇంటి వివరలను ఇస్తే మన మిషన్ లెర్నింగ్ మోడల్ మంకు ఆ ఇంటి విలువని ఇస్తుంది.

పర్యవేక్షించబడని అభ్యాసం(Unsupervised Learning) దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [3] ఇందులో ట్రైనింగ్ కి ఇచ్చే సమాచారంలో సమాచారం మాత్రమే ఉంటుంది. ఇ అల్గోరిథం ఇన్‌పుట్‌ల మధ్య సారూప్యతను గుర్తించడానికి ప్రయత్నిస్తుంది, తద్వారా ఏదైనా ఉన్న ఇన్‌పుట్‌లు ఒకే విధంగా వున్నచో అవి కలిసి వర్గీకరించబడతాయి.

రీన్ఫోర్స్డ్ లెర్నింగ్సవరించు

దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [4] ఇది సూపరవిషెడ్ లెర్నింగ్ అన్ సూపరవిషెడ్ లెర్నింగ్ మధ్య ఉంటుంది. సమాధానం తప్పు అయినప్పుడు అల్గోరిథమిక్కీ తప్పు అని చెప్పబడుతుంది, కానీ ఆ తప్పును ఎలా సరిదిద్దలో చెప్పబడదు. ఇది ఎలా చేయాలో పని చేసే వరకు ఇది వివిధ అవకాశాలను అన్వేషించి ప్రయత్నిస్తుంది. చాలావరకు యంత్ర అభ్యాస సమస్యలను మూడు రకాల పనులుగా విభజించవచ్చు.

వర్గీకరణ(classification)సవరించు

దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [5] . వర్గీకరణలో మన మోడల్ ఒక లక్ష్యం ఏంటి అంటే ట్రైనింగ్ సమాచారం బట్టి ఏదైనా కొత్త సమాచారం మన మోడల్ కి ఇస్తే దానిని ఏదో ఒక వర్గానికి వర్గీకరిస్తుంది. ఉదహరానికి ఒక వ్యక్తి ఒక మెడికల్ రిపోర్ట్స్ చూచి తనకి కేన్సర్ ఉందొ లేదో వర్గీకరించడం.ఈ విధమైన సమస్యలను పరిష్కరించడానికి పర్యవేక్షించిన అభ్యాసం అల్గోరిథమ్స్ వాడతాం.

రిగ్రెషన్(regression)సవరించు

దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [6] . రిగ్రెషన్లో మన మోడల్ ఒక లక్ష్యం ఏంటి అంటే ట్రైనింగ్ సమాచారం బట్టి ఏదైనా కొత్త సమాచారం మన మోడల్ కి ఇస్తే దానిని ఏదో ఒక విలువని కనిపెట్టాలి . ఉదాహరణకు మనం ఇంటి వివరలు వాటి విలువలను మన అల్గోరిథం కి ఇస్తాము. మన మోడల్ తయారు అయిన తరువాత మనం ఇంటి వివరలను ఇస్తే మన మిషన్ లెర్నింగ్ మోడల్ మంకు ఆ ఇంటి విలువని ఇస్తుంది.ఈ విధమైన సమస్య లను పరిష్కరించడానికి పర్యవేక్షించిన అభ్యాసం అల్గోరిథమ్స్ వాడతాం.

క్లస్టరింగ్(clustering)సవరించు

దీనిని మీద ఆంగ్లములో వివరాలకు ఈ [7] . క్లస్టరింగ్లో మన మోడల్ ఒక లక్ష్యం ఏంటి అంటే ట్రైనింగ్ సమాచారం బట్టి ఏదైనా కొత్త సమాచారం మన మోడల్ కి ఇస్తే దానిని ఏదో ఒక క్లస్టర్ కు (ట్రైనింగ్ సమాచారం బట్టి మన అల్గోరిథం సమాచారాన్ని కొన్ని క్లస్టర్స్ గ తాయారు చేస్తుంది) అంకితం చెయ్యాలి. ఉదాహరణకు మనం మన ట్రైనింగ్ డాటాతో చిన్న పిల్లలు, యువకులు, పెద్ద వాళ్ళు అను మూడు క్లస్టర్ చేసాం అనుకుంకుందాం. ఎప్పుడు మనకి ఒక కొత్త డేటా ఎవరైనా ఇస్తే మనం దానిని పైన ఉన్న ఏదో ఒక క్లస్టర్ కి అంకితం చెయ్యాలి. ఈ విధమైన సమస్య లను పరిష్కరించడానికి పర్యవేక్షించబడని అభ్యాసం అల్గోరిథమ్స్ వాడతాం.

మూలాలుసవరించు