మెషిన్ లెర్నింగ్ ఏమిటి?

కంప్యూటర్లు పూర్తవుతున్నాయి కానీ ప్రతిరోజూ తెలివిగా ఉంటాయి

సాధారణ పద్దతిలో, మెషిన్ లెర్నింగ్ (ML) అనేది యంత్రాలు (కంప్యూటర్లు) యొక్క కార్యక్రమంగా చెప్పవచ్చు, తద్వారా అది ఒక మానవ డెవలపర్ నుండి అదనపు నిర్దిష్ట ఇన్పుట్ లేకుండా , స్వతంత్రంగా పనిచేయడానికి డేటా (సమాచారం) ఉపయోగించి మరియు విశ్లేషించడం ద్వారా అభ్యర్థించిన పనిని నిర్వహించవచ్చు.

మెషిన్ లెర్నింగ్ 101

"యంత్ర అభ్యాస" అనే పదాన్ని 1959 లో కృత్రిమ మేధస్సు (AI) మరియు కంప్యూటర్ గేమింగ్లలో ఒక మార్గదర్శకుడు ఆర్థర్ శామ్యూల్చే IBM లాబ్స్లో ఉపయోగించారు. మెషిన్ లెర్నింగ్, ఫలితంగా, కృత్రిమ మేధస్సు యొక్క శాఖ. శామ్యూల్ యొక్క ఆవరణలో కంప్యూటింగు నమూనాను తలక్రిందులుగా వేయడం మరియు తెలుసుకోవడానికి కంప్యూటరు విషయాలను ఇవ్వడం.

దానికి బదులుగా, కంప్యూటర్లు తమ సొంత విషయాలను గుర్తించడాన్ని ప్రారంభించాలని అతను కోరుకున్నాడు, మనుషుల సమాచారం కూడా ఇంతకు ముందెన్నడూ లేనంత సమాచారం. అప్పుడు, అతను ఆలోచించాడు, కంప్యూటర్లు కేవలం పనులు చేపడుతున్నాయని కానీ చివరకు ఏ పనులను నిర్వహించాలో మరియు ఎప్పుడు నిర్ణయించవచ్చని అతను అనుకున్నాడు. ఎందుకు? అందువల్ల కంప్యూటర్లు ఏవైనా ప్రాంతాల్లో నిర్వహించాల్సిన అవసరం ఉన్న పనిని తగ్గించవచ్చు.

మెషిన్ లెర్నింగ్ వర్క్స్ ఎలా

అల్గోరిథంలు మరియు డేటా ఉపయోగం ద్వారా మెషిన్ లెర్నింగ్ పనిచేస్తుంది. ఒక అల్గోరిథం సూచనలు లేదా మార్గదర్శకాల సమితి, ఇది ఒక కంప్యూటర్ లేదా కార్యక్రమాలను ఎలా నిర్వర్తించాలో తెలియజేస్తుంది. ML సేకరించిన డేటాలో ఉపయోగించే అల్గోరిథంలు, నమూనాలను గుర్తించడం మరియు ఆ డేటా యొక్క విశ్లేషణ దాని స్వంత కార్యక్రమాలను మరియు కార్యాలను పూర్తి చేయడానికి పనులను ఉపయోగించడం.

ML అల్గోరిథంలు నిర్ణయాలు తీసుకోవడానికి మరియు పనులను చేయడానికి ప్రాసెసింగ్ డేటాను ఆటోమేట్ చెయ్యడానికి నియమం సెట్లు, నిర్ణయం చెట్లు, గ్రాఫికల్ నమూనాలు, సహజ భాషా ప్రాసెసింగ్ మరియు నాడీ నెట్వర్క్లు (కొన్నింటిని) ఉపయోగించుకుంటాయి. ఎంఎల్ ఒక క్లిష్టమైన అంశంగా ఉండగా, Google యొక్క టీచబుల్ మెషిన్ ఎమ్మెల్ ఎలా పని చేస్తుందో ప్రదర్శిస్తుంది.

ఈనాడు ఉపయోగించిన మెషీన్ లెర్నింగ్ యొక్క అత్యంత శక్తివంతమైన రూపం, లోతైన అభ్యాసం అని పిలుస్తారు, విస్తారమైన పరిమాణాల డేటా ఆధారంగా ఒక నాడీ నెట్వర్క్ అనే సంక్లిష్టమైన గణిత నిర్మాణాన్ని నిర్మించింది. మానవ మెదడు మరియు నాడీ వ్యవస్థ ప్రక్రియ సమాచారంలో నరాల కణాల నమూనాను అనుసరించి ML మరియు నెట్వర్క్లలో అల్గోరిథం యొక్క అల్గోరిథం యొక్క సెట్లు.

కృత్రిమ మేధస్సు vs. మెషిన్ లెర్నింగ్ vs. డేటా మైనింగ్

AI, ML మరియు డేటా మైనింగ్ మధ్య ఉన్న సంబంధాన్ని ఉత్తమంగా అర్థం చేసుకోవడానికి, వివిధ పరిమాణపు గొడుగుల సమితిని ఆలోచించడం సహాయపడుతుంది. AI అతిపెద్ద గొడుగు. ML గొడుగు ఒక చిన్న పరిమాణం మరియు AI గొడుగు కింద సరిపోతుంది. డేటా మైనింగ్ గొడుగు చిన్నది మరియు ML గొడుగు కింద సరిపోతుంది.

• మానవ మేధస్సు తరువాత రూపొందించబడిన తర్కం మరియు నిర్ణయాత్మక పద్ధతులను ఉపయోగించి, "తెలివైన" మరియు "మానవ-తరహా" మార్గాల్లో పనులను నిర్వహించడానికి కంప్యూటర్లు ప్రోగ్రామ్ చేసే కంప్యూటర్ సైన్స్ యొక్క ఒక విభాగం AI.
• ML అనేది కంప్యూటరులో ఒక కంప్యూటింగ్ వర్గమే, ప్రోగ్రామింగ్ యంత్రాలు (కంప్యూటర్స్) తెలుసుకోవడానికి (అవసరమైన డేటా లేదా ఉదాహరణలను సేకరించండి) డేటా-ఆధారిత, తెలివైన నిర్ణయాలు మరింత ఆటోమేటెడ్ పద్ధతిలో చేయడానికి.
• డేటా మైనింగ్ గణాంకాలు, ML, AI, మరియు నమూనాలను కనుగొనడానికి, అంతర్దృష్టులను అందించడం, వర్గీకరణలను సృష్టించడం, సమస్యలను గుర్తించడం మరియు వివరణాత్మక డేటా విశ్లేషణలను అందించడం వంటి సమాచారం యొక్క అపారమైన డేటాబేస్లను ఉపయోగిస్తుంది.

ఏ మెషిన్ లెర్నింగ్ చెయ్యవచ్చు (మరియు ఇప్పటికే చేస్తుంది)

రెండవ భాగంలోని భిన్నాల్లో సమాచారాన్ని విస్తారంగా విశ్లేషించడానికి కంప్యూటర్ల సామర్థ్యం, ​​సమయం మరియు ఖచ్చితత్వం అవసరమైన అనేక పరిశ్రమల్లో ఎంఎల్ ఉపయోగపడుతుంది.

• ఔషధం: ML సాంకేతిక వైద్య విభాగానికి పరిష్కారాల శ్రేణిని అమలు చేస్తోంది, అసాధారణ లక్షణాలతో ఉన్న రోగుల వేగంగా రోగనిర్ధారణతో అత్యవసర విభాగ వైద్యులు సహాయంతో సహా. వైద్యులు రోగి యొక్క లక్షణాల జాబితాలో కార్యక్రమంలోకి మరియు ML ను ఉపయోగించుకోవచ్చు, కార్యక్రమం రికార్డు సమయంలో సంభావ్య నిర్ధారణలు మరియు సిఫార్సు చేసిన పరీక్ష లేదా చికిత్స యొక్క జాబితాను తిరిగి ఇవ్వడానికి వైద్య సాహిత్యం మరియు ఇంటర్నెట్ నుండి ట్రిలియన్ల యొక్క టెరాబైట్ల సమాచారాన్ని మెరుగుపరుస్తుంది.
• విద్య: ఎంఎల్ విద్యార్ధుల అభ్యాస అవసరాలకు అనుగుణంగా విద్యాసంబంధ సాధనాలను రూపొందించడానికి వాడుతున్నారు, వర్చువల్ లెర్నింగ్ సహాయకులు మరియు మరింత ఇంటరాక్టివ్ అయిన ఎలక్ట్రానిక్ పాఠ్యపుస్తకాలు. ఈ ఉపకరణాలు విద్యార్ధులను క్విజ్ క్విజ్లు మరియు అభ్యాస వ్యాయామాలను ఉపయోగించి అర్థం చేసుకునే భావనలను మరియు నైపుణ్యాలను తెలుసుకోవడానికి ML ని ఉపయోగిస్తారు. టూల్స్ అప్పుడు చిన్న వీడియోలు, అదనపు ఉదాహరణలు, మరియు నేపథ్యం సామగ్రిని అవసరమైన నైపుణ్యాలను లేదా భావనలను నేర్చుకోవటానికి సహాయపడుతుంది.
• ఆటోమోటివ్: ML కూడా స్వీయ డ్రైవింగ్ కార్ల అభివృద్ధి చెందుతున్న రంగంలో (ఇది డ్రైవర్-తక్కువ కార్లు లేదా స్వయంప్రతిపత్తమైన కార్లు అని కూడా పిలుస్తారు) లో కూడా కీలకమైన భాగం. రహదారి పరిస్థితులను (మంచు రహదారులు వంటివి) గుర్తించడానికి లేదా రహదారిలో అడ్డంకులను గుర్తించడానికి మరియు అటువంటి పరిస్థితులను సురక్షితంగా నావిగేట్ చేయడానికి తగిన డ్రైవింగ్ పనులు నేర్చుకోవటానికి స్వీయ-డ్రైవింగ్ కార్లను నిర్వహించే సాఫ్ట్వేర్ను వాస్తవ-రహదారి రహదారి పరీక్షలు మరియు అనుకరణలను ఉపయోగిస్తుంది.

మీరు ఇప్పటికే గ్రహించి లేకుండా ML అనేక సార్లు ఇప్పటికే ఎదుర్కొన్నాను. ML సాంకేతికత యొక్క మరింత సాధారణ ఉపయోగాల్లో కొన్ని ఉన్నాయి ( శాంసంగ్ బిక్స్బై , యాపిల్ యొక్క సిరి మరియు PC లలో ప్రామాణికమైన అనేక టాక్-టు-టెక్స్ట్ ప్రోగ్రామ్లు), మీ ఇమెయిల్ కోసం స్పామ్ వడపోత, వార్తల ఫీడ్లను నిర్మించడం, మోసం గుర్తించడం, వ్యక్తిగతీకరించడం షాపింగ్ సిఫారసులను, మరింత సమర్థవంతమైన వెబ్ శోధన ఫలితాలను అందిస్తాయి.

ML మీ ఫేస్బుక్ ఫీడ్లో కూడా పాల్గొంటుంది. తరచుగా స్నేహితుల పోస్ట్లను మీరు ఇష్టపడతారు లేదా క్లిక్ చేసినప్పుడు, మీ వార్తాపత్రికలో కొన్ని స్నేహితులను లేదా పేజీలను ప్రాధాన్యతనివ్వడానికి కాలక్రమేణా మీ చర్యల నుండి సన్నివేశాలకు అల్గారిథమ్లు మరియు ML లు "నేర్చుకోవాలి".

ఏ మెషీన్ లెర్నింగ్ చెయ్యలేము

అయినప్పటికీ, ఎంఎల్ చేయగలదానికి పరిమితులు ఉన్నాయి. ఉదాహరణకు, వేర్వేరు పరిశ్రమల్లో ML టెక్నాలజీ వినియోగం ఆ పరిశ్రమకు అవసరమైన పనులకు సంబంధించిన ఒక ప్రోగ్రామ్ లేదా వ్యవస్థను ప్రత్యేకంగా అభివృద్ధి చేయడానికి మరియు ప్రోగ్రామింగ్ చేయడానికి గణనీయమైన పరిమాణానికి అవసరం. ఉదాహరణకు, మా వైద్య ఉదాహరణలో, అత్యవసర విభాగాల్లో ఉపయోగించే ML ప్రోగ్రామ్ మానవ ఔషధం కోసం ప్రత్యేకంగా అభివృద్ధి చేయబడింది. ఇది ఖచ్చితమైన కార్యక్రమం తీసుకోవడానికి మరియు వెటర్నరీ అత్యవసర కేంద్రంలో నేరుగా అమలు చేయడానికి ప్రస్తుతం సాధ్యం కాదు. ఇటువంటి పరివర్తన మానవ ప్రోగ్రామర్లు విస్తృతమైన స్పెషలైజేషన్ మరియు అభివృద్ధి అవసరం, పశువైద్య లేదా జంతు ఔషధం కోసం ఈ పనిని చేయగల సామర్థ్యాన్ని కలిగి ఉంటుంది.

ఇది నిర్ణయాలు తీసుకునే మరియు పనులు చేయవలసిన సమాచారం అవసరమైన "తెలుసుకోవడానికి" డేటా మరియు ఉదాహరణలు చాలా ఎక్కువ మొత్తంలో అవసరం. ML కార్యక్రమాలు డేటా యొక్క వ్యాఖ్యానాలలో మరియు అక్షర ధర్మంతో పోరాటంలో మరియు కారణం మరియు ప్రభావం వంటి డేటా ఫలితాల్లో కొన్ని రకాలైన సంబంధాల విషయంలో చాలా అక్షరార్థంగా ఉంటాయి.

అయితే, కొనసాగుతున్న పురోగతులు ప్రతిరోజూ మెరుగైన కంప్యూటర్లను ప్రతిరోజూ ప్రధాన సాంకేతిక పరిజ్ఞానాన్ని తయారు చేస్తున్నాయి.