திரள் நுண்ணறிவு மற்றும் பரிணாமக் கணக்கீட்டுக்கான சர்வதேச இதழ்

சுருக்கம்

டேட்டா மைனிங் மற்றும் மெஷின் லேர்னிங்கில் ஆழ்ந்த கற்றலின் முக்கியத்துவம்

ஷோராபி பி

ஆழமான கற்றல் வழிமுறைகள் சிக்கலான பிரதிநிதித்துவத்தை தானாக பிரித்தெடுக்க, மேற்பார்வை செய்யப்படாத தரவுகளின் மிகப்பெரிய அளவைப் பயன்படுத்துகின்றன. இந்த வழிமுறைகள் பெரும்பாலும் செயற்கை நுண்ணறிவுத் துறையால் (AI) ஊக்குவிக்கப்படுகின்றன, இது மனித மூளையின் திறனைப் பார்க்கவும், பகுப்பாய்வு செய்யவும், கற்றுக்கொள்ளவும் மற்றும் முடிவெடுக்கவும், குறிப்பாக மிகவும் சிக்கலான சிக்கல்களுக்குப் பின்பற்றும் திறனைப் பின்பற்றுகிறது. மனித மூளையின் படிநிலை கற்றல் அணுகுமுறையைப் பின்பற்ற முயற்சிக்கும் ஆழமான கற்றல் வழிமுறைகளுக்குப் பின்னால் இந்த சிக்கலான சவால்கள் தொடர்பான பணி முக்கிய உந்துதலாக உள்ளது. உள்ளீட்டு கார்பஸில் உள்ள சிக்கலான கட்டமைப்புகள் மற்றும் உறவுகளிலிருந்து பயனுள்ள தகவல்களைப் பிரித்தெடுக்க முயற்சிக்கும்போது, ​​முடிவு மரங்கள், ஆதரவு திசையன் இயந்திரங்கள் மற்றும் வழக்கு அடிப்படையிலான பகுத்தறிவு போன்ற மேலோட்டமான கற்றல் கட்டமைப்புகளை ஆதரிக்கும் மாதிரிகள் சிறியதாக இருக்கலாம். இதற்கு நேர்மாறாக, ஆழமான கற்றல் கட்டமைப்புகள் உள்ளூர் மற்றும் உலகளாவிய வழிகளில் பொதுமைப்படுத்துவதற்கான திறனைக் கொண்டுள்ளன, தரவுகளுக்குள் உடனடி அண்டை நாடுகளுக்கு அப்பால் கற்றல் முறைகள் மற்றும் உறவுகளை உருவாக்குகின்றன. ஆழ்ந்த கற்றல் உண்மையில் AI ஐ நோக்கிய ஒரு முக்கியமான படியாகும். இது AI பணிகளுக்கு பொருத்தமான தரவுகளின் சிக்கலான பிரதிநிதித்துவங்களை வழங்குவதோடு மட்டுமல்லாமல், AI இன் இறுதி இலக்கான மனித அறிவிலிருந்து சுயாதீனமான இயந்திரங்களை உருவாக்குகிறது. இது மனித குறுக்கீடு இல்லாமல் மேற்பார்வை செய்யப்படாத தரவுகளிலிருந்து நேரடியாக பிரதிநிதித்துவங்களைப் பிரித்தெடுக்கிறது.