ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) യുടെ ഒരു ശാഖയാണ് മെഷീൻ ലേണിംഗ് (എംഎൽ), ഇത് ഡാറ്റയിൽ നിന്നും മുൻകാല അനുഭവങ്ങളിൽ നിന്നും യാന്ത്രികമായി പഠിക്കാനുള്ള കഴിവ് യന്ത്രങ്ങൾക്ക് നൽകുന്നു.

മെഷീൻ ലേണിംഗ് രീതികൾ വ്യക്തമായ പ്രോഗ്രാമിംഗ് ഇല്ലാതെ സ്വയംഭരണാധികാരത്തോടെ പ്രവർത്തിക്കാൻ കമ്പ്യൂട്ടറുകളെ പ്രാപ്തമാക്കുന്നു. എം എൽ ആപ്ലിക്കേഷനുകൾക്ക് പുതിയ ഡാറ്റ നൽകുന്നു, അവയ്ക്ക് സ്വതന്ത്രമായി പഠിക്കാനും വളരാനും വികസിപ്പിക്കാനും പൊരുത്തപ്പെടാനും കഴിയും.

പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും ഒരു ഇറ്ററേറ്റീവ് പ്രക്രിയയിൽ പഠിക്കുന്നതിനും അൽഗോരിതം പ്രയോജനപ്പെടുത്തിക്കൊണ്ട് മെഷീൻ ലേണിംഗ് വലിയ അളവിലുള്ള ഡാറ്റയിൽ നിന്ന് ഉൾക്കാഴ്ചയുള്ള വിവരങ്ങൾ നേടുന്നു. ഒരു മാതൃകയായി പ്രവർത്തിച്ചേക്കാവുന്ന ഏതെങ്കിലും മുൻകൂട്ടി നിശ്ചയിച്ച സമവാക്യത്തെ ആശ്രയിക്കുന്നതിനുപകരം ഡാറ്റയിൽ നിന്ന് നേരിട്ട് പഠിക്കാൻ എം എൽ അൽഗോരിതങ്ങൾ കമ്പ്യൂട്ടിംഗ് രീതികൾ ഉപയോഗിക്കുന്നു.

‘പഠന’ പ്രക്രിയകളിൽ ലഭ്യമായ സാമ്പിളുകളുടെ എണ്ണം വർദ്ധിക്കുന്നതിനൊപ്പം എം എൽ അൽഗോരിതങ്ങളുടെ പ്രകടനം അഡാപ്റ്റീവ് ആയി മെച്ചപ്പെടുന്നു. ഉദാഹരണം: ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുന്നത് പോലുള്ള സ്വാഭാവിക മാനുഷിക സ്വഭാവവിശേഷങ്ങൾ അനുകരിക്കാൻ കമ്പ്യൂട്ടറുകളെ പരിശീലിപ്പിക്കുന്ന മെഷീൻ ലേണിംഗിന്റെ ഒരു ഉപ-ഡൊമെയ്നാണ് ഡീപ് ലേണിംഗ്. പരമ്പരാഗത എം എൽ അൽഗോരിതങ്ങളേക്കാൾ മികച്ച പ്രകടന പാരാമീറ്ററുകൾ ഇത് വാഗ്ദാനം ചെയ്യുന്നു.

മെഷീൻ ലേണിംഗ് ഒരു പുതിയ ആശയമല്ലെങ്കിലും – രണ്ടാം ലോകമഹായുദ്ധകാലത്ത് എനിഗ്മ മെഷീൻ ഉപയോഗിച്ചപ്പോൾ – സങ്കീർണ്ണമായ ഗണിത കണക്കുകൂട്ടലുകൾ വർദ്ധിച്ചുവരുന്ന അളവുകളിലേക്കും ലഭ്യമായ ഡാറ്റയുടെ വൈവിധ്യങ്ങളിലേക്കും യാന്ത്രികമായി പ്രയോഗിക്കാനുള്ള കഴിവ് താരതമ്യേന സമീപകാല സംഭവവികാസമാണ്. ഇന്ന്, ബിഗ് ഡാറ്റ, ഐഒടി, സർവവ്യാപിയായ കമ്പ്യൂട്ടിംഗ് എന്നിവയുടെ ഉയർച്ചയോടെ, കംപ്യൂട്ടേഷണൽ ഫിനാൻസ്, കമ്പ്യൂട്ടർ വിഷൻ, കമ്പ്യൂട്ടേഷണൽ ബയോളജി, ഓട്ടോമോട്ടീവ്, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് തുടങ്ങി നിരവധി മേഖലകളിലെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് അത്യന്താപേക്ഷിതമാണ്.

മേൽനോട്ടം: സാമ്പിൾ ഇൻപുട്ട്-ഔട്ട്പുട്ട് ജോഡികളെ അടിസ്ഥാനമാക്കി ഒരു ഔട്ട്പുട്ടിലേക്ക് ഒരു ഇൻപുട്ട് മാപ്പ് ചെയ്യുന്ന ഒരു ഫംഗ്ഷൻ പഠിക്കുന്നതിനുള്ള മെഷീൻ ലേണിംഗിന്റെ ചുമതലയാണ് മേൽനോട്ടത്തിലുള്ള പഠനം. ഒരു പ്രവർത്തനം അനുമാനിക്കാൻ ഇത് ലേബൽ ചെയ്ത പരിശീലന ഡാറ്റയും പരിശീലന ഉദാഹരണങ്ങളുടെ ശേഖരവും ഉപയോഗിക്കുന്നു. ഒരു പ്രത്യേക കൂട്ടം ഇൻപുട്ടുകളിൽ നിന്ന് ചില ലക്ഷ്യങ്ങൾ നിറവേറ്റപ്പെടേണ്ടതാണെന്ന് തിരിച്ചറിയുമ്പോൾ മേൽനോട്ടത്തിലുള്ള പഠനം നടത്തുന്നു, അതായത്, ഒരു ടാസ്ക് അധിഷ്ഠിത സമീപനം. ഡാറ്റയെ വേർതിരിക്കുന്ന “വർഗ്ഗീകരണം”, ഡാറ്റയ്ക്ക് യോജിക്കുന്ന “റിഗ്രഷൻ” എന്നിവയാണ് ഏറ്റവും സാധാരണമായ മേൽനോട്ട ചുമതലകൾ. ഉദാഹരണത്തിന്, ഒരു ട്വീറ്റ് അല്ലെങ്കിൽ ഉൽപ്പന്ന അവലോകനം പോലുള്ള ഒരു വാചകത്തിന്റെ ക്ലാസ് ലേബൽ അല്ലെങ്കിൽ വികാരം പ്രവചിക്കുന്നത് മേൽനോട്ടം വഹിക്കുന്ന പഠനത്തിന്റെ ഒരു ഉദാഹരണമാണ്.

മേൽനോട്ടമില്ലാത്തത്: മേൽനോട്ടമില്ലാത്ത പഠനം മനുഷ്യന്റെ ഇടപെടലിന്റെ ആവശ്യമില്ലാതെ, അതായത് ഡാറ്റ അധിഷ്ഠിത പ്രക്രിയ ആവശ്യമില്ലാതെ ലേബൽ ചെയ്യാത്ത ഡാറ്റാസെറ്റുകൾ വിശകലനം ചെയ്യുന്നു. ജനറേറ്റീവ് സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുന്നതിനും അർത്ഥവത്തായ പ്രവണതകളും ഘടനകളും തിരിച്ചറിയുന്നതിനും ഫലങ്ങളിലെ ഗ്രൂപ്പിംഗുകൾക്കും പര്യവേക്ഷണ ആവശ്യങ്ങൾക്കും ഇത് വ്യാപകമായി ഉപയോഗിക്കുന്നു. ക്ലസ്റ്ററിംഗ്, ഡെൻസിറ്റി എസ്റ്റിമേറ്റ്, ഫീച്ചർ ലേണിംഗ്, ഡൈമെൻഷണാലിറ്റി റിഡക്ഷൻ, അസോസിയേഷൻ നിയമങ്ങൾ കണ്ടെത്തൽ, അപാകത കണ്ടെത്തൽ മുതലായവയാണ് ഏറ്റവും സാധാരണമായ മേൽനോട്ടമില്ലാത്ത പഠന ജോലികൾ.

അർദ്ധ-മേൽനോട്ടം: അർദ്ധ-മേൽനോട്ട പഠനത്തെ മുകളിൽ സൂചിപ്പിച്ച മേൽനോട്ടത്തിലുള്ളതും മേൽനോട്ടമില്ലാത്തതുമായ രീതികളുടെ സങ്കരവൽക്കരണമായി നിർവചിക്കാം, കാരണം ഇത് ലേബൽ ചെയ്തതും ലേബൽ ചെയ്യാത്തതുമായ ഡാറ്റയിൽ പ്രവർത്തിക്കുന്നു. അതിനാൽ, ഇത് “മേൽനോട്ടമില്ലാതെ” പഠിക്കുന്നതിനും “മേൽനോട്ടത്തോടെ” പഠിക്കുന്നതിനും ഇടയിൽ വരുന്നു. യഥാർത്ഥ ലോകത്ത്, ലേബൽ ചെയ്ത ഡാറ്റ നിരവധി സന്ദർഭങ്ങളിൽ അപൂർവമായിരിക്കാം, കൂടാതെ ലേബൽ ചെയ്യാത്ത ഡാറ്റ നിരവധിയാണ്, അവിടെ അർദ്ധ മേൽനോട്ടത്തിലുള്ള പഠനം ഉപയോഗപ്രദമാണ്. സെമി-മേൽനോട്ടത്തിലുള്ള പഠന മോഡലിന്റെ ആത്യന്തിക ലക്ഷ്യം മോഡലിൽ നിന്ന് ലേബൽ ചെയ്ത ഡാറ്റ മാത്രം ഉപയോഗിച്ച് നിർമ്മിച്ചതിനേക്കാൾ പ്രവചനത്തിന് മികച്ച ഫലം നൽകുക എന്നതാണ്. സെമി-മേൽനോട്ടത്തിലുള്ള പഠനം ഉപയോഗിക്കുന്ന ചില ആപ്ലിക്കേഷൻ മേഖലകളിൽ മെഷീൻ വിവർത്തനം, തട്ടിപ്പ് കണ്ടെത്തൽ, ലേബലിംഗ് ഡാറ്റ, ടെക്സ്റ്റ് ക്ലാസിഫിക്കേഷൻ എന്നിവ ഉൾപ്പെടുന്നു.

ശക്തിപ്പെടുത്തൽ: ഒരു പ്രത്യേക സന്ദർഭത്തിലോ പരിതസ്ഥിതിയിലോ ഒപ്റ്റിമൽ പെരുമാറ്റം യാന്ത്രികമായി വിലയിരുത്താൻ സോഫ്റ്റ്വെയർ ഏജന്റുമാരെയും മെഷീനുകളെയും പ്രാപ്തമാക്കുന്ന ഒരു തരം മെഷീൻ ലേണിംഗ് അൽഗോരിതമാണ് ശക്തിപ്പെടുത്തൽ പഠനം. ഇത്തരത്തിലുള്ള പഠനം പ്രതിഫലത്തെയോ പിഴയെയോ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, അതിന്റെ ആത്യന്തിക ലക്ഷ്യം പരിസ്ഥിതി പ്രവർത്തകരിൽ നിന്ന് ലഭിച്ച ഉൾക്കാഴ്ചകൾ ഉപയോഗിച്ച് പ്രതിഫലം വർദ്ധിപ്പിക്കുന്നതിനോ അപകടസാധ്യത കുറയ്ക്കുന്നതിനോ നടപടിയെടുക്കുക എന്നതാണ്. ഓട്ടോമേഷൻ വർദ്ധിപ്പിക്കുന്നതിനോ റോബോട്ടിക്സ്, ഓട്ടോണമസ് ഡ്രൈവിംഗ് ജോലികൾ, മാനുഫാക്ചറിംഗ്, സപ്ലൈ ചെയിൻ ലോജിസ്റ്റിക്സ് തുടങ്ങിയ സങ്കീർണ്ണമായ സിസ്റ്റങ്ങളുടെ പ്രവർത്തന കാര്യക്ഷമത ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനോ സഹായിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതിനുള്ള ശക്തമായ ഉപകരണമാണിത്, എന്നിരുന്നാലും, അടിസ്ഥാന അല്ലെങ്കിൽ നേരായ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് ഇത് ഉപയോഗിക്കുന്നത് അഭികാമ്യമല്ല.