మర ప్రజ్ఞ

మెషీన్ లెర్నింగ్ లేదా మర ప్రజ్ఞ మనుషుల ప్రమేయం లేకుండా ఒక కంప్యూటర్‌ ప్రోగామ్‌ స్వతంత్రంగా నిర్ణయాలు తీసుకొని, సమస్యలకు సరైన సమాధానాలను కనిపెట్టగలిగే సామర్థ్యాన్ని సంతరించుకున్న సైన్స్‌ విజ్ఞాన విభాగాన్ని మెషిన్‌ లర్నింగ్‌ (మర ప్రజ్ఞ) అంటారు.[1] నిర్ణయాలకు కావాల్సిన పూర్వపు డేటాను శోధించి, విశ్లేషించడానికి అవసరమైన శక్తిని ఈ ప్రోగ్రామ్‌లు కలిగి ఉండటం మెషిన్‌ లర్నింగ్‌ ప్రత్యేకత.

వివరాలు

కంప్యూటర్లు పనిచేయడానికి అవసరమైన అల్గారిథమ్‌ (క్రమసూత్ర పద్ధతి) రచన, నిర్మాణం, డెవలప్‌మెంట్‌లను చేయగలిగిన మెషిన్‌ లర్నింగ్‌ నిపుణుల అవసరం వేగంగా పెరుగుతోంది. ప్రతి దానికీ మనుషులు విడిగా ప్రోగ్రామ్‌లు రాసే అవసరం లేకుండా కంప్యూటర్లే స్వయంగా ప్రోగ్రామ్‌లను చేయడం మెషిన్‌ లర్నింగ్‌తో సాధ్యమవుతుంది. ఆర్టిఫిషియల్‌ ఇంటెలిజెన్స్‌ (కృత్రిమ మేధ) రంగంలోని కంప్యుటేషనల్‌ లర్నింగ్‌ (గణన ప్రజ్ఞ), ప్యాటర్న్‌ రికగ్నిషన్‌ (రీతుల మాన్యత) ల మిశ్రమమే మెషిన్‌ లర్నింగ్‌ (మర ప్రజ్ఞ).

వివిధ రకాలు

మనకు కావాల్సిన ఫలితాల ఆధారంగా మెషిన్‌ లర్నింగ్‌ అల్గారిథమ్‌ను ప్రధానంగా మూడు రకాలుగా గుర్తించవచ్చు.

  1. సూపర్‌వైజ్‌డ్‌ లర్నింగ్‌ (పర్యవేక్షిత ప్రజ్ఞ)
  2. అన్‌-సూపర్‌వైజ్‌డ్‌ లర్నింగ్‌ (అపర్యవేక్షిత ప్రజ్ఞ)
  3. రీ-ఇన్‌ఫోర్స్‌డ్‌ లర్నింగ్‌ (ప్రబలిత ప్రజ్ఞ)

పదజాలం

మెషిన్‌ లర్నింగ్‌కి సంబంధించి ప్రధానంగా నాలుగు కొత్త పదాలు కనిపిస్తాయి. అవే డేటా సైన్స్‌, మెషిన్‌ లర్నింగ్‌, ఆర్టిఫిషియల్‌ ఇంటెలిజెన్స్‌, డీప్‌ లర్నింగ్‌. ఒకే భావాన్ని వేర్వేరు పదాల్లో చెప్పినట్లు అనిపించినా వీటి మధ్య అంతరాలు ఉన్నాయి. వాటిని తప్పనిసరిగా తెలుసుకోవాలి.

  1. డేటా సైన్స్‌లో ప్రధానంగా డేటా విశ్లేషణ ఉంటుంది. ఇందులో ఆర్‌ అనే ప్రోగ్రామింగ్‌ లాంగ్వేజిని ఉపయోగిస్తారు.
  2. మెషిన్‌ లర్నింగ్‌లో మనుషుల కన్నా కంప్యూటర్లు నడిపే ప్రోగ్రామ్‌లకు ప్రాధాన్యం ఉంటుంది.
  3. డీప్‌ లర్నింగ్‌ అంటే దృశ్య, శ్రవణ, పాఠ్య మాధ్యమాల్లోని డేటాను విశ్లేషించి, వర్గీకరణ చేసే మెషిన్‌ లర్నింగ్‌లోని ఉపరంగం. ఇది న్యూరల్‌ నెట్‌వర్క్‌ అర్కిటెక్చర్‌ మీద ఆధారపడి పనిచేస్తుంది.
  4. ఆర్టిఫిషియల్‌ ఇంటెలిజెన్స్‌ అనేది న్యూరల్‌ నెట్‌వర్క్స్‌, మెషిన్‌ లర్నింగ్‌, డీప్‌ లర్నింగ్‌లతో కూడిన కుటుంబానికి పెద్దలాంటిది. ఇది కంప్యూటర్లను మనుషుల్లా వివేకంతో కూడుకున్నవిగా అభివృద్ధి చేసే వ్యవస్థ.

ఉపయోగాలు

మెషిన్‌ లర్నింగ్‌ టెక్నాలజీ అనువర్తన ఈ కింది రంగాల్లో రోజు రోజుకీ విస్తరిస్తోంది.

  • ఇమేజ్‌ రికగ్నిషన్‌ - నలుపు, తెలుపు చిత్రాలు; రంగు చిత్రాల అక్షరాలను గుర్తించడం, ముఖాన్ని గుర్తించడం.
  • స్పీచ్‌ రికగ్నిషన్‌ - మాటలు, ధ్వని గుర్తించడం.
  • వ్యాధి నిర్ధారణ - వైద్యరంగంలో వ్యాధి లక్షణ పరిశీలన, రోగ నిర్ధారణ.
  • ఫైనాన్షియల్‌ ఆర్బిట్రేజ్‌ - వ్యాపార రంగంలో వస్తు వినియోగ పద్ధతులు, అలవాట్లు, కొత్త ఆవిష్కరణలు, షేర్‌ మార్కెట్‌లలో పెట్టుబడి నిర్ణయాలు.
  • వర్గీకరణ- ఒకే రకమైన లక్షణాలు కలిగిన భిన్న సమూహాల వర్గీకరణ.
  • బ్యాంకింగ్‌ వ్యవస్థ - రుణాల మంజూరీ నిర్ణయాలు, ఎగవేతదారుల ముందస్తు గుర్తింపు.
  • సమాచారం వెలికితీత- నిర్మిత, అనిర్మిత డేటా నుంచి ఉపయోగమైన సమాచారం వెలికితీత.
  • విద్యారంగం - విద్యార్థుల గ్రాహ్య, వినిమయ శక్తి, పద్ధతుల గుర్తింపు.
  • శోధన- గూగుల్‌ లాంటి సెర్చ్‌ ఇంజిన్ల వివేచన సామర్థ్యాన్ని పెంచడం.
  • డిజిటల్‌ మార్కెటింగ్‌- వినియోగదారుల అభిరుచిని బట్టి ఉత్పాదకతకు ప్రాముఖ్యాన్నివ్వడం, వ్యక్తిగత ఇష్టానిష్టాల గుర్తింపు.
  • ఆరూగ్యరంగం- వైద్య ఆరోగ్య రంగం, ఆరోగ్య బీమా

మూలాలు

  1. Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3). doi:10.1147/rd.33.0210.

బయటి లంకెలు

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.