යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම අතර වෙනස
තාක්ෂණය දියුණු වන විට, "යන්ත්ර ඉගෙනීම" (ML) සහ "ගැඹුරු ඉගෙනීම" (DL) යන යෙදුම් විවිධ සන්දර්භයන් තුළ, කෘතිම බුද්ධිය (AI) සිට ව්යවහාරික දත්ත විශ්ලේෂණය දක්වා වැඩි වැඩියෙන් අසන්නට ලැබේ. කෙසේ වෙතත්, බොහෝ අය මේ දෙක අතර වෙනස පිළිබඳව ව්යාකූලව සිටිති. ඒවායේ සමානකම් තිබියදීත්, යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම ඒවායේ ක්රම, යෙදුම් සහ සංකීර්ණතාවයෙන් සැලකිය යුතු ලෙස වෙනස් වේ. යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම අතර ඇති ප්රධාන වෙනස්කම් මෙම ලිපියෙන් පැහැදිලි කරනු ඇත.
යන්ත්ර ඉගෙනීම යනු කුමක්ද?
යන්ත්ර ඉගෙනීම යනු කෘත්රිම බුද්ධියේ ශාඛාවක් වන අතර එමඟින් පද්ධතිවලට පැහැදිලි නැවත ක්රමලේඛනයකින් තොරව දත්ත වලින් ඉගෙන ගැනීමට සහ කාලයත් සමඟ ඒවායේ ක්රියාකාරිත්වය වැඩි දියුණු කිරීමට ඉඩ සලසයි. මෙම තාක්ෂණය තීරණ හෝ අනාවැකි ගැනීමට දත්ත මත පුහුණු කරන ලද ගණිතමය ඇල්ගොරිතම භාවිතා කරයි.
යන්ත්ර ඉගෙනීමේ ප්රධාන කාණ්ඩ කිහිපයක් නම්:
1. අධීක්ෂණය කරන ලද ඉගෙනීම: දැනටමත් ලේබල් හෝ නිවැරදි පිළිතුරු ඇති දත්ත භාවිතයෙන් ආකෘතිය පුහුණු කරනු ලැබේ. උදාහරණ යෙදුම් අතර රූප හඳුනාගැනීම, ස්පෑම් හඳුනාගැනීම සහ නිවාස මිල පුරෝකථනය ඇතුළත් වේ.
2. අධීක්ෂණය නොකළ ඉගෙනීම: දත්ත තුළ සැඟවුණු ව්යුහයන් සොයා ගැනීමේ අරමුණින්, ලේබල් නොකළ දත්ත භාවිතයෙන් ආකෘතිය පුහුණු කරනු ලබන තැන. එහි යෙදීම් සඳහා උදාහරණ ලෙස පොකුරුකරණය සහ මානයන් අඩු කිරීම ඇතුළත් වේ.
3. ශක්තිමත් කිරීමේ ඉගෙනීම: ආකෘතිය අත්හදා බැලීම් සහ දෝෂයන් හරහා ඉගෙන ගන්නා අතර, ගන්නා ලද ක්රියාමාර්ග මත පදනම්ව ත්යාග හෝ දඬුවම් ලබා ගනී. මෙම යෙදුමේ උදාහරණ ලෙස AI ක්රීඩා සහ රොබෝ විද්යාව ඇතුළත් වේ.
ගැඹුරු ඉගෙනීම යනු කුමක්ද?
ගැඹුරු ඉගෙනීම යනු යන්ත්ර ඉගෙනීමේ උප ක්ෂේත්රයක් වන අතර එය දත්ත සැකසීම සඳහා බහු ස්ථර කෘතිම ස්නායු ජාල භාවිතය කෙරෙහි අවධානය යොමු කරයි. කථන හඳුනාගැනීම, පරිගණක දැක්ම සහ ස්වාභාවික භාෂා සැකසුම් (NLP) වැනි විවිධ යෙදුම්වල එහි සාර්ථකත්වයට ස්තූතිවන්ත වෙමින් පසුගිය දශකය තුළ ගැඹුරු ඉගෙනීම සැලකිය යුතු ජනප්රියත්වයක් ලබා ඇත.
මූලික වශයෙන්, ගැඹුරු ඉගෙනීම පුහුණු ක්රියාවලියේදී සකස් කරන ලද බර හරහා සම්බන්ධ වූ බොහෝ නියුරෝන සහ ස්ථර වලින් සමන්විත ස්නායුක ජාල භාවිතා කරයි. ගැඹුරු ඉගෙනුම් ඇල්ගොරිතම බොහෝ විට වඩාත් සංකීර්ණ වන අතර සාම්ප්රදායික යන්ත්ර ඉගෙනුම් ඇල්ගොරිතමවලට වඩා වැඩි දත්ත සහ පරිගණක බලයක් අවශ්ය වේ.
යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම අතර ප්රධාන වෙනස්කම්
1. ඇල්ගොරිතම සංකීර්ණතාව:
– යන්ත්ර ඉගෙනීම: යන්ත්ර ඉගෙනීමේදී භාවිතා කරන ඇල්ගොරිතම බොහෝ විට සරල සහ මිනිසුන්ට අර්ථකථනය කළ හැකි ය. ඇල්ගොරිතම සඳහා උදාහරණ ලෙස රේඛීය ප්රතිගමනය, තීරණ ගස් සහ ආධාරක දෛශික යන්ත්ර (SVM) ඇතුළත් වේ.
– ගැඹුරු ඉගෙනීම: ගැඹුරු ඉගෙනුම් ඇල්ගොරිතම බොහෝ විට වඩාත් සංකීර්ණ වන අතර ස්නායු ජාල ස්ථර කිහිපයකින් සමන්විත වේ. මෙම ජාල වල සමහර ජනප්රිය වර්ග අතර රූප සැකසීම සඳහා සංවෘත ස්නායු ජාල (CNN) සහ ස්වාභාවික භාෂා සැකසුම් සඳහා පුනරාවර්තන ස්නායු ජාල (RNN) ඇතුළත් වේ.
2. දත්ත අවශ්යතා:
- යන්ත්ර ඉගෙනීම: සාම්ප්රදායික යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම සීමිත දත්ත ප්රමාණයක් සමඟ හොඳින් ක්රියා කළ හැකි නමුත්, වැඩි දත්ත ප්රමාණයක් සමඟ ඒවායේ ක්රියාකාරිත්වය වැඩිදියුණු වීමට නැඹුරු වේ.
– ගැඹුරු ඉගෙනීම: ප්රශස්ත කාර්ය සාධනයක් ලබා ගැනීම සඳහා ගැඹුරු ඉගෙනුම් ඇල්ගොරිතම සාමාන්යයෙන් විශාල දත්ත ප්රමාණයක් අවශ්ය වේ. උදාහරණයක් ලෙස, රූප හඳුනාගැනීම සඳහා වන සංවෘත ස්නායුක ජාල සඳහා සාමාන්යයෙන් ඵලදායී ලෙස පුහුණු කිරීම සඳහා රූප උදාහරණ දස දහස් ගණනක සිට ලක්ෂ ගණනක දක්වා අවශ්ය වේ.
3. පරිගණක බලය:
- යන්ත්ර ඉගෙනීම: සාම්ප්රදායික යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම බොහෝ විට විශේෂිත දෘඩාංග අවශ්යතාවයකින් තොරව සාමාන්ය පරිගණක භාවිතයෙන් පුහුණු කළ හැකිය.
– ගැඹුරු ඉගෙනීම: ගැඹුරු ඉගෙනුම් ඇල්ගොරිතමවල ඉහළ පරිගණක සංකීර්ණතාවය නිසා කාර්යක්ෂම පුහුණුව සඳහා සෑම විටම පාහේ GPU හෝ TPU අවශ්ය වේ.
4. විශේෂාංග නිස්සාරණ ක්රියාවලිය:
– යන්ත්ර ඉගෙනීම: විශේෂාංග නිස්සාරණය බොහෝ විට වසම් විශේෂඥයින් විසින් අතින් සිදු කළ යුතුය. මේ සඳහා භාවිතා කරන දත්ත පිළිබඳ ගැඹුරු අවබෝධයක් අවශ්ය වේ.
– ගැඹුරු ඉගෙනීම: ගැඹුරු ඉගෙනීමේ ප්රධාන වාසියක් වන්නේ විශේෂාංග ස්වයංක්රීයව උකහා ගැනීමේ හැකියාවයි. ගැඹුරු ඉගෙනුම් ස්නායුක ජාලවලට අමු දත්ත වලින් අදාළ නිරූපණයන් කෙලින්ම ඉගෙන ගත හැකිය.
5. අර්ථ නිරූපණය:
– යන්ත්ර ඉගෙනීම: සාම්ප්රදායික යන්ත්ර ඉගෙනුම් ආකෘති සාමාන්යයෙන් අර්ථ නිරූපණය කිරීමට සහ පැහැදිලි කිරීමට පහසුය. උදාහරණයක් ලෙස, තීරණ ගසක තීරණ නියමයන් සහ රේඛීය ප්රතිගමනයක සංගුණක මඟින් ආකෘතිය අනාවැකි පළ කරන ආකාරය පිළිබඳ අවබෝධයක් ලබා දිය හැකිය.
– ගැඹුරු ඉගෙනීම: ගැඹුරු ඉගෙනුම් ආකෘති, විශේෂයෙන් බහු-ස්ථර ස්නායුක ජාල, බොහෝ විට අර්ථ නිරූපණය කිරීමට අපහසු "කළු පෙට්ටි" ලෙස ක්රියා කරයි. මෙම ආකෘති විශ්ලේෂණය කිරීම වඩාත් සංකීර්ණ වන අතර ගනු ලබන තීරණ තේරුම් ගැනීමට විශේෂාංග දෘශ්යකරණය හෝ සරල ස්නායුක ජාල භාවිතය වැනි විශේෂිත ශිල්පීය ක්රම අවශ්ය වේ.
යන්ත්ර ඉගෙනීම හෝ ගැඹුරු ඉගෙනීම භාවිතා කළ යුත්තේ කවදාද?
යන්ත්ර ඉගෙනීම හෝ ගැඹුරු ඉගෙනීම භාවිතා කළ යුත්තේ කවදාද යන්න තීරණය කිරීම ගැටළු සංකීර්ණත්වය, දත්ත ප්රමාණය සහ පුහුණු කාල අවශ්යතා ඇතුළු ප්රධාන සාධක කිහිපයක් මත රඳා පවතී.
– යන්ත්ර ඉගෙනීම:
– කුඩා සිට මධ්යම දත්ත කට්ටල සඳහා සුදුසු වේ.
- දෛනික භාවිතයේදී සහ ව්යාපාරික පරිසර පද්ධතිය තුළ ක්රියාත්මක කිරීමට පහසුය.
- අර්ථකථනය කිරීමේ හැකියාව වැදගත් නම්, ML ආකෘති බොහෝ විට වඩාත් යෝග්ය වන්නේ ඒවා පැහැදිලි කිරීමට පහසු බැවිනි.
- ගැඹුරු ඉගෙනීම:
– රූප, පෙළ සහ ශබ්දය වැනි විවිධ දත්ත සහිත ඉතා විශාල දත්ත කට්ටල සඳහා නිර්දේශ කෙරේ.
- අර්ථ නිරූපණයට වඩා ඉහළ නිරවද්යතාවයක් වැදගත් වන යෙදුම් සඳහා වඩාත් සුදුසුය.
- ඵලදායී පුහුණුවක් සඳහා වැඩි පරිගණක සම්පත් සහ දත්ත අවශ්ය වේ.
සිද්ධි අධ්යයන උදාහරණය
1. රූප හඳුනාගැනීම:
– යන්ත්ර ඉගෙනීම: සාම්ප්රදායික ප්රවේශයන්ට SIFT (Scale-Invariant Feature Transform) වැනි ශිල්පීය ක්රම හරහා අතින් උපුටා ගත් විශේෂාංග සහිත SVM හෝ K-NN (K-ළඟම අසල්වැසියන්) භාවිතා කිරීම ඇතුළත් විය හැකිය.
– ගැඹුරු ඉගෙනීම: මෙම ප්රවේශය අන්තයේ සිට අවසානය දක්වා විශේෂාංග නිස්සාරණය සහ වර්ගීකරණය සඳහා CNN භාවිතා කරන අතර නවීන රූප හඳුනාගැනීමේ කාර්යයන්හි ඉතා ප්රමුඛ වේ.
2. ස්වභාවික භාෂා සැකසුම් (NLP):
- යන්ත්ර ඉගෙනීම: සාම්ප්රදායික ශිල්පීය ක්රම මගින් TF-IDF (කාලීන සංඛ්යාත-ප්රතිලෝම ලේඛන සංඛ්යාතය) වැනි විශේෂාංග සහිත Naive Bayes හෝ SVM වැනි ඇල්ගොරිතම භාවිතා කළ හැකිය.
– ගැඹුරු ඉගෙනීම: RNN, LSTM (දිගු කෙටි කාලීන මතකය) වැනි ආකෘති හෝ BERT (ට්රාන්ස්ෆෝමර් වලින් ද්වි දිශානුගත කේතක නිරූපණයන්) වැනි ට්රාන්ස්ෆෝමර්, භාෂාවේ සන්දර්භය සහ සූක්ෂ්මතා තේරුම් ගැනීමේදී උසස් කාර්ය සාධනයක් ඇත.
නිගමනය
යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම යන දෙකටම තමන්ගේම වාසි සහ සීමාවන් ඇත. මේ දෙක අතර ඇති ප්රධාන වෙනස්කම් තේරුම් ගැනීමෙන් දී ඇති ගැටලුවක් සඳහා හොඳම ප්රවේශය තීරණය කිරීමට උපකාරී වේ. ML බොහෝ විට සරල සහ වඩාත් අර්ථකථනය කළ හැකි විසඳුම් ලබා දෙයි, කුඩා හා මධ්යම ප්රමාණයේ දත්ත කට්ටල සඳහා වඩාත් සුදුසුය. අනෙක් අතට, DL, විශේෂාංග නිස්සාරණයේ එහි බලගතු ස්වයංක්රීයකරණ හැකියාවන් සහ වැඩිදියුණු කළ පුරෝකථන කාර්ය සාධනයට ස්තූතිවන්ත වන පරිදි විශාල දත්ත සමඟ සංකීර්ණ ගැටළු විසඳීම සඳහා නව අවස්ථා විවෘත කරයි.
මේ දෙකෙන් එකක් තෝරා ගැනීම, පැවරී ඇති කාර්යයේ නිශ්චිත අවශ්යතා, දත්ත කට්ටලයේ ප්රමාණය හා සංකීර්ණත්වය සහ පවතින සම්පත් මත පදනම් විය යුතුය.
