Machine Learning

1. 1. இயந்திரக் கற்றல்

இயந்திரக் கற்றல் (Machine Learning) என்பது செயற்கை நுண்ணறிவின் (Artificial Intelligence) ஒரு முக்கியமான பிரிவு ஆகும். இது கணினிகளுக்கு வெளிப்படையாக நிரல்படுத்தாமல், தரவுகளிலிருந்து கற்றுக்கொள்ளும் திறனை வழங்குகிறது. அதாவது, ஒரு குறிப்பிட்ட பணியைச் செய்ய கணினிக்குத் தேவையான அறிவுரைகளை நேரடியாக வழங்காமல், தரவுகளைப் பயன்படுத்தி தானாகவே கற்றுக்கொண்டு, அதன் செயல்திறனை மேம்படுத்திக் கொள்ளும். பைனரி ஆப்ஷன் பரிவர்த்தனையில் (Binary Option Trading) இது எவ்வாறு பயன்படுகிறது என்பதைப் பார்ப்பதற்கு முன், இயந்திரக் கற்றலின் அடிப்படைகளை விரிவாகப் புரிந்துகொள்வோம்.

இயந்திரக் கற்றலின் அடிப்படைகள்

இயந்திரக் கற்றல், புள்ளியியல் (Statistics), கணினி அறிவியல் (Computer Science) மற்றும் கணிதம் (Mathematics) ஆகியவற்றின் கலவையாகும். இதன் முக்கிய நோக்கம், தரவுகளிலிருந்து மறைந்திருக்கும் வடிவங்களை (Patterns) கண்டறிந்து, எதிர்கால நிகழ்வுகளைக் கணிக்கப் பயன்படும் மாதிரிகளை உருவாக்குவதாகும்.

இயந்திரக் கற்றலில் பல வகைகள் உள்ளன. அவை:

• கண்காணிக்கப்படும் கற்றல் (Supervised Learning): இந்த முறையில், உள்ளீட்டுத் தரவுகளும் (Input Data) அதற்கான சரியான வெளியீடுகளும் (Output Data) கணினிக்கு வழங்கப்படுகின்றன. கணினி இந்தத் தரவுகளைப் பயன்படுத்தி, ஒரு மாதிரியை உருவாக்கி, புதிய உள்ளீட்டுத் தரவுகளுக்கு சரியான வெளியீடுகளைக் கணிக்கிறது. எடுத்துக்காட்டாக, ஒரு மின்னஞ்சல் ஸ்பேமா இல்லையா என்பதை கண்டறியும் பயிற்சி. கண்காணிக்கப்படும் கற்றல்

• கண்காணிக்கப்படாத கற்றல் (Unsupervised Learning): இந்த முறையில், கணினிக்கு வெளியீடுகள் வழங்கப்படுவதில்லை. உள்ளீட்டுத் தரவுகளை மட்டுமே பயன்படுத்தி, தரவுகளுக்குள் இருக்கும் வடிவங்களைக் கண்டறிய வேண்டும். எடுத்துக்காட்டாக, வாடிக்கையாளர்களை அவர்களின் பழக்கவழக்கங்களின் அடிப்படையில் குழுக்களாகப் பிரித்தல். கண்காணிக்கப்படாத கற்றல்

• அரை-கண்காணிக்கப்படும் கற்றல் (Semi-Supervised Learning): இது கண்காணிக்கப்படும் மற்றும் கண்காணிக்கப்படாத கற்றல் முறைகளின் கலவையாகும். சில தரவுகளுக்கு வெளியீடுகள் வழங்கப்படுகின்றன, மற்ற தரவுகளுக்கு வழங்கப்படுவதில்லை. அரை-கண்காணிக்கப்படும் கற்றல்

• வலுவூட்டல் கற்றல் (Reinforcement Learning): இந்த முறையில், ஒரு முகவர் (Agent) ஒரு சூழலில் (Environment) செயல்பட்டு, அதற்கான வெகுமதிகளைப் (Rewards) பெறுகிறது. வெகுமதிகளை அதிகப்படுத்துவதற்காக, முகவர் கற்றுக்கொண்டு தனது செயல்களை மேம்படுத்துகிறது. எடுத்துக்காட்டாக, ஒரு விளையாட்டை விளையாட கற்றுக்கொள்ளும் கணினி. வலுவூட்டல் கற்றல்

இயந்திரக் கற்றல் வழிமுறைகள்

இயந்திரக் கற்றலில் பயன்படுத்தப்படும் சில முக்கியமான வழிமுறைகள் (Algorithms) கீழே கொடுக்கப்பட்டுள்ளன:

• நேரியல் பின்னடைவு (Linear Regression): இது ஒரு எளிய வழிமுறை. இது உள்ளீட்டுத் தரவுகளுக்கும் வெளியீட்டுத் தரவுகளுக்கும் இடையிலான உறவைக் கண்டறியப் பயன்படுகிறது. நேரியல் பின்னடைவு
• தருக்க பின்னடைவு (Logistic Regression): இது ஒரு வகைப்பாடு (Classification) வழிமுறை. இது தரவுகளை வெவ்வேறு வகைகளாகப் பிரிக்கப் பயன்படுகிறது. தருக்க பின்னடைவு
• முடிவு மரங்கள் (Decision Trees): இது தரவுகளைப் பிரித்து, ஒரு முடிவை எடுக்கும் வழிமுறை. முடிவு மரங்கள்
• சப்போர்ட் வெக்டர் மெஷின்கள் (Support Vector Machines - SVM): இது தரவுகளைப் பிரிக்கும் ஒரு சக்திவாய்ந்த வழிமுறை. சப்போர்ட் வெக்டர் மெஷின்கள்
• நரம்பியல் வலைப்பின்னல்கள் (Neural Networks): இது மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் ஒரு சிக்கலான வழிமுறை. நரம்பியல் வலைப்பின்னல்கள்
• கிளஸ்டரிங் (Clustering): இது தரவுகளை குழுக்களாகப் பிரிக்கும் வழிமுறை. K-Means கிளஸ்டரிங் ஒரு பிரபலமான முறையாகும். கிளஸ்டரிங்
• பரிமாண குறைப்பு (Dimensionality Reduction): அதிக பரிமாணங்களைக் கொண்ட தரவுகளைக் குறைவான பரிமாணங்களுக்கு மாற்றும் வழிமுறை. பரிமாண குறைப்பு

பைனரி ஆப்ஷன் பரிவர்த்தனையில் இயந்திரக் கற்றல்

பைனரி ஆப்ஷன் பரிவர்த்தனையில் இயந்திரக் கற்றல் ஒரு முக்கியமான கருவியாகப் பயன்படுகிறது. சந்தை தரவுகளைப் பகுப்பாய்வு செய்து, எதிர்கால விலை நகர்வுகளைக் கணிக்க இது உதவுகிறது. சில பயன்பாடுகள்:

• விலை முன்னறிவிப்பு (Price Prediction): இயந்திரக் கற்றல் வழிமுறைகளைப் பயன்படுத்தி, சொத்துக்களின் எதிர்கால விலைகளை கணிக்கலாம்.
• சந்தை உணர்வு பகுப்பாய்வு (Market Sentiment Analysis): சமூக ஊடகங்கள் (Social Media) மற்றும் செய்தி கட்டுரைகளிலிருந்து தரவுகளைப் பெற்று, சந்தையின் மனநிலையை பகுப்பாய்வு செய்யலாம்.
• ஆபத்து மேலாண்மை (Risk Management): இயந்திரக் கற்றல், பரிவர்த்தனைகளில் உள்ள அபாயங்களைக் கண்டறிந்து, அவற்றை நிர்வகிக்க உதவுகிறது.
• தானியங்கி வர்த்தகம் (Automated Trading): இயந்திரக் கற்றல் வழிமுறைகளைப் பயன்படுத்தி, தானாகவே பரிவர்த்தனைகளை மேற்கொள்ளும் வர்த்தக ரோபோக்களை உருவாக்கலாம். தானியங்கி வர்த்தகம்

தொழில்நுட்ப பகுப்பாய்வு மற்றும் இயந்திரக் கற்றல்

தொழில்நுட்ப பகுப்பாய்வு (Technical Analysis) என்பது சந்தை தரவுகளைப் பயன்படுத்தி எதிர்கால விலை நகர்வுகளைக் கணிக்கும் ஒரு முறையாகும். இயந்திரக் கற்றல், தொழில்நுட்ப பகுப்பாய்வின் செயல்திறனை மேம்படுத்த உதவுகிறது. எடுத்துக்காட்டாக:

• சார்ட் வடிவங்களை அடையாளம் காணுதல் (Identifying Chart Patterns): இயந்திரக் கற்றல் வழிமுறைகள், சார்ட் வடிவங்களை தானாகவே அடையாளம் காண உதவுகின்றன.
• சப்போர்ட் மற்றும் ரெசிஸ்டன்ஸ் நிலைகளைக் கண்டறிதல் (Identifying Support and Resistance Levels): இயந்திரக் கற்றல், சப்போர்ட் மற்றும் ரெசிஸ்டன்ஸ் நிலைகளை துல்லியமாகக் கண்டறிய உதவுகிறது.
• சந்தை குறிகாட்டிகளை மேம்படுத்துதல் (Optimizing Market Indicators): இயந்திரக் கற்றல், சந்தை குறிகாட்டிகளின் (Market Indicators) செயல்திறனை மேம்படுத்த உதவுகிறது. சந்தை குறிகாட்டிகள்

அளவு பகுப்பாய்வு மற்றும் இயந்திரக் கற்றல்

அளவு பகுப்பாய்வு (Quantitative Analysis) என்பது கணித மாதிரிகள் மற்றும் புள்ளியியல் முறைகளைப் பயன்படுத்தி சந்தை தரவுகளைப் பகுப்பாய்வு செய்யும் ஒரு முறையாகும். இயந்திரக் கற்றல், அளவு பகுப்பாய்வின் துல்லியத்தை அதிகரிக்கிறது.

• புள்ளியியல் மாதிரி உருவாக்கம் (Statistical Modeling): இயந்திரக் கற்றல், சிக்கலான புள்ளியியல் மாதிரிகளை உருவாக்க உதவுகிறது.
• சந்தை செயல்திறன் மதிப்பீடு (Market Performance Evaluation): இயந்திரக் கற்றல், சந்தையின் செயல்திறனை துல்லியமாக மதிப்பிட உதவுகிறது.
• போர்ட்ஃபோலியோ ஆப்டிமைசேஷன் (Portfolio Optimization): இயந்திரக் கற்றல், போர்ட்ஃபோலியோவை (Portfolio) மேம்படுத்த உதவுகிறது. போர்ட்ஃபோலியோ ஆப்டிமைசேஷன்

இயந்திரக் கற்றலில் சவால்கள்

இயந்திரக் கற்றல் பல நன்மைகளைக் கொண்டிருந்தாலும், சில சவால்களும் உள்ளன:

• தரவு தரம் (Data Quality): இயந்திரக் கற்றல் மாதிரிகளின் துல்லியம் தரவின் தரத்தைப் பொறுத்தது. தரவு தவறாகவோ அல்லது முழுமையற்றதாகவோ இருந்தால், மாதிரியின் செயல்திறன் பாதிக்கப்படும்.
• அதிகப்படியான பொருத்தம் (Overfitting): மாதிரி பயிற்சித் தரவுகளுக்கு மிகவும் பொருத்தமாக இருந்தால், புதிய தரவுகளுக்கு சரியாகப் பொருந்தாமல் போகலாம்.
• விளக்கமின்மை (Lack of Explainability): சில இயந்திரக் கற்றல் மாதிரிகள், குறிப்பாக நரம்பியல் வலைப்பின்னல்கள், எப்படி முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது கடினம்.
• கணக்கீட்டு செலவு (Computational Cost): இயந்திரக் கற்றல் மாதிரிகளைப் பயிற்றுவிப்பதற்கு அதிக கணக்கீட்டு சக்தி தேவைப்படலாம்.

எதிர்கால போக்குகள்

இயந்திரக் கற்றல் துறையில் பல புதிய போக்குகள் உருவாகி வருகின்றன:

• ஆழமான கற்றல் (Deep Learning): இது நரம்பியல் வலைப்பின்னல்களின் ஒரு மேம்பட்ட வடிவமாகும். இது படங்களை அடையாளம் காண்பது மற்றும் பேச்சுக்களைப் புரிந்துகொள்வது போன்ற சிக்கலான பணிகளைச் செய்ய உதவுகிறது. ஆழமான கற்றல்
• இயற்கை மொழி செயலாக்கம் (Natural Language Processing - NLP): இது கணினிகளுக்கு மனித மொழியைப் புரிந்துகொள்ளவும், உருவாக்கவும் உதவுகிறது. இயற்கை மொழி செயலாக்கம்
• விளக்கக்கூடிய AI (Explainable AI - XAI): இது இயந்திரக் கற்றல் மாதிரிகள் எப்படி முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்ள உதவும் ஒரு புதிய துறையாகும். விளக்கக்கூடிய AI
• பெரிய தரவு பகுப்பாய்வு (Big Data Analytics): இது பெரிய அளவிலான தரவுகளைப் பகுப்பாய்வு செய்து, பயனுள்ள தகவல்களைப் பெற உதவுகிறது. பெரிய தரவு பகுப்பாய்வு

பைனரி ஆப்ஷன் வர்த்தகத்தில் இயந்திரக் கற்றலைப் பயன்படுத்துவதற்கான உத்திகள்

• நேரத் தொடர் பகுப்பாய்வு (Time Series Analysis): வரலாற்று விலைத் தரவை பகுப்பாய்வு செய்து எதிர்கால சந்தை போக்குகளைக் கணிக்கிறது. நேரத் தொடர் பகுப்பாய்வு
• உணர்ச்சி பகுப்பாய்வு (Sentiment Analysis): செய்திகள் மற்றும் சமூக ஊடகங்களில் உள்ள தகவல்களைப் பயன்படுத்தி சந்தை மனநிலையை மதிப்பிடுகிறது.
• சந்தை நுண்ணறிவு (Market Intelligence): பல்வேறு தரவு மூலங்களிலிருந்து தகவல்களை ஒருங்கிணைத்து, வர்த்தக வாய்ப்புகளை அடையாளம் காண உதவுகிறது.
• போர்ட்ஃபோலியோ பல்வகைப்படுத்தல் (Portfolio Diversification): இயந்திரக் கற்றல் மூலம் ஆபத்தை குறைக்கும் வகையில் சொத்துக்களை பல்வகைப்படுத்துகிறது. போர்ட்ஃபோலியோ பல்வகைப்படுத்தல்
• தானியங்கி வர்த்தக அமைப்புகள் (Automated Trading Systems): இயந்திரக் கற்றல் வழிமுறைகளைப் பயன்படுத்தி தானாகவே வர்த்தகங்களைச் செய்கிறது.

முடிவுரை

இயந்திரக் கற்றல் ஒரு சக்திவாய்ந்த கருவியாகும். இது பைனரி ஆப்ஷன் பரிவர்த்தனையில் மட்டுமல்ல, பல துறைகளிலும் புரட்சியை ஏற்படுத்தி வருகிறது. தரவுகளிலிருந்து கற்றுக்கொள்ளும் திறனைப் பயன்படுத்தி, கணினிகள் மனிதர்களை விட சிறப்பாக செயல்பட முடியும். இருப்பினும், இயந்திரக் கற்றலின் சவால்களைப் புரிந்துகொண்டு, சரியான வழிமுறைகளைப் பயன்படுத்துவது முக்கியம்.

தொடர்புடைய இணைப்புகள்:

• செயற்கை நுண்ணறிவு
• புள்ளியியல்
• கணினி அறிவியல்
• கணிதம்
• கண்காணிக்கப்படும் கற்றல்
• கண்காணிக்கப்படாத கற்றல்
• அரை-கண்காணிக்கப்படும் கற்றல்
• வலுவூட்டல் கற்றல்
• நேரியல் பின்னடைவு
• தருக்க பின்னடைவு
• முடிவு மரங்கள்
• சப்போர்ட் வெக்டர் மெஷின்கள்
• நரம்பியல் வலைப்பின்னல்கள்
• கிளஸ்டரிங்
• பரிமாண குறைப்பு
• தொழில்நுட்ப பகுப்பாய்வு
• சந்தை குறிகாட்டிகள்
• போர்ட்ஃபோலியோ ஆப்டிமைசேஷன்
• தானியங்கி வர்த்தகம்
• ஆழமான கற்றல்
• இயற்கை மொழி செயலாக்கம்
• விளக்கக்கூடிய AI
• பெரிய தரவு பகுப்பாய்வு
• நேரத் தொடர் பகுப்பாய்வு
• போர்ட்ஃபோலியோ பல்வகைப்படுத்தல்

இப்போது பரிவர்த்தனையை தொடங்குங்கள்

IQ Option-ல் பதிவு செய்யவும் (குறைந்தபட்ச டெபாசிட் $10) Pocket Option-ல் கணக்கு திறக்கவும் (குறைந்தபட்ச டெபாசிட் $5)

எங்கள் சமூகத்தில் சேருங்கள்

எங்கள் Telegram சேனலுக்கு சேர்ந்து @strategybin பெறுங்கள்: ✓ தினசரி பரிவர்த்தனை சமிக்ஞைகள் ✓ சிறப்பு உத்திகள் மற்றும் ஆலோசனைகள் ✓ சந்தை சார்ந்த அறிவிப்புகள் ✓ தொடக்க அடிப்படையிலான கல்வி பொருட்கள்