ஆழ்ந்த கற்றல்
ஆழ்ந்த கற்றல்
அறிமுகம்
ஆழ்ந்த கற்றல் (Deep Learning) என்பது இயந்திரக் கற்றலின் (Machine Learning) ஒரு உட்பிரிவாகும். இது மனித மூளையின் நரம்பியல் வலைப்பின்னல் (Neural Network) அமைப்பை அடிப்படையாகக் கொண்டது. சிக்கலான தரவு அமைப்புகளிலிருந்து தானாகவே அம்சங்களைக் கற்றுக்கொள்ளும் திறன் இதற்கு உண்டு. பாரம்பரிய இயந்திரக் கற்றல் முறைகள், தரவுகளிலிருந்து அம்சங்களை மனிதர்கள் தான் பிரித்தெடுக்க வேண்டும். ஆனால் ஆழ்ந்த கற்றல் இந்த வேலையை தானாகவே செய்கிறது. இதனால், இது பட அங்கீகாரம் (Image Recognition), பேச்சுணரிதல் (Speech Recognition), இயற்கை மொழி செயலாக்கம் (Natural Language Processing) போன்ற துறைகளில் புரட்சியை ஏற்படுத்தியுள்ளது.
ஆழ்ந்த கற்றலின் வரலாறு
ஆழ்ந்த கற்றலின் ஆரம்பகாலக் கருத்துக்கள் 1943-ல் வாரன் மெக்கல்லோக் (Warren McCulloch) மற்றும் வால்டர் பிட்ஸ் (Walter Pitts) ஆகியோரால் முன்மொழியப்பட்டன. அவர்கள் செயற்கை நரம்பியல் வலையமைப்பின் கணித மாதிரியை உருவாக்கினர். 1960-களில், பிராங்க் ரோசென்ப்லாட் (Frank Rosenblatt) பெர்செப்ட்ரான் (Perceptron) என்ற அல்காரிதத்தை உருவாக்கினார், இது கற்றலை செயல்படுத்தும் ஒரு எளிய நரம்பியல் வலையமைப்பாக இருந்தது.
இருப்பினும், 1970-களில், சியமோன் லெவன்ட் (Xavier LeCun) மற்றும் யான் லெகுன் (Yann LeCun) போன்ற ஆராய்ச்சியாளர்கள் பின்புலப் பரவல் (Backpropagation) என்ற முறையை அறிமுகப்படுத்தினர். இது நரம்பியல் வலையமைப்புகளுக்கு பயிற்சி அளிக்கும் திறனை மேம்படுத்தியது. 1980-களில், ஆழ்ந்த கற்றல் ஒரு தேக்க நிலையை அடைந்தது. இதற்கு காரணம், போதுமான கணினி சக்தி மற்றும் தரவு இல்லாததே.
2006 ஆம் ஆண்டில், ஜெஃப்ரி ஹிண்டன் (Geoffrey Hinton) மற்றும் அவரது குழுவினர், ஆழமான நம்பிக்கையற்ற கற்றல் (Deep Belief Networks) என்ற புதிய முறையை அறிமுகப்படுத்தினர். இது ஆழ்ந்த கற்றலில் ஒரு மறுமலர்ச்சியை ஏற்படுத்தியது. 2012 ஆம் ஆண்டில், அலெக்ஸ் கிரெஸ்வ்ஸ்கி (Alex Krivchevsky), இலியா சுட்ஸ்கெவர் (Ilya Sutskever) மற்றும் ஜெஃப்ரி ஹிண்டன் ஆகியோர் இணைந்து உருவாக்கிய அலெக்ஸ்நெட் (AlexNet) என்ற ஆழ்ந்த நரம்பியல் வலையமைப்பு, படநெட் (ImageNet) போட்டியில் சிறப்பான முடிவுகளைப் பெற்றது. இது ஆழ்ந்த கற்றலின் திறனை உலகிற்கு எடுத்துக்காட்டியது.
ஆழ்ந்த கற்றலின் அடிப்படைக் கூறுகள்
- நரம்பியல் வலையமைப்புகள் (Neural Networks): ஆழ்ந்த கற்றலின் அடிப்படையே நரம்பியல் வலையமைப்புகள் தான். இவை ஒன்றோடொன்று இணைக்கப்பட்ட நியூரான்கள் (Neurons) எனப்படும் கணுக்களால் ஆனவை. ஒவ்வொரு நியூரானும் உள்ளீடுகளைப் பெற்று, அவற்றைச் செயலாக்கி, வெளியீடுகளை உருவாக்கும்.
- அடுக்குகள் (Layers): நரம்பியல் வலையமைப்புகள் பல அடுக்குகளைக் கொண்டிருக்கும். ஒவ்வொரு அடுக்கிலும் பல நியூரான்கள் இருக்கும். உள்ளீட்டு அடுக்கு (Input Layer), மறைக்கப்பட்ட அடுக்குகள் (Hidden Layers) மற்றும் வெளியீட்டு அடுக்கு (Output Layer) என மூன்று முக்கிய அடுக்குகள் உள்ளன.
- செயல்படுத்தும் சார்புகள் (Activation Functions): ஒவ்வொரு நியூரானும் ஒரு செயல்படுத்தும் சார்பைப் பயன்படுத்துகிறது. இது நியூரானின் வெளியீட்டை தீர்மானிக்கிறது. பொதுவாக பயன்படுத்தப்படும் செயல்படுத்தும் சார்புகளில் சிக்மாய்டு (Sigmoid), ReLU (Rectified Linear Unit) மற்றும் டான்ஹெச் (Tanh) ஆகியவை அடங்கும்.
- எடை மற்றும் சார்பு (Weight and Bias): ஒவ்வொரு இணைப்பிற்கும் ஒரு எடை (Weight) இருக்கும். இது இணைப்பின் வலிமையைக் குறிக்கிறது. ஒவ்வொரு நியூரானுக்கும் ஒரு சார்பு (Bias) இருக்கும். இது நியூரானின் வெளியீட்டை மாற்றியமைக்கிறது.
- பயிற்சி (Training): நரம்பியல் வலையமைப்புகளுக்கு பயிற்சி அளிப்பது என்பது, தரவுகளைப் பயன்படுத்தி எடை மற்றும் சார்புகளை சரிசெய்வதாகும். பின்புலப் பரவல் (Backpropagation) மற்றும் சாய்வு இறக்கம் (Gradient Descent) போன்ற முறைகள் பயிற்சிக்கு பயன்படுத்தப்படுகின்றன.
ஆழ்ந்த கற்றல் மாதிரிகள்
- சுருள் நரம்பியல் வலையமைப்புகள் (Convolutional Neural Networks - CNN): இவை பட அங்கீகாரம் மற்றும் வீடியோ பகுப்பாய்வு போன்ற பணிகளுக்குப் பயன்படுத்தப்படுகின்றன. CNNகள் சுருள் அடுக்குகளைப் பயன்படுத்துகின்றன. இது படங்களிலிருந்து அம்சங்களைப் பிரித்தெடுக்க உதவுகிறது.
- தொடர் நரம்பியல் வலையமைப்புகள் (Recurrent Neural Networks - RNN): இவை தொடர்ச்சியான தரவுகளை (Sequential Data) செயலாக்கப் பயன்படுகின்றன. அதாவது, உரை (Text), பேச்சு (Speech) மற்றும் நேரத் தொடர் தரவு (Time Series Data) போன்றவற்றை கையாள உதவுகின்றன. RNNகள் முந்தைய உள்ளீடுகளின் தகவல்களை நினைவில் வைத்துக் கொள்ளும் திறனைக் கொண்டுள்ளன.
- நீண்ட குறுகிய கால நினைவகங்கள் (Long Short-Term Memory - LSTM): இவை RNNகளின் ஒரு மேம்பட்ட வடிவமாகும். LSTMகள் நீண்ட கால சார்புகளைக் கற்றுக்கொள்ளும் திறன் கொண்டவை.
- டிரான்ஸ்ஃபார்மர்கள் (Transformers): இவை இயற்கை மொழி செயலாக்கத்தில் புரட்சியை ஏற்படுத்தியுள்ளன. இவை சுய-கவனப் பொறிமுறையைப் (Self-Attention Mechanism) பயன்படுத்துகின்றன. இது உள்ளீட்டுத் தரவின் வெவ்வேறு பகுதிகளுக்கு கவனம் செலுத்த உதவுகிறது. BERT (Bidirectional Encoder Representations from Transformers) மற்றும் GPT (Generative Pre-trained Transformer) ஆகியவை பிரபலமான டிரான்ஸ்ஃபார்மர் மாதிரிகள்.
- தானியங்கி குறியாக்கிகள் (Autoencoders): இவை தரவின் சுருக்கப்பட்ட பிரதிநிதித்துவத்தைக் கற்றுக்கொள்ளப் பயன்படுகின்றன. தரவு குறைப்பு (Data Reduction), அம்ச கற்றல் (Feature Learning) மற்றும் முரண்பாடு கண்டறிதல் (Anomaly Detection) போன்ற பணிகளுக்கு இவை பயன்படுகின்றன.
ஆழ்ந்த கற்றலின் பயன்பாடுகள்
- பட அங்கீகாரம் (Image Recognition): ஆழ்ந்த கற்றல், படங்களை வகைப்படுத்தவும், படங்களில் உள்ள பொருட்களைக் கண்டறியவும் பயன்படுகிறது.
- பேச்சுணரிதல் (Speech Recognition): ஆழ்ந்த கற்றல், பேச்சுக்களை உரையாக மாற்ற பயன்படுகிறது. கூகிள் அசிஸ்டண்ட் (Google Assistant) மற்றும் அமேசான் அலெக்சா (Amazon Alexa) போன்ற குரல் உதவியாளர்கள் ஆழ்ந்த கற்றலைப் பயன்படுத்துகின்றனர்.
- இயற்கை மொழி செயலாக்கம் (Natural Language Processing): ஆழ்ந்த கற்றல், உரையைப் புரிந்துகொள்ளவும், உருவாக்கவும் பயன்படுகிறது. மொழிபெயர்ப்பு, உரையைச் சுருக்குதல் மற்றும் கேள்வி பதில் அமைப்புகள் போன்ற பயன்பாடுகளில் இது பயன்படுத்தப்படுகிறது.
- மருத்துவம் (Healthcare): ஆழ்ந்த கற்றல், நோய்களைக் கண்டறியவும், மருந்து கண்டுபிடிப்புகளை துரிதப்படுத்தவும் பயன்படுகிறது.
- நிதி (Finance): ஆழ்ந்த கற்றல், மோசடி கண்டறிதல் (Fraud Detection), கடன் மதிப்பீடு (Credit Scoring) மற்றும் பங்குச் சந்தை கணிப்பு (Stock Market Prediction) போன்ற பணிகளுக்குப் பயன்படுகிறது.
- சுய-ஓட்டுநர் கார்கள் (Self-Driving Cars): ஆழ்ந்த கற்றல், கார்களை தானாக இயக்க பயன்படுகிறது.
பைனரி ஆப்ஷன் பரிவர்த்தனையில் ஆழ்ந்த கற்றல்
ஆழ்ந்த கற்றல், பைனரி ஆப்ஷன் பரிவர்த்தனையில் ஒரு சக்திவாய்ந்த கருவியாக பயன்படுத்தப்படலாம். இது சந்தை போக்குகளை பகுப்பாய்வு செய்யவும், விலை நகர்வுகளை கணிக்கவும், தானியங்கி வர்த்தக உத்திகளை உருவாக்கவும் உதவுகிறது.
- சந்தை கணிப்பு (Market Prediction): RNN மற்றும் LSTM போன்ற ஆழ்ந்த கற்றல் மாதிரிகள், வரலாற்று தரவுகளைப் பயன்படுத்தி எதிர்கால விலை நகர்வுகளை கணிக்க முடியும்.
- தொழில்நுட்ப பகுப்பாய்வு (Technical Analysis): ஆழ்ந்த கற்றல், சராசரி நகர்வு (Moving Average), RSI (Relative Strength Index) மற்றும் MACD (Moving Average Convergence Divergence) போன்ற தொழில்நுட்ப குறிகாட்டிகளை பகுப்பாய்வு செய்யவும், வர்த்தக சமிக்ஞைகளை உருவாக்கவும் பயன்படுகிறது.
- அளவு பகுப்பாய்வு (Quantitative Analysis): ஆழ்ந்த கற்றல், சந்தை தரவுகளின் பெரிய தொகுப்புகளை பகுப்பாய்வு செய்து, லாபகரமான வர்த்தக வாய்ப்புகளை அடையாளம் காண உதவுகிறது.
- ஆட்டோமேஷன் (Automation): ஆழ்ந்த கற்றல், வர்த்தக செயல்முறைகளை தானியங்குபடுத்தவும், மனித தலையீடு இல்லாமல் வர்த்தகம் செய்யவும் பயன்படுகிறது.
ஆழ்ந்த கற்றலின் சவால்கள்
- தரவு தேவை (Data Requirements): ஆழ்ந்த கற்றலுக்கு அதிக அளவு தரவு தேவைப்படுகிறது. தரவு குறைவாக இருந்தால், மாதிரியின் செயல்திறன் குறையலாம்.
- கணினி சக்தி (Computational Power): ஆழ்ந்த கற்றல் மாதிரிகளுக்கு பயிற்சி அளிக்க அதிக கணினி சக்தி தேவைப்படுகிறது. குறிப்பாக பெரிய மாதிரிகளுக்கு GPU (Graphics Processing Unit) போன்ற சிறப்பு வன்பொருள் தேவைப்படலாம்.
- அதிக பயிற்சி நேரம் (Training Time): ஆழ்ந்த கற்றல் மாதிரிகளுக்கு பயிற்சி அளிக்க அதிக நேரம் ஆகலாம்.
- விளக்கமின்மை (Lack of Interpretability): ஆழ்ந்த கற்றல் மாதிரிகள் "கருப்பு பெட்டிகள்" (Black Boxes) என்று அழைக்கப்படுகின்றன. ஏனெனில், அவை எவ்வாறு முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது கடினம்.
எதிர்கால போக்குகள்
- விளக்கக்கூடிய AI (Explainable AI - XAI): ஆழ்ந்த கற்றல் மாதிரிகளின் முடிவுகளைப் புரிந்துகொள்ள உதவும் முறைகளை உருவாக்குதல்.
- குறைந்த தரவு கற்றல் (Low-Data Learning): குறைந்த தரவுகளை வைத்து பயிற்சி செய்யக்கூடிய ஆழ்ந்த கற்றல் மாதிரிகளை உருவாக்குதல்.
- தானியங்கி இயந்திர கற்றல் (AutoML): தானாகவே சிறந்த ஆழ்ந்த கற்றல் மாதிரியைத் தேர்ந்தெடுத்து பயிற்சி செய்யும் முறைகளை உருவாக்குதல்.
- எட்ஜ் கம்ப்யூட்டிங் (Edge Computing): சாதனங்களிலேயே ஆழ்ந்த கற்றல் மாதிரிகளை இயக்குதல்.
முடிவுரை
ஆழ்ந்த கற்றல் ஒரு சக்திவாய்ந்த தொழில்நுட்பமாகும். இது பல துறைகளில் புரட்சியை ஏற்படுத்தியுள்ளது. பைனரி ஆப்ஷன் பரிவர்த்தனையில், இது சந்தை கணிப்பு, தொழில்நுட்ப பகுப்பாய்வு மற்றும் தானியங்கி வர்த்தகம் போன்ற பணிகளுக்குப் பயன்படுகிறது. இருப்பினும், ஆழ்ந்த கற்றலில் சில சவால்கள் உள்ளன. எதிர்காலத்தில், இந்த சவால்களை சமாளிக்க புதிய முறைகள் உருவாக்கப்படும் என்று எதிர்பார்க்கப்படுகிறது.
(குறிப்பு: இந்த கட்டுரை MediaWiki 1.40 கட்டமைப்பிற்கு ஏற்ப வடிவமைக்கப்பட்டுள்ளது. Markdown குறியீடு பயன்படுத்தப்படவில்லை.)
உள் இணைப்புகளின் எண்ணிக்கை: 28+ (குறிப்பிட்ட சொற்களுக்கு இணைப்பு கொடுக்கப்பட்டுள்ளது. மேலும் தேவைப்பட்டால், பொருத்தமான இடங்களில் கூடுதல் இணைப்புகளைச் சேர்க்கலாம்).
தொடர்புடைய உத்திகள், தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வுக்கான இணைப்புகள்:
- சராசரி நகர்வு
- RSI
- MACD
- சாய்வு இறக்கம்
- பின்புலப் பரவல்
- பெர்செப்ட்ரான்
- சிக்மாய்டு
- ReLU
- டான்ஹெச்
- இயந்திரக் கற்றல்
- நரம்பியல் வலைப்பின்னல்
- சுருள் நரம்பியல் வலையமைப்புகள்
- தொடர் நரம்பியல் வலையமைப்புகள்
- நீண்ட குறுகிய கால நினைவகங்கள்
- டிரான்ஸ்ஃபார்மர்கள்
- BERT
- GPT
- தானியங்கி குறியாக்கிகள்
- படநெட்
- அலெக்ஸ்நெட்
- கூகிள் அசிஸ்டண்ட்
- அமேசான் அலெக்சா
- விளக்கக்கூடிய AI
- குறைந்த தரவு கற்றல்
- தானியங்கி இயந்திர கற்றல்
- எட்ஜ் கம்ப்யூட்டிங்
- GPU
- மோசடி கண்டறிதல்
- கடன் மதிப்பீடு
- பங்குச் சந்தை கணிப்பு
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
