ஆழமான கற்றல்

ஆழமான கற்றல்

அறிமுகம்

ஆழமான கற்றல் (Deep Learning) என்பது இயந்திரக் கற்றல் (Machine Learning) துறையின் ஒரு முக்கியப் பகுதியாகும். இது, மனித மூளையின் நரம்பியல் வலைப்பின்னல் (Neural Network) அமைப்பைப் பின்பற்றி, சிக்கலான தரவுகளிலிருந்து தானாகவே அறிவைப் பெறும் திறன் கொண்டது. குறிப்பாக, பெரிய அளவிலான தரவுத்தொகுப்புகளைக் கையாள்வதிலும், துல்லியமான கணிப்புகளை உருவாக்குவதிலும் இது சிறந்து விளங்குகிறது. பைனரி ஆப்ஷன்ஸ் போன்ற நிதிச் சந்தைகளில், ஆழமான கற்றல் நுட்பங்கள் முன்னறிவிப்பு மாதிரிகள் (Predictive Models) உருவாக்கப் பயன்படுகின்றன. இந்த மாதிரிகள், சந்தை போக்குகளை அடையாளம் கண்டு, வர்த்தக முடிவுகளை எடுக்க உதவுகின்றன.

ஆழமான கற்றலின் வரலாறு

ஆழமான கற்றலின் அடிப்படைக் கருத்துக்கள் 1943 ஆம் ஆண்டு வார்ரன் மெக்கல்லோக் மற்றும் வால்டர் பிட்ஸ் ஆகியோரால் முன்மொழியப்பட்டன. அவர்கள், செயற்கை நரம்பியல் நெட்வொர்க்குகளின் அடிப்படைக் கட்டமைப்பை உருவாக்கினர். 1960களில், ஃபிராங்க் ரோசென்ப்ளாட் பெர்செப்ட்ரான் (Perceptron) என்ற கற்றல் அல்காரிதத்தை உருவாக்கினார். இருப்பினும், இந்த ஆரம்பகால முயற்சிகள் சில வரம்புகளைக் கொண்டிருந்தன. 1980களில், ஜெஃப்ரி ஹிண்டன் மற்றும் டேவிட் ரூமெல்ஹார்ட் போன்ற ஆராய்ச்சியாளர்கள் பின்புலப் பரவல் (Backpropagation) என்ற புதிய அல்காரிதத்தை அறிமுகப்படுத்தினர். இது, நரம்பியல் நெட்வொர்க்குகளைப் பயிற்றுவிப்பதில் ஒரு திருப்புமுனையாக அமைந்தது. 2000களின் பிற்பகுதியில், கணினி சக்தியின் அதிகரிப்பு மற்றும் பெரிய தரவுத்தொகுப்புகளின் கிடைக்கும் தன்மை காரணமாக, ஆழமான கற்றல் மீண்டும் முக்கியத்துவம் பெற்றது.

ஆழமான கற்றலின் அடிப்படைக் கூறுகள்

ஆழமான கற்றல், பல அடுக்குகளைக் கொண்ட நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகிறது. ஒவ்வொரு அடுக்கிலும் உள்ள நியூரான்கள் (Neurons), முந்தைய அடுக்கிலிருந்து உள்ளீட்டைப் பெற்று, சில கணக்கீடுகளைச் செய்து, அடுத்த அடுக்குக்கு வெளியீட்டை அனுப்புகின்றன. இந்த அடுக்குகளின் ஆழம் தான், ஆழமான கற்றலுக்கு அதன் பெயரை வழங்குகிறது.

• உள்ளீட்டு அடுக்கு (Input Layer): தரவு உள்ளீடாகப் பெறப்படும் முதல் அடுக்கு இது.
• மறைக்கப்பட்ட அடுக்குகள் (Hidden Layers): உள்ளீட்டு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில் அமைந்துள்ள அடுக்குகள் இவை. ஆழமான கற்றலில், பல மறைக்கப்பட்ட அடுக்குகள் பயன்படுத்தப்படுகின்றன.
• வெளியீட்டு அடுக்கு (Output Layer): இறுதி முடிவை வழங்கும் அடுக்கு இது.

ஒவ்வொரு இணைப்பிற்கும் ஒரு எடை (Weight) இருக்கும். இந்த எடைகள், நெட்வொர்க்கின் கற்றல் செயல்பாட்டின்போது சரிசெய்யப்படுகின்றன. செயல்பாட்டுச் சார்புகள் (Activation Functions) நியூரான்களின் வெளியீட்டை தீர்மானிக்கின்றன. பிரபலமான செயல்பாட்டுச் சார்புகளுக்கு எடுத்துக்காட்டுகள்: சிக்மாய்டு (Sigmoid), ReLU (Rectified Linear Unit), மற்றும் tanh (Hyperbolic Tangent).

ஆழமான கற்றல் மாதிரிகள்

ஆழமான கற்றலில் பல வகையான மாதிரிகள் உள்ளன. அவற்றில் சில முக்கியமானவை கீழே கொடுக்கப்பட்டுள்ளன:

ஆழமான கற்றல் மாதிரிகள்

மாதிரி	விளக்கம்	பயன்பாடுகள்
கன்வல்யூஷனல் நரம்பியல் நெட்வொர்க்குகள் (Convolutional Neural Networks - CNNs)	படங்கள் மற்றும் வீடியோக்களைப் பகுப்பாய்வு செய்யப் பயன்படும் நெட்வொர்க்குகள்.	பட வகைப்பாடு, பொருள் கண்டறிதல், முக அங்கீகாரம்
மீள்நிகழ் நரம்பியல் நெட்வொர்க்குகள் (Recurrent Neural Networks - RNNs)	தொடர்ச்சியான தரவுகளைக் கையாளப் பயன்படும் நெட்வொர்க்குகள்.	உரை பகுப்பாய்வு, பேச்சு அங்கீகாரம், நேரத் தொடர் முன்னறிவிப்பு
நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் (Long Short-Term Memory Networks - LSTMs)	RNNகளின் ஒரு மேம்பட்ட வடிவம், இது நீண்ட கால சார்புகளைக் கையாளும் திறன் கொண்டது.	மொழிபெயர்ப்பு, உரை உருவாக்கம், பங்குச் சந்தை முன்னறிவிப்பு
ஆட்டோ என்கோடர்கள் (Autoencoders)	தரவைக் குறியாக்கம் செய்து, மீண்டும் மீட்டெடுக்கப் பயன்படும் நெட்வொர்க்குகள்.	பரிமாண குறைப்பு, தரவு சுருக்கம், குறைபாடு கண்டறிதல்
ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் (Generative Adversarial Networks - GANs)	புதிய தரவை உருவாக்கப் பயன்படும் நெட்வொர்க்குகள்.	பட உருவாக்கம், வீடியோ உருவாக்கம், தரவு விரிவாக்கம்

பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில் ஆழமான கற்றலின் பயன்பாடு

பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில் ஆழமான கற்றல், சந்தை போக்குகளை முன்னறிவிக்கவும், வர்த்தக முடிவுகளை மேம்படுத்தவும் உதவுகிறது.

• சந்தை முன்னறிவிப்பு: ஆழமான கற்றல் மாதிரிகள், வரலாற்று சந்தை தரவுகளைப் பகுப்பாய்வு செய்து, எதிர்கால விலை நகர்வுகளைக் கணிக்கின்றன. நேரத் தொடர் பகுப்பாய்வு (Time Series Analysis) மற்றும் தொழில்நுட்ப பகுப்பாய்வு (Technical Analysis) போன்ற நுட்பங்களுடன் இணைந்து, இவை துல்லியமான முன்னறிவிப்புகளை வழங்குகின்றன.
• ஆபத்து மேலாண்மை: ஆழமான கற்றல், வர்த்தகத்தில் உள்ள அபாயங்களைக் கண்டறிந்து, அவற்றை நிர்வகிக்க உதவுகிறது. போர்ட்ஃபோலியோ தேர்வுமுறை (Portfolio Optimization) மற்றும் நஷ்ட குறைப்பு உத்திகள் (Loss Reduction Strategies) போன்றவற்றை உருவாக்க இது பயன்படுகிறது.
• தானியங்கி வர்த்தகம்: ஆழமான கற்றல் மாதிரிகள், தானியங்கி வர்த்தக அமைப்புகளை உருவாக்கப் பயன்படுகின்றன. இந்த அமைப்புகள், மனித தலையீடு இல்லாமல், சந்தை நிலைமைகளுக்கு ஏற்ப வர்த்தக முடிவுகளை எடுக்கின்றன. அல்காரிதமிக் வர்த்தகம் (Algorithmic Trading) இதற்கு ஒரு சிறந்த எடுத்துக்காட்டு.
• மோசடி கண்டறிதல்: ஆழமான கற்றல், பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில் மோசடிகளைக் கண்டறிய உதவுகிறது. சந்தேகத்திற்கிடமான பரிவர்த்தனைகளை அடையாளம் கண்டு, அவற்றை தடுக்க இது பயன்படுகிறது.

ஆழமான கற்றல் பயிற்சிக்கு தேவையான தரவுகள்

ஆழமான கற்றல் மாதிரிகளைப் பயிற்றுவிக்க, பெரிய அளவிலான தரவுத்தொகுப்புகள் தேவை. பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில், இந்த தரவுகள் பின்வருமாறு சேகரிக்கப்படலாம்:

• வரலாற்று விலை தரவு: கடந்த கால விலை நகர்வுகள், வர்த்தக அளவு, மற்றும் பிற சந்தை குறிகாட்டிகள்.
• செய்தி தரவு: பொருளாதார செய்திகள், அரசியல் நிகழ்வுகள், மற்றும் நிறுவன அறிக்கைகள்.
• சமூக ஊடக தரவு: ட்விட்டர், ஃபேஸ்புக் போன்ற சமூக ஊடக தளங்களில் உள்ள கருத்துக்கள் மற்றும் போக்குகள்.
• பொருளாதார குறிகாட்டிகள்: GDP, பணவீக்கம் (Inflation), மற்றும் வட்டி விகிதங்கள் (Interest Rates) போன்ற பொருளாதார தரவுகள்.

ஆழமான கற்றலின் சவால்கள்

ஆழமான கற்றல் பல நன்மைகளை வழங்கினாலும், சில சவால்களும் உள்ளன:

• தரவு தேவை: ஆழமான கற்றல் மாதிரிகளுக்குப் பயிற்றுவிக்க அதிக அளவு தரவு தேவை. தரவு குறைவாக இருந்தால், மாதிரியின் துல்லியம் குறையக்கூடும்.
• கணக்கீட்டுச் செலவு: ஆழமான கற்றல் மாதிரிகளைப் பயிற்றுவிக்க அதிக கணினி சக்தி தேவை. இது, அதிக செலவை ஏற்படுத்தலாம்.
• ஓவர்ஃபிட்டிங் (Overfitting): மாதிரி, பயிற்சி தரவுகளுக்கு அதிகமாகப் பொருந்தி, புதிய தரவுகளுக்கு சரியாகப் பதிலளிக்காமல் போகலாம். Regularization மற்றும் Cross-validation போன்ற நுட்பங்களைப் பயன்படுத்தி இதைத் தவிர்க்கலாம்.
• விளக்கமின்மை: ஆழமான கற்றல் மாதிரிகள், அவற்றின் முடிவுகளை எவ்வாறு எடுக்கின்றன என்பதைப் புரிந்துகொள்வது கடினம். இது, மாதிரியின் நம்பகத்தன்மையை கேள்விக்குள்ளாக்கலாம்.

எதிர்கால போக்குகள்

ஆழமான கற்றல் தொடர்ந்து வளர்ச்சியடைந்து வருகிறது. எதிர்காலத்தில், பின்வரும் போக்குகள் முக்கியத்துவம் பெறக்கூடும்:

• விளக்கக்கூடிய AI (Explainable AI - XAI): ஆழமான கற்றல் மாதிரிகளின் முடிவுகளைப் புரிந்துகொள்ள உதவும் தொழில்நுட்பங்கள்.
• குறைந்த தரவு கற்றல் (Few-shot Learning): குறைந்த அளவு தரவுகளைப் பயன்படுத்தி மாதிரிகளைப் பயிற்றுவிக்கும் நுட்பங்கள்.
• தானியங்கி இயந்திர கற்றல் (AutoML): இயந்திர கற்றல் மாதிரிகளை தானாகவே வடிவமைத்து, பயிற்றுவிக்கும் கருவிகள்.
• எட்ஜ் கம்ப்யூட்டிங் (Edge Computing): தரவு சேகரிக்கும் இடத்தில் மாதிரிகளைப் பயிற்றுவித்து, பயன்படுத்துதல்.

தொடர்புடைய இணைப்புகள்

1. இயந்திரக் கற்றல் 2. நரம்பியல் வலைப்பின்னல் 3. பெர்செப்ட்ரான் 4. பின்புலப் பரவல் 5. கன்வல்யூஷனல் நரம்பியல் நெட்வொர்க்குகள் 6. மீள்நிகழ் நரம்பியல் நெட்வொர்க்குகள் 7. நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் 8. ஆட்டோ என்கோடர்கள் 9. ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் 10. செயல்பாட்டுச் சார்புகள் 11. சிக்மாய்டு 12. ReLU 13. tanh 14. நேரத் தொடர் பகுப்பாய்வு 15. தொழில்நுட்ப பகுப்பாய்வு 16. போர்ட்ஃபோலியோ தேர்வுமுறை 17. நஷ்ட குறைப்பு உத்திகள் 18. அல்காரிதமிக் வர்த்தகம் 19. GDP 20. பணவீக்கம் 21. வட்டி விகிதங்கள் 22. Regularization 23. Cross-validation 24. விளக்கக்கூடிய AI 25. குறைந்த தரவு கற்றல் 26. தானியங்கி இயந்திர கற்றல் 27. எட்ஜ் கம்ப்யூட்டிங்

முடிவுரை

ஆழமான கற்றல், பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில் ஒரு சக்திவாய்ந்த கருவியாக உருவெடுத்துள்ளது. சந்தை போக்குகளை முன்னறிவிப்பதிலும், அபாயங்களை நிர்வகிப்பதிலும், தானியங்கி வர்த்தகத்தை செயல்படுத்துவதிலும் இது முக்கிய பங்கு வகிக்கிறது. இருப்பினும், ஆழமான கற்றலின் சவால்களைப் புரிந்துகொண்டு, சரியான உத்திகளைப் பயன்படுத்துவது அவசியம். எதிர்காலத்தில், ஆழமான கற்றல் மேலும் மேம்படுத்தப்பட்டு, பைனரி ஆப்ஷன்ஸ் வர்த்தகத்தில் புதிய வாய்ப்புகளை உருவாக்கும் என்று எதிர்பார்க்கலாம்.

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