கணினி கற்றல்

கணினி கற்றல் (Machine Learning) என்பது, கணினிகளுக்கு வெளிப்படையாக நிரல்படுத்தாமலேயே, தரவுகளிலிருந்து கற்றுக்கொண்டு, அவற்றின் செயல்திறனை மேம்படுத்தும் திறனைக் கொடுக்கும் ஒரு செயற்கை நுண்ணறிவுத் (Artificial Intelligence) துறை ஆகும். இது புள்ளியியல் (Statistics), கணினி அறிவியல் (Computer Science) மற்றும் கணிதத்தின் (Mathematics) பல கூறுகளை உள்ளடக்கியது. பைனரி ஆப்ஷன் பரிவர்த்தனையில் (Binary Option Trading) இது ஒரு முக்கியமான கருவியாகப் பயன்படுகிறது.

அடிப்படைக் கருத்துகள்

கணினி கற்றலின் அடிப்படை நோக்கம், தரவுகளிலிருந்து வடிவங்களைக் கண்டறிந்து, அவற்றின் அடிப்படையில் முன்னறிவிப்புகள் (Predictions) அல்லது முடிவுகளை எடுப்பதாகும். மனிதர்கள் எவ்வாறு அனுபவத்திலிருந்து கற்றுக்கொள்கிறார்களோ, அதேபோல் கணினிகளும் தரவுகளிலிருந்து கற்றுக்கொள்ளும் வகையில் அல்காரிதம்கள் (Algorithms) உருவாக்கப்படுகின்றன.

தரவு (Data): கணினி கற்றலின் உயிர்நாடி தரவு. தரவு என்பது எண்களாகவோ, எழுத்துகளாகவோ அல்லது வேறு எந்த வடிவத்திலோ இருக்கலாம். தரவின் தரம் கணினி கற்றல் மாதிரியின் துல்லியத்தை (Accuracy) தீர்மானிக்கிறது.
அல்காரிதம் (Algorithm): தரவுகளிலிருந்து கற்றுக்கொள்வதற்கான வழிமுறைகளை அல்காரிதம் வழங்குகிறது. பல்வேறு வகையான கணினி கற்றல் அல்காரிதம்கள் உள்ளன, ஒவ்வொன்றும் வெவ்வேறு வகையான சிக்கல்களைத் தீர்க்கப் பயன்படுகின்றன.
மாதிரி (Model): அல்காரிதம் மூலம் பயிற்சி செய்யப்பட்ட தரவுகளின் பிரதிநிதித்துவம் மாதிரி எனப்படும். இந்த மாதிரி புதிய தரவுகளின் அடிப்படையில் முன்னறிவிப்புகளைச் செய்யப் பயன்படுகிறது.
பயிற்சி (Training): தரவுகளைப் பயன்படுத்தி ஒரு மாதிரியை உருவாக்குவது பயிற்சி எனப்படும். பயிற்சி என்பது ஒரு தொடர்ச்சியான செயல்முறையாகும், இதில் மாதிரியின் துல்லியத்தை மேம்படுத்த தரவுகள் மீண்டும் மீண்டும் பயன்படுத்தப்படுகின்றன.
சரிபார்த்தல் (Validation): பயிற்சி செய்யப்பட்ட மாதிரியின் செயல்திறனைச் சோதிப்பது சரிபார்த்தல் எனப்படும். சரிபார்த்தல், மாதிரி புதிய தரவுகளுக்கு எவ்வளவு சிறப்பாகப் பொதுமைப்படுத்துகிறது என்பதை மதிப்பிட உதவுகிறது.

கணினி கற்றலின் வகைகள்

கணினி கற்றலை அதன் கற்றல் முறையின் அடிப்படையில் மூன்று முக்கிய வகைகளாகப் பிரிக்கலாம்:

1. கண்காணிப்பு கற்றல் (Supervised Learning): இந்த முறையில், உள்ளீடு (Input) மற்றும் வெளியீடு (Output) இரண்டும் தரவுகளுடன் வழங்கப்படுகின்றன. அல்காரிதம் உள்ளீட்டிற்கும் வெளியீட்டிற்கும் இடையிலான உறவைக் கற்றுக்கொண்டு, புதிய உள்ளீடுகளுக்கு சரியான வெளியீடுகளை முன்னறிவிக்கிறது. உதாரணத்திற்கு, பைனரி ஆப்ஷன் பரிவர்த்தனையில் வரலாற்றுச் சந்தை தரவுகளைப் பயன்படுத்தி, எதிர்கால விலைகளை முன்னறிவிப்பது. கண்காணிப்பு கற்றல் 2. கண்காணிக்கப்படாத கற்றல் (Unsupervised Learning): இந்த முறையில், உள்ளீடு மட்டுமே தரவுகளுடன் வழங்கப்படுகிறது, வெளியீடு வழங்கப்படுவதில்லை. அல்காரிதம் தரவுகளில் உள்ள வடிவங்கள், தொடர்புகள் மற்றும் குழுக்களைக் கண்டறிய முயற்சிக்கிறது. உதாரணமாக, வாடிக்கையாளர்களின் தரவுகளை வகைப்படுத்தி, சந்தைப்படுத்தல் உத்திகளை மேம்படுத்துவது. கண்காணிக்கப்படாத கற்றல் 3. வலிமை கற்றல் (Reinforcement Learning): இந்த முறையில், ஒரு ஏஜென்ட் (Agent) ஒரு சூழலில் (Environment) செயல்பட்டு, அதற்கான வெகுமதிகளைப் (Rewards) பெறுகிறது. ஏஜென்ட் வெகுமதிகளை அதிகரிக்கக்கூடிய செயல்களைக் கற்றுக்கொள்கிறது. உதாரணமாக, ஒரு ரோபோவை ஒரு குறிப்பிட்ட பணியைச் செய்யப் பயிற்றுவிப்பது. வலிமை கற்றல்

கணினி கற்றல் வகைகள்
வகை	விளக்கம்	பயன்பாடு
கண்காணிப்பு கற்றல்	உள்ளீடு மற்றும் வெளியீடு தரவுகளுடன் வழங்கப்படுகின்றன.	விலை முன்னறிவிப்பு, வகைப்படுத்துதல்
கண்காணிக்கப்படாத கற்றல்	உள்ளீடு மட்டுமே தரவுகளுடன் வழங்கப்படுகிறது.	வாடிக்கையாளர் பிரிவு, தரவு குறைப்பு
வலிமை கற்றல்	ஏஜென்ட் வெகுமதிகளைப் பெறுகிறது.	ரோபோட்டிக்ஸ், விளையாட்டு

பைனரி ஆப்ஷன் பரிவர்த்தனையில் கணினி கற்றல்

பைனரி ஆப்ஷன் பரிவர்த்தனையில் கணினி கற்றல் ஒரு சக்திவாய்ந்த கருவியாகப் பயன்படுகிறது. சந்தை தரவுகளை பகுப்பாய்வு செய்து, விலை நகர்வுகளை முன்னறிவித்து, லாபகரமான பரிவர்த்தனைகளை அடையாளம் காண இது உதவுகிறது.

விலை முன்னறிவிப்பு (Price Prediction): கண்காணிப்பு கற்றல் அல்காரிதம்களைப் பயன்படுத்தி, வரலாற்றுச் சந்தை தரவுகளைப் பகுப்பாய்வு செய்து எதிர்கால விலைகளை முன்னறிவிக்க முடியும். நேரியல் பின்னடைவு (Linear Regression), ஆதரவு திசையன் இயந்திரங்கள் (Support Vector Machines), மற்றும் நரம்பியல் வலைப்பின்னல்கள் (Neural Networks) போன்ற அல்காரிதம்கள் பொதுவாகப் பயன்படுத்தப்படுகின்றன.
சந்தை உணர்வு பகுப்பாய்வு (Market Sentiment Analysis): சமூக ஊடகங்கள், செய்தி கட்டுரைகள் மற்றும் பிற மூலங்களிலிருந்து தரவுகளைப் பகுப்பாய்வு செய்து, சந்தையில் உள்ள உணர்வுகளைப் புரிந்துகொள்ள முடியும். இது வர்த்தக முடிவுகளை எடுக்க உதவும். இயற்கை மொழி செயலாக்கம் (Natural Language Processing) இந்த பகுப்பாய்விற்குப் பயன்படுகிறது.
ஆட்டோமேட் டிரேடிங் (Automated Trading): கணினி கற்றல் மாதிரிகளைப் பயன்படுத்தி, தானாகவே பரிவர்த்தனைகளைச் செய்ய முடியும். இது மனித பிழைகளைத் தவிர்க்கவும், வேகமான முடிவுகளை எடுக்கவும் உதவுகிறது. அல்காரிதமிக் டிரேடிங் (Algorithmic Trading) இதற்கு ஒரு சிறந்த உதாரணம்.
மோசடி கண்டறிதல் (Fraud Detection): கணினி கற்றல் அல்காரிதம்களைப் பயன்படுத்தி, மோசடியான பரிவர்த்தனைகளை அடையாளம் காண முடியும். இது முதலீட்டாளர்களின் பாதுகாப்பை உறுதி செய்கிறது. அசாதாரணமான கண்டறிதல் (Anomaly Detection) இந்த நோக்கத்திற்காகப் பயன்படுத்தப்படுகிறது.
ஆபத்து மேலாண்மை (Risk Management): கணினி கற்றல் மாதிரிகளைப் பயன்படுத்தி, பரிவர்த்தனைகளில் உள்ள அபாயங்களை மதிப்பிட முடியும். இது முதலீட்டாளர்கள் தங்கள் மூலதனத்தைப் பாதுகாக்க உதவுகிறது. போர்ட்ஃபோலியோ தேர்வுமுறை (Portfolio Optimization) ஆபத்து மேலாண்மைக்கு உதவுகிறது.

முக்கியமான கணினி கற்றல் அல்காரிதம்கள்

நேரியல் பின்னடைவு (Linear Regression): ஒரு தொடர்ச்சியான வெளியீட்டை முன்னறிவிக்கப் பயன்படுகிறது.
தருக்க பின்னடைவு (Logistic Regression): ஒரு வகைப்பாடு சிக்கலைத் தீர்க்கப் பயன்படுகிறது.
முடிவு மரங்கள் (Decision Trees): தரவை கிளைகளாகப் பிரித்து முடிவுகளை எடுக்கப் பயன்படுகிறது.
ரேண்டம் ஃபாரஸ்ட் (Random Forest): பல முடிவு மரங்களின் தொகுப்பாகும்.
ஆதரவு திசையன் இயந்திரங்கள் (Support Vector Machines): தரவைப் பிரிக்க சிறந்த கோட்டைக் கண்டுபிடிக்கப் பயன்படுகிறது.
நரம்பியல் வலைப்பின்னல்கள் (Neural Networks): மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் ஒரு சிக்கலான அல்காரிதம்.
கே-மீன்ஸ் கிளஸ்டரிங் (K-Means Clustering): தரவை குழுக்களாகப் பிரிக்கப் பயன்படுகிறது.
முதன்மை கூறு பகுப்பாய்வு (Principal Component Analysis): தரவின் பரிமாணத்தைக் குறைக்கப் பயன்படுகிறது.

தொழில்நுட்ப பகுப்பாய்வு (Technical Analysis) மற்றும் கணினி கற்றல்

தொழில்நுட்ப பகுப்பாய்வு என்பது வரலாற்றுச் சந்தை தரவுகளைப் பயன்படுத்தி எதிர்கால விலை நகர்வுகளை முன்னறிவிக்கும் ஒரு முறையாகும். கணினி கற்றல், தொழில்நுட்ப பகுப்பாய்வின் செயல்திறனை மேம்படுத்த உதவுகிறது.

சார்ட்டர் அங்கீகாரம் (Chart Pattern Recognition): கணினி கற்றல் அல்காரிதம்களைப் பயன்படுத்தி, சார்ட்டுகளில் உள்ள வடிவங்களை தானாகவே அடையாளம் காண முடியும்.
சிக்னல் உருவாக்கம் (Signal Generation): தொழில்நுட்ப குறிகாட்டிகளைப் (Technical Indicators) பயன்படுத்தி, வாங்குதல் மற்றும் விற்றலுக்கான சமிக்ஞைகளை உருவாக்க முடியும். நகரும் சராசரி (Moving Average), RSI (Relative Strength Index) போன்ற குறிகாட்டிகள் பயன்படுத்தப்படுகின்றன.
பின்சோதனை (Backtesting): வரலாற்றுத் தரவுகளைப் பயன்படுத்தி, ஒரு வர்த்தக உத்தியின் செயல்திறனைச் சோதிக்க முடியும். மாண்டே கார்லோ உருவகப்படுத்துதல் (Monte Carlo Simulation) இதற்குப் பயன்படுகிறது.

அளவு பகுப்பாய்வு (Quantitative Analysis) மற்றும் கணினி கற்றல்

அளவு பகுப்பாய்வு என்பது கணித மாதிரிகள் மற்றும் புள்ளியியல் முறைகளைப் பயன்படுத்தி முதலீட்டு முடிவுகளை எடுக்கும் ஒரு முறையாகும். கணினி கற்றல், அளவு பகுப்பாய்வின் துல்லியத்தை அதிகரிக்க உதவுகிறது.

விலை நிர்ணய மாதிரி (Pricing Model): கணினி கற்றல் அல்காரிதம்களைப் பயன்படுத்தி, பைனரி ஆப்ஷன்களின் விலையை நிர்ணயிக்க முடியும்.
ஆபத்து மாதிரி (Risk Model): பரிவர்த்தனைகளில் உள்ள அபாயங்களை மதிப்பிட முடியும்.
போர்ட்ஃபோலியோ தேர்வுமுறை (Portfolio Optimization): முதலீட்டு போர்ட்ஃபோலியோவை மேம்படுத்த முடியும். மார்கோவிட்ஸ் மாதிரி (Markowitz Model) ஒரு பிரபலமான போர்ட்ஃபோலியோ தேர்வுமுறை நுட்பமாகும்.

சவால்கள் மற்றும் எதிர்கால வாய்ப்புகள்

கணினி கற்றல் பைனரி ஆப்ஷன் பரிவர்த்தனையில் பல நன்மைகளை வழங்கினாலும், சில சவால்களும் உள்ளன.

தரவு தரம் (Data Quality): தரவின் தரம் குறைவாக இருந்தால், மாதிரியின் துல்லியம் பாதிக்கப்படும்.
அதிகப்படியான பொருத்தம் (Overfitting): மாதிரி பயிற்சி தரவுகளுக்கு மிகவும் பொருத்தமாக இருந்தால், புதிய தரவுகளுக்கு சரியாகப் பொதுமைப்படுத்த முடியாது.
சந்தை மாற்றம் (Market Changes): சந்தை நிலைமைகள் மாறும்போது, மாதிரியின் செயல்திறன் குறையலாம்.

எதிர்காலத்தில், கணினி கற்றல் பைனரி ஆப்ஷன் பரிவர்த்தனையில் மேலும் முக்கிய பங்கு வகிக்கும் என்று எதிர்பார்க்கப்படுகிறது. புதிய அல்காரிதம்கள் மற்றும் தொழில்நுட்பங்கள் உருவாக்கப்படுவதால், வர்த்தகர்கள் அதிக லாபம் ஈட்ட முடியும்.

இயந்திர கற்றல் பயன்பாடுகள் பைனரி ஆப்ஷன் வர்த்தக உத்திகள் சந்தை பகுப்பாய்வு முதலீட்டு மேலாண்மை ஆபத்து மதிப்பீடு தரவு அறிவியல் புள்ளியியல் மாதிரி நிரலாக்க மொழிகள் (Python, R) கிளவுட் கம்ப்யூட்டிங் பெரிய தரவு டேட்டா மைனிங் ஆழ்ந்த கற்றல் இயற்கை மொழி செயலாக்கம் நேரியல் பின்னடைவு ஆதரவு திசையன் இயந்திரங்கள் நரம்பியல் வலைப்பின்னல்கள் நகரும் சராசரி RSI மாண்டே கார்லோ உருவகப்படுத்துதல் மார்கோவிட்ஸ் மாதிரி

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