ကွန်ပျူတာများကိုကျော်ယူပြီးကြသည်မဟုတ်ပေမယ့်သူတို့ကနေ့တိုင်းမတ်လာပြီဖြစ်ကြောင်း
အဲဒါကိုသုံးပြီးနှင့်ခွဲခြားစိတ်ဖြာကမေတ္တာရပ်ခံတာဝန်လုပ်ဆောင်နိုင်အောင်အရိုးရှင်းဆုံးစည်းကမ်းချက်များ၌, (ML) သင်ယူခြင်းစက်စက် (ကွန်ပျူတာများ) ၏ပရိုဂရမ်းမင်းဖြစ်ပါတယ် data တွေကို လူသားတစ်ဦးပြုစုသူအနေဖြင့်အပိုဆောင်းသီးခြားထည့်သွင်းစရာမလိုဘဲလွတ်လပ်စွာကြောင်းအလုပ်တစ်ခုကိုလုပ်ဆောင်မှ (သတင်းအချက်အလက်) ။
စက်သင်ယူ 101
အဆိုပါဝေါဟာရကို "စက်သင်ယူမှု" အာသာရှမွေလသည်, တစ်ဦးရှေ့ဆောင်ခြင်းဖြင့် 1959 အတွင်းက IBM ဓာတ်ခွဲခန်းများအတွက်စတင်သုံးစွဲခဲ့သည် အတုထောက်လှမ်းရေး (AI အ) နှင့်ကွန်ပျူတာဂိမ်းကစားခြင်း။ စက်သင်ယူမှုတစ်ခုရလဒ်အဖြစ်, Artificial Intelligence ၏ဌာနခွဲဖြစ်ပါသည်။ ရှမှလေရဲ့အဓိကအကြောင်းရင်းဇောက်ထိုးအချိန်ကွန်ပျူတာမော်ဒယ်လှန်နှင့်ကွန်ပျူတာများကိုသင်ယူဖို့အမှုအရာပေးခြင်းကိုရပ်တန့်ဖို့ပဲ။
အဲဒီအစားသူကလူသားမြားသ input ကိုမှအချက်အလက်များ၏ပင် tiniest အပိုင်းအစစရာမလိုဘဲ, မိမိတို့ကိုယ်ပိုင်အပေါ်အမှုအရာမှထွက်ရှာဖွေစတင်ရန်ကွန်ပျူတာများချင်တယ်။ ထို့နောက်သူကထင်, ကွန်ပျူတာများရုံတာဝန်များကိုထွက်သယ်ဆောင်မဟုတ်ဘူးဒါပေမယ့်နောက်ဆုံးမှာတဲ့အခါမှာလုပ်ဆောင်ခြင်းနှင့်မည်သည့်တာဝန်များကိုဆုံးဖြတ်နိုင်ဘူး။ အဘယ်ကြောင့်? ကွန်ပျူတာများကိုမည်သည့်ပေးထားသောဧရိယာ၌ဖျော်ဖြေဖို့လိုအပ်အလုပ်လူသား၏ပမာဏကိုလျှော့ချနိုင်ကြောင်းဒါကြောင့်။
ဘယ်လိုစက်သင်ယူအလုပ်လုပ်
စက်သင်ယူမှု algorithms များနှင့်အချက်အလက်များ၏အသုံးပြုမှုမှတဆင့်အလုပ်လုပ်ပါတယ်။ တစ်ဦး algorithm ကိုဘယ်လိုတာဝန်ထွက်သယ်ဆောင်ရန်ကွန်ပျူတာတစ်လုံးသို့မဟုတ် program တစ်ခုကိုပြောပြကြောင်းညွှန်ကြားချက်သို့မဟုတ်လမ်းညွှန်ချက်များအစုတခုဖြစ်ပါတယ်။ ML အတွက်အသုံးပြုတဲ့ algorithms ပုံစံများကိုအသိအမှတ်မပြု, ဒေတာစုဝေးစေပြီးလျှင်, တာဝန်များကိုဖြည့်စွက်ရန်၎င်း၏ကိုယ်ပိုင်အစီအစဉ်များနှင့်လုပ်ငန်းဆောင်တာလိုက်လျောညီထွေဖြစ်အောင်ရန်အချက်အလက်များ၏ခွဲခြမ်းစိတ်ဖြာသုံးပါ။
ML algorithms ဆုံးဖြတ်ချက်များစေနှင့်တာဝန်များကိုဖျော်ဖြေဖို့အပြောင်းအလဲနဲ့ data တွေကိုအလိုအလျောက်မှ (အနည်းငယ်အမည်ကိုမှ) စည်းမျဉ်းအစုံ, ဆုံးဖြတ်ချက်သစ်ပင်, သော graphical မော်ဒယ်များ, သဘာဝဘာသာစကားအပြောင်းအလဲနဲ့နှင့်အာရုံကြောကွန်ရက်များကိုအသုံးပြုပါ။ ML ရှုပ်ထွေးပြီးခေါင်းစဉ်နိုင်ပါတယ်နေစဉ်, Google ရဲ့ ပေး. ရသောသူစက် ML ဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကိုတစ်ရိုးရှင်းသောလက်ပေါ်မှာသရုပ်ပြပေးသည်။
ခေါ်တော်မူသည်ယနေ့အသုံးပြုသောခံစက်သင်ယူမှု၏သြဇာအာဏာအရှိဆုံးပုံစံ, နက်ရှိုင်းသောသင်ယူမှု , ဒေတာများကျယ်ပြန့်ပမာဏပေါ်အခြေခံတဲ့အာရုံကြောကွန်ယက်ကိုဟုခေါ်သည့်ရှုပ်ထွေးသင်္ချာဖွဲ့စည်းပုံ, တည်ဆောက်။ အာရုံကြောကွန်ရက်များကလူ့ဦးနှောက်နှင့်အာရုံကြောစနစ်လုပ်ငန်းစဉ်သည်သတင်းအချက်အလက်အတွက်လမ်းအာရုံကြောဆဲလ်တွေကိုအပြီးလုပ်ပါတယ် ML နဲ့ AI အတွက် algorithms များအစုံရှိပါတယ်။
ဒေတာများသတ္တုတွင်း vs. စက်သင်ယူ vs. Artificial Intelligence
အကောင်းဆုံး AI အ, ML နှင့်ဒေတာများသတ္ထုတူးဖော်ရေးအကြားဆက်ဆံရေးကိုနားလည်သဘောပေါက်ရန်, ကကွဲပြားခြားနားသောအရွယ်ထီးအစုတခုစဉ်းစားရန်အထောက်အကူဖြစ်စေပါတယ်။ AI အအကြီးဆုံးထီးဖြစ်ပါတယ်။ အဆိုပါ ML ထီးတစ်အရွယ်အစားသေးငယ်နှင့် AI အထီးအောက်မှာကိုက်ညီ။ အဆိုပါဒေတာသတ္တုတူးဖော်ရေးထီးအသေးဆုံးနှင့် ML ထီးအောက်မှာကိုက်ညီ။
- AI အလူ့ထောက်လှမ်းရေးပြီးနောက်လုပ်ပါတယ်ဆင်ခြင်ခြင်းနှင့်ဆုံးဖြတ်ချက်ချနည်းစနစ်ကို အသုံးပြု. ပို. "အသိဉာဏ်" နဲ့ "လူ့-ကဲ့သို့" နည်းလမ်းတာဝန်များကိုလုပ်ဆောင်မှကွန်ပျူတာပရိုဂရမ်ရည်ရွယ်ကြောင်းကွန်ပျူတာသိပ္ပံဌာနခွဲဖြစ်ပါသည်။
- ML တစ်ဦးထက်ပိုအလိုအလျောက်လမ်းအတွက် data တွေကိုမောင်းနှင်, အသိဉာဏ်ဆုံးဖြတ်ချက်များအောင် (လိုအပ်သောဒေတာများကိုသို့မဟုတ်နမူနာကိုစုသိမ်း) သင်ယူဖို့ programming ကိုစက် (ကွန်ပျူတာများ) အပေါ်အာရုံစူးစိုက် AI အအတွင်းတွင်ကွန်ပျူတာများ၏အမျိုးအစားဖြစ်ပါတယ်။
- ဒေတာများသတ္ထုတူးဖော်ရေး , ပုံစံများကိုရှာဖွေအသိအမြင်များကိုပေးစွမ်းခွဲခြားမှုဖန်တီးပြဿနာများကိုဖော်ထုတ်ရန်နှင့်အသေးစိတ်ဒေတာ analytics ကယ်လွှတ်ခြင်းငှါ, ML, AI အများနှင့်အချက်အလက်များ၏ကြီးမား databases ကိုစာရင်းဇယားများကိုအသုံးပြုသည်။
စက်သင်ယူဘယ်အရာကိုလုပ်ပါ (နှင့်ယခုပင်လျှင်မ) နိုင်သလား
တစ်စက္ကန့်၏အပိုင်းအစအတွက်အချက်အလက်များ၏ကျယ်ပြန့်သောပမာဏခွဲခြမ်းစိတ်ဖြာဖို့ကွန်ပျူတာများများအတွက်စွမ်းရည်အချိန်နှင့်တိကျမှန်ကန်မှုကိုမရှိမဖြစ်လိုအပ်သည်ဘယ်မှာစက်မှုလုပ်ငန်းတစ်အရေအတွက် ML အသုံးဝင်သောစေသည်။
- ဆေးပညာ: ML နည်းပညာပုံမှန်မဟုတ်သောရောဂါလက္ခဏာများနှင့်အတူလူနာပိုမြန်ရောဂါနှင့်အတူအရေးပေါ်ဌာနကိုဆေးသမားကူညီပေးနေအပါအဝင်ဆေးဘက်လယ်ကွင်းများအတွက်ဖြေရှင်းချက်၏အကွာအဝေးအတွင်းအကောင်အထည်ဖော်လျက်ရှိသည်။ ဆေးသမားကိုပရိုဂရမ်သို့ input ကိုလူနာရဲ့ရောဂါလက္ခဏာများစာရင်းကိုနှင့် ML သုံးပြီး program ကိုအလားအလာ diagnoses များစာရင်းကိုပြန်သွားဖို့ဆေးဘက်ဆိုင်ရာစာပေနှင့်အင်တာနက်ကနေအချက်အလက်များ၏ terabytes ၏ထရီလီယံအပေါ်ယံအခွံနှင့်စံချိန်အချိန်အတွက်စမ်းသပ်သို့မဟုတ်ကုသမှုအကြံပြုနိုင်ပါတယ်။
- ပညာရေး: ML ထိုကဲ့သို့သောကို virtual သင်ယူမှုလက်ထောက်နှင့်ပိုပြီးအပြန်အလှန်ဖြစ်ကြောင်းအီလက်ထရောနစ်ဖတ်စာအုပ်များအဖြစ်ကျောင်းသားများ၏သင်ယူမှုလိုအပ်ချက်များကိုဖြည့်ဖို့သူတို့ကိုယ်သူတို့လိုက်လျောညီထွေဖြစ်အောင်ကြောင်းပညာရေးကိရိယာများ, ကိုဖန်တီးရန်အသုံးပြုသည်။ အဲဒီကိရိယာကျောင်းသားတိုတောင်းဉာဏ်စမ်းပဟေဠိများနှင့်အလေ့အကျင့်လေ့ကျင့်ခန်းကို အသုံးပြု. နားလည်ထားတဲ့အယူအဆနှင့်ကျွမ်းကျင်မှုရှာဖွေတွေ့ရှိရန် ML ကိုအသုံးပြုပါ။ အဆိုပါ tools တွေကိုထို့နောက်ကျောင်းသားလိုအပ်ကျွမ်းကျင်မှုသို့မဟုတ်သဘောတရားများကိုလေ့လာသင်ယူကူညီရန်တိုတောင်းသောဗီဒီယိုများ, နောက်ထပ်ဥပမာများနှင့်နောက်ခံပစ္စည်းကိုပေး။
- မော်တော်ကား: ML လည်း (စကားမောင်းသူ-လျော့နည်းကားများသို့မဟုတ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားများခေါ်) Self-ကားမောင်းကားများ၏ထွန်းသစ်စလယ်ပြင်၌အဓိကအစိတ်အပိုင်းဖြစ်ပါတယ်။ Self-ကားမောင်းကားများလုပ်ကိုင်သော software များ (ဥပမာရေခဲလမ်းများကဲ့သို့) လမ်းအခြေအနေ detect ဒါမှမဟုတ်လမျးခရီးအတွက်အတားအဆီးဖော်ထုတ်ရန်နှင့်လုံခြုံစိတ်ချစွာထိုကဲ့သို့သောအခြေအနေများသွားလာရန်သင့်လျော်သောမောင်းနှင်မှုတာဝန်များကိုသင်ယူဖို့ကို real-ဘဝလမ်းစမ်းသပ်မှုနှင့် Simulator နှစ်ဦးစလုံးစဉ်အတွင်း ML ကိုအသုံးပြုသည်။
သငျသညျဖွယ်ရှိပြီးသားသတိမထားမိဘဲ ML အကြိမ်ပေါင်းများစွာကြုံတွေ့ခဲ့ရပါတယ်။ ML နည်းပညာ၏ပိုပြီးဘုံအသုံးပြုမှုအချို့သည်လက်တွေ့ကျတဲ့မိန့်ခွန်းအသိအမှတ်ပြုမှု (ပါဝင်သည် Samsung ရဲ့ Bixby Apple ရဲ့ Siri ကို spam များကိုစိတ်တိုင်းကျ, လိမ်လည်မှုဖော်ထုတ်မယ်, News Feeds ကိုတည်ဆောက်ခြင်း, သင့်အီးမေးလ်ကိုစီစစ်, နှင့် PC များပေါ်တွင်ယခုအခါစံနှုန်းဖြစ်ကြောင်းအများအပြားဆွေးနွေးချက်-to-စာသားကိုအစီအစဉ်များ) အကြံပြုချက်များစျေးဝယ်နှင့်ထို့ထက် ပို. ထိရောက်သောဝဘ်ရှာဖွေရေးရလဒ်များကိုပေး။
ML သင့်ရဲ့ပင်ပါဝင်ပတ်သက်ဖြစ်ပါတယ် Facebook ကို အစာကျွေးခြင်း။ သင်ကြိုက်နှစ်သက်သို့မဟုတ်မကြာခဏမိတ်ဆွေတစ်ဦးရဲ့အရေးသားချက်များကို click သောအခါ, မြင်ကွင်းများနောက်ကွယ်မှ algorithms များနှင့် ML သင့်ရဲ့ Newsfeeds အတွက်အချို့သောသူငယ်ချင်းများသို့မဟုတ်စာမျက်နှာများကိုဦးစားပေးဖို့အချိန်ကျော်သင့်ရဲ့လုပ်ရပ်တွေကိုအနေဖြင့် "ကိုသင်ယူ" ။
အဘယ်အရာကိုစက်သင်ယူ # 39 & နိုင်သလား; t ကိုလုပ်ပါ
သို့သော် ML အဘယ်သို့ပြုနိုင်သည်မှကန့်သတ်ရှိပါတယ်။ ဥပမာအားဖြင့်, ကွဲပြားခြားနားသောစက်မှုလုပ်ငန်းများအတွက် ML နည်းပညာအသုံးပြုမှုကြောင့်စက်မှုလုပ်ငန်းများကလိုအပ်သည့်တာဝန်များကိုအမျိုးအစားများများအတွက် program တစ်ခုသို့မဟုတ် system ကိုအထူးပြုမှလူသားမြားသဖွငျ့ဖွံ့ဖြိုးရေးနှင့်ပရိုဂရမ်းမင်း၏သိသာထင်ရှားသောပမာဏကိုလိုအပ်သည်။ ဥပမာ, အထက်ကျွန်တော်တို့ရဲ့ဆေးဘက်ဆိုင်ရာဥပမာထဲမှာ, အရေးပေါ်ဌာနများတွင်အသုံးပြုသော ML အစီအစဉ်ကိုလူ့ဆေးဝါးများအတွက်အထူးတီထွင်ခဲ့သည်။ ထိုသို့အတိအကျအစီအစဉ်ကို ယူ. တိုက်ရိုက်တိရစ္ဆာန်ဆေးကုသရေးအရေးပေါ်စင်တာ၌အကောင်အထည်ဖော်ရန်လက်ရှိမဖြစ်နိုင်ပါ။ ထိုသို့သောအကူးအပြောင်းတိရစ္ဆာန်ဆေးကုသရေးသို့မဟုတ်တိရိစ္ဆာန်ဆေးပညာအဘို့ဤတာဝန်လုပ်နေတာနိုင်စွမ်းတဲ့ version ကိုဖန်တီးရန်လူ့ပရိုဂရမ်အားဖြင့်ကျယ်ပြန့်အထူးပြုနှင့်ဖွံ့ဖြိုးရေးလိုအပ်သည်။
ဒါဟာအစကဆုံးဖြတ်ချက်ချခြင်းနှင့်တာဝန်များကိုဖျော်ဖြေဖို့လိုအပ်တဲ့သတင်းအချက်အလက်ကို "သင်ယူရ" ကို data နဲ့ဥပမာမယုံနိုင်လောက်အောင်ကျယ်ပြန့်သောပမာဏလိုအပ်သည်။ ML အစီအစဉ်များကိုဒေတာနဲ့အမှတ်လက္ခဏာတွေလည်းထိုကဲ့သို့သောအကြောင်းနှင့်အကျိုးအဖြစ်ဒေတာရလဒ်များကိုအတွင်းဆက်ဆံရေးအချို့အမျိုးအစားများနှင့်အတူရုန်းကန်၏အနက်ကိုလည်းအလွန်ပကတိဖြစ်ကြသည်။
ဆက်လက်တိုးတက်မှုများ, သို့သော်, တစ်ဦး core ကိုနည်းပညာပိုမိုနေ့တိုင်းမတ်ကွန်ပျူတာများကို ML လုပ်နေပါတယ်။