இன்று நாம் தமிழில் செயற்கை நரம்பியல் வலையமைப்பு பொருள் பற்றிய தகவல்களைத் தருவோம் (Artificial Neural Network Meaning In Tamil). செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN) கணினி அறிவியல் உலகில் புரட்சியை ஏற்படுத்தியுள்ளன மற்றும் நவீன தொழில்நுட்பத்தின் முக்கிய அங்கமாக மாறியுள்ளன. ANN என்பது மனித மூளையின் செயல்பாட்டால் ஈர்க்கப்பட்ட ஒரு வகை இயந்திர கற்றல் ஆகும். அவை தரவுகளிலிருந்து கற்றுக்கொள்ளவும், வடிவங்களை அடையாளம் காணவும், அந்தத் தரவின் அடிப்படையில் கணிப்புகளைச் செய்யவும் வடிவமைக்கப்பட்டுள்ளன. இந்த கட்டுரையில், செயற்கை நரம்பியல் நெட்வொர்க் என்றால் என்ன, அது எவ்வாறு செயல்படுகிறது என்பதைக் கண்டுபிடிப்போம். எனவே ஆரம்பிக்கலாம்
What is an Artificial Neural Network – செயற்கை நரம்பியல் நெட்வொர்க் என்றால் என்ன
நரம்பியல் நெட்வொர்க்குகள், செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN) அல்லது உருவகப்படுத்தப்பட்ட நரம்பியல் நெட்வொர்க்குகள் (SNN) என்றும் அழைக்கப்படுகின்றன, அவை இயந்திர கற்றலின் துணைக்குழு மற்றும் ஆழமான கற்றல் வழிமுறைகளின் மையத்தில் உள்ளன. அவற்றின் பெயர் மற்றும் அமைப்பு மனித மூளையால் ஈர்க்கப்பட்டுள்ளது, உயிரியல் நியூரான்கள் ஒருவருக்கொருவர் சமிக்ஞை செய்யும் விதம்.
ஒரு செயற்கை நரம்பியல் வலையமைப்பு (ANN) ஒரு முனை அடுக்கு, உள்ளீடு அடுக்கு, ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகள் மற்றும் வெளியீட்டு அடுக்கு ஆகியவற்றைக் கொண்டுள்ளது. ஒவ்வொரு முனையும், அல்லது செயற்கை நியூரானும், மற்றொன்றுடன் இணைகிறது மற்றும் அதனுடன் தொடர்புடைய எடை மற்றும் வரம்பைக் கொண்டுள்ளது. ஒரு தனிப்பட்ட முனையின் வெளியீடு குறிப்பிட்ட வரம்பு மதிப்புக்கு மேல் இருந்தால், அந்த முனை செயலில் இருக்கும், நெட்வொர்க்கின் அடுத்த அடுக்குக்கு தரவை அனுப்புகிறது. இல்லையெனில், நெட்வொர்க்கின் அடுத்த அடுக்குக்கு தரவு எதுவும் அனுப்பப்படாது.
நரம்பியல் நெட்வொர்க்குகள் காலப்போக்கில் தங்கள் துல்லியத்தை கற்கவும் மேம்படுத்தவும் பயிற்சி தரவை நம்பியுள்ளன. இருப்பினும், இந்த கற்றல் வழிமுறைகள் துல்லியத்திற்காக நன்றாக வடிவமைக்கப்பட்டவுடன், அவை கணினி அறிவியல் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றில் சக்திவாய்ந்த கருவிகள், அதிக வேகத்தில் தரவை வகைப்படுத்தவும் கிளஸ்டர் செய்யவும் அனுமதிக்கிறது. மனித நிபுணர்களின் கைமுறை அங்கீகாரத்துடன் ஒப்பிடும்போது, பேச்சு அங்கீகாரம் அல்லது பட அங்கீகாரம் ஆகியவற்றில் பணி நிமிடங்களுக்கு எதிராக மணிநேரம் ஆகலாம். மிகவும் பிரபலமான நரம்பியல் நெட்வொர்க்குகளில் ஒன்று Google இன் தேடல் அல்காரிதம் ஆகும்.
How do Artificial Neural Networks Work – செயற்கை நரம்பியல் நெட்வொர்க்குகள் எவ்வாறு செயல்படுகின்றன
செயற்கை நரம்பியல் நெட்வொர்க்குகள் தரவுகளிலிருந்து கற்றுக்கொள்வதன் மூலம் செயல்படுகின்றன. அவை உள்ளீட்டுத் தரவுகளின் தொகுப்பில் பயிற்சியளிக்கப்படுகின்றன, மேலும் நெட்வொர்க் அதன் இணைப்புகள் மற்றும் எடைகளை சரிசெய்து விரும்பிய வெளியீட்டை உருவாக்குகிறது. இந்த செயல்முறை backpropagation என்று அழைக்கப்படுகிறது, மேலும் இது நெட்வொர்க் அதன் தவறுகளில் இருந்து கற்றுக் கொள்ளவும், காலப்போக்கில் அதன் செயல்திறனை மேம்படுத்தவும் அனுமதிக்கிறது.
செயற்கை நரம்பியல் நெட்வொர்க்குகள் நியூரான்களின் அடுக்குகளால் ஆனது, ஒவ்வொரு அடுக்கு ஒரு குறிப்பிட்ட பணியைச் செய்கிறது. உள்ளீட்டு அடுக்கு வெளிப்புற மூலத்திலிருந்து தரவைப் பெறுகிறது, மேலும் வெளியீட்டு அடுக்கு இறுதி முடிவை உருவாக்குகிறது. உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில், உள்ளீட்டுத் தரவில் சிக்கலான கணக்கீடுகளைச் செய்யும் ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகள் இருக்கலாம்.
பல்வேறு வகையான செயற்கை நரம்பியல் நெட்வொர்க்குகள் உள்ளன, இதில் ஃபீட்ஃபார்வர்டு நெட்வொர்க்குகள், மீண்டும் மீண்டும் வரும் நெட்வொர்க்குகள், கன்வல்யூஷனல் நெட்வொர்க்குகள் மற்றும் ஆழமான கற்றல் நெட்வொர்க்குகள் ஆகியவை அடங்கும். ஒவ்வொரு வகையான நெட்வொர்க்கும் ஒரு குறிப்பிட்ட வகை சிக்கலுக்கு உகந்ததாக உள்ளது, மேலும் அவை பட அறிதல், பேச்சு அறிதல், இயற்கை மொழி செயலாக்கம் மற்றும் முன்கணிப்பு பகுப்பாய்வு உள்ளிட்ட பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன.
Read More- Best Laptop for Machine Learning in hindi
செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN கள்) என்பது இயந்திர கற்றலின் துணைக்குழு ஆகும், இது மனித மூளை செயல்படும் விதத்தை உருவகப்படுத்த வடிவமைக்கப்பட்டுள்ளது. ANNகள் முனைகளால் ஆனவை, அவை செயற்கை நியூரான்கள் அல்லது பெர்செப்ட்ரான்கள் என்றும் அழைக்கப்படுகின்றன. இந்த முனைகள் ஒன்றோடொன்று இணைக்கப்பட்டு, ஒன்றோடொன்று தொடர்புகொண்டு, தகவல் செயலாக்கத்தின் சிக்கலான வலையை உருவாக்குகின்றன. ANNகள் தரவுகளிலிருந்து கற்றுக்கொள்வது, வடிவங்களை அடையாளம் கண்டுகொள்வது மற்றும் அவர்கள் பெறும் தகவலின் அடிப்படையில் முடிவுகளை எடுப்பது போன்ற திறன்களைக் கொண்டுள்ளது. படம் மற்றும் பேச்சு அங்கீகாரம், இயல்பான மொழி செயலாக்கம், மோசடி கண்டறிதல் மற்றும் முன்கணிப்பு உள்ளிட்ட பல்வேறு பயன்பாடுகளில் ANNகள் பயன்படுத்தப்படுகின்றன.
II. ஒரு செயற்கை நரம்பியல் நெட்வொர்க்கின் கூறுகளைப் புரிந்துகொள்வது
ANNகள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்து கொள்ள, அவற்றின் கூறுகளைப் புரிந்துகொள்வது அவசியம். ANN இன் முக்கிய கூறுகள்:
- Input Layer: (உள்ளீட்டு அடுக்கு): இந்த அடுக்கு நெட்வொர்க்கில் உள்ளீடு தரவைப் பெறுகிறது.
- Hidden Layer: (மறைக்கப்பட்ட அடுக்கு): இந்த அடுக்கு உள்ளீட்டுத் தரவை கணக்கீடுகளைச் செய்வதன் மூலம் செயலாக்குகிறது. ANNகள் ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கலாம், மேலும் ஒரு ANNக்கு அதிக அடுக்குகள் இருந்தால், அது ஆழமானது.
- Output Layer: (வெளியீட்டு அடுக்கு): இந்த அடுக்கு ANN இன் வெளியீட்டை உருவாக்குகிறது. ANN செய்யும் பணியைப் பொறுத்து வெளியீடு ஒற்றை மதிப்பு அல்லது மதிப்புகளின் வெக்டராக இருக்கலாம்.
- Weights: (எடைகள்): ANN இல் உள்ள முனைகளுக்கு இடையே உள்ள ஒவ்வொரு இணைப்பும் அதனுடன் தொடர்புடைய எடையைக் கொண்டுள்ளது. இந்த எடைகள் இணைப்பின் வலிமையையும், ஒரு முனை மற்றொன்றின் மீது எவ்வளவு செல்வாக்கு செலுத்துகிறது என்பதையும் தீர்மானிக்கிறது.
- Activation Function: செயல்படுத்தும் செயல்பாடு இந்த செயல்பாடு மறைக்கப்பட்ட மற்றும் வெளியீட்டு அடுக்குகளில் உள்ள ஒவ்வொரு முனையின் வெளியீட்டிற்கும் பயன்படுத்தப்படுகிறது. கணு சுட வேண்டுமா இல்லையா என்பதை அது பெறும் உள்ளீட்டின் அடிப்படையில் தீர்மானிக்கிறது.
- Backpropagation: இது ANN தனது செயல்திறனை மேம்படுத்த அதன் எடையை சரிசெய்யும் செயல்முறையாகும். பின் பரப்புதலின் போது, ANN அதன் வெளியீட்டை எதிர்பார்த்த வெளியீட்டுடன் ஒப்பிட்டு பிழையைக் கணக்கிடுகிறது. எடைகளை சரிசெய்யவும் ANN இன் துல்லியத்தை மேம்படுத்தவும் பிழை பின்னர் நெட்வொர்க் மூலம் மீண்டும் பரப்பப்படுகிறது.
III. ஒரு செயற்கை நரம்பியல் வலையமைப்பைப் பயிற்றுவித்தல்
ஒரு ANN பயிற்சி பல படிகளை உள்ளடக்கியது:
- Preprocessing the Data: (தரவை முன்கூட்டியே செயலாக்குதல்): நெட்வொர்க்கில் தரவை வழங்குவதற்கு முன், அதை முன்கூட்டியே செயலாக்குவது அவசியம். இந்தப் படிநிலையில் தரவை அளவிடுதல், அவுட்லையர்களை அகற்றுதல் மற்றும் வகைப்படுத்தப்பட்ட மாறிகளை குறியாக்கம் செய்தல் ஆகியவை அடங்கும்.
- Splitting the Data into Training and Testing Sets: (தரவைப் பயிற்சி மற்றும் சோதனைத் தொகுப்புகளாகப் பிரித்தல்): தரவு இரண்டு தொகுப்புகளாகப் பிரிக்கப்பட்டுள்ளது: பயிற்சித் தொகுப்பு மற்றும் சோதனைத் தொகுப்பு. பயிற்சித் தொகுப்பு ANNக்கு பயிற்சி அளிக்கப் பயன்படுகிறது, அதே சமயம் சோதனைத் தொகுப்பு அதன் செயல்திறனை மதிப்பிடப் பயன்படுகிறது.
- Initializing the Weights: (எடைகளை துவக்குதல்): பயிற்சி தொடங்கும் முன் எடைகள் தோராயமாக துவக்கப்படும்.
- Feeding the Data into the Network: (நெட்வொர்க்கில் தரவை ஊட்டுதல்): தரவு நெட்வொர்க்கில் செலுத்தப்படுகிறது, மேலும் ANN அதன் வெளியீட்டைக் கணக்கிடுகிறது.
- Updating the Weights: (எடைகளைப் புதுப்பித்தல்): பின் பரப்புதலின் போது கணக்கிடப்பட்ட பிழையின் அடிப்படையில் எடைகள் புதுப்பிக்கப்படும்.
- Evaluating the Model:( மாதிரியை மதிப்பீடு செய்தல்): ANN இன் செயல்திறன் சோதனைத் தொகுப்பைப் பயன்படுத்தி மதிப்பிடப்படுகிறது. ANN இன் துல்லியம் அதன் வெளியீட்டை எதிர்பார்த்த வெளியீட்டுடன் ஒப்பிடுவதன் மூலம் கணக்கிடப்படுகிறது.
IV. செயற்கை நரம்பு வலையமைப்புகளின் பயன்பாடுகள்
ANNகள் பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன, அவற்றுள்:
- Image and Speech Recognition: (படம் மற்றும் பேச்சு அங்கீகாரம்): ANNகள் படங்களில் உள்ள பொருட்களை அடையாளம் காணவும் பேச்சை உரையாக மாற்றவும் பயன்படுத்தப்படுகின்றன.
- Natural Language Processing: (இயற்கை மொழி செயலாக்கம்): ANNகள் இயற்கை மொழியைச் செயலாக்கவும் புரிந்துகொள்ளவும் பயன்படுத்தப்படுகின்றன. அவை சாட்போட்கள் மற்றும் மெய்நிகர் உதவியாளர்களில் பயன்படுத்தப்படுகின்றன.
- Fraud Detection: (மோசடி கண்டறிதல்): நிதி தரவுகளில் உள்ள வடிவங்களை பகுப்பாய்வு செய்வதன் மூலம் மோசடி பரிவர்த்தனைகளைக் கண்டறிய ANNகள் பயன்படுத்தப்படுகின்றன.
- Forecasting: (முன்கணிப்பு): பங்கு விலைகள் அல்லது வானிலை மாதிரிகள் போன்ற தரவுகளின் எதிர்கால போக்குகளை கணிக்க ANNகள் பயன்படுத்தப்படுகின்றன.
Benefits of Artificial Neural Networks- செயற்கை நரம்பியல் நெட்வொர்க்கின் நன்மைகள்
செயற்கை நரம்பியல் நெட்வொர்க்குகள் பாரம்பரிய அல்காரிதம்களை விட பல நன்மைகளைக் கொண்டுள்ளன. அவர்கள் புதிய தரவைக் கற்கவும் மாற்றியமைக்கவும் முடியும், இது பாரம்பரிய அல்காரிதம்களை விட அவற்றை மிகவும் நெகிழ்வானதாகவும் துல்லியமாகவும் ஆக்குகிறது. அவர்களால் வடிவங்களை அடையாளம் காணவும், அந்தத் தரவின் அடிப்படையில் கணிப்புகளைச் செய்யவும் முடியும், இது அவற்றை பரந்த அளவிலான பயன்பாடுகளில் பயனுள்ளதாக்குகிறது. கூடுதலாக, செயற்கை நரம்பியல் நெட்வொர்க்குகள் பெரிய அளவிலான தரவை விரைவாக செயலாக்க முடியும், இது நிகழ்நேர பயன்பாடுகளுக்கு மிகவும் பொருத்தமானது.
Read More- GPT-4 क्या है और यह कैसे काम करता है
Challenges of Artificial Neural Networks – செயற்கை நரம்பு வலையமைப்புகளின் சவால்கள்
அவற்றின் பல நன்மைகள் இருந்தபோதிலும், செயற்கை நரம்பியல் நெட்வொர்க்குகளும் பல சவால்களை எதிர்கொள்கின்றன. முக்கிய சவால்களில் ஒன்று அதிகப்படியான பொருத்துதலின் சிக்கலாகும், இது பயிற்சி தரவுகளில் நெட்வொர்க் மிகவும் நிபுணத்துவம் பெற்றது மற்றும் புதிய தரவைப் பொதுமைப்படுத்த முடியாமல் போகும் போது ஏற்படுகிறது. மற்றொரு சவாலானது பயிற்சி நேரத்தின் சிக்கல் ஆகும், இது நீண்டதாக இருக்கலாம் மற்றும் குறிப்பிடத்தக்க கணினி வளங்கள் தேவைப்படும். இறுதியாக, செயற்கை நரம்பியல் நெட்வொர்க்குகள் புரிந்துகொள்வதற்கும் விளக்குவதற்கும் கடினமாக இருப்பதால், விளக்கமளிக்கும் சவால் உள்ளது.
முடிவுரை
தமிழில் செயற்கை நரம்பியல் வலையமைப்பு பொருள் பற்றிய முழுமையான தகவலை இன்று நாங்கள் உங்களுக்கு வழங்கியுள்ளோம் (Artificial Neural Network Meaning In Tamil). செயற்கை நரம்பியல் நெட்வொர்க்குகள் இயந்திர கற்றல் துறையில் ஒரு சக்திவாய்ந்த கருவியாகும் மற்றும் பல்வேறு துறைகளில் பல பயன்பாடுகளைக் கொண்டுள்ளன. அவர்கள் புதிய தரவைக் கற்றுக் கொள்ளவும், மாற்றியமைக்கவும், வடிவங்களை அடையாளம் காணவும், அந்தத் தரவின் அடிப்படையில் கணிப்புகளைச் செய்யவும் முடியும். செயற்கை நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துவதில் சில சவால்கள் இருந்தாலும், அவற்றின் நன்மைகள் அவற்றின் குறைபாடுகளை விட அதிகமாக உள்ளன. தொழில்நுட்பம் தொடர்ந்து முன்னேறி வருவதால், செயற்கை நரம்பியல் நெட்வொர்க்குகள் நம் அன்றாட வாழ்வில் இன்னும் அதிகமாக இருக்கும் என்று எதிர்பார்க்கலாம்.