පරිගණකයට දත්ත වලින් ඉගෙන ගැනීමට සැලැස්වීම.
සරලවම කිවහොත්, Machine Learning යනු, පැහැදිලිව වැඩසටහන්ගත නොකර, දත්ත මත පදනම්ව ඉගෙනීමට සහ තීරණ ගැනීමට පරිගණක වලට ඇති හැකියාවයි.
මෙය සාම්ප්රදායික ක්රමලේඛනයෙන් වෙනස් වන ආකාරය තේරුම් ගැනීම වැදගත්ය.
මෙහිදී, අපි පරිගණකයට නීති (Rules) සහ දත්ත (Data) ලබා දෙන අතර, පරිගණකය අපට පිළිතුරු (Answers) ලබා දෙයි. සෑම පියවරක්ම මිනිසෙකු විසින් කල්තියාම තීරණය කර ඇත.
function isAdult(age) {
if (age >= 18) {
return "Yes";
} else {
return "No";
}
}
මෙහිදී, අපි පරිගණකයට දත්ත (Data) සහ එම දත්ත වලට අදාළ පිළිතුරු (Answers) ලබා දෙන අතර, පරිගණකය එමගින් නීති (Rules) ස්වයංක්රීයව ඉගෙන ගනී. මෙම ඉගෙනගත් නීති "ආකෘතිය" (Model) ලෙස හැඳින්වේ.
දත්ත: [(බළල් පින්තූර), (බල්ලන්ගේ පින්තූර)]
පිළිතුරු: ["බළලා", "බල්ලා"]
⬇️
ඉගෙනගත් නීති (Model): බළලුන් සහ බල්ලන් වෙන්කර හඳුනාගැනීමේ රටා.
Machine Learning ව්යාපෘතියක් සාමාන්යයෙන් චක්රීය ක්රියාවලියකි. එහි ප්රධාන පියවර මෙසේය:
ගැටළුවට අදාළ දත්ත (උදා: පින්තූර, වගු, පෙළ) විශාල ප්රමාණයක් එකතු කිරීම. පසුව, එම දත්තවල ඇති හිස්තැන් පිරවීම, වැරදි නිවැරදි කිරීම සහ ආකෘතියට ගැලපෙන ලෙස සකස් කිරීම. මෙය AI ව්යාපෘතියක වැඩිම කාලයක් සහ ශ්රමයක් වැයවන කොටසයි.
සකස් කරන ලද දත්ත, ML ඇල්ගොරිතමයකට (e.g., Linear Regression, Decision Tree) ලබා දීම. ඇල්ගොරිතමය මෙම දත්ත විශ්ලේෂණය කර, එහි ඇති රටා සහ සම්බන්ධතා ගණිතමය වශයෙන් ඉගෙන ගනී. මෙම ඉගෙනගත් රටා සමූහය "ආකෘතිය" (Model) ලෙස හැඳින්වේ.
ආකෘතිය කෙතරම් හොඳින් ඉගෙනගෙන ඇත්දැයි පරීක්ෂා කිරීම. මේ සඳහා, දත්ත වලින් කොටසක් (test set) වෙන්කර තබා, ආකෘතියේ අනාවැකි සැබෑ අගයන් සමඟ සසඳනු ලැබේ. නිරවද්යතාවය අඩුනම්, නැවත 1 හෝ 2 පියවර වෙත ගොස් වෙනස්කම් සිදු කරයි.
හොඳින් ක්රියාකරන බවට තහවුරු වූ ආකෘතිය, සැබෑ ලෝකයේ භාවිතයට යෙදවීම. මෙහිදී, ආකෘතිය මීට පෙර කිසිදා නොදුටු, අලුත් දත්ත ලබාගෙන ඒ සඳහා අනාවැකි හෝ තීරණ ලබා දෙයි. (උදා: අලුත් ඊමේල් එකක් Spam ද නැද්ද යන්න තීරණය කිරීම).
මෙම පාඩමෙන් ඔබ, Machine Learning යනු කුමක්ද සහ එය සාම්ප්රදායික ක්රමලේඛනයෙන් වෙනස් වන ආකාරය ඉගෙන ගත්තා. එමෙන්ම, ML ව්යාපෘතියක ඇති ප්රධාන පියවර 4 (දත්ත සකස් කිරීම, පුහුණු කිරීම, ඇගයීම, සහ අනාවැකි කීම) පිළිබඳවද අවබෝධයක් ලබා ගත්තා.