# இயந்திரக் கற்றறிதல் அறிமுகம்

## [முன்-பாடக் கூட்டு](https://ff-quizzes.netlify.app/en/ml/)

---

[![ML for beginners - Introduction to Machine Learning for Beginners](https://img.youtube.com/vi/6mSx_KJxcHI/0.jpg)](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")

> 🎥 இக்கட்டளையை விவரிக்கும் குறுகிய காணொளிக்காக மேலே உள்ள படத்தை கிளிக் செய்யவும்.

ஆரம்பக்காரர்களுக்கான இந்த பாரம்பரிய இயந்திரக் கற்றறிதல் பாடக்கூடத்திற்கு வரவேற்கிறோம்! நீங்கள் இந்த தலைப்பில் முற்றிலும் புதிது என்றாலும், அல்லது அறிவார்ந்த ML பயிற்றுநர் ஒருவர் விரும்பும் பகுதியை மேம்படுத்த விரும்பினாலும், உங்களை எங்களுடன் சேர்ந்துவிட மகிழ்ச்சியடைகிறோம்! உங்கள் ML ஆய்விற்கான நண்பர் தொடக்க இடமாக இதை உருவாக்க விரும்புகிறோம் மற்றும் உங்கள் [பின்மொழியை](https://github.com/microsoft/ML-For-Beginners/discussions) மதிப்பாய்வு செய்து பதிலளிக்கவும், அதனை உள்ளடக்கவும் ஆவலுடன் இருக்கிறோம்.

[![Introduction to ML](https://img.youtube.com/vi/h0e2HAPTGF4/0.jpg)](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")

> 🎥 மேலே உள்ள படத்தை கிளிக் செய்தால் ஒரு காணொளி: MIT இன் ஜான் கట్టாக் இயந்திரக் கற்றறிதலை அறிமுகப்படுத்துகிறார்

---
## இயந்திரக் கற்றறிதலைத் தொடங்குதல்

இந்த பாடத்திட்டத்தைத் தொடங்குவதற்கு முன், உங்கள் கணினி உள்ளூர் முறையில் நோட்புக்குகளை இயக்க தயாராக அமைக்கப்பட வேண்டும்.

- **இந்த காணொளிகளுடன் உங்கள் கணினியை அமைக்கவும்**. உங்கள் கணினியில் [Python ஐ எவ்வாறு நிறுவுவது](https://youtu.be/CXZYvNRIAKM) மற்றும் வளர்ச்சிக்கான ஒரு [குறிப்புரை தொகுப்பியை எப்படி அமைப்பது](https://youtu.be/EU8eayHWoZg) என்பதைக் கற்றுக்கொள்ள கீழ்காணும் இணைப்புக்களைப் பயன்படுத்தவும்.
- **Python கற்றுக்கொள்வது**. இந்தப் பாடத்தில் நாம் பயன்படுத்தும் தரவு அறிவியலாளர்களுக்கு பயனுள்ள ஒரு நிரலாக்க மொழி [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) என்பது அடிப்படையாகவும் அறிந்திருக்க பரிந்துரைக்கப்படுகிறது.
- **Node.js மற்றும் JavaScript கற்றுக்கொள்ளவும்**. இந்த பாடத்தில் வலை செயலிகளை உருவாக்க சில நேரங்களில் JavaScriptஐ பயன்படுத்துவோம், எனவே [node](https://nodejs.org), [npm](https://www.npmjs.com/) மற்றும் Python மற்றும் JavaScript வளர்ச்சிக்கான [Visual Studio Code](https://code.visualstudio.com/) ஆகியவற்றை நிறுவவும் வேண்டும்.
- **GitHub கணக்கை உருவாக்கவும்**. நீங்கள் இங்கே [GitHub](https://github.com) இல் எங்களைப் பெற்றுள்ளீர்கள் என்றால் உங்கள் கணக்கு இருக்கலாம், இல்லையெனில் ஒன்றை உருவாக்கி உங்களைத் தொழில்நுட்ப பாடத்திட்டத்தை நகலெடுத்து பயனடையவும். (எங்களுக்குத்தான் ஒரு நட்சத்திரமும் கொடுக்கலாம் 😊)
- **Scikit-learn-ஐ ஆராயவும்**. இந்த பாடங்களில் நாம் குறிப்பிட்ட [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ML நூலகங்களை அணுக அனைத்து அறிமுகப்படுத்திக்கொள்ள விரும்புகிறோம்.

---
## இயந்திரக் கற்றறிதல் என்றால் என்ன?

'இயந்திரக் கற்றறிதல்' என்பதற்கான சொல் இன்றைய காலத்தின் மிகவும் பிரபலமான மற்றும் தொடர்ந்து பயன்படும் சொற்களில் ஒன்றாக உள்ளது. நீங்கள் எந்த துறையில் பணியாற்றினாலும் தொழில்நுட்பத்துடன் சிறிய அளவுக்கு தொடர்புடையவராக இருந்தால் இந்த சொல் குறைந்தது ஒருமுறை கேட்டிருப்பதற்கான வாய்ப்பு இருக்கிறது. ஆனால் இயந்திரக் கற்றறிதலின் செயல் முறை பெரும்பாலான மக்களுக்கு மர்மமாக உள்ளது. ஒரு இயந்திரக் கற்றல் ஆரம்பக்காரருக்கு இது சில நேரங்களில் அதிர்ச்சியாக இருக்கலாம். எனவே, இயந்திரக் கற்றல் என்ன என்பதை உணர்ந்து, நடைமுறை எடுத்துக்காட்டுகளின் மூலமாக படிப்படியாய் கற்றுக்கொள்வது முக்கியம்.

---
## பெருமூச்சு வளைவு

![ml hype curve](../../../../translated_images/ta/hype.07183d711a17aafe.webp)

> 'machine learning' என்ற சொல் தொடர்பான சமீபத்திய பெருமூச்சு வளைவை Google Trends காட்டுகிறது

---
## ஒரு மர்மமான பிரபஞ்சம்

நாம் இனிமையான மர்மங்கள் நிறைந்த ஒரு பிரபஞ்சத்தில் வாழ்கிறோம். ஸ்டீபன் ஹாக்கிங், அல்பர்ட் ஐன்ஸ்டீன் மற்றும் பல சிறந்த அறிவாளிகள் உலகின் சுற்றுவரலாற்றின் மர்மங்களை வெளிப்படுத்த பங்களிப்பு செய்துள்ளனர். இது மனிதன் கற்றல் நிலைமை: ஒரு குழந்தை வளர்ந்து போகும் பொழுதில் வருடந்தோறும் புதிய விஷயங்கள் கற்றுக்கொண்டு தனது உலக அமைப்பை தெளிவுபடுத்துகிறது.

---
## குழந்தையின் மூளை

ஒரு குழந்தையின் மூளை மற்றும் சென்சர்கள் சுற்றிலும் உள்ள உண்மைகளை உணர்ந்து அதன் மறைமுக வாழ்க்கை விதிகளை படிப்படியாக கற்றுக்கொள்கின்றன. மனித மூளையின் கற்றல் செயல்முறை இந்த உலகின் மிகவும் நுணுக்கமான உயிரினமாக மனிதரை உருவாக்குகிறது. மறைப்பட்ட தெரிவுகளை கண்டுபிடித்து பிறகு அந்த தெரிவுகளின் மேல் புதுமை செய்யும் முறையில் கற்றல் தொடர்ச்சியாக நடைபெறும், இதனால் உயிரினங்கள் வாழ்நாள் முழுவதும் முன்னேறி உலாவுகின்றனர். இந்த கற்றல் திறன் மற்றும் வளர்ச்சியின்மை [மூளை நெகிழ்வுத்தன்மை](https://www.simplypsychology.org/brain-plasticity.html) என்ற கருத்துடன் தொடர்புடையது. வெளிப்படையாக, மனித மூளையின் கற்றல் செயல்முறை மற்றும் இயந்திரக் கற்றல் கொள்கைகளுக்கு சில ஊக்கமளிக்கும் போன்று பொதுவான ஒத்திசைவை காணலாம்.

---
## மனித மூளை

[மனித மூளை](https://www.livescience.com/29365-human-brain.html) உண்மையான உலகிலிருந்து விஷயங்களை உணர்கிறது, அதில் எடுத்துக்கொள்ளப்பட்ட தகவலை செயலாக்குகிறது, தர்க்கசங்கீதமான முடிவுகளை იღுகிறது மற்றும் சூழ்நிலைகளின் அடிப்படையில் சில செயல்களை செய்கிறது. இதுவே நாம் அறிவார்ந்த முறையில் நடக்குதல் என்று அழைக்கிறோம். ஒரு இயந்திரத்தில் அறிவார்ந்த நடத்தை செயல்பாட்டின் பிரதிபலிப்பை நிரல்படுத்தும்போது அதை செயற்கை நுண்ணறிவு (AI) என்கிறோம்.

---
## சில சொற்பிரயோகங்கள்

சொற்கள் குழப்பமானதாக இருந்தாலும், இயந்திரக் கற்றல் (ML) என்பது செயற்கை நுண்ணறிவின் ஒரு முக்கியக் கிளை. **ML என்பது தரவிலிருந்து நுண்ணறிவான தகவல் மற்றும் மறைமுக விளக்கங்களை கண்டுபிடிக்க சிறப்பு வகை அலகுக்களை பயன்படுத்துவதற்கும், தர்க்கசங்கீதமான முடிவெடுப்பை உறுதிப்படுத்தக் கூடும்.**

---
## AI, ML, ஆழ்ந்த கற்றல்

![AI, ML, deep learning, data science](../../../../translated_images/ta/ai-ml-ds.537ea441b124ebf6.webp)

> AI, ML, ஆழ்ந்த கற்றல் மற்றும் தரவு அறிவியலின் உறவுகளை காட்டும் வரைபடம். [Jen Looper](https://twitter.com/jenlooper) அவர்களின் தகவலை [இந்த விளக்கப்படத்தை](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) வைத்து உருவாக்கினார்.

---
## உள்ளடக்கத் தலைப்புகள்

இந்த பாடத்தில், ஒரு ஆரம்பக்காரர் அறிந்திருக்க வேண்டிய இயந்திரக் கற்றல் முக்கியக் கோட்பாடுகள் மட்டுமே எடுத்துக்கொள்ளப்போகிறோம். நாம் 'பாரம்பரிய இயந்திரக் கற்றல்' என்று அழைக்கும் கொள்கைகளை பிரதானமாக Scikit-learn என்ற சிறந்த நூலகத்தைப் பயன்படுத்தி அறிவிக்கும், இது பல மாணவர்கள் அடிப்படைகளை கற்றுக்கொள்ள பயன்படுகிறது. செயற்கை நுண்ணறிவு அல்லது ஆழ்ந்த கற்றல் போன்ற விரிவான விஷயங்களை புரிந்து கொள்ள இயந்திரக் கற்றல் அடிப்படைகளை வலியுறுத்த வேண்டியுள்ளது, அதனால் இதைப் படிப்பதற்கான வாய்ப்பை வழங்க விரும்புகிறோம்.

---
## இந்தக் குறித்துப் பாடத்தில் நீங்கள் கற்றுக்கொள்ளப்போகும் விஷயங்கள்:

- இயந்திரக் கற்றல் அடிப்படைக் கொள்கைகள்
- ML வரலாறு
- ML மற்றும் நீதிமுறை
- பின்விளைவியல் ML நுட்பங்கள்
- வகைப்பாடு ML நுட்பங்கள்
- தொகுப்பு ML நுட்பங்கள்
- இயற்கை மொழி செயலாக்கம் ML நுட்பங்கள்
- காலவரிசை முன்னுணர்வு ML நுட்பங்கள்
- ஊக்கமளிக்கும் கற்றல்
- ML இன் உண்மை உலக பயன்பாடுகள்

---
## நாங்கள் சேர்க்கப்போகாதவை

- ஆழ்ந்த கற்றல்
- நுரையீரல் வலைப்பின்னல்கள்
- AI

மேலும் சிறந்த கற்றல் அனுபவத்துக்காக நுரையீரல் வலைப்பின்னல்கள், 'ஆழ்ந்த கற்றல்' (நுரையீரல் வலைப்பின்னல்களை பயன்படுத்தி அதிக அடுக்குகளான மாதிரிகளை உருவாக்கல்) மற்றும் AI இவற்றின் சிக்கல்களை தவிர்க்கப் போகிறோம்; அவற்றை மேலும் வேறு பாடத்திட்டங்களில் விவரிக்கின்றோம். மேலும் இந்தப் பெரிய துறையின் ஒருங்கிணைந்த பகுதியை மையமாகக் கொண்டு தரவு அறிவியலைப் பற்றிய புதிய பாடத்திட்டத்தையும் இங்கு வழங்கவிருக்கிறோம்.

---
## இயந்திரக் கற்றலை ஏன் படிக்க வேண்டும்?

மாவட்டக் கண்காணிப்பு பார்வையில், இயந்திரக் கற்றல் என்பது தரவிலிருந்து மறைமுக மாதிரிகளை கற்றுக்கெண்டு அறிவார்ந்த முடிவெடுப்புகள் செய்ய உதவும் தானியங்கி அமைப்புகளை உருவாக்குதல் ஆகும்.

இந்த ஊக்கமூட்டல் வெளிப்படையாக மனித மூளைச் சிருஷ்டிக்கப்பட்ட தகவல்களை அடிப்படையாகக் கொண்டு கற்றுக்கொள்ளும் விதம் மூலம் உருவாக்கப்பட்டுள்ளது.

✅ ஒரு வணிகம் கடினமாக நிரல்படுத்தப்பட்ட விதிமுறைகளை பயன்படுத்துவதற்கு பதிலாக இயந்திரக் கற்றல் கொள்கைகளை ஏன் பயன்படுத்த விரும்பும் என ஒரு நிமிடம் யோசிக்கவும்.

---
## தரவின் தரம் ஏன் முக்கியம்?

உயர் தர தரவு மாதிரி செயல்திறனை மேம்படுத்தும். மோசமான அல்லது சத்தம் நிறைந்த தரவு, மேம்பட்ட இயந்திரக் கற்றல் அலகுகளையும் பயன்படுத்தினால் கூட துல்லியமில்லாத முன்னறிகையை உருவாக்கும்.

---
## இயந்திரக் கற்றல் பயன்பாடுகள்

இயந்திரக் கற்றல் பயன்பாடுகள் இப்போது எங்கும் உள்ளன, சமூகங்களில் நடைமுறைப்படுத்தப்பட்ட தரவு போன்று பரவலாக உள்ளன, நம் ஸ்மார்ட் போன்கள், இணைக்கப்பட்ட சாதனங்கள் மற்றும் பிற அமைப்புகளால் உருவாக்கப்பட்டவை. முன்னணியில் உள்ள இயந்திரக் கற்றல் அலகுகளின் மாபெரும் திறன் காரணமாக, ஆராய்ச்சியாளர்கள் பன்முக மற்றும் பன்முகத் துறைகளில் உள்ள உண்மையான கடுமையான பிரச்சினைகளை தீர்க்கும் திறனை ஆராய்ந்து பல நல்வாழ்வுப் பயன்களை கண்டுள்ளனர்.

---
## இயந்திரக் கற்றல் செயல்முறை எடுத்துக்காட்டுகள்

**நீங்கள் இயந்திரக் கற்றலை பல விதமாகப் பயன்படுத்த முடியும்**:

- ஒரு நோயாளியின் மருத்துவ வரலாறிலிருந்து அல்லது அறிக்கைகளிலிருந்து நோயின் சாத்தியத்தை முன்னறிய.
- காலநிலை தரவுகளைப் பயன்படுத்தி காலநிலை நிகழ்வுகளை முன்னறிய.
- ஒரு உரையின் உணர்வைப் புரிந்துகொள்ள.
- போலியான செய்திகளை கண்டறிந்து வியாபாரப்பிரசாரத்தை தடுப்பு.

நிதி, பொருளாதாரம், பூமியியல், விண்வெளி ஆய்வு, மருத்துவ பொறியியல், அறிவியல், மற்றும் மனிதவியல் துறைகளும் தங்களுக்கு சொந்தமான கடுமையான, தரவுத் தகராறான பிரச்சினைகளைத் தீர்க்க இயந்திரக் கற்றலை ஏற்றுக் கொண்டுள்ளன.

---
## முடிவுரை

இயந்திரக் கற்றல் உண்மையான உலகின் அல்லது உயிருடன் உண்டான தரவிலிருந்து பிரமுகமான அறிவிப்புக்களை கண்டறிந்து மாதிரிகளைத் தானாகவே உருவாக்கும் செயல்முறையை ஊக்குவிக்கிறது. இது வணிகம், சுகாதாரம், நிதி மற்றும் பல பயன்பாடுகளில் மிக உயர்ந்த மதிப்பை வழங்கியுள்ளது.

விரைவில், இயந்திரக் கற்றல் அடிப்படைகளை புரிந்துகொள்வது எந்த துறையினருக்கும் அவசியமாகும், அதன் பரவலான பயன்பாட்டினால்.

---
# 🚀 சவால்

[Excalidraw](https://excalidraw.com/) போன்ற ஆன்லைன் செயலியைப் பயன்படுத்தி அல்லது காகிதத்தில் வரைந்து, AI, ML, ஆழ்ந்த கற்றல் மற்றும் தரவு அறிவியல் ஆகியவற்றின் வித்தியாசங்களை உங்கள் கருத்தில் வரையவும். ஒவ்வொரு தொழில்நுட்பமும் தீர்க்க சிறந்த பிரச்சினைகளின் சில யோசனைகளையும் சேர்க்கவும்.

# [பாடம் முடிந்தபின் கூட்டு](https://ff-quizzes.netlify.app/en/ml/)

---
# பரிசீலனை மற்றும் சுயப் பயிற்சி

மேகத்தில் ML அலகுகளை எவ்வாறு வேலை செய்வது என்பதை அறிய, இந்த [கற்றல் பாதையை](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) பின்தொடர்க.

ML அடிப்படைகளைப் பற்றி ஒரு [கற்றல் பாதையை](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) எடுத்துக்கொள்ளவும்.

---
# பணியிடம்

[தொடங்கி செயல்படுத்த](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**மறுப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->