செயற்கை நுண்ணறிவு: அதன் அடிப்படைகளை தெரிந்து கொள்க

நாம் கணினி உலகின் சமீபத்திய போக்குகளில் ஆர்வமுள்ள மாணவராகவோ அல்லது தொழில்முறை நிபுணராகவோ இருந்தால், செயற்கைநுன்னறிவு(AI), இயந்திர கற்றல் (ML) , ஆழ் கற்றல்(DL), தரவு அறிவியல்(DC), போன்ற சொற்களை நாம் அடிக்கடி கேள்விப்பட்டிருப்போம் செயற்கை நுண்ணறிவு பற்றிய இந்தத் கட்டுரை இந்த விதிமுறைகளை விளக்குவதோடு. , தொடக்க நிலையாளர்கள் AI உடன் தொடங்க உதவும் எளிய பயிற்சிக்கான தளத்தை அமைக்க உதவக்கூடும்.
இன்று கணினி அறிவியல் துறையில் உள்ள எந்தவொரு மாணவரும் அல்லது தொழில்முறை நிபுணரும் குறைந்தபட்சம் செயற்கை நுண்ணறிவு, தரவு அறிவியல், இயந்திர கற்றல் ,ஆழ் கற்றல் ஆகியவற்றின் அடிப்படைகளைக் கற்றுக்கொள்வது முற்றிலும் அவசியம். இருப்பினும், ஒருவர் அதை எங்கு துவங்கவேண்டும்? என்பதே நம்மனைவரின் மனதிலுமுள்ள மிகமுக்கிய கேள்விக்குறியாகும்
இந்தக் கேள்விக்கு பதிலளிக்க, செயற்கை நுண்ணறிவு(AI) ஐக் கற்பிக்கும் பல புத்தகங்களை படித்திடும் போதும் பயிற்சிகளை பெற்றிடும்போதும் அதுசில கோட்பாட்டு மட்டத்தில் தொடங்குகின்றது (நிறைய கணிதம் பற்றிய அறிவுடன்), என தெரியவருகின்றது சில கணினிமொழிகள்-அஞ்ஞான வழியில் AI ஐ கற்பிக்கின்றன ( நமக்கு C, C++, Java, Python அல்லது வேறு ஏதேனும் நிரலாக்க மொழி தெரியுமா என்பதை அவர்கள் பொருட்படுத்த மாட்டார்கள்), இன்னும் சில நாம் நேரியல் இயற்கணிதம், நிகழ்தகவு, புள்ளியியல் போன்றவற்றில் நிபுணத்துவம் பெற்றவர் என கருதுகின்றன, ஆயினும்அவை அனைத்தும் பெரிய அளவில் பயனுள்ளதாக இருக்கும். ஆனால் – AI இல் ஆர்வமுள்ள ஒரு முழுமையான தொடக்கநிலையாளர் தனது பயனத்தை எங்கு தொடங்க வேண்டும்? என்ற கேள்வி நம்மனதில் எழும் நிற்க.
வெளிப்படையாக கூறவேண்டுமெனில், நம்முடைய AI பயணத்தைத் தொடங்க பல சிறந்த வழிகள் உள்ளன. இருப்பினும், அவற்றில் பலவற்றைப் பற்றிய சில கவலைகளும் உள்ளன. அதிக அளவில் கணிதம் கற்பது என்பது ஒரு கவனச்சிதறல் ஆகும், அதே சமயம் தனது காரின் எஞ்சின் எங்கு வைக்கப்பட்டுள்ளது என்று தெரியாத ஓட்டுநரைப் போன்றது. சாத்தியமான AI இன் பொறியாளர் அல்லது தரவு அறிஞர் ஆனவர் நேரியல் இயற்கணிதம், நிகழ்தகவு, புள்ளிவிவரங்கள் போன்றவற்றில் சிறந்தவராக இருந்தால் மேம்பட்ட கருத்துகளுடன் தொடங்குவது மிகவும் பயனுள்ளதாக இருக்கும். மிகவும் அடிப்படையானவற்றில் தொடங்கி நடுவில் முடிப்பதும் நல்லதுதான் குறிப்பிட்ட புள்ளியில் மட்டும் பயனிணிப்பது அதைவிட மிகவும் நல்லதுதான். இந்த எல்லா உண்மைகளையும் கருத்தில் கொண்டு, துவக்க நிலையாளர்களுக்கான AI பயிற்சியில் மிகவும் அடிப்படைகளில் தொடங்கி உண்மையான AI செயல்திட்டத்துடன் முடிவடைய வேண்டும் என்று நம்பப்படுகின்றது (சிறியது, ஆனால் அதே பணியைச் செய்யக்கூடிய எந்தவொரு வழக்கமான நிரலையும் விஞ்சிவிடும் வகையில் செய்வது).
AI பற்றிய இந்தகட்டுரை அதன் அடிப்படைகளில் இருந்து தொடங்கி இடைநிலை நிலை வரை அடையும். ஆனால் AI இல் உள்ள தலைப்புகளைப் பற்றி விவாதிப்பதுடன், AI, இயந்திர கற்றல், தரவு அறிவியல் போன்ற சொற்கள் குறித்து மக்களிடையே நிறைய குழப்பங்கள் இருப்பதால், சம்பந்தப்பட்ட தலைப்புகளைப் பற்றி ‘cut the clutter’ (இது ஒரு பிரபலமான செய்தி நிகழ்ச்சியின் பெயர்) விவாதிக்கலாம்.. தற்போது ஒவ்வொரு நாளும் நம்முடைய வாழ்வில் ஏராளமான அளவில் தரவு உற்பத்தி செய்யப்படுவதால் அவைகளை கையாளுவதற்காக AI அடிப்படையிலான பயன்பாடுகள் பெரும்பாலும் அவசியமாகிறது. இணையத்தில் மேலோட்டமாக காணும்போது, நாளொன்றிற்கு சுமார் 2.5 குவிண்டில்லியன் பைட்டுகள் அளவிலானதரவுகள் உருவாக்கப்படுகின்றன (குவின்டில்லியன் என்பது மகத்தான எண் 1018). எவ்வாறாயினும், இந்த தரவுகளில் பெரும்பாலானவை நமக்கு முற்றிலும் பொருத்தமற்றவை என்பதை நினைவில் கொள்க, இதில் எந்த தகுதியும் இல்லாத டன்கணக்கிலான யூடியூப் கானொளிகாட்சிகள், மறுபரிசீலனை செய்யாமல் அனுப்பப்படுகின்ற மின்னஞ்சல்கள், செய்தித்தாள்களின் அற்பமான செய்திகளைப் பற்றிய விவரங்கள் போன்ற பல தரவுகள் ஒவ்வொரு நாளும் உருவாக்கி வெளியிடப்பட்டுகொண்டேஇருக்கின்றன. எவ்வாறாயினும், இந்த பரந்த கடல்போன்ற தரவு ஆனது தன்னோடுசிலமதிப்புமிக்க கருத்துகளையும் கொண்டுள்ளது, இது பெரும்பாலும் விலைமதிப்பற்றது. வழக்கமான மென்பொருள் நிரல்களால் அத்தகைய தரவைச் செயலாக்குகின்ற கடினமான பணியைச் செய்ய இயலாது. பெருஞ்சுமைபோன்ற இந்த தகவல்களை கையாளக்கூடிய சில தொழில்நுட்பங்களில் AI ஒன்றாகும் என்ற செய்தியை மட்டும் மனதில்கொள்க.
AI இன் ஆற்றலைப் பொறுத்த வரை அதனை பற்றிய உண்மைகள் , புனைகதைகள் ஆகியவற்றை வேறுபடுத்தி காண வேண்டும். சில ஆண்டுகளுக்கு முன்பு AI துறையில் நிபுணர் ஒருவர் Siberian Huskies (சைபீரிய நாய்களின் இனம்),பனி ஓநாய்கள் ஆகியவற்றின் படங்களை முழுமையான அல்லது துல்லியமான அதாவது மிகஅதிகதுல்லியத்துடன் வகைப்படுத்தக்கூடிய AI அடிப்படையிலான பட அங்கீகார அமைப்பைப் பற்றி கூறினார். இணையத்தில் தேடினால், இவ்விரண்டு விலங்குகளும் எவ்வளவு ஒத்திருக்கிறது என்பதை காணலாம். கணினி மிகவும் துல்லியமாக இருந்திருந்தால், அது AI இன் வெற்றியாகக் கருதப்பட்டிருக்கும். துரதிர்ஷ்டவசமாக, இது அவ்வாறு இல்லை. பட அங்கீகார அமைப்பு இரண்டு விலங்குகளின் பின்னணி படங்களை மட்டுமே வகைப்படுத்துகிறது. சைபீரியன் ஹஸ்கியின் படங்கள் (அவை வீட்டு விலங்குகள் என்பதால்) எப்பொழுதும் சில செவ்வக அல்லது வட்டவடிவிலான பொருட்களை பின்னணியில் கொண்டிருக்கும், அதேசமயம் சைபீரிய பனி ஓநாய்களின் படங்கள் (சைபீரியாவில் அமைந்துள்ள காட்டு விலங்குகள்) பின்னணியில் பனி இருந்தது. இத்தகைய எடுத்துக்காட்டுகள் சமீபத்திய ஆண்டுகளில் துல்லியத்திற்கான சில உத்தரவாதத்துடன் AI இன் தேவைக்கு வழிவகுத்தன.
உண்மையில், AI அதன் உண்மையான சக்தியை சமீபத்திய ஆண்டுகளில் காட்டியுள்ளது. ஒரு எளிய உதாரணம், யூடியூப், அமேசான் போன்ற பல இணையதளங்களில் இருந்து நாம் பெறும் பரிந்துரைகள். பல முறை, AI நம்முடைய மனதைப் படிக்க முடிந்ததைப் போல உணர்ந்ததால், அவ்வாறு பெற்ற பரிந்துரைகளால் ஆச்சரியப்படலாம். இத்தகைய பரிந்துரைகள் நீண்ட காலத்திற்கு நமக்கு நல்லதா அல்லது கெட்டதா என்பது விவாதத்திற்குரிய தலைப்பாகும். அதனோடு “AI நல்லதா கெட்டதா?” என்ற முக்கியமான கேள்வி உள்ளது. இயந்திரங்கள் வேண்டுமென்றே மனிதர்களைத் தாக்கும் ஒரு ‘Terminator’ திரைப்படம் எதிர்காலத்தில் வெகு தொலைவில் இல்லை என நம்பப் படுகின்றது. இருப்பினும், முந்தைய சொற்றொடரில் ‘வேண்டுமென்றே’ என்ற சொல் மிகவும் முக்கியமானது. AI அடிப்படையிலான அமைப்புகள் தற்போது செயலிழந்த மனிதர்களை தற்செயலாக காயப்படுத்தலாம். எவ்வாறாயினும், AI இன் சக்திகளைக் கூறும் பல அமைப்புகள் வழக்கமான மென்பொருள் நிரல்களாகும், அவை அதிக எண்ணிக்கையிலான ‘if’ , ‘for’ ஆகிய கூற்றுகளாகும் இதில் AI இன் மந்திரம் எதுவும் இல்லை. எனவே, நமது அன்றாட வாழ்வில் AI இன் உண்மையான சக்தியை நாம் இன்னும் காணவில்லை என உறுதியாக கூறலாலாம். ஆனால் அந்த தாக்கம் நல்லதா (புற்றுநோயை குணப்படுத்துவது போல) அல்லது கெட்டதா (கலவரங்கள், போருக்கு வழிவகுக்கும் உலக தலைவர்களின் ஆழ்ந்த கானொளிகாட்சிகள்) என இன்னும் தெளிவு படுத்தப்படவில்லை. தனிப்பட்ட அளவில், AI ஆனது சிறந்தது என்றும், இது வருங்கால தலைமுறையினரின் வாழ்க்கைத் தரத்தை வெகுவாக மேம்படுத்தும் என்றும் நம்பப்படுகின்றது.
AI என்றால் என்ன?
எனவே, மேலும் தொடர்வதற்கு முன், AI, இயந்திரக் கற்றல், ஆழ்கற்றல், தரவு அறிவியல் போன்றவை எவ்வாறு தொடர்புடையவை, ஆனால் அவை ஒன்றுக்கொன்று எவ்வாறு வேறுபட்டவை என்பதைப் புரிந்துகொள்ள முயற்சிப்போம். பெரும்பாலும் இந்த சொற்கள் ஒத்த சொற்களாக (தவறாக) பயன்படுத்தப்படுகின்றன. முதலில், AI, இயந்திர கற்றல், ஆழ்கற்றல் தரவு அறிவியல் (படம் 1) ஆகியவற்றுக்கு இடையேயான தொடர்பைக் குறிக்கின்ற ஒரு Venn வரைபடத்தைக் கருத்தில் கொள்க. இது Venn வரைபடம் மட்டும் அன்று என்பதை நினைவில் கொள்க. உண்மையில், படம் 1 இல் காட்டப்பட்டுள்ள நான்கு வெவ்வேறு நிறுவனங்களுக்கிடையில் வெவ்வேறு உறவுகளைக் காட்டும் மற்ற Venn வரைபடங்களை காணலாம் என்பது மிகவும் நம்பத்தகுந்ததாகும். இருப்பினும், இது கேள்விக்குரிய வெவ்வேறு துறைகளுக்கு இடையேயான தொடர்பை அதிகபட்ச அளவு படம்பிடிக்கின்ற மிகவும் உண்மையான வரைபடமாகும். .

1
1: AI இன்படிநிலை , தரவு அறிவியல்
முதலில்,AI பற்றிய இந்த கட்டுரையில் உள்ள விதிமுறைகளின் பல வரையறைகள் கணித ரீதியாக மிகவும் துல்லியமாக இருக்காது என்ற கருத்தினை தெரிவித்துகொள்ளப்படுகின்றது. நம்முடைய விவாதத்தின் இந்த மட்டத்தில் மிகத் துல்லியமாக ஒவ்வொரு சொல்லையும் முறையாக வரையறுப்பது என்பது எதிர்மறையானதும் நேரத்தை வீணடிப்பதுமான செயலாகும். இருப்பினும், இந்த கட்டுரையில், இந்த விதிமுறைகளை மறுபரிசீலனை செய்து அவற்றை முறையாக வரையறுப்போம். தற்போதைய நம்முடைய விவாதத்தில் , AI என்பது மனித நுண்ணறிவை ஓரளவு பிரதிபலிக்கக்கூடிய செயல்திட்டங்களின் தொகுப்பாக கருதுக. ஆனால் மனித அறிவு எனக்கூறியவுடன் AIஆனது நம்மை போன்ற அனுபவமுள்ள மனிதன் அன்று என்ற செய்தியையும் மனதில் கொண்டுஅதுபற்றி என்ன சொல்லப்படுகின்றது? என்பதையும் கருத்தில்கொள்க
AI செயல்திட்டம் என்பது ஒரு வயது குழந்தை என கற்பனை செய்து கொள்க. வழக்கம் போன்று, இந்த AI எனும் குழந்தையானது தன்னைச் சுற்றியுள்ளவர்கள் பேசுவதைக் கேட்டு தனது தாய் மொழியைக் கற்றுக் கொள்ளும். அவர்/அவள் விரைவில் வடிவங்கள், நிறங்கள், பொருள்கள் போன்றவற்றை எந்த சிரமமும் இல்லாமல் அடையாளம் காண கற்றுக்கொள்வார். மேலும், அவரால்/அவளால் தன்னைச் சுற்றியுள்ள மக்களின் உணர்ச்சிகளுக்கு பதிலளிக்க முடியும். எடுத்துக்காட்டாக, எந்த ஒரு 3 வயது குழந்தையும் தனது பெற்றோருக்கு அவர்/அவள் விரும்பும் அனைத்து சாக்லேட்டுகளை, லாலிபாப்களை தனக்கு கொடுப்பதற்காக எப்படி இனிமையாகப் பேசுவது என்பது தெரியும். இதேபோன்று, ஒரு AI நிரலும் அக்குழந்தையைப் போன்றே அதன் சுற்றுப்புறங்களை உணரவும் மாற்றியமைக்கவும் முயற்சிசெய்திடும். இருப்பினும், அத்தகைய உண்மையான AI பயன்பாடுகள் எதிர்காலத்தில் மட்டுமே அடையக்கூடும் (வளர்ச்சி அடைந்திருந்தால்).
இயந்திர கற்றல் என்பது AI இன் கண்டிப்பான துணைக்குழுவின் செயற்கையாக அறிவார்ந்த அமைப்புகளைச் செயல்படுத்தப் பயன்படுத்தப்படுகின்ற பல தொழில்நுட்பங்களில் ஒன்றாகும் என்பதை படம் 1 காட்டுகிறது. இயந்திரக் கற்றல் என்பது தொழில்நுட்பங்களை உள்ளடக்கியது, இதில் பெரிய தரவுத் தொகுப்புகள் நிரல்களைப் பயிற்றுவிக்கப் பயன்படுத்தப்படுகின்றன, இதனால் நமக்கு தேவையான பணியை நம்மால் திறம்பட மேற்கொள்ள முடியும். மேலும், ஒரு குறிப்பிட்ட பணியைச் செய்வதற்கான துல்லியம் மிகப்பெரிய பயிற்சி தரவுத் தொகுப்புகளுடன் அதிகரிக்கின்றது. பூலியன் தருக்கத்தின் அடிப்படையிலான அமைப்புகள், தெளிவற்ற தர்க்க அடிப்படையிலான அமைப்புகள், மரபணு நிரலாக்க அடிப்படையிலான அமைப்புகள் போன்ற செயற்கையான அறிவார்ந்த அமைப்புகளை உருவாக்கப் பயன்படுத்தப்படுகின்ற பிற தொழில்நுட்பங்கள் உள்ளன என்பதைக் கவனித்திடுக. இருப்பினும், AI அடிப்படையிலான அமைப்புகளை செயல்படுத்த இயந்திர கற்றல் மிகவும் துடிப்பான தொழில்நுட்பமாகும். ஆழ்கற்றல் என்பது இயந்திரக் கற்றலின் கண்டிப்பான துணைக்குழு என்பதை படம் 1 காட்டுகிறது, இது பல இயந்திர கற்றல் நுட்பங்களில் ஒன்றாகும். இருப்பினும், தற்போது, நடைமுறையில், பெரும்பாலான தீவிர இயந்திரக் கற்றல் நுட்பங்கள் ஆழ்கற்றலை உள்ளடக்கியது என மீண்டும் தெரிவித்துக்கொள்ளபபடுகின்றது. இந்நிலையில், ஆழ்கற்றலை வரையறுப்பதில் இருந்து கூட விலகிடலாம். ஆழ்கற்றல் என்பது பெரிய செயற்கையான நரம்பியல் வலைபின்னல்களைப் பயன்படுத்துவதை உள்ளடக்கியது என்பதை நினைவில் கொள்க.
இப்போது, படம் 1 இல் தரவு அறிவியல் (சிவப்பு வட்டம்) என்ன செய்கிறது? என தெரிந்துகொள்க, அவ்வாறு இதுவரையில் தெரிந்து கொள்ளவில்லை யென்றாலும் பரவாயில்லை தரவு அறிவியல் என்பது கணினி அறிவியலின்/ கணிதத்தின் ஒரு துறையாகும்என்ற செய்தியை மட்டும் மனதில் கொள்க, இது பெரிய அளவிலான தரவுகளின் செயலாக்கத்தையும் விளக்கத்தையும் கையாளுகின்றது. உடன் பெரியது என்றால், எவ்வளவு பெரியது? எனும் கேள்வி நம்மனதில் எழும் நிற்க முகநூல் Facebook போன்ற சில மீப்பெரும் நிறுவனங்கள் 2010 ஆம் ஆண்டிலேயே தங்களுடைய சேவையாளர் கணினிகளை சில பெட்டாபைட் அளவுதரவினைக் கையாள முடியும் என்றவாறு வளர்ந்திருந்தனர். எனவே, பெரிய அளவிலான தரவுஎன்று சொல்லும்போது, ஜிகாபைட் தரவுகளல்ல டெராபைட்கள், பெட்டாபைட்கள் எனும் பொருளாகும், . ஏராளமான தரவு அறிவியல் பயன்பாடுகளானவை செயற்கைநுன்னறிவு(AI), இயந்திர கற்றல் (ML) , ஆழ் கற்றல்(DL) ஆகிய நுட்பங்களைப் பயன்படுத்தி கொள்கின்றன. எனவே, நாம் AI பற்றி விவாதிக்கும்போது தரவு அறிவியலை புறக்கணிப்பது சற்று கடினம். இருப்பினும், தரவு அறிவியலில் மீப்பெரும் தரவுகளின் பகுப்பாய்விற்கு அப்பாச்சி ஹடூப்பைப் பயன்படுத்துவது போன்ற பல வழக்கமான நிரலாக்கங்களும் தரவுத்தள மேலாண்மை நுட்பங்களும் உள்ளன.
படம் 1 இல் காட்டப்பட்டுள்ளபடி செயற்கைநுன்னறிவு(Artificial Intelligence (AI)) ,இயந்திர கற்றல்(Machine Learning(ML)) , ஆழ் கற்றல்(Deep Learning(D)), தரவு அறிவியல்(Data Scince(DC)) ஆகியவற்றிற்கு பதிலாக AI, ML, DL , DS என்ற சுருக்கமான பெயர்களைப் பயன்படுத்துவதைமனதில் கொள்க. இந்தகட்டுரையின் விவாதங்கள் முக்கியமாக AI , ML இல் தரவு அறிவியலுக்கான கூடுதல் குறிப்புகளுடன் கவனம் செலுத்துகின்றது.
சில கடினமான வாய்ப்புகளுடன் நம்முடைய இந்த பயணத்தின் துவங்கிடுவோம்
இந்தக் கட்டுரையில் விவாதிக்கப்படும் தலைப்புகளை இப்போது நாம் அறிந்துகொள்வோம், இந்த பயிற்சியில் சேர்வதற்கான முன்நிபந்தனைகளைப் பற்றி விவாதிப்போம். லினக்ஸ் இயக்கமுறைமை செயல்படுகின்ற கணினியை இயக்கக்கூடிய எந்தவொரு நபரும் (MS Windows அல்லது macOS இயக்க முறைமை செயல்படுகின்ற கணினியை இயக்கக்கூடிய எவரும் எளிதாக நன்றாக புரிந்துகொள்வார், ஆனால் சில நிறுவுகைசெய்வதற்கான படிமுறைகளுக்கு கூடுதல் உதவி தேவைப்படலாம்) ஆனால் அவை நாம் ஏற்கனவே அறிந்து கொண்டுள்ள அடிப்படை உள்ளடக்கத்துடன் மட்டுமே இருக்கும். கணிதம் ,கணினி பற்றிய அறிவு கொண்டுள்ளவர்கள் கண்டிப்பாக AI இன் ஆற்றலைப் பாராட்டிடுவார்கள், அவர் அல்லது அவள் இந்தத் கட்டரையை உன்னிப்பாக கவனித்துக் கடந்துவிட்டால்.நிரலாக்க மொழிகளைப் பற்றி அதிகம் கவலைப்படாமல், AI-யை மொழியின்-அஞ்ஞான வழியில் கற்க முடியும் என நம்பலாம். இருந்தபோதிலும், நம்முடைய விவாதமானது நிறைய நிரலாக்கங்களை உள்ளடக்கியதும் ஒரு நிரலாக்க மொழியின் அடிப்படையில் செயல்படுத்தப்படுவதுமாகும். எனவே, நம்முடைய (நிரலாக்க) தகவல்தொடர்பு மொழியைச் சரிசெய்வதற்கு முன், AI, ML, DL , DS ஆகிய பயன்பாடுகளுக்குப் பயன்படுத்தப்படுகின்ற சிறந்த நிரலாக்க மொழிகளை மதிப்பாய்வு செய்திடுவோம். AI அடிப்படையிலான பயன்பாடுகளை உருவாக்க பயன்படுத்தப்பட்ட ஆரம்ப கால கணினிமொழிகளில் ஒன்று Lisp ஆகும், இது ஒரு செயல்பாட்டு நிரலாக்க மொழியாகும். Prologஎன்பது ஒரு தர்க்க நிரலாக்க மொழி, 1970 களில் இதே நோக்கத்திற்காக பயன்படுத்தப்பட்டது. AI இன் வரலாற்றில் கவனம் செலுத்தும்போது Lisp, Prolog பற்றி மேலும் விவாதிப்போம்.
இப்போதெல்லாம், Java, C, C++, Scala, Haskell, MATLAB, R, Julia,போன்ற நிரலாக்க மொழிகளும் AI அடிப்படையிலான பயன்பாடுகளை உருவாக்கப் பயன்படுத்தப் படுகின்றன. இருப்பினும், AI அடிப்படையிலான பயன்பாடுகளை உருவாக்கு வதில் பெரும் புகழ்பெற்ற, பரவலான பயன்பாடுகொண்ட பைத்தான் ஆனது கிட்டத்தட்ட ஒருமனதாக தேர்வு செய்யப்பட்டது. எனவே, இந்த கட்டத்தில் இருந்து பைத்தானை அடிப்படையாகக் கொண்ட AI பற்றிய நம்முடைய விவாதத்தைத் தொடர்வோம். இருப்பினும், பின்வருமாறு எச்சரிக்கப்படுகின்றது. இங்கிருந்து, நாம் பல வாய்ப்புகளை தெரிவுசெய்கிறோம் (அல்லது நமக்காக தெரிவு செய்யப்படுகின்றது). அவ்வாறான வாய்ப்புகளின் தெரிவுகள் பெரும்பாலும் பயன்பாட்டின் எளிமை, பிரபலம் (சில சந்தர்ப்பங்களில்) சொந்த வசதி ஒரு மென்பொருள்/ தொழில்நுட்பத்தைப் பற்றிய அறிவு ஆகியன இந்த பயிற்சியை மிகவும் பயனுள்ளதாக மாற்றுவதற்கான நோக்கங்களைப் பொறுத்தது ஆகும். இருப்பினும், நாம் தெரிவு செய்யாத பிற சாத்தியமான நிரலாக்க மொழி, மென்பொருள் அல்லது கருவியை ஆய்வுசெய்திடுமாறு ஊக்குவிக்கப்படு கின்றது. சில நேரங்களில் அத்தகைய மாற்றுவாய்ப்பினை தெரிவுசெய்தல் நீண்ட காலத்திற்கு நமக்குச் சிறந்ததாக இருக்கலாம்.
இப்போது நாம் உடனடியாக மற்றொன்றை தெரிவு செய்ய வேண்டியுள்ளது அதாவது இதற்காகநாம்- பைதான் 2 அல்லது பைதான் 3 ஆகிய இரண்டு வாய்ப்புகளில் எதனைப் பயன்படுத்த வேண்டும்? என்பதேயாகும் .இந்தகட்டுரையில் தொடக்க நிலையிலான இளைஞர்களைகருத்தில் கொண்டு , பைதான் 3 எனும் பதிப்பு தெரிவுசெய்யப்படுகின்றது. முதலில், பைதான் 3 ஐ நம்முடைய கணினிகளில் நிறுவுகைசெய்திடுவோம். உபுண்டு இயக்க முறைமைசெயல்படுகின்ற கணினியில் பைதான் 3 இன் சமீபத்திய பதிப்பை நிறுவுகைசெய்திட லினக்ஸ் முனையத்தில் ‘sudo apt install python3’ எனும் கட்டளையை இயக்கிடுக (ஆயினும் சிலநேரங்களில் இயல்பாகவே Python 3 நம்முடைய கணினியில் ஏற்கனவே நிறுவப்பட்டிருக்கலாம்). பிற லினக்ஸ் விநியோகங்களில் பைதான் 3 இன் நிறுவுகைசெய்வது மிகவும் எளிதானது. MS Windows , macOS ஆகிய இயங்குதளங்களிலும் இதை எளிதாக நிறுவுகைசெய்திட முடியும். பின்வரும் கட்டளைவரி நம்முடைய கணினியில் நிறுவப்பட்ட பைதான் 3 இன் பதிப்பைக் காண்பிக்கும்:
python3 –version
Python 3.8.10
நாம் ஏராளமானஅளவில் பைதான் தொகுப்புகளை நிறுவுகைசெய்திட வேண்டும். எனவே, நாம் ஒரு தொகுப்பு மேலாண்மை அமைப்பை நிறுவுகைசெய்திட வேண்டும். சில தெரிவுகளில் pip, Conda, Mamba போன்றவை அடங்கும். இந்த பயிற்சிக்கான தொகுப்பு மேலாண்மை அமைப்பாக pip ஐ தெரிவு செய்யப் பட்டுள்ளது, ஏனெனில் இது ஒப்பீட்டளவில் எளிமையானது Python இற்கான பரிந்துரைக்கப்பட்ட ஒரு சிறந்த நிறுவுகைசெய்திடும் கருவியாகும். தனிப்பட்ட முறையில், Conda, Mamba,ஆகிய இரண்டும் pip ஐ விட சக்தி வாய்ந்தவைகளாகும், அவற்றையும் முயற்சித்திடுக. இருப்பினும், நாம் pip உடன் பயனிப்போம். ‘sudo apt install python3-pip’ எனும் கட்டளை வரியானது உபுண்டு அமைப்பில் pip ஐ நிறுவுகைசெய்திடும். pip, Conda , Mamba ஆகியவை Linux, Windows macOS ஆகிய இயக்கமுறைமைகளில் நிறுவுகைசெய்து பயன்படுத்தி கொள்வதற்கான குறுக்கு-தள மென்பொருட்களகும் என்பதைக் கவனத்தில் கொள்க. கீழே காட்டப்பட்டுள்ளபடி, ‘pip3 -version’ எனும் கட்டளை கணினியில் நிறுவப்பட்ட பின் அதன்பதிப்பைக் காண்பிக்கிறது:
pip 20.0.2 from /usr/lib/python3/dist-packages/pip (python 3.8)
இப்போது நாம் பைத்தானுக்கு ஒரு ஒருங்கிணைந்த மேம்பாட்டு சூழலை (IDE) நிறுவுகைசெய்திட வேண்டும்.நிரலாளர்கள் குறிமுறைவரிகளைமிக எளிதாக எழுத, தொகுக்க, பிழைத்திருத்தம் செய்திட இயக்க இந்த IDEகள் பேரளவில் உதவுகின்றன. இதற்கும் PyCharm, IDLE, Spyder போன்ற பல பிரபலமான போட்டியாளர்கள் உள்ளனர்.. எவ்வாறாயினும், AI , தரவு அறிவியல் அடிப்படையிலான பயன்பாடுகளை உருவாக்குவதே நம்முடைய முதன்மை நோக்கம் என்பதால், JupyterLab , Google Colab ஆகிய இரண்டு கடுமையான போட்டியாளர்களை நாம் கருத்தில் கொள்வோம். கண்டிப்பாக கூறுவதெனில், உண்மையில் அவையிரண்டும் வெறும் IDEகள் மட்டுமல்லாது; , அவை மிகவும் சக்திவாய்ந்த இணைய அடிப்படையிலான ஊடாடும் மேம்பாட்டு சூழல்களாகும். இவ்விரண்டும் இணைய உலாவிகளில் நன்றாகசெயல்படுகின்றன அதனோடு நமக்கு அபரிமிதமான சக்தியை வழங்குகின்றன. JupyterLab என்பது ஒரு இலாப நோக்கற்ற அமைப்பான Project Jupyter ஆல் ஆதரிக்கப்படும் கட்டற்ற கட்டணமற்ற மென்பொருளாகும். Google Colab கூடுதலான செயலிற்கும் மட்டும் கட்டணம் எனும் கொள்கைப் பின்பற்றுகிறது, அதாவது அதில் அடிப்படை மாதிரியானது கட்டணமற்றது கூடுதல் வசதிகளுக்கு மட்டும்கட்டணம் செலுத்த வேண்டும். இது JupyterLabஐ விட அதிக சக்தி வாய்ந்தது அதிக வசதி வாய்ப்புகளை கொண்டுள்ளது. இருப்பினும், இந்த பயிற்சிக்காக Google Colab ஐ விட JupyterLab ஐ தேர்வு செய்யப்பட்டுள்ளது. ஆனால் AI இன்பயணத்தின் ஒரு கட்டத்தில் Google Colab ஐப் பற்றி நன்கு தெரிந்துகொள்ளுமாறு பரிந்துரைக்கப் படுகின்றது
‘pip3 install jupyterlab’ என்ற கட்டளையைப் பயன்படுத்தி JupyterLab ஐ வளாக கணினியில் நிறுவுகைசெய்திடலாம். ‘jupyter-lab’ எனும்கட்டளையானது கணினியின் இயல்புநிலையிலான இணைய உலாவியில் JupyterLab ஐ இயக்குகின்றது. Jupyter Notebook எனப்படும் பழைய , இதனைஒத்த இணைய அடிப்படையிலான அமைப்பும் Project Jupyter ஆல் வழங்கப்படுகிறது. jupyter notebook ஐ வளாகத்தில் ‘pip3 install notebook’ என்ற கட்டளையுடன் நிறுவுகை செய்திடலாம், ‘jupyter notebook’ எனும் கட்டளையைப் பயன்படுத்தியும் செயல்படுத்தலாம். இருப்பினும், Jupyter Notebook JupyterLab ஐ விட குறைவான சக்தி வாய்ந்தது, மேலும் JupyterLab இறுதியில் Jupyter Notebook ஐ மாற்றிவிடும் என இப்போது அதிகாரப்பூர்வமாக அறிவிக்கப்படுகின்றது. எனவே, இந்த பயிற்சியில் நேரம் வரும்போது JupyterLab ஐப் பயன்படுத்துவோம். இருப்பினும், இந்த பயிற்சியின் துவக்க நிலைகளில் பைதான் நிரல்களை இயக்க லினக்ஸ் முனைமத்தினைப் பயன்படுத்துவோம், எனவே pip இன் உடனடித் தேவை, தொகுப்பு மேலாண்மை அமைப்பு ஆகும்.
Anaconda என்பது இயந்திர கற்றல் , தரவு அறிவியல் பயன்பாடுகளுக்கான பைதான் , R ஆகிய நிரலாக்க மொழிகளின் மிகவும் பிரபலமான விநியோகமாகும். சாத்தியமான AI பொறியாளர்கள், தரவு அறிஞர்களாக, அனகோண்டாவைப் பற்றியும் தெரிந்து கொள்வது நல்லது.
இப்போது, இந்த பயிற்சியின் மிக முக்கியமான வசதியை – நாம் தலைப்புகளை உள்ளடக்கும் பாணியை சரிசெய்ய வேண்டும். AI அடிப்படையிலான பயன்பாடுகளின் வளர்ச்சிக்கு ஆதரவாக NumPy, SciPy, Pandas, Matplotlib, Seaborn, TensorFlow, Keras, Scikit-learn, PyTorch என்பன போன்ற ஏராளமான பைதான் நூலகங்கள் உள்ளன. . AI, இயந்திர கற்றல், தரவு அறிவியல் பற்றிய பல பாடப்புத்தகங்கள் , பயிற்சிகள் ஒன்று அல்லது அதற்கு மேற்பட்டவற்றின் முழுமையான கவரேஜை அடிப்படையாகக் கொண்டவை. இந்த தொகுப்புகள். ஒரு குறிப்பிட்ட தொகுப்பின் வசதிகளைப் பற்றிய இத்தகைய கவரேஜ் பயனுள்ளதாக இருந்தாலும், இன்னும் கணிதம் சார்ந்த பயிற்சித் திட்டமிடப் பட்டுள்ளது. AI பயன்பாடுகளை உருவாக்குவதற்குத் தேவையான கணிதத்தின் அடிப்படை கருத்தமைவுகளை முதலில் விவாதிப்போம், பின்னர் தேவையான பைதான் அடிப்படைகள் , தேவையான பைதான் நூலகங்களின் விவரங்களை அறிமுகப்படுத்துவதன் மூலம் விவாதத்தைப் பின்பற்றுவோம். எனவே, மற்ற பயிற்சிகளைப் போன்றில்லாமல், சில கணிதத்தின் அடிப்படை கருத்தமைவுகளை செயல்படுத்து வதற்குத் தேவையான வசதிகளை ஆராய்வதற்காக பைதான் நூலகங்களை மீண்டும் மீண்டும் பார்வையிடுவோம். இருப்பினும், சில நேரங்களில், பைதான் , கணிதத்தின் சில அடிப்படைக் கருத்தமைவுகளை சுயமாக கற்றுக் கொள்ளுமாறு பரிந்துரைக்கப்படுகின்றது. இது இந்த பயிற்சியின் தன்மை பற்றிய இறுதிக் கேள்வியைத் தீர்த்து வைக்கிறது.
இவ்வளவு பில்டப்புக்குப் பிறகு, பைதான் குறிமுறைவரிகளின் ஒரேயொரு வரியை அல்லது AIக்கு தேவையான ஒரு கணிதப் பொருளைக் கூட விவாதிக்காமல் இந்தக் கட்டுரையை இந்த இடத்தில் நிறுத்தினால் அது பாவம். எனவே, AI இயந்திரக் கற்றல் ஆகியவற்றினைக் கைப்பற்றுவதற்குத் தேவையான கணிதத்தில் மிக முக்கியமான தலைப்புகளில் ஒன்றைக் கற்றுக்கொள்வதற்கு நாம் செல்வோம்.
நெறியங்கள்(Vectors) அணிகள்(matrices)
அணி என்பது கிடைவரிசைகள், நெடுவரிசைகள் ஆகியவற்றில் அமைக்கப்பட்ட எண்கள், குறியீடுகள் அல்லது கணித வெளிப்பாடுகளின் செவ்வக வரிசையாகும். படம் 2இல், 2 x 3 (‘2 இற்கு 3’ என உச்சரிக்கப்படுகிறது) அணியானது 2 கிடைவரிசைகளையும், 3 நெடுவரிசைகளையும் காண்பிக்கிறது. நிரலாக்கத்தை பற்றி நன்கு அறிந்திருந்தால், இந்த அணியை பல பிரபலமான நிரலாக்க மொழிகளில் இரு பரிமாண வரிசையாகக் குறிப்பிடலாம். ஒரே ஒரு கிடைவரிசையைக் கொண்ட அணி கிடைவரிசை வெக்டார் என்றும், ஒரே ஒரு நெடுவரிசையைக் கொண்ட அணி நெடுவரிசை வெக்டார் என்றும் அழைக்கப்படுகிறது. வெக்டார்[11, 22, 33] என்பதுஒரு கிடைவரிசை வெக்டாருக்கு எடுத்துக்காட்டாகும்.

2
படம் 2: A 2 x 3 அணி
AI, இயந்திர கற்றல் ஆகியன பற்றிய விவாதத்தில் அணிகளும் வெக்டார்களும் ஏன் மிகவும் முக்கியமானவை? ஏனெனில், அவை கணிதத்தின் ஒரு பிரிவான நேரியல் இயற்கணிதத்தின் மையமாகும். நேரியல் இயற்கணித நுட்பங்கள் AI , இயந்திர கற்றல் ஆகியவற்றில் பெரிதும் பயன்படுத்தப்படுகின்றன. கணிதவியலாளர்கள் பல நூற்றாண்டுகளாக அணிகள் , நெறியங்கள் ஆகியவற்றின் பண்புகளையம் பயன்பாடுகளையும் ஆய்வு செய்துள்ளனர். Gauss, Euler, Leibniz, Cayley, Cramer, Hamilton போன்ற கணிதவியலாளர்கள் நேரியல் இயற்கணிதம் , அணிகளின் கோட்பாடு ஆகிய துறைகளில் ஒரு தேற்றத்தை வைத்துள்ளனர். இவ்வாறு, பல ஆண்டுகளாக, அணிகள் நெறியங்கள் ஆகியவற்றின் பண்புகளை பகுப்பாய்வு செய்ய நேரியல் இயற்கணிதத்தில் நிறைய நுட்பங்கள் உருவாக்கப்பட்டுள்ளன.
சிக்கலான தரவானது பெரும்பாலும் ஒரு வெக்டார் அல்லது அணி வடிவத்தில் எளிதில் குறிப்பிடப்படுகிறது. ஒரு எளிய உதாரணத்தை காண்போம். மருத்துவ தகவல் படியெடுப்புத் (medical transcription) துறையில் பணிபுரியும் ஒருவரைக் கவனித்திடுக. P என்ற நபரின் மருத்துவப் பதிவேடுகளில் இருந்து வயது, உயரம் சென்டிமீட்டர், எடை கிலோகிராம், systolic இரத்த அழுத்தம், diastolic இரத்த அழுத்தம் சாப்பிடாதபோதான இரத்த சர்க்கரை அளவு மில்லிகிராம்/ டெசிலிட்டரில் பெறலாம். மேலும், அத்தகைய தகவல்களை எளிதாக கிடைவரிசை வெக்டராகக் குறிப்பிடலாம். உதாரணமாக, P = [60, 160, 90, 130, 95, 160]. ஆனால் AI , இயந்திர கற்றலில் முதல் சவால் இங்கேதான் உருவாகிறது. இவ்வாறான மருத்துவ பதிவுகள் ஒரு பில்லியன் அளவாக இருந்தால் என்னவாகும். பல்லாயிரக்கணக்கான வல்லுநர்கள் இந்த பில்லியன் கணக்காண மருத்துவப் பதிவுகளிலிருந்து தரவை கைமுறையாகப் பிரித்தெடுத்தாலும் பணி முழுமையடையாது. எனவே,இவ்வாறான சூழலில் AI , இயந்திர கற்றல் ஆகிய பயன்பாடுகளின் நிரல்களானவை இந்தப் மருத்துவ பதிவுகளிலிருந்து தேவையான தரவைமட்டும் பிரித்தெடுக்க முயற்சி செய்கின்றன.
AI , இயந்திர கற்றலில் இரண்டாவது சவால் ஆனது இவ்வாறான தரவுகளுக்கான விளக்கமளித்தல் ஆகும். இது ஒரு பரந்த புலமும் ஆராயத் தகுந்த பல நுட்பங்களும் உள்ளன. அவற்றில் மிகவும் பொருத்தமானவற்றை இந்த கட்டுரையில் காண்போம். AI , இயந்திர கற்றல் அடிப்படையிலான பயன்பாடுகள் கணிதம்/கணக்கீட்டு சவால்களுடன் கூடுதலாக வன்பொருள் சவால்களையும் எதிர்கொள்கின்றன. அதிக அளவு தரவு செயலாக்கப்படுவதால், தரவு சேமிப்பு, செயலி வேகம், மின் நுகர்வு போன்றவையும் AI அடிப்படையிலான பயன்பாடுகளுக்கு பெரும் சவாலாக உள்ளது. சவால்கள் தவிர, AI குறிமுறைவரிகளின் முதல் வரியை எழுதுவதற்கான நேரம் இது என நம்பப்படுகின்றது.
இரண்டு வெக்டார்களைச் சேர்க்க ஒரு எளிய பைதான் உரைநிரலை எழுதுவோம். அதற்கு, NumPy என்ற பைதான் நூலகத்தைப் பயன்படுத்தி கொளவோம். NumPy என்பது ஒரு பைதான் நூலகமாகும், இது பல பரிமாண அணிகள் (கிடைவரிசைகள்) அவற்றில் செயல்படுவதற்கான ஏராளமான கணித செயல்பாடுகளை ஆதரிக்கிறது. ‘pip3 install numpy’ என்ற கட்டளை பைதான் 3க்கான NumPy தொகுப்பை நிறுவுகைசெய்கின்றது. JupyterLab, Google Colab அல்லது Anaconda ஐப் பயன்படுத்தினால் NumPy முன்பே நிறுவப்பட்டிருக்கும் என்பதைக் கவனத்தில் கொள்க. எவ்வாறாயினும், AI பற்றிய இந்தத் தொடரின் முதலில் எளிதாகப் பயன்படுத்த லினக்ஸ் முனையத்தில் இருந்து செயல்படுவோம். பைதான் பணியகத்திலிருந்து செயல்படுவதற்காக லினக்ஸ் முனைமத்தில் ‘python3’ கட்டளையை இயக்கிடுக. இந்த பணியகமானது பைதான் குறிமுறைவரிகளை ஒவ்வொரு வரியாக செயல்படுத்த அனுமதிக்கின்ற மென்பொருளாகும். இரண்டு வெக்டார்களைச் சேர்க்க பைதான் குறிமுறை வரிகளை ஒவ்வொருவரியாக- செயல்படுத்துதலை படம் 3 காண்பிக்கிறது முனையத்தில் அதன் வெளியீட்டையும் காண்பிக்கிறது

3
படம் 3: இது இரண்டு கிடைவரிசை வெக்டர்களின் கூட்டுத்தொகையைக் கண்டறிய உதவுகின்ற பைதான் குறிமுறைவரிகளாகும்
முதலில், இந்த குறிமுறைவரிகளைப் புரிந்துகொள்ள முயற்சிப்போம். மேலும் தொடர்வதற்கு முன் ஒரு முக்கியமான குறிப்பு. இந்த பயிற்சி மிகக் குறைவான நிரலாக்க அனுபவத்தைக் கொண்டிருப்பதால், குறிமுறைவரிகளின் வரிகளை (அடிப்படை) அல்லது (AI) என அடையாளம்காட்டப்படும். அடையளம் காட்டப்ப்பட்ட கோடுகள் (அடிப்படை) classical Pythonஇன் குறிமுறைவரிகளின் ஒரு பகுதியாகும், அதேசமயம் (AI) என அடையாளம்காட்டப்ப்பட்ட கோடுகள் AI பயன்பாடுகளை உருவாக்குவதற்கான பைதான் குறிமுறைவரிகளின் ஒரு பகுதியாகும். அத்தகைய வகைப்பாடு அவசியமில்லை அல்லது மிகவும் அர்த்தமுள்ளதாக இருக்காது. இருப்பினும், அடிப்படை பைதானையும் மேம்பட்ட பைத்தானையும் வேறுபடுத்தி காண்போம், இதனால் நிரலாக்கத்தில் அடிப்படை திறன்களைமட்டும் அல்லது இடைநிலை திறன்களைமட்டும் கொண்ட நிரலாளர்களுக்கு இந்த பயிற்சி பயனுள்ளதாக இருக்கும்.
np (basic) என குறிமுறைவரிகளின் பதிவிறக்க npஇன் கட்டளைவரியானது NumPy நூலகத்தை பதிவிறக்கம் செய்து np என பெயரிடுகிறது. பைத்தானில் உள்ள பதிவிறக்க கட்டளையானது தலைப்புக் கோப்புகளைப் பயன்படுத்த C/C++ இன் #include எனும் கட்டளையையும் தொகுப்புகளையும் பயன்படுத்த Java இன் பதிவிறக்க கட்டளை போன்றது. குறிமுறைவரிகளின் கட்டளைவரிகள் பின்வருமாறு
a = np.array([11, 22, 33])
b = np.array([44, 55, 66]) (AI)
இது ‘a’ , ‘b’ ஆகிய ஒரு இரு பரிமாண அணிவரிசைகளை உருவாக்குகின்றன. . புரிந்து கொள்வதற்காக இன்னும் எளிமைப்படுத்தப்பட்டுள்ளது. தற்போதைக்கு, ஒரு வெக்டார் ஆனது ஒரு பரிமாண வரிசைக்கு சமம் என்று வைத்துக்கொள்க
. c = np.add(a, b) (AI) என்ற குறிமுறைவரிகளின் வரியானது ‘a’ , ‘b’ என பெயரிடப்பட்ட இரண்டு வெக்டார்களையும் சேர்த்து, அதன் முடிவை ‘c’ என்ற வெக்டாரில் சேமிக்கிறது. நிச்சயமாக, மாறிகளுக்கு ‘a’, ‘b’, ‘c’, போன்றவை பெயரிடுவது ஒரு மோசமான நிரலாக்க நடைமுறையாகும், ஆனால் கணிதவியலாளர்கள் வெக்டார்களை ‘u’, ‘v’, ‘w’, என்றவாறு வேறுபடுத்தி பெயரிடுகின்றனர். நாம் பைதான் நிரலாக்கத்தில் ஒரு முழுமையான தொடக்க நிலையாளர்,என்பதால்முதலில் தயவுசெய்து பைத்தானில் உள்ள மாறிகள் எவ்வாறு செயல்படுகின்றன என்பதை அறிந்துகொள்க.
இறுதியாக, code print(c) (basic) எனும் கட்டளை வரியானது முனையத்தில் வெக்டரான [55 77 99] என பொருளின் மதிப்பை அச்சிடுகிறது. இது அடிப்படை பைதான் குறிமுறைவரிகளின் ஒரு கட்டளைவரியாகும். vector c = [55=11+44 77=22+55 99=33+66] எனும் கட்டளைவரியானது வெக்டார் , அணி ஆகியவற்றின் கூட்டல் பற்றிய குறிப்பை வழங்குகிறது. இருப்பினும், நெறியங்கள் (vectors) , அணிகள் எவ்வாறு சேர்க்கப்படுகின்றன என்பதை முறையாக அறிய விரும்பினால், கைவசம் எந்த நல்ல கணித பாடப்புத்தகங்களும் இந்த தலைப்பில்இல்லை எனில், அணிகளின் கூட்டல் பற்றிய விக்கிபீடியா கட்டுரையை படித்தறிந்து கொள்ளுமாறு பரிந்துரைக்கப்படுகின்றது. இணையத்தில் தேடினால், classic C, சி++ அல்லது ஜாவா நிரலாக்கம் ஆகியவை இரண்டு வெக்டார்களைச் சேர்க்க அதிகஅளவிலானக் குறிமுறைவரிகளை எடுத்துக் கொள்வதை காணலாம். நேரியல் இயற்கணிதத்தின் உயிர்நாடியான நெறியங்களையும் ,அணிகளையும் கையாளுவதற்கு பைதான் எவ்வளவு பொருத்தமானது என்பதை இதுவே காட்டுகிறது. நாம் மேலும் மேலும் சிக்கலான வெக்டார் செயல்பாடுகளைச் செய்யும்போது பைத்தானின் வலிமை மேலும் பாராட்டப்படும்.
இந்தக் கட்டுரையை முடிப்பதற்கு முன், இரண்டு மறுப்புகள் கூறப்படுகின்றது. முதலாவதாக, மேலே விவாதிக்கப்பட்ட நிரலாக்க உதாரணம் இரு வரிசை வெக்டர்களை (1 x 3 அணிகள் துல்லியமாகச் சொல்வதானால்) கூடுதலாகக் கையாள்கிறது. ஆனால் ஒரு உண்மையான இயந்திர கற்றல் பயன்பாடு 1000000 X 1000000 என்றவாறான அணிகளைக் கையாளும் திறன்மிக்கது. இருப்பினும், பயிற்சியையும் பொறுமையையும் கடைபிடித்தால் நாம் இவற்றைஎளிதாகக் கையாள முடியும். இரண்டாவது மறுப்பு, இந்தக் கட்டுரையில் கொடுக்கப்பட்டுள்ள பல வரையறைகள் மொத்த எளிமைப்படுத்தல்கள் சில கை அசைவுகளை உள்ளடக்கியது. ஆனால், முன்பே குறிப்பிட்டது போல, இந்தத் தொடரின் முடிவிற்கு முன் தளர்வாக வரையறுத்த எந்தச் சொல்லுக்கும் முறையான வரையறைகளை தரப்படுகின்றது.
இப்போது இந்த கட்டுரையை முடிக்க வேண்டிய நேரமாகும் . இந்த கட்டுரையில் குறிப்பிடப்பட்டுள்ள தேவையான மென்பொருளை நிறுவுகைசெய்து, இங்கு விவாதிக்கப்படும் ஒவ்வொரு குறிமுறைவரிகளின் கட்டளை வரியையும் இயக்கிடுமாறு அனைவரையும் கேட்டுக் கொள்ளப்படுகின்றது

%d bloggers like this: