အလွှာစုံသင်ယူမှုစနစ်

ဒေတာအခြေပြုသင်ယူမှုစနစ် (အင်္ဂလိပ်: Machine Learning) နယ်ပယ်တွင် အလွှာစုံသင်ယူမှုစနစ် (အင်္ဂလိပ်: Deep learning - DL) သည် အုပ်စုခွဲခြားခြင်း (classification)၊ ကိန်းဂဏန်းခန့်မှန်းခြင်း (regression) နှင့် ကိုယ်စားပြုပုံစံဖော်ခြင်း (representation learning) စသည့် လုပ်ငန်းစဉ်များကို လုပ်ဆောင်ရန်အတွက် အလွှာဆင့်ပေါင်းများစွာ ပါဝင်သော နျူရယ်ကွန်ရက် (multilayered neural networks) များကို အဓိက အသုံးချသည်။ ဤနည်းပညာရပ်သည် ဇီဝဗေဒဆိုင်ရာ အာရုံကြောသိပ္ပာယ် (neuroscience) ထံမှ စိတ်ကူးစိတ်သန်းကို ရယူထားပြီး၊ လူလုပ်အာရုံကြောဆဲလ် (artificial neurons) များကို အလွှာလိုက်ဆင့်စီကာ ၎င်းတို့အား အချက်အလက်များ လုပ်ဆောင်နိုင်ရန် "လေ့ကျင့်သင်ကြားပေးခြင်း" စနစ်ပေါ်တွင် လည်ပတ်သည်။ "နက်နဲသော/အလွှာစုံသော (Deep)" ဆိုသည့် နာမဝိသေသနအသုံးအနှုန်းမှာ ကွန်ရက်အတွင်း အလွှာပေါင်းများစွာ (အနည်းဆုံး အလွှာ ၃ ခုမှသည် ရာနှင့်ချီ သို့မဟုတ် ထောင်နှင့်ချီသော အလွှာများအထိ) အသုံးပြုထားခြင်းကို ရည်ညွှန်းသည်။ ပညာရှင်များသည် ဤစနစ်တွင် ညွှန်ပြချက်ပါစနစ် (supervised)၊ ညွှန်ပြချက်တစ်ဝက်ပါစနစ် (semi-supervised) သို့မဟုတ် ညွှန်ပြချက်မဲ့စနစ် (unsupervised) နည်းလမ်းများကို အသုံးပြုနိုင်ကြသည်။^[၂]

အသုံးများသော အလွှာစုံသင်ယူမှု ကွန်ရက်တည်ဆောက်ပုံစနစ်များတွင် fully connected networks၊ deep belief networks၊ recurrent neural networks၊ convolutional neural networks၊ generative adversarial networks၊ transformers နှင့် neural radiance fields တို့ ပါဝင်သည်။ ပညာရှင်များသည် ဤတည်ဆောက်ပုံစနစ်များကို ကွန်ပျူတာအမြင်အာရုံစနစ် (computer vision)၊ စကားပြောအသံဖတ်စနစ် (speech recognition)၊ သဘာဝဘာသာစကားစီမံဆောင်ရွက်မှု (NLP)၊ စက်ဖြင့်ဘာသာပြန်ဆိုခြင်း၊ ဇီဝအချက်အလက်ဗေဒ (bioinformatics)၊ ဆေးဝါးပုံစံထုတ်လုပ်ခြင်း၊ ဆေးဘက်ဆိုင်ရာ ရုပ်ပုံခွဲခြမ်းစိတ်ဖြာခြင်း၊ ရာသီဥတုသိပ္ပာယ်၊ ပစ္စည်းကိရိယာများ စစ်ဆေးခြင်းနှင့် ဘုတ်ဂိမ်းပရိုဂရမ်များ စသည့် နယ်ပယ်အသီးသီးတွင် အသုံးချခဲ့ကြပြီး၊ ၎င်းနယ်ပယ်အချို့တွင် လူသားပညာရှင်များ၏ စွမ်းဆောင်ရည်နှင့် တူညီသော သို့မဟုတ် လူသားထက် သာလွန်သော ရလဒ်များကိုပါ ထွက်ပေါ်စေခဲ့သည်။^[၃]^[၄]^[၅]

နျူရယ်ကွန်ရက်များ၏ ကနဦးပုံစံများသည် ဇီဝဗေဒစနစ်များ (အထူးသဖြင့် လူသားတို့၏ ဦးနှောက်) ထွင်းရှိ သတင်းအချက်အလက် စီမံဆောင်ရွက်မှုနှင့် ဖြန့်ကြက်ချိတ်ဆက်ထားသော ဆက်သွယ်ရေးလမ်းကြောင်းများထံမှ စိတ်ကူးရရှိခဲ့ခြင်း ဖြစ်သည်။ သို့သော် လက်ရှိခေတ်ပေါ် နျူရယ်ကွန်ရက်များသည် သက်ရှိများ၏ ဦးနှောက်လုပ်ဆောင်ချက်အတိုင်း ပုံတူကူးရန် ရည်ရွယ်ထားခြင်း မရှိကြတော့ဘဲ၊ ယေဘုယျအားဖြင့် ထိုရည်ရွယ်ချက်အတွက် အရည်အသွေးနိမ့်သော ပုံစံတူစနစ်တစ်ခုအဖြစ်သာ ရှုမြင်ကြသည်။^[၆]

"Deep Learning" ကို မြန်မာဘာသာဖြင့် "အလွှာစုံသင်ယူမှုစနစ်" ဟု အဘယ်ကြောင့် ခေါ်ဆိုသင့်သနည်း။

"Deep Learning" ကို "နက်ရှိုင်းသော သင်ယူမှု" ဟု တိုက်ရိုက်ဘာသာပြန်မည့်အစား "အလွှာစုံသင်ယူမှုစနစ်" ဟု သုံးနှုန်းသင့်သည့် ခိုင်လုံသော အကြောင်းပြချက်များမှာ အောက်ပါအတိုင်း ဖြစ်သည် -

နည်းပညာပိုင်းဆိုင်ရာ အနှစ်သာရကို ကွက်ကွက်ကွင်းကွင်း ပေါ်လွင်သည်။ "Deep" (နက်နဲခြင်း) ဆိုသည့် စကားလုံးသည် နျူရယ်ကွန်ရက်များအတွင်း ဒေတာများကို တစ်ဆင့်ပြီးတစ်ဆင့် စိစစ်ရန် အာရုံကြောဆဲလ် (Neurons) အလွှာပေါင်းများစွာ (Multiple Layers) ကို တစ်ခုပေါ်တစ်ခု ထပ်ဆင့်ဖွဲ့စည်းထားသည့် တည်ဆောက်ပုံကို ဆိုလိုခြင်း ဖြစ်သည်။ ထို့ကြောင့် "အလွှာစုံ" ဟု ပြန်ဆိုခြင်းက ၎င်းနည်းပညာ၏ အဓိကဗိသုကာလက်ရာကို ပိုမိုတိကျစွာ ထင်ဟပ်စေသည်။
ဝေါဟာရ ရှုပ်ထွေးမှုကို ဖြေရှင်းပေးနိုင်သည်။ "နက်ရှိုင်းသော" ဟု သုံးနှုန်းပါက စာဖတ်သူအနေဖြင့် ကွန်ပျူတာ၏ "တွေးခေါ်မှု စိစစ်မှု အနက်အဓိပ္ပာယ်" သို့မဟုတ် "အတွေးအခေါ် နက်နဲမှု" ကို ဆိုလိုသည်ဟု အလွယ်တကူ အထင်မှားသွားနိုင်သည်။ "အလွှာစုံ" ဟု သုံးလိုက်ခြင်းဖြင့် စိတ်ကူးယဉ် အယူအဆမဟုတ်ဘဲ ကွန်ပျူတာသိပ္ပာယ်နည်းအရ အလွှာဆင့်များစွာဖြင့် ဒေတာကို တွက်ချက်သည့်စနစ် ဖြစ်ကြောင်း သာမန်လူများပင် ချက်ချင်း နားလည်သဘောပေါက်နိုင်သည်။
အဆင့်ဆင့် လေ့လာမှုသဘောတရားနှင့် ကိုက်ညီသည်။ ဤစနစ်သည် အောက်ခြေအလွှာ (Input Layer) မှ အချက်အလက်များကို ယူပြီး အလယ်က လျှို့ဝှက်အလွှာ (Hidden Layers) ပေါင်းများစွာကို ဖြတ်သန်းကာ အထက်အလွှာ (Output Layer) အထိ အဆင့်ဆင့် သင်ယူပုံဖော်သွားခြင်း ဖြစ်သည်။ ထို့ကြောင့် "အလွှာစုံသင်ယူမှု" ဟူသော စကားလုံးသည် နည်းပညာ၏ အလုပ်လုပ်ပုံဖြစ်စဉ်ကို မြန်မာစာပေစကားဖြင့် အထိမိဆုံး ကိုယ်စားပြုနိုင်သည်။

ကိုးကားချက်များ

↑ Schulz, Hannes (November 2012). "Deep Learning: Layer-Wise Learning of Feature Hierarchies". KI - Künstliche Intelligenz 26 (4): 357–363. doi:10.1007/s13218-012-0198-z.
↑ "Deep Learning" (2015). Nature 521 (7553): 436–444. doi:10.1038/nature14539. PMID 26017442. Bibcode: 2015Natur.521..436L.
↑ Ciresan၊ D.; Meier၊ U.; Schmidhuber၊ J. (2012)။ "Multi-column deep neural networks for image classification"။ 2012 IEEE Conference on Computer Vision and Pattern Recognition။ pp. 3642–3649။ arXiv:1202.2745။ doi:10.1109/cvpr.2012.6248110။ ISBN 978-1-4673-1228-8။
↑ "ImageNet Classification with Deep Convolutional Neural Networks" (2012). Advances in Neural Information Processing Systems 25.
↑ Google's AlphaGo AI wins three-match series against the world's best Go player (25 May 2017)။ 17 June 2018 တွင် မူရင်းအား မော်ကွန်းတင်ပြီး။ 17 June 2018 တွင် ပြန်စစ်ပြီး။
↑ Study urges caution when comparing neural networks to the brain (in en) (2022-11-02)။ 2023-12-06 တွင် ပြန်စစ်ပြီး။

[1] Schulz, Hannes (November 2012). "Deep Learning: Layer-Wise Learning of Feature Hierarchies". KI - Künstliche Intelligenz 26 (4): 357–363. doi:10.1007/s13218-012-0198-z.

[NatureBengio-2] "Deep Learning" (2015). Nature 521 (7553): 436–444. doi:10.1038/nature14539. PMID 26017442. Bibcode: 2015Natur.521..436L.

[:9-3] Ciresan၊ D.; Meier၊ U.; Schmidhuber၊ J. (2012)။ "Multi-column deep neural networks for image classification"။ 2012 IEEE Conference on Computer Vision and Pattern Recognition။ pp. 3642–3649။ arXiv:1202.2745။ doi:10.1109/cvpr.2012.6248110။ ISBN 978-1-4673-1228-8။

[krizhevsky2012-4] "ImageNet Classification with Deep Convolutional Neural Networks" (2012). Advances in Neural Information Processing Systems 25.

[5] Google's AlphaGo AI wins three-match series against the world's best Go player (25 May 2017)။ 17 June 2018 တွင် မူရင်းအား မော်ကွန်းတင်ပြီး။ 17 June 2018 တွင် ပြန်စစ်ပြီး။

[6] Study urges caution when comparing neural networks to the brain (in en) (2022-11-02)။ 2023-12-06 တွင် ပြန်စစ်ပြီး။

[၁]

[၂]

[၃]

[၄]

[၅]

[၆]