జర్నల్ ఆఫ్ థియరిటికల్ & కంప్యూటేషనల్ సైన్స్
అందరికి ప్రవేశం
ISSN: 2376-130X
ISSN: 2376-130X
జోన్ ఆండర్ గోమెజ్ అడ్రియన్
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ నుండి చాలా టెక్నిక్‌లు, ప్రత్యేకించి మెషీన్ లెర్నింగ్‌కు చెందినవి, మోడల్ పారామితులను సర్దుబాటు చేయడానికి డేటా నమూనాలను ఉపయోగించే అల్గారిథమ్‌ల ద్వారా శిక్షణ పొందిన మరింత బలమైన మరియు ఖచ్చితమైన నమూనాలను పొందేందుకు వీలైనంత ఎక్కువ డేటా అవసరం. ఉదాహరణగా, డీప్ న్యూరల్ నెట్‌వర్క్‌లపై ఆధారపడిన మోడల్ మిలియన్ల కొద్దీ పారామితులను కలిగి ఉంటుంది (బరువులుగా పేరు పెట్టబడింది) దీని విలువలు క్రమంగా శిక్షణ డేటా సెట్‌లోని అన్ని నమూనాలను సందర్శించే ఎర్రర్-బ్యాక్‌ప్రొపగేషన్ అల్గారిథమ్ ద్వారా క్రమంగా నవీకరించబడతాయి. స్టాన్‌ఫోర్డ్ యూనివర్శిటీ పరిశోధకులు మెషిన్-లెర్నింగ్ మోడల్‌కు శిక్షణ ఇవ్వడానికి క్యాన్సర్ రొమ్ము కణాల వేల నమూనాలను మరియు రోగుల మనుగడ రేటును ఉపయోగించారని మరియు ఇన్‌పుట్ డేటా యొక్క లక్షణాలలో నమూనాలను గుర్తించడానికి లెర్నింగ్ అల్గారిథమ్ యొక్క లక్ష్య పనితీరును నిర్వచించారని Mr. కుకీర్ వివరించారు. ఇచ్చిన బయాప్సీ తీవ్రమైన క్యాన్సర్‌గా ఉంటుందో లేదో అంచనా వేసే లక్ష్యంతో ఉత్తమంగా సహసంబంధం కలిగి ఉంటుంది. పొందిన మెషిన్-లెర్నింగ్ మోడల్ పదకొండు లక్షణాలను గుర్తించింది, ఇది బయాప్సీ అత్యంత క్యాన్సర్ అని అంచనా వేసింది. పరిశోధకులను ఆశ్చర్యపరిచిన విషయం ఏమిటంటే, పదకొండు లక్షణాలలో ఎనిమిది మాత్రమే గతంలో వైద్యులచే తెలిసినవి మరియు వైద్య సాహిత్యంలో అధ్యయనం చేయబడ్డాయి. స్టాన్‌ఫోర్డ్ పరిశోధకులు ఇన్‌పుట్ డేటా యొక్క అన్ని గుణాలను ప్రయోగంలో చేర్చారు, లెర్నింగ్ అల్గారిథమ్‌ను ఏవి ఉపయోగించాలో సూచించకుండా, మెషిన్-లెర్నింగ్ అల్గారిథమ్ ద్వారా కనుగొనబడిన మూడు గుణాలు (లేదా సూచికలు) ఫలితంగా వైద్యం సంబంధితంగా పరిగణించబడలేదు. సంఘం; పాథాలజిస్ట్‌లు అలాంటి సూచికలపై తమ దృష్టిని ఎప్పుడూ కేంద్రీకరించలేదు. మిస్టర్. కుకీర్ వ్యాఖ్యానించినట్లుగా, మెషీన్ లెర్నింగ్ పని చేస్తుందని, ఎందుకంటే లెర్నింగ్ అల్గారిథమ్ చాలా డేటాతో అందించబడుతుంది-ఏ మానవుడు జీవితకాలంలో జీర్ణించుకోగల మరియు ఏ క్షణంలోనైనా నిర్వహించగలిగే దానికంటే ఎక్కువ సమాచారం