አማዞን በKernel Methods ስርጭት ምስጢር እንዴት በሚሊሰከንድ ውስጥ ማጭበርበር እንደምትለይ

የAI ውስጥ ያለው የተደበቀ ሂሳብ አስማት

አብዛኛው ሰው የማጭበርበር መለየት የሶፍትዌር ችግር ነው ብሎ ያስባል። በእውነቱ የሂሳብ ችግር ነው። እና ከኋላው ያለው ሂሳብ አብዛኛው ሰው ከሚያስበው በብዛት ውብ እና አስገራሚ ነው።

በየቀኑ አማዞን በአለም አቀፍ ገበያዋ ላይ በሚሊዮኖች የሚቆጠሩ ግብይቶችን ታካሂዳለች። በዚያ እጅግ ታላቅ የእንቅስቃሴ መጠን ውስጥ የተደበቁ ማጭበርበራዊ ትዕዛዞች፣ የተሰረቁ የክሬዲት ካርድ ግብይቶች፣ ሐሰተኛ መለያዎች እና አጠራጣሪ የግዢ ቅጦች አሉ። ችግሩ ማጭበርበሪዎች በአንድ ቦታ አይቆዩም ነው። ባህሪያቸውን፣ መሳሪያዎቻቸውን፣ ቦታዎቻቸውን እና ዘዴዎቻቸውን ለውጠው ይቀጥላሉ። ቀላል በህግ የተመሰረቱ ስርዓቶች መከተል ይከትላሉ። በKernel Methods የተባለ የሂሳብ ቅርንጫፍ የተጎላበተ ማሽን ለርኒንግ በአማዞን መጠን በእውነተኛ ጊዜ ማጭበርበርን መለየት የሚያስችል ነው።

ይህ ጽሑፍ የAI ውስጥ ያለው የተደበቀ ሂሳብ አስማት ተከታታይ አካል ነው። ዛሬ ወደ Kernel Methods፣ ወደ Support Vector Machines እና እነዚህ የሂሳብ ሀሳቦች በየሰከንዱ የአማዞንን ደንበኞች እንዴት እንደሚጠብቁ በጥልቀት እንገባለን።

ክፍል 1፦ የንግድ ሁኔታ

ተራ የአማዞን ደንበኛ አስቡ። በሳምንት መጨረሻ መጽሐፍት ይገዛሉ፣ አልፎ አልፎ ኤሌክትሮኒክስ ያዛሉ፣ እና በሳምንቱ ውስጥ የቤት እቃዎችን ይሞላሉ። መለያቸው ሶስት ዓመት የሆነ ነው፣ የመላኪያ አድራሻቸው ለወራት አልተቀየረም፣ እና ግዢዎቻቸው በየጊዜው ከተመሳሳይ ከተማ ነው የሚሆኑት።

አሁን በማክሰኞ ከሰአት ባልተለምደ ነገር እንደሚከሰት አስቡ። በአስር ደቂቃዎች ውስጥ ሦስት ከፍተኛ ዋጋ ያላቸው ትዕዛዞች ከመለያቸው ይቀርባሉ። የመላኪያ አድራሻው ወደ ሌላ አገር ይቀየራል። አዲስ የክፍያ ዘዴ ይጨመራል። ጥያቄዎችን የሚያደርገው መሣሪያ የተለየ ነው። የIP አድራሻው ይህ ደንበኛ በተለምዶ ከሚገዛበት በሺዎች ኪሎሜትሮች የሚርቅ ቦታ ላይ ይወሰናል።

አማዞን በሚሊሰከንዶች ውስጥ ውሳኔ መስጠት አለባት። ይህ እውነተኛው ደንበኛ ምናልባት እየተጓዘ ወይም ስጦታ እየገዛ ባልተለምዱ ግዢዎችን እያደረገ ነው? ወይስ የማጭበርበሪ ሰው ምስክርነቶቻቸውን አግኝቶ መለያው ከመዘጋቱ በፊት ፈጥኖ እየተንቀሳቀሰ ነው?

በማንኛውም አቅጣጫ የተሳሳተ ውሳኔ ከባድ መዘዞች አሉት። ማጭበርበርን ማጽደቅ የፋይናንስ ኪሳራዎች፣ ቻርጅባኮች፣ በነጋዴዎች ግንኙነት ላይ ጉዳት እና የደንበኛ እምነት መበስበስ ማለት ነው። ህጋዊ ደንበኛን መከልከል መጥፎ ተሞክሮ፣ የጠፋ ሽያጭ እና ለዓመታት ታማኝ ከነበረ ሰው ጋር የተበላሸ ግንኙነት ማለት ነው።

ይህ በቀላል if-else ህጎች መፍታት የሚቻል ችግር አይደለም። ቅጦቹ በጣም ውስብስብ፣ በጣም የተለያዩ እና በጣም ፈጣን ናቸው። ይህ በትክክል Kernel Methods እና Support Vector Machines ለመፍታት የተሠሩበት ችግር ነው።

ክፍል 2፦ የማሽን ለርኒንግ ሞዴል አርክቴክቸር

የምንገነባው ሞዴል Support Vector Machine፣ ወይም SVM ነው። SVMዎች ለማጭበርበር መለየት ለምን እንጃ እንደሚበለጡ ለመረዳት፣ መጀመሪያ የሚፈትሹትን ዋና ችግር መረዳት ያስፈልጋል።

የአማዞንን ግብይቶች በሁሉ በግራፍ ላይ እናቀምጣለን ብለን አስቡ። እውነተኛ ግብይቶች በአንድ ክልል ይጎመዳሉ። ማጭበርበራዊ ግብይቶች በሌላ ክልል ይጎመዳሉ። በፍፁም ዓለም፣ በሁለቱ ቡድኖች መካከል ቀጥ ያለ መስመር መሳል እና አዲስ ግብይቶችን ለመመደብ መጠቀም ይቻል ነበር። ነገር ግን እውነተኛ የማጭበርበር ውሂብ ፈጽሞ እንከን የለሽ አይደለም። ሁለቱ ቡድኖች ይተዳደራሉ፣ እርስ በርሳቸው ይጠምዛሉ እና ምንም ቀጥ ያለ መስመር መለየት የማይችሏቸው ውስብስብ ቅርጾችን ይመሠርታሉ።

እዚህ ነው Kernel Trick የሚመካው። የKernel ዘዴ አስገራሚ ነገር ታደርጋለች። የግብይት ውሂብዎን ከዋናው ሁለት-ልኬት ወይም አስር-ልኬት ቦታ ወደ እጅግ ከፍተኛ-ልኬት ቦታ በሂሳባዊ መንገድ ትለውጣለች፣ ያም ሁለቱ ቡድኖች የሚለያሉበት። የከፍተኛ-ልኬት ለውጡን በቀጥታ አታስላም፣ ይህም በማስላት ወጪ ብዙ ይከፍላል። ይልቁን በዚያ ከፍተኛ-ልኬት ቦታ ውስጥ በማንኛውም ሁለት ግብይቶች መካከል ያለውን ተመሳሳይነት ሳታድግ በግልጽ ወደዚያ ሳይሄዱ ለማስላት የካርነል ተግባር ትጠቀማለሽ። ያ ነው ዘዴው።

የአማዞን የማጭበርበር መለየት አርክቴክቸር በተተነተነው ሲግናል አይነት ላይ በመመስረት ሁለት የካርነል ዓይነቶችን ትጠቀማለች።

ፖሊኖሚያል ካርነል ተገቢው ቅጥ ከባህሪያት ጥምረት ሲመካ ይጠቅማል። እንደ የግብይት መጠን በግዢ ድግግሞሽ ማግኘት፣ ወይም የክፍያ ዘዴ ከቦታ ስጋት ጋር የተጣመሩ የተለያዩ ተለዋዋጮች መካከል ያሉትን የመስተጋብር ውጤቶች ያገኛል። እነዚህ መስተጋብሮች መስመራዊ ሞዴል ፈጽሞ የሚያመልጣቸው ናቸው።

RBF ካርነል፣ Radial Basis Function ማለት ነው፣ የበለጠ ኃይለኛ አጠቃላይ-ዓላማ አማራጭ ነው። ማንኛውም ሁለት ግብይቶች ምን ያህል ተመሳሳይ እንደሆኑ በራስ-ሰር ውስብስብ ወሰኖችን የሚይዝ መንገድ ይለካል። አንድ ግብይት ሞዴሉ ካየው ከማንኛውም እውነተኛ ግብይት ጋር ምንም ሲሆን ሲመስል፣ RBF ካርነል በጣም ዝቅተኛ የተመሳሳይነት ነጥብ ይሰጣል፣ ይህም ለግምገማ ይጠቁማል።

SVM ሞዴሉ ወሰንን በማግኘት የውሳኔ ወሰን ይማራል፣ እነዚህም በእውነት እና በማጭበርበር መካከል ካለው ወሰን በጣም የቅረቡ ግብይቶች ናቸው። ወሰኑ ከተገኘ በኋላ በስልጠና ውሂብ ውስጥ ያለ ሌላ ነገር ሁሉ የሚገባ አይደለም። ይህ SVMዎችን በምርት ውስጥ ቅኑ እና በማስላት ቀልጣፋ ያደርጋቸዋል።

ክፍል 3፦ ንጹሕ የሂሳብ ሞተር

አሁን ይህን ስርዓት የሚያንቀሳቅሰውን ሂሳብ እንመልከት። ከዚህ በታች ያለው እያንዳንዱ ቀመር በእውነተኛ ቁጥሮች በተሟላ እርሳስ-ወረቀት ሥራ ታማኝ ተደርጓል።

የፖሊኖሚያል ካርነል ቀመር፦

K(x, y) = (x · y + c)^d

የት x እና y ሁለት የግብይት ባህሪ ቬክተሮች ናቸው፣ c የዝቅተኛ-ደረጃ ቃላት ተጽዕኖን የሚቆጣጠር ቋሚ ነው፣ እና d የወሰኑ ውስብስብነትን የሚቆጣጠር የፖሊኖሚያል ዲግሪ ነው።

የRBF ካርነል ቀመር፦

K(x, y) = exp(-γ ||x – y||²)

የት γ (ጋማ) የአንድ የስልጠና ምሳሌ ተጽዕኖ ምን ያህል ርቆ እንደሚደርስ ይቆጣጠራል። ትንሽ ጋማ የሩቅ ርቀት ማለት ነው፣ ትልቅ ጋማ የቅርብ ርቀት ማለት ነው።

የSVM ውሳኔ ተግባር፦

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

የት αᵢ ለእያንዳንዱ ድጋፍ ቬክተር የተማሩ ክብደቶች ናቸው፣ yᵢ የክፍል መለያዎች ናቸው (+1 ለማጭበርበር፣ -1 ለእውነት)፣ K(xᵢ, x) በድጋፍ ቬክተር እና በአዲስ ግብይት መካከል ያለ የካርነል ተመሳሳይነት ነው፣ እና b የባይያስ ቃል ነው። f(x) ከዜሮ በላይ ከሆነ ግብይቱ እንደ ማጭበርበር ይጠቀሳል።

አሁን እያንዳንዱን ስሌት በእውነተኛ ቁጥሮች ደረጃ በደረጃ እንሥራ።

በሁለት ባህሪያት የተገለጹ ሁለት የአማዞን ግብይቶች አሉን፦ የግብይት መጠን (ተለማይቷል) እና የግዢ ድግግሞሽ።

ግብይት A፦ x = [2, 3] ማለት የተለማደ መጠን 2 እና ድግግሞሽ 3 ማለት ነው ግብይት B፦ y = [1, 4] ማለት የተለማደ መጠን 1 እና ድግግሞሽ 4 ማለት ነው

ለፖሊኖሚያል ካርነል c = 1 እና d = 2 እንይዛለን፣ እና ለRBF ካርነል γ = 0.5።

ፖሊኖሚያል ካርነል ደረጃ በደረጃ፦

ደረጃ 1፦ የነጥብ ውጤት x · y አስላ x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

ደረጃ 2፦ ቋሚውን c ጨምር 14 + 1 = 15

ደረጃ 3፦ ወደ ሃይል d = 2 አራምድ 15² = 225

K(x, y) = 225

ይህ ትልቅ እሴት በፖሊኖሚያል ባህሪ ቦታ ውስጥ እነዚህ ሁለት ግብይቶች በጣም ተመሳሳይ እንደሆኑ ይነግረናል። ካርነሉ በመጠን እና በድግግሞሽ መካከል ያለውን መስተጋብር ከፍተኛ-ልኬት ለውጡን በግልጽ ሳናስል አግኝቷል።

RBF ካርነል ደረጃ በደረጃ፦

ደረጃ 1፦ የልዩነት ቬክተር x – y አስላ [2 – 1, 3 – 4] = [1, -1]

ደረጃ 2፦ እያንዳንዱን አባል በካሬ አድርግ [1², (-1)²] = [1, 1]

ደረጃ 3፦ የካሬ ልዩነቶችን አደራድር ||x – y||² ለማግኘት 1 + 1 = 2

ደረጃ 4፦ በነጃቲቭ ጋማ ብዜት -0.5 × 2 = -1.0

ደረጃ 5፦ የኤክስፖነንሻል ተግባር ተግብር exp(-1.0) = 0.3679

K(x, y) = 0.3679

ከ0 እስከ 1 ባለው ስኬል ላይ ይህ 0.3679 ነጥብ ሁለቱ ግብይቶች በመጠኑ የተለያዩ እንደሆኑ ይነግረናል። ወደ 1 የሚቀርብ RBF ነጥብ ሁለቱ ግብይቶች ማናቆብ ተመሳሳይ እንደሚሠሩ ማለት ነው። ወደ 0 የሚቀርብ ነጥብ በጣም የተለያዩ መሆናቸውን ማለት ነው፣ ይህም የማጭበርበር ሰንደቅ ያነሣል።

ውሳኔ ተግባር ደረጃ በደረጃ፦

የተሠለጠነው SVM ክብደቶች α = [0.8, 0.6] እና መለያዎች y = [+1, -1] ያላቸው ሁለት ድጋፍ ቬክተሮችን እንደተማረ እና እነዚህ ድጋፍ ቬክተሮች ከአዲስ ግብይት ጋር የሚኖራቸው የካርነል እሴቶች [225.0, 0.3679] እና ባይያስ b = 0.1 እንደሆነ እንቍጠር።

f(x) = (0.8 × 1 × 225.0) + (0.6 × -1 × 0.3679) + 0.1 f(x) = 180.0 + (-0.2207) + 0.1 f(x) = 179.8793

f(x) = 179.8793 ከዜሮ በላይ በመሆኑ ግብይቱ እንደ እውነተኛ ይመደባል። እውነተኛ ግብይትን የሚወክለው ከመጀመሪያው ድጋፍ ቬክተር የመጣ ጠንካራ አዎንታዊ ሲግናል ውሳኔውን ይቆጣጠራል።

ከላይ ያሉት እሴቶች ሁሉ በፓይተን በራሳቸው ታማኝ ተደርገው በትክክል እነዚህን ውጤቶች አውጥተዋል።

ክፍል 4፦ የፓይተን ኮምፒውተር ሳይንስ ትግበራ (ከነሥሪ)

የሚከተለው ትግበራ NumPy በመጠቀም ከነሥሪ የKernel ማጭበርበር ማውጫ ይገነባል። እያንዳንዱ ዘዴ ሙሉ በሙሉ ያለ ምንም አቋራጭ ወይም ቦታ ያዥ ተግብሯል። ሙሉው የማፈጸገጂያ ብሎክ ተካትቷል እና ያለ ስህተት እንደሚሠራ ታማኝ ተደርጓል።

ሲፈጸም ይህ ኮድ ትክክለኛ የማጭበርበር ምደባዎችን እና በሙከራ ስብስብ ውስጥ ለእያንዳንዱ ግብይት ከ0 እስከ 1 የሚተረጎሙ የስጋት ነጥቦችን ያወጣል። ማጭበርበራዊ ግብይቶች ወደ 1.0 የሚቀርቡ ከፍተኛ የስጋት ነጥቦችን ያገኛሉ። እውነተኛ ግብይቶች ወደ 0.0 የሚቀርቡ ዝቅተኛ የስጋት ነጥቦችን ያገኛሉ።

ክፍል 5፦ የምርት ማሽን ለርኒንግ ህታም ህትመት

ይህ የምርት ኮድ ሲፈጸም፣ የRBF እና የፖሊኖሚያል ካርነል ሞዴሎች ሁለቱም በሙከራ ስብስብ ላይ 100% ትክክለኛነት ያገኛሉ። የRBF ሞዴል 9 ድጋፍ ቬክተሮችን ይለያል እና ለተረጋገጡ ማጭበርበራዊ ግብይቶች 0.9647 የማጭበርበር እድል ይሰጣል። የፖሊኖሚያል ሞዴል ተመሳሳይ ውጤት ለማግኘት 2 ድጋፍ ቬክተሮችን ብቻ ይፈልጋል፣ ይህም በጥሩ ሁኔታ የተመረጠ ካርነል ኃይል ያሳያል።

ከነሥሪ ስሪት ወደ ምርት ስሪት መዝዙር ብዙ ወሳኝ ልዩነቶች ያመጣል። አንደኛ፣ የscikit-learn የSVM ትግበራ በጣም የተመቻቹ ኳድራቲክ ፕሮግራሚንግ ፈታኞችን፣ በተለይም የSequential Minimal Optimisation አልጎሪዝም ይጠቀማል፣ ይህም በሚሊዮኖች የሚቆጠሩ የስልጠና ምሳሌዎች ይለካል ሲኖር እኛ ባልሰራን ዘዴ ከጥቂት ሺዎች በላይ በማስላት አይጠቅምም። ሁለተኛ፣ Platt scaling በመጠቀም የሚደረግ የዕድል ማሰሪያ ጥሬ የውሳኔ ነጥቦችን በትክክል የተደራጀ ዕድሎች ይለውጣቸዋል እነዚህም ከ0.5 በላይ ያለ ነጥብ ወደ እጅ ግምገማ መላክ እና ከ0.9 በላይ ያሉትን በኩል መከልከል ያሉ የደረጃ ንግድ ህጎችን ለመንዳት ጥቅም ላይ ሊውሉ ይችላሉ። ሶስተኛ፣ የclass_weight='balanced' ፓራሜትር በማጭበርበር ውሂብ ስብስቦች ውስጥ እውነተኛ ግብይቶች ማጭበርበራዊዎችን በእጅጉ በሚበልጡበት ተፈጥሯዊ ሚዛን አለመጠበቅ በራስ-ሰር ያስተካክላል፣ ሞዴሉ ከፍተኛ ትክክለኛነት ለማግኘት ሁሉንም እውነት ብሎ መጥራት እንዳይማር ያረጋግጣል።

በእውነተኛ የአማዞን ምርት አካባቢዎች፣ አርክቴክቸሩ ይበለጥ ይስፋፋል። አዲስ የማጭበርበር ቅጦች ሲታዩ ሞዴሎች በቀጣይነት እንደገና ይሠለጥናሉ። ባህሪያት አንድ መለያ ከታወቁ የማጭበርበር አውታረ መረቦች ጋር የተገናኘ መሆን ወይም አለመሆንን ያሉ በግራፍ የተመሰረቱ ሲግናሎች ይበለጽጋሉ። የካርነል SVM ውጤት ብዙ ጊዜ በትላልቅ ጥምረት ሞዴል ውስጥ ካሉት ብዙ ሲግናሎች አንዱ ሆኖ ይጠቅማል፣ በዛፍ-ተኮር ሞዴሎች ማዛመድ በማይችሉ መንገድ መስመር-ያልሆኑ ወሰኖችን የመሳል ልዩ ችሎታውን ይጨምራል።

ስትራቴጂካዊ ግንዛቤ

ለAI ባለሙያዎች እና የንግድ መሪዎች፣ ከዚህ ጽሑፍ የሚገኘው ትምህርት ከማጭበርበር መለየት በላይ ጥልቅ ነው። Kernel Methods ስለ አዋቂ ስርዓቶች ሰፊ እውነታ ይገልጣሉ፦ ጥሬ የግብይት ቦታ መልሱ የሚኖርበት አልፎ አልፎ አይደለም። እውነተኛ ዓለም ውሂብ የተገላቢጦሽ፣ የተዳዳረ እና መስመራዊ አስተሳሰብ መፍታት የማይችላቸው መስመር-ያልሆኑ ግንኙነቶች የሞላበት ነው። የካርነል ዘዴ ኃይል በብዛት የበለጸገ የሂሳብ ቦታ ውስጥ በእውነት ሳይሄዱ ወደዚያ ማሰብ የሚያስችልዎ ነው። ተመሳሳይ መርህ፣ ከባድ ችግርን መልሱ የሚታይበት ችግር ማድረግ፣ ለምክር ስርዓቶች፣ ለስጋት ነጥብ ስጦታ፣ ለትንበያ ጥገና፣ ለጤና ምርመራ እና ለማንኛውም ከባድ የማሽን ለርኒንግ ችግር በድርጅት መጠን ተፈጻሚ ነው። ይህንን የሚረዱ የንግድ መሪዎች የውሂብ ሳይንስ ቡድኖቻቸውን የተሻሉ ጥያቄዎችን ይጠይቃሉ። ይህንን የሚረዱ መሐንዲሶች ውሂቡ ንጹሕ እና ቀላል መሆን ሲከለክል በእውነት የሚሠሩ ስርዓቶችን ይገነባሉ።

ማጭበርበር መለየት በአማዞን አስማት አይደለም። በእጅጉ ፍጥነት በማይታይ ሁኔታ የሚሠራ ሂሳብ ነው፣ እና አሁን በትክክል እንዴት እንደሚሠራ ተረድተዋል።

#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership

መጀመሪያ ላይ በLinkedIn በKeshavan Thiagaraja ታትሟል። ኦሪጂናሉን በLinkedIn ላይ ያንብቡ። [1]