ವೈಶಿಷ್ಟ್ಯ ಮುನ್ಸೂಚನೆ ಮತ್ತು ರಚನೆ-ಪ್ರಕ್ರಿಯೆ-ಆಸ್ತಿ ಸಂಬಂಧಗಳು (ಯಂತ್ರ ಕಲಿಕೆ)

ಲಾಭಗಳು:

• ಸಂಯೋಜನೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳಿಂದ ಯಾಂತ್ರಿಕ ಆಸ್ತಿ ಭವಿಷ್ಯಕ್ಕಾಗಿ AI ಯೊಂದಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಯನ್ನು ನಿಖರವಾಗಿ ನಿರ್ಮಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಡೇಟಾ ಗುಣಮಟ್ಟ, ಮಿತಿಮೀರಿದ ಮತ್ತು ಹೊರತೆಗೆಯುವಿಕೆಯ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಓದುವ ಸಾಮರ್ಥ್ಯ
• ಭೌತಿಕ ಸಂಭಾವ್ಯತೆ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ಪರಿಶೀಲನೆ ಪ್ರಯೋಗದೊಂದಿಗೆ ಭವಿಷ್ಯ ಮಾದರಿ ಫಲಿತಾಂಶಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ

ಲೋಹಶಾಸ್ತ್ರದ ಮೂಲಭೂತ ನಿಯಮವನ್ನು "ಪ್ರಕ್ರಿಯೆಯು ರಚನೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ; ರಚನೆಯು ಆಸ್ತಿಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ" ಎಂದು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ. ಉಕ್ಕಿನ ಇಳುವರಿ ಸಾಮರ್ಥ್ಯವು ಸಂಯೋಜನೆಯ ಮೇಲೆ ಮಾತ್ರವಲ್ಲ; ಇದನ್ನು ಹೇಗೆ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ (ಫೋರ್ಜಿಂಗ್, ರೋಲಿಂಗ್, ಹೀಟ್ ಟ್ರೀಟ್‌ಮೆಂಟ್) ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್ (ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ, ಅವಕ್ಷೇಪಗಳು) ನಿಂದ ಇದು ಉದ್ಭವಿಸುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ, ಮತ್ತು ವಿಶೇಷವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ (ML: ಡೇಟಾದಲ್ಲಿನ ಮಾದರಿಗಳಿಂದ ಕಲಿಯುವ ಮತ್ತು ಭವಿಷ್ಯ ನುಡಿಯುವ ವಿಧಾನಗಳು), ಸಾವಿರಾರು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳಿಂದ ಈ ಸಂಯೋಜನೆ-ಪ್ರಕ್ರಿಯೆ-ಆಸ್ತಿ ಸಂಬಂಧಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಹೊಸ ಮಿಶ್ರಲೋಹದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸಲು ಶಕ್ತಿಯುತವಾಗಿದೆ. ಆದರೆ ಈ ಶಕ್ತಿಯು ಡೇಟಾ ಗುಣಮಟ್ಟವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅವಲಂಬಿಸಿರುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯು ಎಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು. ಈ ಘಟಕದಲ್ಲಿ, ML-ಆಧಾರಿತ ವೈಶಿಷ್ಟ್ಯದ ಭವಿಷ್ಯವನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್ ಅನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಓದುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.

ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾಗಿ ಹೊಂದಿಸಲಾಗುತ್ತಿದೆ

ವೈಶಿಷ್ಟ್ಯದ ಮುನ್ಸೂಚನೆ ಸಮಸ್ಯೆಯನ್ನು ML ಗೆ ಹಾಕುವ ಮೊದಲು, ಮೂರು ವಿಷಯಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ:

• ಇನ್ಪುಟ್ (ಗುಣಲಕ್ಷಣಗಳು): ಭವಿಷ್ಯದಲ್ಲಿ ಬಳಸಬೇಕಾದ ಅಸ್ಥಿರ. ಉದಾಹರಣೆಗೆ, ಸಂಯೋಜನೆಯ ಶೇಕಡಾವಾರು (C, Mn, Cr, Ni...), ಶಾಖ ಚಿಕಿತ್ಸೆಯ ತಾಪಮಾನ ಮತ್ತು ಸಮಯ, ಧಾನ್ಯದ ಗಾತ್ರ.
• ಔಟ್‌ಪುಟ್ (ಗುರಿ): ಊಹಿಸಬೇಕಾದ ವೈಶಿಷ್ಟ್ಯ. ಉದಾಹರಣೆಗೆ, ಇಳುವರಿ ಶಕ್ತಿ, ಉದ್ದನೆ, ಗಡಸುತನ.
• ಡೇಟಾ: ಇನ್‌ಪುಟ್-ಔಟ್‌ಪುಟ್ ಜೋಡಿಗಳ ಟೇಬಲ್. ಪ್ರತಿ ಸಾಲು ಒಂದು ಮಾದರಿಯಾಗಿದೆ, ಪ್ರತಿ ಕಾಲಮ್ ಒಂದು ಗುಣಲಕ್ಷಣ ಅಥವಾ ಗುರಿಯಾಗಿದೆ.

ಈ ಡೇಟಾದಿಂದ ಮಾದರಿಯು "ಕಾರ್ಯ" ವನ್ನು ಕಲಿಯುತ್ತದೆ: ಇದು ಇನ್ಪುಟ್ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಔಟ್ಪುಟ್ ಅನ್ನು ಊಹಿಸುತ್ತದೆ. ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್ (ಸರಳ ತೂಕದ ಮೊತ್ತ), ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ ಅಥವಾ ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್‌ನಂತಹ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯವಾಗಿದೆ. ಯಾವ ವಿಧಾನವು ಸೂಕ್ತವಾಗಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸಲು, ಕೋಡ್ ಬರೆಯಲು ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಲು AI ಸಹಾಯಕವಾಗಿದೆ; ಆದರೆ ಮಾದರಿಯು ಮಾನ್ಯವಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ನೀವು ಪರಿಶೀಲಿಸುತ್ತೀರಿ.

ಡೇಟಾ ಗುಣಮಟ್ಟ: ಮಾದರಿಯ ಸೀಲಿಂಗ್

ML ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿರಲು ಸಾಧ್ಯವಿಲ್ಲ. "ಗಾರ್ಬೇಜ್ ಇನ್, ಗಾರ್ಬೇಜ್ ಔಟ್" ತತ್ವವು ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ ಬಹಳ ಪ್ರಬಲವಾಗಿದೆ ಏಕೆಂದರೆ ಪರೀಕ್ಷಾ ಡೇಟಾವು ದುಬಾರಿ ಮತ್ತು ವಿರಳ. ಈ ಬಲೆಗಳನ್ನು ಗಮನಿಸಿ:

• ಸ್ವಲ್ಪ ಡೇಟಾ: ನೀವು 30 ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ; ಮಾದರಿಯು ಡೇಟಾವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ.
• ಅಸಮತೋಲಿತ ಡೇಟಾ: ಹೆಚ್ಚಿನ ಡೇಟಾವು ಕಡಿಮೆ ಇಂಗಾಲದ ಉಕ್ಕುಗಳಾಗಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಕಾರ್ಬನ್ ಮಿಶ್ರಲೋಹದಲ್ಲಿ ಭವಿಷ್ಯವು ಕಳಪೆಯಾಗಿರುತ್ತದೆ.
• ಮಾಪನ ಶಬ್ದ: ಒಂದೇ ಮಾದರಿಯ ಗಡಸುತನವು ವಿಭಿನ್ನ ನಿರ್ವಾಹಕರೊಂದಿಗೆ ಬದಲಾಗಬಹುದು; ಈ ಶಬ್ದವು ಮಾದರಿಯಲ್ಲಿ ಪ್ರತಿಫಲಿಸುತ್ತದೆ.
• ಕಾಣೆಯಾದ ವೇರಿಯಬಲ್: ನೀವು ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು ಅಳೆಯದಿದ್ದರೆ, ಸಂಯೋಜನೆಯ ಮೂಲಕ ಶಕ್ತಿಯನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಮಾದರಿಯು ಪ್ರಮುಖ ಕಾರಣವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ.

ಗಮನ: ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಯು ಹೆಚ್ಚಿನ ಯಶಸ್ಸನ್ನು ಹೊಂದಿರುವುದರಿಂದ ಅದು ಹೊಸ ಮಾದರಿಗಳಲ್ಲಿ ಯಶಸ್ವಿಯಾಗುತ್ತದೆ ಎಂದು ಅರ್ಥವಲ್ಲ. ಇದು ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳಬಹುದು: ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿನ ಶಬ್ದವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ನಿಜವಾದ ಸಂಬಂಧವಲ್ಲ. ಮಾದರಿಯು ಹಿಂದೆಂದೂ ನೋಡಿರದ "ಪರೀಕ್ಷಾ ಡೇಟಾ" ದಲ್ಲಿ ನಿಜವಾದ ಯಶಸ್ಸನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ.

ಹೊರತೆಗೆಯುವಿಕೆ: ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಮಿತಿ

ML ಮಾದರಿಗಳು ತರಬೇತಿ ಡೇಟಾ (ಇಂಟರ್‌ಪೋಲೇಷನ್) ವ್ಯಾಪ್ತಿಯೊಳಗೆ ಸಮಂಜಸವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಈ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿರುವಾಗ (ಹೊರತೆಗೆಯುವಿಕೆ), ಭವಿಷ್ಯವಾಣಿಗಳು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ಮತ್ತು ಮಾದರಿಯು ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ತೋರಿಸುವುದಿಲ್ಲ; ವಿಶ್ವಾಸಾರ್ಹ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, 0.2-0.6% ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಕಾರ್ಬನ್ ಅಂಶದೊಂದಿಗೆ ಉಕ್ಕಿನ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯು 1.2% ಕಾರ್ಬನ್ ಹೊಂದಿರುವ ಮಿಶ್ರಲೋಹಕ್ಕೆ ಅದರ ಮೌಲ್ಯವನ್ನು "ಸುರಕ್ಷಿತ" ಎಂದು ತೋರಿಸಬಹುದು, ಆದರೆ ಈ ಮೌಲ್ಯವು ಸಂಪೂರ್ಣವಾಗಿ ಆಧಾರರಹಿತವಾಗಿದೆ. ಪ್ರತಿ ಭವಿಷ್ಯಕ್ಕಾಗಿ, "ಈ ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾ ವಿತರಣೆಯಲ್ಲಿದೆಯೇ?" ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವುದು ಅತ್ಯಗತ್ಯ.

ಹಂತ ಹಂತವಾಗಿ: AI ಜೊತೆಗೆ ಮುನ್ಸೂಚನೆಯ ಹರಿವನ್ನು ನಿರ್ಮಿಸುವುದು

1. ಗುರಿ ಮತ್ತು ಒಳಹರಿವುಗಳನ್ನು ವಿವರಿಸಿ: ನೀವು ಏನನ್ನು ಊಹಿಸುವಿರಿ ಮತ್ತು ಯಾವ ಅಸ್ಥಿರಗಳಿಂದ?
2. ಡೇಟಾವನ್ನು ತಯಾರಿಸಿ: ಕ್ಲೀನ್, ಫಿಕ್ಸ್ ಘಟಕಗಳು, ಫ್ಲ್ಯಾಗ್ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು. (AI: ಪೈಥಾನ್ ಕೋಡ್ ಬರೆಯುತ್ತದೆ.)
3. ಡೇಟಾವನ್ನು ವಿಭಜಿಸಿ: ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ ಇದರಿಂದ ನೀವು ಯಶಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಳೆಯಬಹುದು.
4. ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು ತರಬೇತಿ ನೀಡಿ: ಸರಳವಾಗಿ ಪ್ರಾರಂಭಿಸಿ (ರೇಖೀಯ), ಅಗತ್ಯವಿದ್ದರೆ ಮರದ ಆಧಾರದ ಮೇಲೆ ಸರಿಸಿ.
5. ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ: ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ದೋಷ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ನೋಡಿ (ಉದಾ. RMSE, R²).
6. ಕಾಮೆಂಟ್: ಯಾವ ವೇರಿಯೇಬಲ್ ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ? ಇದು ದೈಹಿಕವಾಗಿ ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ?
7. ಪರಿಶೀಲಿಸಿ: ನಿಜವಾದ ಪ್ರಯೋಗದೊಂದಿಗೆ ನಿರ್ಣಾಯಕ ಭವಿಷ್ಯವನ್ನು ಪರೀಕ್ಷಿಸಿ; ಹೊರತೆಗೆಯುವಿಕೆಗಾಗಿ ಪರಿಶೀಲಿಸಿ.

ಪರಿಕಲ್ಪನೆ

ಅರ್ಥ

ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ ಇದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?

ಓವರ್ ಫಿಟ್ಟಿಂಗ್

ಶಬ್ದವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವ ಮಾದರಿ

ಕಡಿಮೆ ಪರೀಕ್ಷಾ ಡೇಟಾದೊಂದಿಗೆ ಇದು ತುಂಬಾ ಸುಲಭ

ಪ್ರಕ್ಷೇಪಣ

ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯೊಳಗೆ ಭವಿಷ್ಯ

ತುಲನಾತ್ಮಕವಾಗಿ ಸುರಕ್ಷಿತ ಪ್ರದೇಶ

ಹೊರತೆಗೆಯುವಿಕೆ

ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಭವಿಷ್ಯ

ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ; ಪ್ರಯೋಗ ಅಗತ್ಯವಿದೆ

R²

ಮಾದರಿಯಿಂದ ವಿವರಿಸಲಾದ ವ್ಯತ್ಯಾಸದ ಪ್ರಮಾಣ

ಫಿಟ್ ಗುಣಮಟ್ಟದ ಸೂಚಕ

ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾಮುಖ್ಯತೆ

ಇನ್‌ಪುಟ್‌ನ ಪ್ರಭಾವದ ಪ್ರಮಾಣ

ದೈಹಿಕ ಸಮಂಜಸತೆಯ ಪರಿಶೀಲನೆ

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಜ್ಞಾಪಕ ಮಾದರಿ. ಒಂದು ತಂಡವು 45 ಉಕ್ಕಿನ ಮಾದರಿಗಳೊಂದಿಗೆ ಇಳುವರಿ ಶಕ್ತಿಯನ್ನು ಊಹಿಸುವ ಸಂಕೀರ್ಣ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ; ತರಬೇತಿಯ ಡೇಟಾವು R² = 0.99 ಆಗಿ ಹೊರಹೊಮ್ಮುತ್ತದೆ ಮತ್ತು ಅವರು ಸಂತೋಷಪಡುತ್ತಾರೆ. ಆದಾಗ್ಯೂ, ಪರೀಕ್ಷಾ ಡೇಟಾದಲ್ಲಿ ಇದು R² = 0.42 ಗೆ ಇಳಿಯುತ್ತದೆ. ಮಾದರಿಯು ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಅವರು ಸರಳವಾದ ಮಾದರಿಗೆ ಬದಲಾಯಿಸಿದಾಗ ಮತ್ತು ಡೇಟಾವನ್ನು ಹೆಚ್ಚಿಸಿದಾಗ, ಪರೀಕ್ಷೆಯ ಯಶಸ್ಸು 0.80 ಕ್ಕೆ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಪಾಠ: ಶೈಕ್ಷಣಿಕ ಯಶಸ್ಸು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ಪರೀಕ್ಷಾ ಡೇಟಾದೊಂದಿಗೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಷನ್ ಟ್ರ್ಯಾಪ್. ಒಬ್ಬ ಇಂಜಿನಿಯರ್ ಕಡಿಮೆ-ಮಿಶ್ರಲೋಹದ ಉಕ್ಕುಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಉನ್ನತ-Cr ಸ್ಟೇನ್‌ಲೆಸ್ ಸಂಯೋಜನೆಗೆ ಅನ್ವಯಿಸುತ್ತಾನೆ. ಮಾದರಿಯು "ಸುಮಾರು 620 MPa" ಎಂದು ಹೇಳುತ್ತದೆ. ನಿಜವಾದ ಕರ್ಷಕ ಪರೀಕ್ಷೆಯು 410 MPa ಗೆ ಹೊರಬರುತ್ತದೆ. ಸಂಯೋಜನೆಯು ಶೈಕ್ಷಣಿಕ ವಿತರಣೆಯಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ಹೊರಗಿದೆ. ಪಾಠ: ಭವಿಷ್ಯ ಹೇಳುವ ಮೊದಲು ಇನ್‌ಪುಟ್ ತರಬೇತಿಯ ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ. R&D ತಂಡವು ಮಿಶ್ರಲೋಹಗಳ ಕುಟುಂಬದಲ್ಲಿ ಸಾವಿರಾರು ದಾಖಲೆಗಳೊಂದಿಗೆ ಗಡಸುತನದ ಮೇಲೆ ತಾಪಮಾನವನ್ನು ಹದಗೊಳಿಸುವ ಪರಿಣಾಮವನ್ನು ರೂಪಿಸುತ್ತದೆ. ಮಾದರಿಯು ತಿಳಿದಿರುವ ಭೌತಿಕ ಪ್ರವೃತ್ತಿಯನ್ನು ಪುನರುತ್ಪಾದಿಸುತ್ತದೆ (ಹೆಚ್ಚುತ್ತಿರುವ ಟೆಂಪರಿಂಗ್ ತಾಪಮಾನದೊಂದಿಗೆ ಗಡಸುತನವು ಕಡಿಮೆಯಾಗುತ್ತದೆ) ಮತ್ತು ಯಾವ ಸಂಯೋಜನೆಯ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಗುರಿ ಗಡಸುತನವನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ. ಪ್ರಯೋಗಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ತಂಡವು ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ: 40 ರ ಬದಲಿಗೆ 8 ಪ್ರಯೋಗಗಳೊಂದಿಗೆ ಗುರಿಯನ್ನು ತಲುಪುವುದು ಮತ್ತು ಪ್ರತಿ ಹಂತವನ್ನು ಅಳತೆಗಳೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸುವುದು. ಪಾಠ: ML ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಉತ್ತಮ ಡೇಟಾ ಮತ್ತು ಭೌತಿಕ ತೋರಿಕೆಯ ಪರಿಶೀಲನೆಗಳೊಂದಿಗೆ ಪ್ರಯೋಗ ಯೋಜನೆಯನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ML ಸಮಸ್ಯೆ ಸೆಟ್ಟಿಂಗ್ ಟೆಂಪ್ಲೇಟ್ "ಪಾತ್ರ: ನೀವು ವಸ್ತು ದತ್ತಾಂಶ ವಿಜ್ಞಾನ ಸಹಾಯಕ. ಗುರಿ: [ಭವಿಷ್ಯದ ವೈಶಿಷ್ಟ್ಯ]. ಇನ್‌ಪುಟ್‌ಗಳು: [ಗುಣಲಕ್ಷಣಗಳು]. ನನ್ನ ಬಳಿ [n] ಮಾದರಿಗಳಿವೆ. ಈ ಸಮಸ್ಯೆಗೆ: (1) ಸೂಕ್ತವಾದ ಸರಳ ಮತ್ತು ಸುಧಾರಿತ ಮಾದರಿ ಆಯ್ಕೆಗಳನ್ನು ಸೂಚಿಸಿ, (2) ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ವಿಭಜಿತ ಮಾದರಿಯ ಆಯ್ಕೆಗಳನ್ನು ವಿವರಿಸಿ, (2) ಈ ಅಪಾಯದ ಆಧಾರದ ಮೇಲೆ ಹೆಚ್ಚುವರಿ ಡೇಟಾ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನದ ಅಪಾಯವನ್ನು ವಿವರಿಸಿ. (3) ಖಚಿತವಾದ ಯಶಸ್ಸಿನ ಭರವಸೆ; ಮಿತಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ.

ಡೇಟಾ ಕ್ವಾಲಿಟಿ ಆಡಿಟ್ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಡೇಟಾ ಟೇಬಲ್‌ನ ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿ: [ಕಾಲಮ್‌ಗಳು ಮತ್ತು ಮಾದರಿ ಸಾಲುಗಳನ್ನು ಅಂಟಿಸಿ]. ಫ್ಲ್ಯಾಗ್: ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ಔಟ್‌ಲೈಯರ್‌ಗಳು, ಯುನಿಟ್ ಅಸಂಗತತೆಗಳು, ಅಸಮತೋಲಿತ ವಿತರಣೆ. ಪ್ರತಿ ಸಂಚಿಕೆಗೆ, ಅದನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕೆಂದು ಸೂಚಿಸಿ. ಮಾಡೆಲಿಂಗ್ ಮೊದಲು ನಾನು ಏನು ಮಾಡಬೇಕೆಂದು ಪಟ್ಟಿ ಮಾಡಿ."

ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ಕಂಟ್ರೋಲ್ ಟೆಂಪ್ಲೇಟ್ "ನನ್ನ ತರಬೇತಿಯ ಇಳುವರಿಯಲ್ಲಿನ ಪ್ರತಿ ಇನ್‌ಪುಟ್‌ನ ಕನಿಷ್ಠ-ಗರಿಷ್ಠ ಶ್ರೇಣಿ: [ರೇಂಜ್‌ಗಳನ್ನು ಬರೆಯಿರಿ]. ನಾನು ಊಹಿಸಲು ಬಯಸುವ ಹೊಸ ಮಾದರಿ: [ಮೌಲ್ಯಗಳನ್ನು ಬರೆಯಿರಿ]. ಈ ಮಾದರಿಯು ಪ್ರತಿ ಗುಣಲಕ್ಷಣದಲ್ಲಿ ತರಬೇತಿ ಶ್ರೇಣಿಯ ಒಳಗೆ ಅಥವಾ ಹೊರಗೆ ಇದೆಯೇ? ಅದು ಹೊರಗಿದ್ದರೆ, ಯಾವ ವೇರಿಯೇಬಲ್‌ಗಳಲ್ಲಿ ಮತ್ತು ಭವಿಷ್ಯವನ್ನು ಏಕೆ ನಂಬಲಾಗದ ಪ್ರಯೋಗ ಎಂದು ವಿವರಿಸಿ."

ಶಾರೀರಿಕ ಸಂಭಾವ್ಯತೆಯ ಟೆಂಪ್ಲೇಟ್ "ವಿಶಿಷ್ಟ ಪ್ರಾಮುಖ್ಯತೆಯ ಮಾದರಿಯ ಕ್ರಮವು [ವಿಂಗಡಣೆ] ಆಗಿದೆ. ಈ ಕ್ರಮವು ತಿಳಿದಿರುವ ಮೆಟಲರ್ಜಿಕಲ್ ಸಂಬಂಧಗಳಿಗೆ (ಉದಾ. ಹಾಲ್-ಪೆಚ್, ಅವಕ್ಷೇಪ ಗಟ್ಟಿಯಾಗುವುದು, ಕಾರ್ಬನ್ ಪರಿಣಾಮ) ಸ್ಥಿರವಾಗಿದೆಯೇ? ಭೌತಿಕವಾಗಿ ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮವಿದ್ದರೆ, ಅದನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಸಂಭವನೀಯ ಡೇಟಾ/ಮಾದರಿ ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸಿ."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಸಂಯೋಜನೆಯ ಆಧಾರದ ಮೇಲೆ ಇಳುವರಿ ಶಕ್ತಿಯನ್ನು ಊಹಿಸಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್:"ಪಾತ್ರ: ನೀವು ಮೆಟೀರಿಯಲ್ ಡೇಟಾ ಸೈನ್ಸ್ ಅಸಿಸ್ಟೆಂಟ್. ನನ್ನ ಬಳಿ ಕಡಿಮೆ ಮಿಶ್ರಲೋಹದ ಉಕ್ಕಿನ ಡೇಟಾದ 800 ಸಾಲುಗಳಿವೆ (C, Mn, Cr, Ni, ಟೆಂಪರಿಂಗ್ ತಾಪಮಾನ ->ಇಳುವರಿ ಸಾಮರ್ಥ್ಯ). ಹೊಸ ಮಾದರಿ: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2, ಟೆಂಪರ್=550 °C ವ್ಯಾಪ್ತಿಗೆ ಸರಿಹೊಂದಿದರೆ, ಮೊದಲು ಮಾದರಿಯನ್ನು ಸರಿಹೊಂದಿಸಿ. ಅನಿಶ್ಚಿತತೆ ಸೂಕ್ತವಲ್ಲದಿದ್ದರೆ, ಹಾಲ್-ಪೆಚ್ ಮತ್ತು ತಾಪಮಾನದ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿರುವ ಪ್ರಯೋಗವನ್ನು ಸೂಚಿಸಿ.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಭವಿಷ್ಯವನ್ನು ಹೇಳುವ ಮೊದಲು ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ಚೆಕ್ ಅನ್ನು ಕೇಳುತ್ತದೆ, ಅನಿಶ್ಚಿತತೆಯನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ ಮತ್ತು ಭೌತಿಕ ನಿಯಮಗಳ ವಿರುದ್ಧ ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಇದು ಕಚ್ಚಾ ಸಂಖ್ಯೆಗಿಂತ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ನಿರ್ಧಾರದ ಆಧಾರವನ್ನು ನೀಡುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಶೈಕ್ಷಣಿಕ ಯಶಸ್ಸನ್ನು ನಿಜವಾದ ಯಶಸ್ಸು ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು (ಅತಿಯಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು).
• ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ವಿಭಜನೆಯನ್ನು ಮಾಡದೆಯೇ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
• ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಷನ್ ಪ್ರದೇಶದಲ್ಲಿ ತಯಾರಿಸಲಾದ ಅಂದಾಜನ್ನು ಸುರಕ್ಷಿತವೆಂದು ಒಪ್ಪಿಕೊಳ್ಳುವುದು.
• ಕಡಿಮೆ ಮತ್ತು ಅಸಮತೋಲಿತ ಡೇಟಾದೊಂದಿಗೆ ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು.
• ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಭೌತಿಕ ತೋರಿಕೆಗೆ ಹೋಲಿಸುವುದಿಲ್ಲ.
• ಪ್ರಯೋಗದ ಮೂಲಕ ಪರಿಶೀಲಿಸದೆ ವಿನ್ಯಾಸದಲ್ಲಿ ನಿರ್ಣಾಯಕ ಊಹೆಯನ್ನು ಹಾಕುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

ಯಂತ್ರ ಕಲಿಕೆಯು ಉತ್ತಮ ಡೇಟಾದೊಂದಿಗೆ ಸಂಯೋಜನೆ-ಪ್ರಕ್ರಿಯೆ-ಆಸ್ತಿ ಸಂಬಂಧಗಳನ್ನು ಶಕ್ತಿಯುತವಾಗಿ ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಪ್ರಯೋಗ ಯೋಜನೆಯನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ಒಂದು ಮಾದರಿಯು ಅದರ ಡೇಟಾದಷ್ಟೇ ಉತ್ತಮವಾಗಿರುತ್ತದೆ; ತರಬೇತಿಯ ಸಾಧನೆಯು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿರಬಹುದು (ಓವರ್ ಫಿಟ್ಟಿಂಗ್) ಮತ್ತು ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಅಂದಾಜುಗಳು (ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಷನ್) ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ. ಪರೀಕ್ಷಾ ಡೇಟಾ ಯಶಸ್ಸು, ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ನಿಯಂತ್ರಣ, ಭೌತಿಕ ತೋರಿಕೆ ಮತ್ತು ನಿರ್ಣಾಯಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಿಜವಾದ ಪ್ರಯೋಗದೊಂದಿಗೆ ಪ್ರತಿ ಭವಿಷ್ಯವನ್ನು ಪರೀಕ್ಷಿಸಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ (ಅಥವಾ ಕಾಲ್ಪನಿಕ) ವಸ್ತು ಡೇಟಾ ಸೆಟ್‌ನೊಂದಿಗೆ ಆಸ್ತಿ ಮುನ್ಸೂಚನೆ ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸಿ: ಗುರಿ ಮತ್ತು ಒಳಹರಿವುಗಳನ್ನು ಬರೆಯಿರಿ. "ML ಸಮಸ್ಯೆ ಚಿತ್ರ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ AI ನಿಂದ ಒಂದು ವಿಧಾನವನ್ನು ಕೇಳಿ. ನಂತರ "ಹೊಸ ಮಾದರಿ" ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ ಮತ್ತು ಈ ಮಾದರಿಯು "ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ಚೆಕ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ. ಅಂತಿಮವಾಗಿ, ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಯಾವ ಪ್ರಯೋಗದೊಂದಿಗೆ ನೀವು ಪರಿಶೀಲಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ ವಿವರಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಗುರಿ ಮತ್ತು ಒಳಹರಿವುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಡೇಟಾ ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ (ಕಾಣೆಯಾಗಿದೆ, ಔಟ್ಲೈಯರ್, ಯುನಿಟ್, ಬ್ಯಾಲೆನ್ಸ್).
• [ ] ನಾನು ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ವಿಭಜನೆಯೊಂದಿಗೆ ಪ್ರಾಮಾಣಿಕ ಯಶಸ್ಸನ್ನು ಅಳೆದಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರತಿ ಅಂದಾಜಿನ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಅಪಾಯವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಭೌತಿಕ ತೋರಿಕೆಗೆ ಹೋಲಿಸಿದೆ.
• ವಿಮರ್ಶಾತ್ಮಕ ಭವಿಷ್ಯವನ್ನು ನಿಜವಾದ ಪ್ರಯೋಗದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಲು ನಾನು ಯೋಜನೆಯನ್ನು ಮಾಡಿದ್ದೇನೆ.