Linear Transformation - இது Real Life Data Science, Machine Learning இல் எதற்கு பயன்படுகிறது? இதன் உட்பிரிவுகள் என்ன?

🔹Feature Scaling (Min-Max Scaling, Standardization)

நம்முடைய Numerical Dataகளை ஒரே அளவுக்குள் கொண்டுவர Linear Transformation (நேரியல் மாற்றம்) பயன்படுத்தப்படுகிறது. இதனால் அனைத்து அம்சங்களும் ஒரே Rangeகுள் வரும்.

உதாரணம்:

₹1,000 – ₹1,00,000 வரையிலான Sales Figures-ஐ 0 முதல் 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தப்படுகிறது.

இதனால் Machine Learning Models அனைத்து அளவுகளையும் சமமாக கையாள முடியும்.

மாணவர்கள் பெற்ற Marks (0 – 100) அனைத்தையும் 0 to 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தி Machine Learning Models அனைத்து பாடத்தையும் சமமாக கையாள உதவும்.



🔹 Normalization

வித்தியாசமான தரவுகள் (Different Data Types) மற்றும் வித்தியாசமான அளவுகளில் இருக்கும் மதிப்புகளை (Values) ஒரே அளவுக்குள் கொண்டுவர Normalization உதவுகிறது.

ஆனால் அங்குள்ள Valuesகளின் வித்தியாசம் பாதிக்கப்படாது. Just இது கணினி கணிப்புக்கு ஏற்ற மாதிரியாக அனைத்து Valuesகளையும் ஒரே Level படுத்துகிறது.

உதாரணம்:

வயது, வருமானம், செலவுகள் ஆகியவற்றை Min-Max Scaling அல்லது Standardization Formula பயன்படுத்தி சரி செய்வது.





🔹 Linear Regression Models

இந்த முறை ஒரு Straight Line அடிப்படையாகக் கொண்டு கணிப்புகளை செய்கிறது.

பழைய or Historical Data வைத்து Regression (மீண்டும் கணிப்பது) செய்து, எதிர்கால மதிப்புகளை (Future Values) கணிக்கிறது.

Linear Regression ஒரு நேரியல்(Linear) Equation பயன்படுத்துகிறது:

Y = mX + c

இது Linear Transformation நேரடி எடுத்துக்காட்டு. இது மிகவும் எளிமையான Machine Learning முறைகளில் ஒன்று. புரிந்து கொள்ளவும், பயன்படுத்தவும் எளிதானது.






🔹 Principal Component Analysis (PCA)

PCA என்பது Linear Transformations-ஐ பயன்படுத்தி Dataகளை சுழற்றவும் அளவிடவும் உதவுகிறது. இதனால் முக்கியமான patterns-ஐ வைத்துக்கொண்டு dimension-ஐ குறைக்க முடியும்.

எளிய உதாரணம்:

உங்களிடம் Height, Weight, Age, Income என்ற 4 விதமான தரவுகள் இருக்கின்றன.

PCA இதை புதிய இரண்டு முக்கியமான அளவுகளாக மாற்றும்:

Principal Component 1 → Height + Weight ஆகியவற்றின் மாதிரிகள்
Principal Component 2 → Age + Income ஆகியவற்றின் மாதிரிகள்




PCA பயன்படுத்துவதன் மூலம் அதிகமான அம்சங்களை 2 அல்லது 3 முக்கியமான அம்சங்களுக்கு குறைத்து, நேரம், இடம், மற்றும் கணக்கீட்டைக் குறைக்கும். பின்னர் இதை பயன்படுத்தி graphs உருவாக்கலாம்.



🔹 Neural Networks (Deep Learning)

Neural Network இல் ஒவ்வொரு neuron-ம் Linear Transformation (matrix multiplication) செய்யும். அதன் பிறகு ஒரு activation function பயன்படுத்தி data-விலிருந்து கற்றுக்கொள்ளும்.

எளிமையாக:

Neural Networks முதலில் Linear Transformation செய்யும். இது Y = mX+C என்ற Equation பயன்படுத்தி செய்யப்படுகிறது.

இதில் Input Value எடைசெய்து (weighted sum) கணக்கிடப்படுகிறது.

அதன் பிறகு Activation Function அந்த Values முக்கியத்துவத்தை வைத்து அந்த neuron செயல்பட வேண்டுமா இல்லையா என்பதை முடிவு செய்கிறது.

  • தரவை எடுத்துக்கொள்கிறது (Collects inputs)

  • அவற்றை மதிப்பீடு செய்கிறது (Weighs them)

  • ஒரு முடிவை எடுக்கிறது (Decision based on rule)




இதே போல நம்முடைய மூளையும் செயல்படுகிறது.

🔹 Data Science, Machine Learning இல் Linear Transformation ஏன் முக்கியம்?

✅ வித்தியாசமான அளவுகளைக் கொண்ட Dataகளை ஒப்பிட வசதியாக்குகிறது.

✅ Machine Learning Models-ஐ அதிக துல்லியத்துடன் செயல்பட வைக்கிறது.

✅ Dimensionality reduction மூலம் கணக்கீட்டைக் குறைக்கும்.


Comments

Post a Comment

Popular posts from this blog

What is Artificial Intelligence? What is Machine Learning? What is Data Science? how they are related to each other?

Image
Artificial Intelligence means making Computers think like Human Brain, choosing correct & realistic decisions, answers based on the Current circumstance and importance. Personal Example: Data Science = What is Actually Happening in your Life. Machine Learning = What you are learning and experiencing in your Life. Artificial Intelligence = Taking Correct Decisions based on your Life Experience Another Example: You are AI Engineer & you created a Personal AI Friend using Python. Now, You give all information about your Financial Status, Economic Status, Emotional Status, Social Status, Current Situation in your Life, Current Situation in your Family, Current Situation in your Country etc etc... and your Current problems in an Excel file or SQL Database. Now you are giving this data to your AI tool which you created. 1. It will analyze the information, choose which is important and which is useless based on your current situation. 2. Now, it sends that important Information to Mac...
Read more

Linear Algebra - What is it?

Linear Algebra is a branch of mathematics that deals with vectors , matrices , and linear transformations . It's one of the foundations of data science, machine learning, and computer graphics. In Simple Words : Linear algebra helps us: Solve equations with multiple variables ( variables - a value, number or anything that changes anytime eg, Mark, Temperature, Price ) Represent and transform data using matrices ( Matrix - numbers arranged in rows and columns) Understand how systems behave (like how multiple inputs affect an output) Key Concepts : Scalars – Scalar means Magnitude(Speed). So it is just a single number (e.g., 8 or 6 or 10 etc..) Vectors – Vector means Both Magnitude (Speed) and Direction. So it is a ordered list of numbers (e.g., [2, 3] or [4, 5] or [10, 50] etc..) Matrices – A grid of numbers arranged in rows and Columns  (e.g., a 2x2 matrix or 4x4 matrix) Matrix Multiplication – Combining 2 or more matrices to transform data. Linear Transformation - Multiply...
Read more

What is a Python Library?

When we use Python for data analysis, machine learning, or any programming, we do not write each and every code. Why Should we? Some experts already wrote code for us and packed it as a Library. This reusable collection of code is called a Python Library . A library in Python is like a ready-made toolbox. Instead of building every tool yourself, you take the tools from the toolbox and start using it in your code. Why do we need Python Libraries? Save time – We do not write the same code again and again. Easy to use – Just install, import, and start using. Powerful features – Some libraries can do complex tasks in one line of code. Community support – Big communities maintain them, so they keep improving. Examples of Python Data Science Libraries: Pandas – Works with data tables like Excel, filtering and summarizing data NumPy – Works with numbers, arrays, mathematical calculations Matplotlib – Creates graphs and charts Scikit-learn – For machine learning models like regres...
Read more