मशीन लर्निंग को समझने के लिए एक शुरुआती गाइड

क्या मुझे अभी सीखना चाहिए या बाद में? सीखना एक सार्वभौमिक कौशल/विशेषता है जो इस ग्रह पर किसी भी जीवित जीव द्वारा प्राप्त की जाती है। सीखने को परिभाषित किया गया है: अनुभव, अध्ययन या सिखाए जाने के माध्यम से ज्ञान या कौशल का अधिग्रहण। चाहे वह एक पौधा हो जो प्रकाश और तापमान पर प्रतिक्रिया करना सीख रहा हो, एक बंदर जो केले को छीलना सीख रहा हो, या हम इंसान सीख रहे हों कि बाइक कैसे चलाना है। यही समानता हमें अद्वितीय बनाती है और समय के साथ विकसित होती है।

लेकिन क्या हुआ अगर मैंने कहा, "मशीनें भी सीख सकती हैं"
हम उस युग में हैं जहां मशीनें अलग नहीं हैं। मशीन लर्निंग अभी भी काफी नई अवधारणा है। हम मशीनों को सिखा सकते हैं कि कैसे सीखना है और कुछ मशीनें खुद भी सीख सकती हैं। यह जादुई घटना है जिसे मशीन लर्निंग कहा जाता है।

मशीन लर्निंग क्या है?

मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस की एक शाखा है जिसमें कंप्यूटर और उसकी गणना शामिल है। मशीन लर्निंग में, कंप्यूटर सिस्टम को कच्चा डेटा दिया जाता है, और कंप्यूटर उसके आधार पर गणना करता है। कंप्यूटर की पारंपरिक प्रणालियों और मशीन लर्निंग के बीच अंतर यह है कि पारंपरिक प्रणालियों के साथ, एक डेवलपर ने उच्च-स्तरीय कोड शामिल नहीं किए हैं जो चीजों के बीच अंतर करेंगे। इसलिए, यह सही या परिष्कृत गणना नहीं कर सकता है। लेकिन मशीन लर्निंग मॉडल में, यह उच्च स्तर के डेटा के साथ शामिल एक उच्च परिष्कृत प्रणाली है जो मानव बुद्धि से मेल खाने वाले स्तर पर चरम गणना करने के लिए है, इसलिए यह असाधारण भविष्यवाणियां करने में सक्षम है। इसे मोटे तौर पर दो विशिष्ट श्रेणियों में विभाजित किया जा सकता है: पर्यवेक्षित और अनुपयोगी। कृत्रिम बुद्धि की एक अन्य श्रेणी भी है जिसे अर्ध-पर्यवेक्षित कहा जाता है।

पर्यवेक्षित एमएल

इस प्रकार से कंप्यूटर को उदाहरणों की सहायता से क्या करना है और कैसे करना है यह सिखाया जाता है। यहां, एक कंप्यूटर को बड़ी मात्रा में लेबल और संरचित डेटा दिया जाता है। इस प्रणाली का एक दोष यह है कि एक कंप्यूटर किसी विशेष कार्य में विशेषज्ञ बनने के लिए बहुत अधिक मात्रा में डेटा की मांग करता है। इनपुट के रूप में कार्य करने वाला डेटा विभिन्न एल्गोरिदम के माध्यम से सिस्टम में जाता है। एक बार जब कंप्यूटर सिस्टम को इस डेटा के सामने लाने और किसी विशेष कार्य में महारत हासिल करने की प्रक्रिया पूरी हो जाती है, तो आप एक नए और परिष्कृत प्रतिक्रिया के लिए नया डेटा दे सकते हैं। इस तरह के मशीन लर्निंग में उपयोग किए जाने वाले विभिन्न प्रकार के एल्गोरिदम में लॉजिस्टिक रिग्रेशन, के-निकटतम पड़ोसी, बहुपद प्रतिगमन, भोले बे, यादृच्छिक वन आदि शामिल हैं।

पर्यवेक्षित एमएल

इस प्रकार के साथ, इनपुट के रूप में उपयोग किया जाने वाला डेटा लेबल या संरचित नहीं होता है। इसका मतलब है कि इससे पहले किसी ने भी डेटा को नहीं देखा है। इसका मतलब यह भी है कि इनपुट को कभी भी एल्गोरिथम के लिए निर्देशित नहीं किया जा सकता है। डेटा केवल मशीन लर्निंग सिस्टम को खिलाया जाता है और मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है। यह एक विशेष पैटर्न खोजने की कोशिश करता है और वांछित प्रतिक्रिया देता है। फर्क सिर्फ इतना है कि काम मशीन से होता है, इंसान नहीं। इस अनुपयोगी मशीन लर्निंग में उपयोग किए जाने वाले कुछ एल्गोरिदम एकवचन मूल्य अपघटन, पदानुक्रमित क्लस्टरिंग, आंशिक कम से कम वर्ग, प्रमुख घटक विश्लेषण, फजी साधन आदि हैं।

सुदृढीकरण सीखना

सुदृढीकरण एमएल पारंपरिक प्रणालियों के समान है। यहां, मशीन परीक्षण और त्रुटि नामक विधि के माध्यम से डेटा खोजने के लिए एल्गोरिदम का उपयोग करती है। उसके बाद, सिस्टम खुद तय करता है कि सबसे कुशल परिणामों के साथ कौन सी विधि सबसे प्रभावी होगी। मशीन लर्निंग में मुख्य रूप से तीन घटक शामिल हैं: एजेंट, पर्यावरण और क्रियाएं। एजेंट वह होता है जो सीखने वाला या निर्णय लेने वाला होता है। पर्यावरण वह वातावरण है जिसके साथ एजेंट इंटरैक्ट करता है, और क्रियाओं को वह कार्य माना जाता है जो एक एजेंट करता है। यह तब होता है जब एजेंट सबसे प्रभावी तरीका चुनता है और उसके आधार पर आगे बढ़ता है।