Machine Learning Kya Hai

मशीन लर्निंग शब्द 1959 में आर्थर सैमुअल द्वारा तैयार किया गया था, जो कंप्यूटर गेमिंग और आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक अमेरिकी अग्रणी थे और उन्होंने कहा कि यह कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता देता है.

1997 में, टॉम मिशेल ने एक अच्छी तरह से पेश की गई गणितीय और संबंधपरक परिभाषा दी कि एक कंप्यूटर प्रोग्राम को अनुभव ई से सीखने के लिए कहा जाता है कुछ कार्य टी के संबंध में और कुछ प्रदर्शन माप पी यदि टी पर इसका प्रदर्शन, जैसा कि मापा जाता है. पी, अनुभव ई के साथ सुधार होता है.

मशीन लर्निंग एक नवीनतम buzzword है जो चारों ओर तैर रहा है. यह योग्य है क्योंकि यह कंप्यूटर विज्ञान के सबसे दिलचस्प उपक्षेत्रों में से एक है। तो मशीन लर्निंग का वास्तव में क्या मतलब है.

पहले प्रयास के बाद, आपको एहसास होता है कि आपने इसमें बहुत अधिक बल लगाया है. दूसरे प्रयास के बाद आपको एहसास होता है कि आप लक्ष्य के करीब हैं लेकिन आपको अपने फेंक कोण को बढ़ाने की आवश्यकता है. यहां क्या हो रहा है मूल रूप से हर फेंक के बाद हम कुछ सीख रहे हैं और अंतिम परिणाम में सुधार कर रहे हैं. हमें अपने अनुभव से सीखने के लिए प्रोग्राम किया जाता है.

इसका तात्पर्य यह है कि जिन कार्यों में मशीन लर्निंग का संबंध है वे संज्ञानात्मक रूप से क्षेत्र को परिभाषित करने के बजाय एक मौलिक परिचालन परिभाषा प्रदान करते हैं. यह उनके पेपर कम्प्यूटिंग मशीनरी और इंटेलिजेंस में एलन ट्यूरिंग के प्रस्ताव का अनुसरण करता है जिसमें सवाल मशीनें सोच सकती हैं. इस सवाल के साथ बदल दिया गया है क्या मशीनें हम जैसा सोच संस्थाएं कर सकती हैं.

मान लीजिए कि आप छुट्टी के लिए उस ऑफ़र की जांच करने का निर्णय लेते हैं. आप ट्रैवल एजेंसी की वेबसाइट के माध्यम से ब्राउज़ करते हैं और एक होटल खोजते हैं. जब आप किसी विशिष्ट होटल को देखते हैं तो होटल के विवरण के ठीक नीचे एक खंड होता है जिसका शीर्षक है आप इन होटलों को भी पसंद कर सकते हैं. यह मशीन लर्निंग का एक सामान्य उपयोग मामला है जिसे अनुशंसा इंजन कहा जाता है। फिर से एक मॉडल को प्रशिक्षित करने के लिए कई डेटा बिंदुओं का उपयोग किया गया था ताकि यह अनुमान लगाया जा सके कि उस अनुभाग के तहत आपको दिखाने के लिए सबसे अच्छे होटल क्या होंगे बहुत सारी जानकारी के आधार पर वे आपके बारे में पहले से ही जानते हैं.

इसलिए यदि आप अपने कार्यक्रम की भविष्यवाणी करना चाहते हैं उदाहरण के लिए एक व्यस्त चौराहे टास्क टी पर ट्रैफिक पैटर्न तो आप इसे पिछले ट्रैफिक पैटर्न अनुभव ई के बारे में डेटा के साथ मशीन लर्निंग एल्गोरिदम के माध्यम से चला सकते हैं और यदि यह सफलतापूर्वक सीखा है. भविष्य के ट्रैफिक पैटर्न प्रदर्शन माप पी की भविष्यवाणी करने में यह बेहतर होगा.

कई वास्तविक दुनिया की समस्याओं की अत्यधिक जटिल प्रकृति, हालांकि, अक्सर इसका मतलब है कि विशेष एल्गोरिदम का आविष्कार करना जो उन्हें हर बार पूरी तरह से हल कर देगा अव्यवहारिक है, यदि असंभव नहीं है. मशीन सीखने की समस्याओं के उदाहरणों में शामिल हैं क्या यह कैंसर है इनमें से कौन से लोग एक दूसरे के साथ अच्छे दोस्त हैं क्या यह व्यक्ति इस फिल्म को पसंद करेगा ऐसी समस्याएं मशीन लर्निंग के लिए उत्कृष्ट लक्ष्य हैं और वास्तव में मशीन लर्निंग को बड़ी समस्याओं के साथ लागू किया गया है.

Classification of Machine Learning

मशीन लर्निंग कार्यान्वयन को तीन प्रमुख श्रेणियों में वर्गीकृत किया गया है जो सीखने की प्रकृति के आधार पर सिग्नल या प्रतिक्रिया एक शिक्षण प्रणाली के लिए उपलब्ध है जो निम्नानुसार हैं -

Supervised Learning

जब एक एल्गोरिथ्म उदाहरण डेटा और संबंधित लक्ष्य प्रतिक्रियाओं से सीखता है जिसमें संख्यात्मक मान या स्ट्रिंग लेबल शामिल हो सकते हैं, जैसे कि कक्षाएं या टैग, तो बाद में सही प्रतिक्रिया की भविष्यवाणी करने के लिए जब नए उदाहरणों के साथ रखा गया पर्यवेक्षित शिक्षण की श्रेणी में आता है. यह दृष्टिकोण वास्तव में एक शिक्षक की देखरेख में मानव शिक्षा के समान है. शिक्षक छात्र को याद रखने के लिए अच्छे उदाहरण प्रदान करता है और छात्र इन विशिष्ट उदाहरणों से सामान्य नियमों को प्राप्त करता है.

Unsupervised Learning

जबकि जब कोई एल्गोरिथ्म किसी भी संबंधित प्रतिक्रिया के बिना सादे उदाहरणों से सीखता है तो डेटा पैटर्न को स्वयं निर्धारित करने के लिए एल्गोरिथ्म को छोड़ देता है. इस प्रकार का एल्गोरिथ्म डेटा को किसी और चीज़ में पुन: व्यवस्थित करने के लिए जाता है जैसे कि नई सुविधाएँ जो एक वर्ग का प्रतिनिधित्व कर सकती हैं या असंबंधित मूल्यों की एक नई श्रृंखला हो सकती हैं. वे मनुष्यों को डेटा के अर्थ में अंतर्दृष्टि और पर्यवेक्षित मशीन लर्निंग एल्गोरिदम के लिए नए उपयोगी इनपुट प्रदान करने में काफी उपयोगी हैं.

एक तरह की सीख के रूप में, यह उन तरीकों से मिलता-जुलता है जिनका उपयोग मनुष्य यह जानने के लिए करता है कि कुछ वस्तुएं या घटनाएं एक ही वर्ग से हैं जैसे कि वस्तुओं के बीच समानता की डिग्री का अवलोकन करना. कुछ सिफारिश प्रणाली जो आपको विपणन स्वचालन के रूप में वेब पर मिलती हैं इस प्रकार के सीखने पर आधारित होती हैं.

Reinforcement Learning

जब आप एल्गोरिथ्म को उन उदाहरणों के साथ प्रस्तुत करते हैं जिनमें लेबल की कमी होती है जैसा कि अनियोजित शिक्षण में है. हालाँकि आप एक उदाहरण के साथ सकारात्मक या नकारात्मक प्रतिक्रिया के साथ समाधान के अनुसार एल्गोरिथ्म का प्रस्ताव कर सकते हैं जो सुदृढीकरण सीखने की श्रेणी में आता है जो उन अनुप्रयोगों से जुड़ा है जिसके लिए एल्गोरिथ्म को निर्णय लेना चाहिए ताकि उत्पाद पूर्व निर्धारित हो न कि केवल वर्णनात्मक हो. अनुपयोगी शिक्षा के रूप में और निर्णय परिणाम सहन करते हैं. मानव दुनिया में यह परीक्षण और त्रुटि से सीखने जैसा है.

त्रुटियां आपको सीखने में मदद करती हैं क्योंकि उनके पास एक दंड है लागत, समय की हानि, अफसोस, दर्द, और इसी तरह आपको यह सिखाते हुए कि कार्रवाई का एक निश्चित कोर्स दूसरों की तुलना में सफल होने की संभावना कम है. सुदृढीकरण सीखने का एक दिलचस्प उदाहरण तब होता है जब कंप्यूटर खुद से वीडियो गेम खेलना सीखते हैं.

इस मामले में एक एप्लिकेशन एल्गोरिथ्म को विशिष्ट स्थितियों के उदाहरणों के साथ प्रस्तुत करता है जैसे कि एक दुश्मन से बचने के दौरान गेमर के भूलभुलैया में फंस जाने से. एप्लिकेशन एल्गोरिदम को उन कार्यों के परिणाम को जानने देता है और सीखने से यह होता है कि बचने की कोशिश करते समय यह खतरनाक हो सकता है और अस्तित्व को आगे बढ़ाने के लिए. आप यह देख सकते हैं कि Google DeepMind ने कैसे एक सुदृढीकरण सीखने का कार्यक्रम बनाया है जो पुराने अटारी के वीडियो गेम खेलता है। वीडियो देखते समय ध्यान दें कि कार्यक्रम शुरू में कैसे अनाड़ी और अकुशल है लेकिन एक चैंपियन बनने तक प्रशिक्षण के साथ लगातार सुधार होता है.

Semi-supervised Learning

जहाँ एक अधूरा प्रशिक्षण संकेत दिया गया है लक्ष्य आउटपुट के कुछ अक्सर कई के साथ एक प्रशिक्षण सेट गायब है. इस सिद्धांत का एक विशेष मामला है जिसे ट्रांसडक्शन के रूप में जाना जाता है जहां सीखने के समय में समस्या के उदाहरणों के पूरे सेट को जाना जाता है सिवाय इसके कि लक्ष्यों का हिस्सा गायब है.