मशीन लर्निंग (ML) एल्गोरिदम और सांख्यिकीय मॉडल का एक वैज्ञानिक अध्ययन है जो विशिष्ट निर्देशों का उपयोग किए बिना विशिष्ट प्रक्रियाओं का प्रदर्शन करने के लिए कंप्यूटर सिस्टम का उपयोग करने के बजाय पैटर्न और निष्कर्ष पर निर्भर करता है।
इसे कृत्रिम बुद्धिमत्ता Artificial intelligence (AI) के सबसेट के रूप में देखा जाता है। मशीन लर्निंग एल्गोरिदम एक गणितीय मॉडल बनाते हैं, जो नमूना डेटा पर आधारित एक कार्य करने के लिए स्पष्ट रूप से प्रोग्रामिंग के बिना पूर्वानुमान या निर्णय लेने के लिए "प्रशिक्षण डेटा" कहते हैं।
मशीन लर्निंग एल्गोरिदम का उपयोग विभिन्न अनुप्रयोगों जैसे ईमेल फ़िल्टरिंग और कंप्यूटर विज़न में किया जाता है, जहाँ प्रभावी रूप से प्रदर्शन करने के लिए एक पारंपरिक सैद्धांतिक लॉजिस्टिक एल्गोरिथम विकसित करना मुश्किल या प्रभावी होता है।
मशीन लर्निंग कम्प्यूटेशनल आंकड़ों से निकटता से संबंधित है, जो भविष्यवाणियां करने के लिए कंप्यूटर का उपयोग करने पर ध्यान केंद्रित करते हैं। गणितीय अनुकूलन शिक्षण पद्धति, मशीन लर्निंग में कार्यप्रणाली, सिद्धांत और अनुप्रयोग डोमेन को विभाजित करती है।
मशीन लर्निंग कम्प्यूटेशनल आंकड़ों से निकटता से संबंधित है, जो भविष्यवाणियां करने के लिए कंप्यूटर का उपयोग करने पर ध्यान केंद्रित करते हैं। गणितीय अनुकूलन शिक्षण पद्धति, मशीन लर्निंग में कार्यप्रणाली, सिद्धांत और अनुप्रयोग डोमेन को विभाजित करती है।
डाटा माइनिंग मशीन लर्निंग के भीतर अध्ययन का एक क्षेत्र है और अप्रत्याशित शिक्षण के माध्यम से अनुसंधान के डेटा विश्लेषण पर केंद्रित है। व्यावसायिक समस्याओं के लिए इसे लागू करने में, मशीन लर्निंग को प्रेडिक्टिव एनालिटिक्स भी कहा जाता है।
मशीन लर्निंग भारी मात्रा में डेटा का विश्लेषण करने में सक्षम बनाता है। हालांकि यह आम तौर पर लाभदायक अवसरों या खतरनाक जोखिमों की पहचान करने के लिए अधिक सटीक परिणाम प्रदान करता है, इसे ठीक से प्रशिक्षित करने के लिए अतिरिक्त समय और संसाधनों की भी आवश्यकता हो सकती है।
मशीन लर्निंग भारी मात्रा में डेटा का विश्लेषण करने में सक्षम बनाता है। हालांकि यह आम तौर पर लाभदायक अवसरों या खतरनाक जोखिमों की पहचान करने के लिए अधिक सटीक परिणाम प्रदान करता है, इसे ठीक से प्रशिक्षित करने के लिए अतिरिक्त समय और संसाधनों की भी आवश्यकता हो सकती है।
एआई और संज्ञानात्मक प्रौद्योगिकियों के साथ मशीन लर्निंग को संयोजित करना सूचना के बड़े संस्करणों के प्रसंस्करण में इसे और भी प्रभावी बना सकता है।
कुछ मशीन सीखने के तरीके
मशीन लर्निंग एल्गोरिदम को अक्सर पर्यवेक्षित या अनुपयोगी के रूप में वर्गीकृत किया जाता है।
सुपरवाइज्ड मशीन लर्निंग एल्गोरिदम {Supervised machine learning algorithms}भविष्य के घटनाओं की भविष्यवाणी करने के लिए लेबल किए गए उदाहरणों का उपयोग करके नए डेटा के लिए अतीत में जो सीखा गया है, उसे लागू कर सकता है।
एक ज्ञात प्रशिक्षण डेटासेट के विश्लेषण से शुरू होकर, सीखने का एल्गोरिथ्म आउटपुट मानों के बारे में भविष्यवाणियां करने के लिए एक अनुमानित कार्य करता है। सिस्टम पर्याप्त प्रशिक्षण के बाद किसी भी नए इनपुट के लिए लक्ष्य प्रदान करने में सक्षम है।
लर्निंग एल्गोरिथ्म इसके आउटपुट की सही, इच्छित आउटपुट के साथ तुलना कर सकता है और तदनुसार मॉडल को संशोधित करने के लिए त्रुटियों का पता लगा सकता है।
इसके विपरीत, अप्रशिक्षित मशीन लर्निंग एल्गोरिदम (unsupervised machine learning algorithms) का उपयोग तब किया जाता है जब ट्रेन में उपयोग की जाने वाली जानकारी को न तो वर्गीकृत किया जाता है और न ही लेबल किया जाता है। अनसेफाइरेटेड लर्निंग स्टडीज कैसे सिस्टम अनलिस्टेड डेटा से एक छिपे हुए ढांचे का वर्णन करने के लिए एक फ़ंक्शन का अनुमान लगा सकता है।
सिस्टम सही आउटपुट का पता नहीं लगाता है, लेकिन यह डेटा की पड़ताल करता है और अनलिस्टेड डेटा से छिपी हुई संरचनाओं का वर्णन करने के लिए डेटासेट से अनुमान लगा सकता है।
सेमी-सुपरवाइज्ड मशीन लर्निंग एल्गोरिदम (Semi-supervised machine learning algorithms) पर्यवेक्षित और अनहेल्दी लर्निंग के बीच कहीं गिर जाते हैं क्योंकि वे प्रशिक्षण के लिए लेबल और अनबेल्ड डेटा दोनों का उपयोग करते हैं - आमतौर पर लेबल किए गए डेटा और अनलिस्टेड डेटा की एक छोटी राशि। एक बड़ी मात्रा।
इस पद्धति का उपयोग करने वाले सिस्टम सीखने की सटीकता में बहुत सुधार करने में सक्षम हैं। आमतौर पर, अर्ध-पर्यवेक्षित सीखने को चुना जाता है जब अधिग्रहीत लेबल डेटा को प्रशिक्षित करने और उससे सीखने के लिए कुशल और प्रासंगिक संसाधनों की आवश्यकता होती है।
अन्यथा, अनलिस्टेड डेटा प्राप्त करने के लिए आम तौर पर अतिरिक्त संसाधनों की आवश्यकता नहीं होती है।
सुदृढीकरण मशीन लर्निंग एल्गोरिदम (Reinforcement machine learning algorithms) एक सीखने की विधि है जो क्रियाओं का उत्पादन करके अपने पर्यावरण के साथ बातचीत करती है और त्रुटियों या पुरस्कारों को रोकती है। ट्रायल और एरर ढूंढने और देरी करने वाले रिवॉर्ड इंफोर्समेंट सीखने के सबसे प्रासंगिक लक्षण हैं।
यह विधि मशीनों और सॉफ्टवेयर एजेंटों को अपने प्रदर्शन को अधिकतम करने के लिए एक विशिष्ट संदर्भ में आदर्श व्यवहार को स्वचालित रूप से निर्धारित करने की अनुमति देती है।
एजेंट के लिए यह जानना आसान है कि कौन सी क्रिया सबसे अच्छी है; इसे सुदृढीकरण संकेत के रूप में जाना जाता है।
मशीन लर्निंग विश्लेषण में सक्षम बनाता है.
Theory of machine learning
एक शिक्षार्थी का मुख्य उद्देश्य अपने अनुभव से सामान्यीकरण करना है। इस संदर्भ में सामान्यीकरण एक लर्निंग डेटा सेट का अनुभव करने के बाद नए, अनदेखे उदाहरणों / कार्यों पर सटीक प्रदर्शन करने की एक सीखने की मशीन की क्षमता है।
प्रशिक्षण के उदाहरण कुछ आम तौर पर अज्ञात संभावना वितरण (घटनाओं के स्थान के प्रतिनिधि को माना जाता है) से आते हैं और सीखने वाले को इस स्थान के बारे में एक सामान्य मॉडल का निर्माण करना पड़ता है जो इसे नए मामलों में पर्याप्त सटीक भविष्यवाणियां करने में सक्षम बनाता है।
मशीन लर्निंग एल्गोरिदम का कम्प्यूटेशनल विश्लेषण और उनका प्रदर्शन एक कम्प्यूटेशनल सीखने के सिद्धांत के रूप में जाना जाने वाला सैद्धांतिक कंप्यूटर विज्ञान की एक शाखा है। क्योंकि प्रशिक्षण सेट परिमित होते हैं और भविष्य अनिश्चित होता है.
सीखने का सिद्धांत आमतौर पर एल्गोरिदम के प्रदर्शन की गारंटी नहीं देता है। इसके बजाय, प्रदर्शन पर संभावित सीमाएं काफी सामान्य हैं। पूर्वाग्रह-विघटन अपघटन सामान्यीकरण त्रुटि को निर्धारित करने का एक तरीका है।
सामान्यीकरण के संदर्भ में सर्वश्रेष्ठ प्रदर्शन के लिए, परिकल्पना की जटिलता को डेटा से अंतर्निहित फ़ंक्शन की जटिलता से मेल खाना चाहिए। यदि परिकल्पना फ़ंक्शन की तुलना में कम जटिल है, तो मॉडल ने डेटा को फिट किया है। यदि प्रतिक्रिया में मॉडल की जटिलता बढ़ जाती है, तो प्रशिक्षण त्रुटि कम हो जाती है। लेकिन यदि परिकल्पना बहुत जटिल है, तो मॉडल ओवरफिटिंग के अधीन है और सामान्यीकरण खराब होगा।
प्रदर्शन सीमा के अलावा, सीखने के सिद्धांतकार समय की जटिलता और सीखने की व्यवहार्यता का अध्ययन करते हैं। कम्प्यूटेशनल शिक्षण सिद्धांत में, गणना को व्यवहार्य माना जाता है यदि यह बहुपद समय में किया जा सकता है।
समय जटिलता परिणाम दो प्रकार के होते हैं। सकारात्मक परिणाम दिखाते हैं कि कार्यों की एक निश्चित श्रेणी को बहुपद समय में सीखा जा सकता है। नकारात्मक परिणाम बताते हैं कि कुछ वर्गों को बहुपद समय में नहीं सीखा जा सकता है।
Post a Comment
Thank you For Visiting