Machine learning एक डेटा एनालिटिक्स तकनीक है जो कंप्यूटर को वह करना सिखाती है जो मनुष्यों और जानवरों के लिए स्वाभाविक रूप से आता है: अनुभव से सीखें। Machine learning एल्गोरिदम एक मॉडल के रूप में पूर्व निर्धारित समीकरण पर भरोसा किए बिना डेटा से सीधे "सीखने" के लिए कम्प्यूटेशनल विधियों का उपयोग करते हैं।
Machine learning आर्टिफिशियल इंटेलिजेंस की एक रोमांचक शाखा है, और यह हमारे चारों ओर है। Machine learning डेटा की ताकत को नए तरीकों से सामने लाता है, जैसे कि फेसबुक आपके फ़ीड में लेखों का सुझाव देता है। यह अद्भुत तकनीक कंप्यूटर प्रोग्रामों को विकसित करके कंप्यूटर सिस्टम को सीखने और अनुभव से बेहतर बनाने में मदद करती है जो स्वचालित रूप से डेटा तक पहुंच सकते हैं और भविष्यवाणियों और पहचान के माध्यम से कार्य कर सकते हैं।
जैसे ही आप मशीन में अधिक डेटा इनपुट करते हैं, यह एल्गोरिदम को कंप्यूटर सिखाने में मदद करता है, इस प्रकार वितरित परिणामों में सुधार करता है। जब आप एलेक्सा को अमेज़ॅन इको पर अपना पसंदीदा संगीत स्टेशन चलाने के लिए कहेंगे, तो वह उस स्टेशन पर जाएगी जिसे आप अक्सर बजाते हैं। आप एलेक्सा को गाने छोड़ने, वॉल्यूम समायोजित करने, और कई अन्य संभावित आदेशों को बताकर अपने सुनने के अनुभव को और बेहतर और परिष्कृत कर सकते हैं। मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस की तीव्र प्रगति यह सब संभव बनाती है।
मशीन लर्निंग क्या है, बिल्कुल?
शुरुआत के लिए, मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) का एक मुख्य उप-क्षेत्र है। एमएल एप्लिकेशन अनुभव से सीखते हैं (या सटीक होने के लिए, डेटा) जैसे मनुष्य प्रत्यक्ष प्रोग्रामिंग के बिना करते हैं। नए डेटा के संपर्क में आने पर, ये एप्लिकेशन अपने आप सीखते हैं, बढ़ते हैं, बदलते हैं और विकसित होते हैं। दूसरे शब्दों में, मशीन लर्निंग में कंप्यूटर को यह बताए बिना कि कहां देखना है, व्यावहारिक जानकारी प्राप्त करना शामिल है। इसके बजाय, वे एक पुनरावृत्त प्रक्रिया में डेटा से सीखने वाले एल्गोरिदम का लाभ उठाकर ऐसा करते हैं।
मशीन लर्निंग की अवधारणा लंबे समय से है (उदाहरण के लिए द्वितीय विश्व युद्ध की पहेली मशीन के बारे में सोचें)। हालाँकि, जटिल गणितीय गणनाओं के अनुप्रयोग को बड़े डेटा पर स्वचालित करने का विचार केवल कई वर्षों से है, हालाँकि अब यह अधिक गति प्राप्त कर रहा है।
उच्च स्तर पर, मशीन लर्निंग स्वतंत्र रूप से और पुनरावृत्तियों के माध्यम से नए डेटा को अनुकूलित करने की क्षमता है। एप्लिकेशन पिछली गणनाओं और लेनदेन से सीखते हैं और विश्वसनीय और सूचित परिणाम देने के लिए "पैटर्न मान्यता" का उपयोग करते हैं।
अब जब हम समझ गए हैं कि मशीन लर्निंग क्या है, तो आइए समझते हैं कि यह कैसे काम करता है।
मशीन लर्निंग कैसे काम करती है?
मशीन लर्निंग, निस्संदेह, आर्टिफिशियल इंटेलिजेंस के सबसे रोमांचक सबसेट में से एक है। यह मशीन में विशिष्ट इनपुट के साथ डेटा से सीखने का कार्य पूरा करता है। यह समझना महत्वपूर्ण है कि मशीन लर्निंग क्या काम करती है और इस प्रकार, भविष्य में इसका उपयोग कैसे किया जा सकता है।
मशीन लर्निंग प्रक्रिया चयनित एल्गोरिथम में प्रशिक्षण डेटा इनपुट करने के साथ शुरू होती है। अंतिम मशीन लर्निंग एल्गोरिदम विकसित करने के लिए डेटा ज्ञात या अज्ञात डेटा का प्रशिक्षण। प्रशिक्षण डेटा इनपुट का प्रकार एल्गोरिथम को प्रभावित करता है, और उस अवधारणा को आगे पल भर में कवर किया जाएगा।
नया इनपुट डेटा मशीन लर्निंग एल्गोरिथम में फीड किया जाता है ताकि यह जांचा जा सके कि एल्गोरिथम सही तरीके से काम करता है या नहीं। फिर भविष्यवाणी और परिणामों की एक दूसरे के खिलाफ जाँच की जाती है।
यदि भविष्यवाणी और परिणाम मेल नहीं खाते हैं, तो एल्गोरिथ्म को कई बार फिर से प्रशिक्षित किया जाता है जब तक कि डेटा वैज्ञानिक को वांछित परिणाम नहीं मिल जाता। यह मशीन लर्निंग एल्गोरिथम को लगातार अपने आप सीखने में सक्षम बनाता है और समय के साथ सटीकता में धीरे-धीरे वृद्धि करते हुए इष्टतम उत्तर देता है।
मशीन लर्निंग (एमएल) के शुरुआती चरणों में ऐसे प्रयोग देखे गए जिनमें कंप्यूटर के सिद्धांतों को डेटा में पैटर्न की पहचान करना और उनसे सीखना शामिल था। आज, उन मूलभूत प्रयोगों के आधार पर, मशीन लर्निंग अधिक जटिल है।
जबकि मशीन लर्निंग एल्गोरिदम लंबे समय से आसपास रहे हैं, जटिल एल्गोरिदम को बड़े डेटा अनुप्रयोगों में अधिक तेज़ी से और प्रभावी ढंग से लागू करने की क्षमता एक हालिया विकास है। कुछ हद तक परिष्कार के साथ इन चीजों को करने में सक्षम होने से कंपनी अपने प्रतिस्पर्धियों से आगे निकल सकती है।
मशीन लर्निंग के विभिन्न प्रकार क्या हैं?
मशीन लर्निंग जटिल है, यही वजह है कि इसे दो प्राथमिक क्षेत्रों में विभाजित किया गया है, पर्यवेक्षित शिक्षण और अनुपयोगी शिक्षण। प्रत्येक का एक विशिष्ट उद्देश्य और कार्य होता है, जो परिणाम देता है और डेटा के विभिन्न रूपों का उपयोग करता है। लगभग 70 प्रतिशत मशीन लर्निंग पर्यवेक्षित शिक्षण होता है, जबकि बिना पर्यवेक्षित शिक्षण कहीं भी 10 से 20 प्रतिशत के बीच होता है। शेष को सुदृढीकरण सीखने द्वारा लिया जाता है।
1. पर्यवेक्षित शिक्षण
पर्यवेक्षित शिक्षण में, हम प्रशिक्षण डेटा के लिए ज्ञात या लेबल किए गए डेटा का उपयोग करते हैं। चूंकि डेटा ज्ञात है, इसलिए सीखने की निगरानी की जाती है, यानी, सफल निष्पादन में निर्देशित किया जाता है। इनपुट डेटा मशीन लर्निंग एल्गोरिदम के माध्यम से जाता है और मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है। एक बार जब मॉडल को ज्ञात डेटा के आधार पर प्रशिक्षित किया जाता है, तो आप मॉडल में अज्ञात डेटा का उपयोग कर सकते हैं और एक नई प्रतिक्रिया प्राप्त कर सकते हैं।
इस मामले में, मॉडल यह पता लगाने की कोशिश करता है कि डेटा एक सेब है या कोई अन्य फल। एक बार जब मॉडल अच्छी तरह से प्रशिक्षित हो जाता है, तो यह पहचान लेगा कि डेटा एक सेब है और वांछित प्रतिक्रिया देगा।
2. अनुपयोगी शिक्षा
अनुपयोगी शिक्षण में, प्रशिक्षण डेटा अज्ञात और बिना लेबल वाला होता है - जिसका अर्थ है कि किसी ने भी डेटा को पहले नहीं देखा है। ज्ञात डेटा के पहलू के बिना, इनपुट को एल्गोरिदम के लिए निर्देशित नहीं किया जा सकता है, जहां से असुरक्षित शब्द उत्पन्न होता है। यह डेटा मशीन लर्निंग एल्गोरिदम को खिलाया जाता है और मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है।
प्रशिक्षित मॉडल एक पैटर्न की खोज करने और वांछित प्रतिक्रिया देने की कोशिश करता है। इस मामले में, अक्सर ऐसा होता है कि एल्गोरिथम एनिग्मा मशीन की तरह कोड को तोड़ने की कोशिश कर रहा है, लेकिन बिना मानव दिमाग के सीधे तौर पर शामिल है, बल्कि एक मशीन है। इस मामले में, अज्ञात डेटा में सेब और नाशपाती होते हैं जो एक दूसरे के समान दिखते हैं। प्रशिक्षित मॉडल उन सभी को एक साथ रखने की कोशिश करता है ताकि आपको समान चीजें समान समूहों में मिलें।
3. सुदृढीकरण सीखना
पारंपरिक प्रकार के डेटा विश्लेषण की तरह, यहां, एल्गोरिदम परीक्षण और त्रुटि की प्रक्रिया के माध्यम से डेटा की खोज करता है और फिर यह तय करता है कि उच्च पुरस्कारों में कौन सी कार्रवाई का परिणाम है। तीन प्रमुख घटक सुदृढीकरण सीखने को बनाते हैं: एजेंट, पर्यावरण और क्रियाएं। एजेंट शिक्षार्थी या निर्णय लेने वाला होता है, वातावरण में वह सब कुछ शामिल होता है जिसके साथ एजेंट अंतःक्रिया करता है, और क्रिया वही होती है जो एजेंट करता है।
सुदृढीकरण सीखना तब होता है जब एजेंट उन कार्यों को चुनता है जो एक निश्चित समय में अपेक्षित इनाम को अधिकतम करते हैं। यह हासिल करना सबसे आसान है जब एजेंट एक ठोस नीति ढांचे के भीतर काम कर रहा हो।
मशीन लर्निंग क्यों महत्वपूर्ण है?
प्रश्न का बेहतर उत्तर देने के लिए: मशीन लर्निंग क्या है" और मशीन लर्निंग के उपयोगों को समझने के लिए, मशीन लर्निंग के कुछ अनुप्रयोगों पर विचार करें: सेल्फ-ड्राइविंग Google कार, साइबर धोखाधड़ी का पता लगाना, और फेसबुक, नेटफ्लिक्स और अमेज़ॅन से ऑनलाइन अनुशंसा इंजन . मशीनें इन सभी चीजों को उपयोगी जानकारी के टुकड़ों को छानकर और सटीक परिणाम प्राप्त करने के लिए पैटर्न के आधार पर उन्हें एक साथ जोड़कर संभव बनाती हैं।
कुछ मशीन लर्निंग एल्गोरिदम और प्रक्रियाओं पर एक नज़र।
यदि आप मशीन लर्निंग क्या है, इसका अध्ययन कर रहे हैं, तो आपको मानक मशीन लर्निंग एल्गोरिदम और प्रक्रियाओं से खुद को परिचित करना चाहिए। इनमें न्यूरल नेटवर्क, डिसीजन ट्री, रैंडम फ़ॉरेस्ट, एसोसिएशन और सीक्वेंस डिस्कवरी, ग्रेडिएंट बूस्टिंग और बैगिंग, सपोर्ट वेक्टर मशीन, सेल्फ-ऑर्गनाइज़िंग मैप्स, के-मीन्स क्लस्टरिंग, बायेसियन नेटवर्क, गॉसियन मिक्सचर मॉडल और बहुत कुछ शामिल हैं।
अन्य मशीन लर्निंग टूल और प्रक्रियाएं हैं जो बड़े डेटा से अधिकतम मूल्य प्राप्त करने के लिए विभिन्न एल्गोरिदम का लाभ उठाती हैं। इसमे शामिल है:
• व्यापक डेटा गुणवत्ता और प्रबंधन
• मॉडल और प्रक्रिया प्रवाह के निर्माण के लिए जीयूआई
• मॉडल परिणामों का इंटरएक्टिव डेटा अन्वेषण और विज़ुअलाइज़ेशन
• विभिन्न मशीन लर्निंग मॉडल की तुलना जल्दी से सर्वश्रेष्ठ की पहचान करने के लिए
• सर्वश्रेष्ठ प्रदर्शन करने वालों को निर्धारित करने के लिए स्वचालित पहनावा मॉडल मूल्यांकन
• आसान मॉडल परिनियोजन ताकि आप जल्दी से दोहराने योग्य, विश्वसनीय परिणाम प्राप्त कर सकें
• डेटा-टू-निर्णय प्रक्रिया के स्वचालन के लिए एक एकीकृत एंड-टू-एंड प्लेटफॉर्म
मशीन लर्निंग का उपयोग कैसे किया जाता है?
थकाऊ मैनुअल डेटा प्रविष्टि को स्वचालित करने से लेकर बीमा जोखिम आकलन या धोखाधड़ी का पता लगाने जैसे अधिक जटिल उपयोग के मामलों में, मशीन लर्निंग में कई अनुप्रयोग हैं, जिसमें ग्राहक सेवा, उत्पाद अनुशंसाएं (अमेज़ॅन उत्पाद सुझाव या स्पॉटिफ़ के प्लेलिस्टिंग एल्गोरिदम देखें) और आंतरिक जैसे क्लाइंट-फेसिंग फ़ंक्शंस शामिल हैं। प्रक्रियाओं को गति देने और मैनुअल वर्कलोड को कम करने में मदद करने के लिए संगठनों के अंदर एप्लिकेशन।
मशीन लर्निंग को इतना मूल्यवान बनाने का एक बड़ा हिस्सा यह पता लगाने की क्षमता है कि मानव आंख क्या याद करती है। मशीन लर्निंग मॉडल जटिल पैटर्न को पकड़ने में सक्षम हैं जिन्हें मानव विश्लेषण के दौरान अनदेखा कर दिया गया होगा।
प्राकृतिक भाषा प्रसंस्करण, मशीन दृष्टि, और गहरी शिक्षा जैसी संज्ञानात्मक तकनीक के लिए धन्यवाद, मशीन लर्निंग मानव श्रमिकों को उत्पाद नवाचार और सेवा की गुणवत्ता और दक्षता में सुधार जैसे कार्यों पर ध्यान केंद्रित करने के लिए मुक्त कर रहा है।
आप एक विशाल लेकिन संगठित स्प्रेडशीट के माध्यम से छानने और एक पैटर्न की पहचान करने में अच्छे हो सकते हैं, लेकिन मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस के लिए धन्यवाद, एल्गोरिदम डेटा के बहुत बड़े सेट की जांच कर सकते हैं और पैटर्न को बहुत अधिक समझ सकते हैं।
उदाहरण के साथ मशीन लर्निंग क्या है?
पर्यवेक्षित मशीन लर्निंग मॉडल को लेबल किए गए डेटा सेट के साथ प्रशिक्षित किया जाता है, जो मॉडल को समय के साथ सीखने और अधिक सटीक होने की अनुमति देता है। उदाहरण के लिए, एक एल्गोरिथम को कुत्तों और अन्य चीजों के चित्रों के साथ प्रशिक्षित किया जाएगा, जो सभी मनुष्यों द्वारा लेबल किए गए हैं, और मशीन कुत्तों की तस्वीरों की पहचान करने के तरीके सीखेगी ।