मशीन लर्निंग क्या है?

मशीन लर्निंग कंप्यूटर विज्ञान का एक क्षेत्र है जो कंप्यूटर सिस्टम को डेटा, के बिना 'सीखने' की क्षमता देने के लिए स्टैटिक प्रौद्योगिकियों का उपयोग करता है। स्पष्ट रूप से प्रोग्राम किया जा रहा है।

इसका मतलब है, "एमएल डेटा से सीखने के बारे में है"

स्पष्ट प्रोग्रामिंग का अर्थ है, उस स्थिति को संभालने के लिए प्रत्येक परिदृश्य के लिए कोड लिखना।

मशीन लर्निंग में, प्रत्येक परिदृश्य के लिए स्पष्ट कोड लिखने के बजाय, हम मॉडलों को डेटा से पैटर्न सीखने के लिए प्रशिक्षित करते हैं, जिससे उन्हें भविष्यवाणियां करने की अनुमति मिलती है या निर्णय अनदेखी स्थितियों के लिए।

तो, हम इनपुट और आउटपुट देते हैं, लेकिन प्रत्येक मामले के लिए कोई कोड नहीं लिखते हैं। एमएल एल्गोरिदम स्वचालित रूप से उन्हें संभालते हैं।

एक सरल उदाहरण का उपयोग कर सकते हैं:

संक्षेप समारोह:

स्पष्ट प्रोग्रामिंग में, 2 नंबर जोड़ने के लिए, हम विशिष्ट कोड लिखते हैं जो केवल उस मामले के लिए काम करता है। यह कोड बिना संशोधन के 5 या N संख्याएँ जोड़ने के लिए काम नहीं करेगा।

इसके विपरीत, एमएल के साथ, हम एक एक्सेल फ़ाइल प्रदान कर सकते हैं जहां प्रत्येक पंक्ति में अलग-अलग संख्याएं और उनका योग होता है। जैसे ही एमएल एल्गोरिदम इस डेटासेट पर प्रशिक्षित होता है, यह जोड़ का पैटर्न सीखता है। भविष्य में, जब 2, 10, या एन नंबर दिए जाते हैं, तो यह प्रत्येक परिदृश्य के लिए विशिष्ट कोड की आवश्यकता के बिना, सीखे गए पैटर्न के आधार पर जोड़-घटाव कर सकता है।

हम एमएल का उपयोग कहां कर रहे हैं?

• ईमेल स्पैम क्लासिफायरियर:

स्पष्ट प्रोग्रामिंग में, मैंने कई अन्य स्थितियां लिखीं, जैसे: "यदि कोई कीवर्ड 3 या अधिक बार दिखाई देता है, तो इसे स्पैम के रूप में चिह्नित किया जाएगा।" उदाहरण के लिए, यदि "विशाल" शब्द का उपयोग 3 बार किया जाता है, तो इसे स्पैम के रूप में चिह्नित किया जाता है।

अब, कल्पना कीजिए कि एक विज्ञापन कंपनी को एहसास होता है कि उनके स्पैम का पता लगाने के लिए इस तरह का एक एल्गोरिदम है। इसलिए "विशाल" को तीन बार दोहराने के बजाय, वे "विशाल," "विशाल," और "बड़ा" जैसे समानार्थक शब्दों का उपयोग करते हैं। इस स्थिति में, मूल नियम काम नहीं करेगा. समाधान क्या होगा? क्या मुझे अपने पिछले एल्गोरिदम को फिर से बदलना चाहिए? मैं ऐसा कितनी बार कर पाऊंगा?

ML में, मॉडल उपलब्ध कराए गए डेटा से सीखता है और स्वचालित रूप से उस डेटा के आधार पर एल्गोरिदम बनाता है। यदि डेटा बदलता है, तो एल्गोरिदम तदनुसार समायोजित हो जाता है। एल्गोरिदम को मैन्युअल रूप से बदलने की कोई आवश्यकता नहीं है, यह नए डेटा के आधार पर आवश्यकतानुसार स्वयं अपडेट हो जाएगा।

• छवि वर्गीकरण:

छवि वर्गीकरण के लिए स्पष्ट प्रोग्रामिंग में, हमें कुत्ते की विशेषताओं, जैसे उसके आकार, आकार, फर का रंग या पूंछ की पहचान करने के लिए मैन्युअल रूप से नियम लिखने की आवश्यकता होगी। ये नियम केवल विशिष्ट छवियों के लिए काम करेंगे और सभी कुत्तों की नस्लों के लिए अच्छी तरह से सामान्यीकृत नहीं होंगे। यदि हमें नई नस्लों या विविधताओं का सामना करना पड़ा, तो हमें प्रत्येक के लिए नए नियम जोड़ने होंगे।

ML में, विशिष्ट नियम लिखने के बजाय, हम मॉडल को नस्ल द्वारा लेबल किए गए कुत्ते की छवियों का एक बड़ा डेटासेट प्रदान करते हैं। फिर मॉडल डेटा से पैटर्न सीखता है, जैसे कि विभिन्न नस्लों की सामान्य विशेषताएं, और उस सीखे हुए ज्ञान का उपयोग नए कुत्ते की छवियों को वर्गीकृत करने के लिए करता है, भले ही उसने पहले उन सटीक नस्लों को नहीं देखा हो। एल्गोरिदम स्वचालित रूप से डेटा में भिन्नता के अनुकूल हो जाता है।

इसके अलावा, एमएल के हजारों उपयोग हैं। आपको आश्चर्य हो सकता है,
मशीन लर्निंग 2010 से पहले इतनी लोकप्रिय क्यों नहीं थी?

• हार्ड ड्राइव की कमी के कारण सीमित भंडारण क्षमता के कारण बड़ी मात्रा में डेटा संग्रहीत करना मुश्किल हो गया।
• मशीन लर्निंग मॉडल को प्रभावी ढंग से प्रशिक्षित करने के लिए पर्याप्त डेटा उपलब्ध नहीं था।
• कम शक्तिशाली जीपीयू और प्रोसेसर जैसी हार्डवेयर सीमाएं, जटिल एल्गोरिदम को कुशलतापूर्वक चलाने की क्षमता को प्रतिबंधित करती हैं।

आजकल, हम हर दिन लाखों डेटा पॉइंट उत्पन्न कर रहे हैं। इस विशाल मात्रा में डेटा का उपयोग करके, एमएल मॉडल अब अधिक सटीक, कुशल और जटिल समस्याओं को हल करने में सक्षम हो रहे हैं। वे पैटर्न सीख सकते हैं, भविष्यवाणियां कर सकते हैं और स्वास्थ्य देखभाल, वित्त और प्रौद्योगिकी जैसे विभिन्न क्षेत्रों में कार्यों को स्वचालित कर सकते हैं, निर्णय लेने में सुधार कर सकते हैं और नवाचार चला सकते हैं।

इसे पढ़ने के लिए समय निकालने के लिए धन्यवाद।