मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) का एक अनुप्रयोग है जो सिस्टम को स्पष्ट रूप से प्रोग्राम किए बिना अनुभव से स्वचालित रूप से सीखने और बेहतर बनाने की क्षमता प्रदान करता है। मशीन लर्निंग कंप्यूटर प्रोग्राम के विकास पर केंद्रित है जो डेटा का उपयोग कर सकते हैं और इसका उपयोग खुद के लिए सीख सकते हैं।
सीखने की प्रक्रिया टिप्पणियों या डेटा के साथ शुरू होती है, जैसे उदाहरण, प्रत्यक्ष अनुभव, या अनुदेश, ताकि डेटा में पैटर्न की तलाश की जा सके और हमारे द्वारा प्रदान किए जाने वाले उदाहरणों के आधार पर भविष्य में बेहतर निर्णय ले सकें। प्राथमिक उद्देश्य कंप्यूटर मानव हस्तक्षेप या सहायता के बिना स्वचालित रूप से सीखने की अनुमति और तदनुसार कार्रवाई को समायोजित करने के लिए है ।
कुछ मशीन लर्निंग विधियां – machine learning methods
मशीन लर्निंग एल्गोरिदम को अक्सर पर्यवेक्षित या अपर्यवेक्षित के रूप में वर्गीकृत किया जाता है।
- Supervised machine learning algorithms – पर्यवेक्षित मशीन लर्निंग एल्गोरिदम भविष्य की घटनाओं की भविष्यवाणी करने के लिए लेबल किए गए उदाहरणों का उपयोग करके नए डेटा के लिए अतीत में सीखे गए एल्गोरिदम को लागू कर सकते हैं। एक ज्ञात प्रशिक्षण डेटासेट के विश्लेषण से शुरू, लर्निंग एल्गोरिदम आउटपुट मूल्यों के बारे में भविष्यवाणी करने के लिए एक अनुमानित कार्य का उत्पादन करता है। यह प्रणाली पर्याप्त प्रशिक्षण के बाद किसी भी नए इनपुट के लिए लक्ष्य प्रदान करने में सक्षम है । लर्निंग एल्गोरिदम अपने आउटपुट की तुलना सही, इच्छित आउटपुट के साथ भी कर सकता है और तदनुसार मॉडल को संशोधित करने के लिए त्रुटियों को ढूंढ सकता है।
- unsupervised machine learning algorithms – इसके विपरीत, अपर्यवेक्षित मशीन लर्निंग एल्गोरिदम का उपयोग तब किया जाता है जब प्रशिक्षित करने के लिए उपयोग की जाने वाली जानकारी को न तो वर्गीकृत किया जाता है और न ही लेबल किया जाता है। अपर्यवेक्षित सीखने का अध्ययन कैसे सिस्टम अवेलेबल डेटा से एक छिपी संरचना का वर्णन करने के लिए एक समारोह का अनुमान लगा सकते हैं । सिस्टम सही आउटपुट को समझ नहीं है, लेकिन यह डेटा की पड़ताल करता है और अवेलेबल डेटा से छिपी संरचनाओं का वर्णन करने के लिए डेटासेट से निष्कर्ष निकाल सकता है।
- Semi-supervised machine learning algorithms – अर्ध-पर्यवेक्षित मशीन लर्निंग एल्गोरिदम पर्यवेक्षित और अपर्यवेक्षित सीखने के बीच कहीं गिर जाते हैं, क्योंकि वे प्रशिक्षण के लिए लेबल और अलेबल डेटा दोनों का उपयोग करते हैं – आमतौर पर लेबल वाले डेटा की एक छोटी राशि और बड़ी मात्रा में अलेबल डेटा। इस विधि का उपयोग करने वाले सिस्टम सीखने की सटीकता में काफी सुधार करने में सक्षम हैं। आमतौर पर, अर्ध-पर्यवेक्षित सीखने को तब चुना जाता है जब अधिग्रहीत लेबल वाले डेटा को प्रशिक्षित करने के लिए कुशल और प्रासंगिक संसाधनों की आवश्यकता होती है/ अन्यथा, अवेलेबल डेटा प्राप्त करने के लिए आम तौर पर अतिरिक्त संसाधनों की आवश्यकता नहीं होती है।
- Reinforcement machine learning algorithms – सुदृढीकरण मशीन लर्निंग एल्गोरिदम एक सीखने की विधि है जो कार्यों का उत्पादन करके अपने पर्यावरण के साथ बातचीत करती है और त्रुटियों या पुरस्कारों को खोजती है। परीक्षण और त्रुटि खोज और देरी इनाम सुदृढीकरण सीखने की सबसे प्रासंगिक विशेषताएं हैं। यह विधि मशीनों और सॉफ्टवेयर एजेंटों को अपने प्रदर्शन को अधिकतम करने के लिए एक विशिष्ट संदर्भ के भीतर आदर्श व्यवहार को स्वचालित रूप से निर्धारित करने की अनुमति देती है। एजेंट के लिए सरल इनाम प्रतिक्रिया की आवश्यकता होती है ताकि यह पता चल सके कि कौन सी कार्रवाई सबसे अच्छी है; इसे सुदृढीकरण संकेत के रूप में जाना जाता है
Read More – Role of Data Scientist.
मशीन लर्निंग भारी मात्रा में डेटा के विश्लेषण को सक्षम बनाता है। हालांकि यह आम तौर पर लाभदायक अवसरों या खतरनाक जोखिमों की पहचान करने के लिए तेजी से, 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 का संयोजन यह जानकारी की बड़ी मात्रा में प्रसंस्करण में और भी प्रभावी बना सकते हैं ।