ML Full Form in Hindi, ML की सम्पूर्ण जानकारी , What is ML in Hindi, ML Meaning in Hindi, ML Full Form, ML Kya Hai, ML का Full Form क्या हैं, ML का फुल फॉर्म क्या है, ML Full Form in Hindi, Full Form of ML in Hindi, ML किसे कहते है, ML का फुल फॉर्म इन हिंदी, ML का पूरा नाम और हिंदी में क्या अर्थ होता है, ML की शुरुआत कैसे हुई, दोस्तों क्या आपको पता है, ML की फुल फॉर्म क्या है, और ML होता क्या है, अगर आपका Answer नहीं है, तो आपको उदास होने की कोई जरुरत नहीं है, क्योंकि आज हम इस पोस्ट में आपको ML की पूरी जानकारी हिंदी भाषा में देने जा रहे है. तो फ्रेंड्स ML फुल फॉर्म इन हिंदी में और इसका पूरा इतिहास जानने के लिए आप इस पोस्ट को लास्ट तक पढ़े.
ML की फुल फॉर्म “Machine Learning” होती है, ML को हिंदी में “मशीन लर्निंग” कहते है. मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) और कंप्यूटर साइंस की एक शाखा है जो डेटा और एल्गोरिदम के इस्तेमाल पर ध्यान केंद्रित करती है ताकि इंसानों के सीखने के तरीके की नकल की जा सके, धीरे-धीरे इसकी सटीकता में सुधार हो सके.
मशीन लर्निंग (एमएल) कंप्यूटर एल्गोरिदम का अध्ययन है जो अनुभव और डेटा के उपयोग से स्वचालित रूप से सुधार कर सकता है. इसे आर्टिफिशियल इंटेलिजेंस के हिस्से के रूप में देखा जाता है. मशीन लर्निंग एल्गोरिदम नमूना डेटा के आधार पर एक मॉडल का निर्माण करते हैं, जिसे "प्रशिक्षण डेटा" के रूप में जाना जाता है, ताकि ऐसा करने के लिए स्पष्ट रूप से प्रोग्राम किए बिना भविष्यवाणियां या निर्णय किए जा सकें. मशीन लर्निंग एल्गोरिदम का उपयोग विभिन्न प्रकार के अनुप्रयोगों में किया जाता है, जैसे कि दवा, ईमेल फ़िल्टरिंग, वाक् पहचान, और कंप्यूटर विज़न, जहां आवश्यक कार्यों को करने के लिए पारंपरिक एल्गोरिदम विकसित करना मुश्किल या अक्षम्य है. मशीन लर्निंग का एक सबसेट कम्प्यूटेशनल आँकड़ों से निकटता से संबंधित है, जो कंप्यूटर का उपयोग करके भविष्यवाणियाँ करने पर केंद्रित है; लेकिन सभी मशीन लर्निंग सांख्यिकीय शिक्षा नहीं है. गणितीय अनुकूलन का अध्ययन मशीन सीखने के क्षेत्र में विधियों, सिद्धांत और अनुप्रयोग डोमेन को वितरित करता है. डेटा माइनिंग अध्ययन का एक संबंधित क्षेत्र है, जो अनपर्यवेक्षित शिक्षण के माध्यम से खोजपूर्ण डेटा विश्लेषण पर केंद्रित है. मशीन लर्निंग के कुछ कार्यान्वयन डेटा और तंत्रिका नेटवर्क का इस तरह से उपयोग करते हैं जो एक जैविक मस्तिष्क के काम की नकल करता है. व्यावसायिक समस्याओं में इसके अनुप्रयोग में, मशीन लर्निंग को प्रेडिक्टिव एनालिटिक्स के रूप में भी जाना जाता है.
मशीन लर्निंग के साथ आईबीएम का समृद्ध इतिहास रहा है. अपने स्वयं में से एक, आर्थर सैमुअल को चेकर्स के खेल के आसपास अपने शोध (पीडीएफ, 481 केबी) (लिंक आईबीएम के बाहर रहता है) के साथ "मशीन लर्निंग" शब्द गढ़ने का श्रेय दिया जाता है. स्व-घोषित चेकर्स मास्टर रॉबर्ट नीले ने 1962 में आईबीएम 7094 कंप्यूटर पर गेम खेला और वह कंप्यूटर से हार गए. आज जो किया जा सकता है उसकी तुलना में, यह उपलब्धि लगभग तुच्छ लगती है, लेकिन इसे कृत्रिम बुद्धि के क्षेत्र में एक प्रमुख मील का पत्थर माना जाता है. अगले कुछ दशकों में, भंडारण और प्रसंस्करण शक्ति के आसपास के तकनीकी विकास कुछ ऐसे नवीन उत्पादों को सक्षम करेंगे जिन्हें हम आज जानते हैं और पसंद करते हैं, जैसे कि नेटफ्लिक्स का सिफारिश इंजन या सेल्फ-ड्राइविंग कार.
मशीन लर्निंग डेटा साइंस के बढ़ते क्षेत्र का एक महत्वपूर्ण घटक है. सांख्यिकीय विधियों के उपयोग के माध्यम से, एल्गोरिदम को डेटा माइनिंग परियोजनाओं के भीतर प्रमुख अंतर्दृष्टि को उजागर करते हुए, वर्गीकरण या भविष्यवाणियां करने के लिए प्रशिक्षित किया जाता है. ये अंतर्दृष्टि बाद में अनुप्रयोगों और व्यवसायों के भीतर निर्णय लेने को प्रेरित करती हैं, आदर्श रूप से प्रमुख विकास मेट्रिक्स को प्रभावित करती हैं. जैसे-जैसे बड़े डेटा का विस्तार और विकास जारी रहेगा, डेटा वैज्ञानिकों की बाजार की मांग बढ़ेगी, जिससे उन्हें सबसे अधिक प्रासंगिक व्यावसायिक प्रश्नों की पहचान में सहायता करने की आवश्यकता होगी और बाद में उनका उत्तर देने के लिए डेटा.
मशीन लर्निंग कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना कार्य करने के लिए प्राप्त करने का विज्ञान है. पिछले एक दशक में, मशीन लर्निंग ने हमें सेल्फ-ड्राइविंग कार, व्यावहारिक भाषण पहचान, प्रभावी वेब खोज और मानव जीनोम की व्यापक रूप से बेहतर समझ प्रदान की है. मशीन लर्निंग आज इतना व्यापक है कि आप शायद इसे जाने बिना दिन में दर्जनों बार इसका इस्तेमाल करते हैं. कई शोधकर्ता यह भी सोचते हैं कि यह मानव-स्तर के AI की ओर प्रगति करने का सबसे अच्छा तरीका है. इस कक्षा में, आप सबसे प्रभावी मशीन सीखने की तकनीकों के बारे में जानेंगे, और उन्हें लागू करने और उन्हें अपने लिए काम करने का अभ्यास प्राप्त करेंगे. इससे भी महत्वपूर्ण बात यह है कि आप न केवल सीखने के सैद्धांतिक आधार के बारे में जानेंगे, बल्कि इन तकनीकों को नई समस्याओं पर जल्दी और शक्तिशाली रूप से लागू करने के लिए आवश्यक व्यावहारिक ज्ञान भी प्राप्त करेंगे. अंत में, आप नवाचार में सिलिकॉन वैली की कुछ सर्वोत्तम प्रथाओं के बारे में जानेंगे क्योंकि यह मशीन लर्निंग और एआई से संबंधित है.
यह कोर्स मशीन लर्निंग, डेटामाइनिंग और सांख्यिकीय पैटर्न मान्यता के लिए एक व्यापक परिचय प्रदान करता है. विषयों में शामिल हैं: (i) पर्यवेक्षित शिक्षण (पैरामीट्रिक/गैर-पैरामीट्रिक एल्गोरिदम, समर्थन वेक्टर मशीन, कर्नेल, तंत्रिका नेटवर्क). (ii) अनसुपरवाइज्ड लर्निंग (क्लस्टरिंग, डायमेंशनल रिडक्शन, सिफ़ारिश सिस्टम, डीप लर्निंग). (iii) मशीन लर्निंग में सर्वोत्तम अभ्यास (पूर्वाग्रह/विचरण सिद्धांत; मशीन लर्निंग और एआई में नवाचार प्रक्रिया). पाठ्यक्रम कई केस स्टडी और अनुप्रयोगों से भी आकर्षित होगा, ताकि आप यह भी सीख सकें कि स्मार्ट रोबोट (धारणा, नियंत्रण), पाठ समझ (वेब खोज, एंटी-स्पैम), कंप्यूटर दृष्टि, चिकित्सा सूचना विज्ञान के निर्माण के लिए सीखने के एल्गोरिदम को कैसे लागू किया जाए. , ऑडियो, डेटाबेस माइनिंग और अन्य क्षेत्र.
मशीन लर्निंग में कंप्यूटर को यह पता लगाना शामिल है कि ऐसा करने के लिए स्पष्ट रूप से प्रोग्राम किए बिना वे कैसे कार्य कर सकते हैं. इसमें कंप्यूटर प्रदान किए गए डेटा से सीखना शामिल है ताकि वे कुछ कार्यों को पूरा कर सकें. कंप्यूटर को सौंपे गए सरल कार्यों के लिए, मशीन को यह बताने वाले एल्गोरिदम को प्रोग्राम करना संभव है कि हाथ में समस्या को हल करने के लिए आवश्यक सभी चरणों को कैसे निष्पादित किया जाए; कंप्यूटर की ओर से, सीखने की कोई आवश्यकता नहीं है. अधिक उन्नत कार्यों के लिए, मानव के लिए आवश्यक एल्गोरिदम को मैन्युअल रूप से बनाना चुनौतीपूर्ण हो सकता है. व्यवहार में, यह मशीन को अपने स्वयं के एल्गोरिदम विकसित करने में मदद करने के लिए अधिक प्रभावी साबित हो सकता है, बजाय इसके कि मानव प्रोग्रामर हर आवश्यक कदम निर्दिष्ट करें.
मशीन लर्निंग का अनुशासन कंप्यूटर को ऐसे कार्यों को पूरा करने के लिए सिखाने के लिए विभिन्न तरीकों को नियोजित करता है जहां कोई पूरी तरह से संतोषजनक एल्गोरिदम उपलब्ध नहीं है. ऐसे मामलों में जहां बड़ी संख्या में संभावित उत्तर मौजूद हैं, एक दृष्टिकोण कुछ सही उत्तरों को मान्य के रूप में लेबल करना है. इसके बाद इसका उपयोग कंप्यूटर के लिए प्रशिक्षण डेटा के रूप में किया जा सकता है ताकि वह सही उत्तरों को निर्धारित करने के लिए उपयोग किए जाने वाले एल्गोरिदम में सुधार कर सके. उदाहरण के लिए, डिजिटल कैरेक्टर रिकग्निशन के कार्य के लिए एक सिस्टम को प्रशिक्षित करने के लिए, हस्तलिखित अंकों के MNIST डेटासेट का अक्सर उपयोग किया जाता है.
मशीन लर्निंग अध्ययन का क्षेत्र है जो कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता देता है. एमएल सबसे रोमांचक तकनीकों में से एक है जो कभी किसी के सामने आई होगी. जैसा कि नाम से स्पष्ट है, यह कंप्यूटर देता है जो इसे मनुष्यों के समान बनाता है: सीखने की क्षमता. मशीन लर्निंग का आज सक्रिय रूप से उपयोग किया जा रहा है, शायद कई जगहों पर जिसकी अपेक्षा की जाती है.
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 तक पहुंच सकता है और इसका उपयोग स्वयं सीखने के लिए कर सकता है. सीखने की प्रक्रिया अवलोकन या डेटा से शुरू होती है, जैसे उदाहरण, प्रत्यक्ष अनुभव, या निर्देश, डेटा में पैटर्न देखने और भविष्य में हमारे द्वारा प्रदान किए गए उदाहरणों के आधार पर बेहतर निर्णय लेने के लिए. प्राथमिक उद्देश्य कंप्यूटर को मानवीय हस्तक्षेप या सहायता के बिना स्वचालित रूप से सीखने की अनुमति देना और उसके अनुसार कार्यों को समायोजित करना है. लेकिन, मशीन लर्निंग के क्लासिक एल्गोरिदम का उपयोग करते हुए, टेक्स्ट को कीवर्ड के अनुक्रम के रूप में माना जाता है; इसके बजाय, शब्दार्थ विश्लेषण पर आधारित एक दृष्टिकोण किसी पाठ के अर्थ को समझने की मानवीय क्षमता की नकल करता है.
मशीन लर्निंग एल्गोरिदम को अक्सर पर्यवेक्षित या अनुपयोगी के रूप में वर्गीकृत किया जाता है.
पर्यवेक्षित मशीन लर्निंग एल्गोरिदम भविष्य की घटनाओं की भविष्यवाणी करने के लिए लेबल किए गए उदाहरणों का उपयोग करके अतीत में सीखी गई चीजों को नए डेटा पर लागू कर सकते हैं. एक ज्ञात प्रशिक्षण डेटासेट के विश्लेषण से शुरू होकर, लर्निंग एल्गोरिदम आउटपुट मूल्यों के बारे में भविष्यवाणियां करने के लिए एक अनुमानित फ़ंक्शन तैयार करता है. 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 से भी कर सकता है और मॉडल को तदनुसार संशोधित करने के लिए त्रुटियों का पता लगा सकता है.
इसके विपरीत, अनुपयोगी 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. बिना पर्यवेक्षित शिक्षण अध्ययन करता है कि कैसे सिस्टम बिना लेबल वाले डेटा से छिपी संरचना का वर्णन करने के लिए किसी फ़ंक्शन का अनुमान लगा सकता है. सिस्टम सही आउटपुट का पता नहीं लगाता है, लेकिन यह डेटा की खोज करता है और बिना लेबल वाले डेटा से छिपी संरचनाओं का वर्णन करने के लिए डेटासेट से निष्कर्ष निकाल सकता है.
अर्ध-पर्यवेक्षित मशीन लर्निंग एल्गोरिदम पर्यवेक्षित और अनुपयोगी शिक्षा के बीच में कहीं गिर जाते हैं, क्योंकि वे प्रशिक्षण के लिए लेबल किए गए और बिना लेबल वाले दोनों डेटा का उपयोग करते हैं - आमतौर पर लेबल किए गए डेटा की एक छोटी मात्रा और बड़ी मात्रा में बिना लेबल वाले डेटा. इस पद्धति का उपयोग करने वाले सिस्टम सीखने की सटीकता में काफी सुधार करने में सक्षम हैं. आमतौर पर, अर्ध-पर्यवेक्षित शिक्षण का चयन तब किया जाता है जब अधिग्रहीत लेबल किए गए डेटा को प्रशिक्षित करने/इससे सीखने के लिए कुशल और प्रासंगिक संसाधनों की आवश्यकता होती है. अन्यथा, लेबल रहित डेटा प्राप्त करने के लिए आम तौर पर अतिरिक्त संसाधनों की आवश्यकता नहीं होती है.
सुदृढीकरण मशीन लर्निंग एल्गोरिदम एक सीखने की विधि है जो क्रियाओं का निर्माण करके अपने पर्यावरण के साथ बातचीत करती है और त्रुटियों या पुरस्कारों का पता लगाती है. परीक्षण और त्रुटि खोज और विलंबित 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 में आदर्श व्यवहार को स्वचालित रूप से निर्धारित करने की अनुमति देती है. एजेंट को यह जानने के लिए कि कौन सी कार्रवाई सबसे अच्छी है, सरल इनाम प्रतिक्रिया की आवश्यकता है; इसे सुदृढीकरण संकेत के रूप में जाना जाता है.
चूंकि डीप लर्निंग और मशीन लर्निंग का परस्पर उपयोग किया जाता है, यह दोनों के बीच की बारीकियों पर ध्यान देने योग्य है. मशीन लर्निंग, डीप लर्निंग और न्यूरल नेटवर्क सभी आर्टिफिशियल इंटेलिजेंस के उप-क्षेत्र हैं. हालाँकि, डीप लर्निंग वास्तव में मशीन लर्निंग का एक उप-क्षेत्र है, और तंत्रिका नेटवर्क डीप लर्निंग का एक उप-क्षेत्र है.
जिस तरह से डीप लर्निंग और मशीन लर्निंग में अंतर होता है, वह यह है कि प्रत्येक एल्गोरिथम कैसे सीखता है. डीप लर्निंग प्रक्रिया के अधिकांश फीचर निष्कर्षण टुकड़े को स्वचालित करता है, कुछ आवश्यक मानवीय हस्तक्षेप को समाप्त करता है और बड़े डेटा सेट के उपयोग को सक्षम करता है. आप डीप लर्निंग को "स्केलेबल मशीन लर्निंग" के रूप में सोच सकते हैं, जैसा कि लेक्स फ्रिडमैन ने इस एमआईटी व्याख्यान (00:30) में नोट किया है (लिंक आईबीएम के बाहर रहता है). शास्त्रीय, या "नॉन-डीप", मशीन लर्निंग सीखने के लिए मानवीय हस्तक्षेप पर अधिक निर्भर है. मानव विशेषज्ञ डेटा इनपुट के बीच अंतर को समझने के लिए सुविधाओं के सेट का निर्धारण करते हैं, आमतौर पर सीखने के लिए अधिक संरचित डेटा की आवश्यकता होती है.
"डीप" मशीन लर्निंग अपने एल्गोरिदम को सूचित करने के लिए लेबल किए गए डेटासेट का लाभ उठा सकता है, जिसे पर्यवेक्षित शिक्षण के रूप में भी जाना जाता है, लेकिन इसके लिए एक लेबल किए गए डेटासेट की आवश्यकता नहीं होती है. यह असंरचित डेटा को अपने कच्चे रूप (जैसे पाठ, चित्र) में अंतर्ग्रहण कर सकता है, और यह स्वचालित रूप से उन विशेषताओं के सेट को निर्धारित कर सकता है जो डेटा की विभिन्न श्रेणियों को एक दूसरे से अलग करते हैं. मशीन लर्निंग के विपरीत, इसमें डेटा को प्रोसेस करने के लिए मानवीय हस्तक्षेप की आवश्यकता नहीं होती है, जिससे हम मशीन लर्निंग को अधिक दिलचस्प तरीकों से स्केल कर सकते हैं. डीप लर्निंग और न्यूरल नेटवर्क को मुख्य रूप से कंप्यूटर विज़न, नेचुरल लैंग्वेज प्रोसेसिंग और स्पीच रिकग्निशन जैसे क्षेत्रों में प्रगति में तेजी लाने का श्रेय दिया जाता है.
तंत्रिका नेटवर्क, या कृत्रिम तंत्रिका नेटवर्क (एएनएन), एक नोड परत से युक्त होते हैं, जिसमें एक इनपुट परत, एक या अधिक छिपी हुई परतें और एक आउटपुट परत होती है. प्रत्येक नोड, या कृत्रिम न्यूरॉन, दूसरे से जुड़ता है और एक संबद्ध वजन और दहलीज होता है. यदि किसी व्यक्तिगत नोड का आउटपुट निर्दिष्ट थ्रेशोल्ड मान से ऊपर है, तो वह नोड सक्रिय हो जाता है, जिससे नेटवर्क की अगली परत पर डेटा भेजा जाता है. अन्यथा, नेटवर्क की अगली परत के साथ कोई डेटा पास नहीं किया जाता है. गहरी शिक्षा में "गहरा" सिर्फ एक तंत्रिका नेटवर्क में परतों की गहराई की बात कर रहा है. एक तंत्रिका नेटवर्क जिसमें तीन से अधिक परतें होती हैं - जिसमें इनपुट और आउटपुट शामिल होंगे - को एक गहन शिक्षण एल्गोरिथ्म या एक गहरा तंत्रिका नेटवर्क माना जा सकता है. एक तंत्रिका नेटवर्क जिसमें केवल दो या तीन परतें होती हैं, वह केवल एक बुनियादी तंत्रिका नेटवर्क है.
ब्लॉग पोस्ट देखें "एआई बनाम मशीन लर्निंग बनाम डीप लर्निंग बनाम न्यूरल नेटवर्क: क्या अंतर है?" विभिन्न अवधारणाएं कैसे संबंधित हैं, इस पर करीब से नज़र डालें.
यूसी बर्कले (लिंक आईबीएम के बाहर रहता है) मशीन लर्निंग एल्गोरिदम की सीखने की प्रणाली को तीन मुख्य भागों में विभाजित करता है.
एक निर्णय प्रक्रिया: सामान्य तौर पर, मशीन लर्निंग एल्गोरिदम का उपयोग भविष्यवाणी या वर्गीकरण करने के लिए किया जाता है. कुछ इनपुट डेटा के आधार पर, जिसे लेबल किया जा सकता है या लेबल नहीं किया जा सकता है, आपका एल्गोरिदम डेटा में एक पैटर्न के बारे में अनुमान लगाएगा.
एक त्रुटि फ़ंक्शन: एक त्रुटि फ़ंक्शन मॉडल की भविष्यवाणी का मूल्यांकन करने का कार्य करता है. यदि ज्ञात उदाहरण हैं, तो एक त्रुटि फ़ंक्शन मॉडल की सटीकता का आकलन करने के लिए तुलना कर सकता है.
एक मॉडल अनुकूलन प्रक्रिया: यदि मॉडल प्रशिक्षण सेट में डेटा बिंदुओं के लिए बेहतर फिट हो सकता है, तो ज्ञात उदाहरण और मॉडल अनुमान के बीच विसंगति को कम करने के लिए वजन को समायोजित किया जाता है. एल्गोरिथ्म इस मूल्यांकन और अनुकूलन प्रक्रिया को दोहराएगा, जब तक सटीकता की सीमा पूरी नहीं हो जाती, तब तक वजन को स्वायत्त रूप से अपडेट करना.
मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) का एक अनुप्रयोग है जो उपकरणों को अपने अनुभवों से सीखने और बिना किसी कोडिंग के अपने आप को बेहतर बनाने की क्षमता देता है. उदाहरण के लिए, जब आप किसी वेबसाइट से खरीदारी करते हैं तो वह संबंधित खोज दिखाता है जैसे:- खरीदारी करने वाले लोगों ने भी इसे देखा.
आर्थर सैमुअल ने वर्ष 1959 में मशीन लर्निंग शब्द गढ़ा. वह आर्टिफिशियल इंटेलिजेंस और कंप्यूटर गेमिंग में अग्रणी थे, और मशीन लर्निंग को "अध्ययन के क्षेत्र के रूप में परिभाषित किया जो कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता देता है".
इस लेख में, सबसे पहले, हम विभिन्न पहलुओं, प्रक्रियाओं और अनुप्रयोगों को कवर करते हुए मशीन लर्निंग पर विस्तार से चर्चा करेंगे. दूसरे, हम मशीन लर्निंग के महत्व को समझने के साथ शुरुआत करेंगे. हम मशीन लर्निंग में उपयोग किए जाने वाले मानक शब्दों और एमएल समस्या को हल करने के चरणों के बारे में भी बताएंगे. इसके अलावा, हम मशीन लर्निंग के बिल्डिंग ब्लॉक्स को समझेंगे और यह कैसे काम करता है. इसके अलावा, हम यह स्थापित करेंगे कि मशीन लर्निंग के लिए पायथन सबसे अच्छी प्रोग्रामिंग भाषा क्यों है. हम विभिन्न प्रकार के मशीन लर्निंग दृष्टिकोण और औद्योगिक अनुप्रयोगों को भी सूचीबद्ध करेंगे. अंत में, लेख भारत के शीर्ष महानगरीय शहरों में वेतन प्रवृत्तियों के साथ मशीन लर्निंग के क्षेत्र में नौकरी की संभावनाओं और कैरियर के अवसरों के साथ समाप्त होता है.
मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस का एक सबसेट है. मशीन लर्निंग मशीनों को उनके व्यवहार और निर्णयों में उन्हें सीखने और अपने स्वयं के कार्यक्रमों को विकसित करने की क्षमता देकर अधिक मानवीय बनाने का अध्ययन है. यह न्यूनतम मानवीय हस्तक्षेप के साथ किया जाता है, अर्थात, कोई स्पष्ट प्रोग्रामिंग नहीं. पूरी प्रक्रिया में मशीनों के अनुभवों के आधार पर सीखने की प्रक्रिया स्वचालित और बेहतर होती है. मशीनों को अच्छी गुणवत्ता वाला डेटा खिलाया जाता है, और इस डेटा पर मशीनों को प्रशिक्षित करने के लिए एमएल मॉडल बनाने के लिए विभिन्न एल्गोरिदम का उपयोग किया जाता है. एल्गोरिथ्म का चुनाव हाथ में डेटा के प्रकार और गतिविधि के प्रकार पर निर्भर करता है जिसे स्वचालित करने की आवश्यकता होती है.
अब आप सोच रहे होंगे कि यह पारंपरिक प्रोग्रामिंग से किस प्रकार भिन्न है? खैर, पारंपरिक प्रोग्रामिंग में, हम आउटपुट उत्पन्न करने के लिए इनपुट डेटा और एक अच्छी तरह से लिखित और परीक्षण किए गए प्रोग्राम को मशीन में फीड करेंगे. जब मशीन लर्निंग की बात आती है, तो आउटपुट के साथ इनपुट डेटा को सीखने के चरण के दौरान मशीन में फीड किया जाता है, और यह अपने लिए एक प्रोग्राम तैयार करता है. इसे बेहतर ढंग से समझने के लिए, नीचे दिए गए दृष्टांत को देखें:
मशीन लर्निंग पर आज पूरा ध्यान देने की जरूरत है. मशीन लर्निंग कई कार्यों को स्वचालित कर सकता है, विशेष रूप से वे जो केवल मनुष्य ही अपनी सहज बुद्धि से कर सकते हैं. मशीन लर्निंग की मदद से ही इस बुद्धिमत्ता को मशीनों में दोहराया जा सकता है. मशीन लर्निंग की मदद से व्यवसाय नियमित कार्यों को स्वचालित कर सकते हैं. यह डेटा विश्लेषण के लिए स्वचालित और जल्दी से मॉडल बनाने में भी मदद करता है. विभिन्न उद्योग अपने संचालन को अनुकूलित करने और बुद्धिमान निर्णय लेने के लिए बड़ी मात्रा में डेटा पर निर्भर करते हैं. मशीन लर्निंग ऐसे मॉडल बनाने में मदद करता है जो सटीक परिणाम देने के लिए बड़ी मात्रा में जटिल डेटा को संसाधित और विश्लेषण कर सकते हैं. ये मॉडल सटीक और मापनीय हैं और कम टर्नअराउंड समय के साथ कार्य करते हैं. ऐसे सटीक मशीन लर्निंग मॉडल बनाकर, व्यवसाय लाभदायक अवसरों का लाभ उठा सकते हैं और अज्ञात जोखिमों से बच सकते हैं.
इमेज रिकग्निशन, टेक्स्ट जेनरेशन और कई अन्य उपयोग के मामले वास्तविक दुनिया में एप्लिकेशन ढूंढ रहे हैं. यह मशीन लर्निंग विशेषज्ञों के लिए मांगे गए पेशेवरों के रूप में चमकने की गुंजाइश बढ़ा रहा है.
मशीन लर्निंग के साथ आरंभ करने के लिए, आइए मशीन लर्निंग में उपयोग की जाने वाली कुछ महत्वपूर्ण शब्दावली पर एक नज़र डालें:
मशीन लर्निंग की कुछ शब्दावली
मॉडल: "परिकल्पना" के रूप में भी जाना जाता है, एक मशीन लर्निंग मॉडल वास्तविक दुनिया की प्रक्रिया का गणितीय प्रतिनिधित्व है. प्रशिक्षण डेटा के साथ मशीन लर्निंग एल्गोरिदम एक मशीन लर्निंग मॉडल बनाता है.
फ़ीचर: एक विशेषता डेटा-सेट का एक मापने योग्य गुण या पैरामीटर है.
फ़ीचर वेक्टर: यह कई संख्यात्मक विशेषताओं का एक सेट है. हम इसे प्रशिक्षण और भविष्यवाणी उद्देश्यों के लिए मशीन लर्निंग मॉडल के इनपुट के रूप में उपयोग करते हैं.
प्रशिक्षण: एक एल्गोरिथ्म डेटा का एक सेट लेता है जिसे इनपुट के रूप में "प्रशिक्षण डेटा" के रूप में जाना जाता है. लर्निंग एल्गोरिदम इनपुट डेटा में पैटर्न ढूंढता है और अपेक्षित परिणाम (लक्ष्य) के लिए मॉडल को प्रशिक्षित करता है. प्रशिक्षण प्रक्रिया का आउटपुट मशीन लर्निंग मॉडल है.
भविष्यवाणी: एक बार मशीन लर्निंग मॉडल तैयार हो जाने के बाद, इसे अनुमानित आउटपुट प्रदान करने के लिए इनपुट डेटा के साथ फीड किया जा सकता है.
लक्ष्य (लेबल): मशीन लर्निंग मॉडल को जिस मूल्य की भविष्यवाणी करनी होती है उसे लक्ष्य या लेबल कहा जाता है.
ओवरफिटिंग: जब बड़ी मात्रा में डेटा मशीन लर्निंग मॉडल को प्रशिक्षित करता है, तो यह शोर और गलत डेटा प्रविष्टियों से सीखने की प्रवृत्ति रखता है. यहां मॉडल डेटा को सही ढंग से चिह्नित करने में विफल रहता है.
अंडरफिटिंग: यह वह परिदृश्य है जब मॉडल इनपुट डेटा में अंतर्निहित प्रवृत्ति को समझने में विफल रहता है. यह मशीन लर्निंग मॉडल की सटीकता को नष्ट कर देता है. सरल शब्दों में, मॉडल या एल्गोरिथम डेटा को पर्याप्त रूप से फिट नहीं करता है.
यहां एक वीडियो है जो बीयर और वाइन उदाहरण के साथ मशीन लर्निंग की समस्या से निपटने के लिए चरण-दर-चरण मार्गदर्शिका का वर्णन करता है:
मशीन लर्निंग सिस्टम के तीन प्रमुख बिल्डिंग ब्लॉक मॉडल, पैरामीटर और लर्नर हैं.
मॉडल वह प्रणाली है जो भविष्यवाणियां करती है
पैरामीटर वे कारक हैं जिन पर मॉडल द्वारा भविष्यवाणियां करने के लिए विचार किया जाता है
वास्तविक परिणामों के साथ भविष्यवाणियों को संरेखित करने के लिए शिक्षार्थी मापदंडों और मॉडल में समायोजन करता है
मशीन लर्निंग कैसे काम करती है, इसे समझने के लिए आइए हम ऊपर से बीयर और वाइन के उदाहरण का निर्माण करें. यहां एक मशीन लर्निंग मॉडल को यह अनुमान लगाना होता है कि पेय बीयर है या वाइन. चयनित पैरामीटर पेय का रंग और अल्कोहल प्रतिशत हैं. पहला कदम है:
इसमें कई पेय पदार्थों का नमूना डेटा सेट लेना शामिल है जिसके लिए रंग और अल्कोहल प्रतिशत निर्दिष्ट किया गया है. अब, हमें प्रत्येक वर्गीकरण के विवरण को परिभाषित करना होगा, अर्थात वाइन और बीयर, प्रत्येक प्रकार के मापदंडों के मूल्य के संदर्भ में. मॉडल यह तय करने के लिए विवरण का उपयोग कर सकता है कि कोई नया पेय शराब या बियर है या नहीं. आप पैरामीटर के मान, 'रंग' और 'अल्कोहल प्रतिशत' को क्रमशः 'x' और 'y' के रूप में प्रदर्शित कर सकते हैं. फिर (x, y) प्रशिक्षण डेटा में प्रत्येक पेय के मापदंडों को परिभाषित करता है. डेटा के इस सेट को प्रशिक्षण सेट कहा जाता है. ये मान, जब एक ग्राफ पर प्लॉट किए जाते हैं, एक रेखा, एक आयत, या एक बहुपद के रूप में एक परिकल्पना प्रस्तुत करते हैं जो वांछित परिणामों के लिए सबसे उपयुक्त है.
मशीन लर्निंग का उपयोग इंटरनेट सर्च इंजन, स्पैम को छांटने के लिए ईमेल फिल्टर, व्यक्तिगत अनुशंसा करने के लिए वेबसाइट, असामान्य लेनदेन का पता लगाने के लिए बैंकिंग सॉफ्टवेयर और हमारे फोन पर बहुत सारे ऐप जैसे आवाज की पहचान के लिए किया जाता है. प्रौद्योगिकी में कई अधिक संभावित अनुप्रयोग हैं, कुछ में दूसरों की तुलना में उच्च दांव हैं. भविष्य के विकास यूके की अर्थव्यवस्था का समर्थन कर सकते हैं और समाज पर महत्वपूर्ण प्रभाव डालेंगे. उदाहरण के लिए, मशीन लर्निंग हमें अपने जीवन को प्रबंधित करने में मदद करने के लिए आसानी से उपलब्ध 'व्यक्तिगत सहायक' प्रदान कर सकता है, यह स्वायत्त वाहनों के उपयोग के माध्यम से परिवहन प्रणाली में नाटकीय रूप से सुधार कर सकता है; और स्वास्थ्य देखभाल प्रणाली, रोग निदान में सुधार या उपचार को निजीकृत करके. मशीन लर्निंग का उपयोग सुरक्षा अनुप्रयोगों के लिए भी किया जा सकता है, जैसे ईमेल संचार या इंटरनेट उपयोग का विश्लेषण करना. इन और प्रौद्योगिकी के अन्य अनुप्रयोगों के निहितार्थों पर अभी विचार करने की आवश्यकता है और उपयोग सुनिश्चित करने के लिए की गई कार्रवाई समाज के लिए फायदेमंद होगी. मशीन लर्निंग रोबोटिक्स के कुछ पहलुओं से अलग है, लेकिन इसके साथ ओवरलैप होता है (रोबोट हार्डवेयर का एक उदाहरण है जो मशीन लर्निंग एल्गोरिदम का उपयोग कर सकता है, उदाहरण के लिए रोबोट को स्वायत्त बनाने के लिए) और आर्टिफिशियल इंटेलिजेंस (एआई) (एक अवधारणा जिसमें नहीं है एक सहमत परिभाषा; हालांकि मशीन लर्निंग एआई की डिग्री हासिल करने का एक तरीका है).
इस परिवर्तनकारी प्रौद्योगिकी के आसपास अवसर और चुनौतियाँ दोनों हैं और यह सामाजिक, कानूनी और नैतिक प्रश्न उठाती है. यही कारण है कि रॉयल सोसाइटी मशीन लर्निंग पर एक प्रोजेक्ट शुरू कर रही है, जिसका उद्देश्य बहस को प्रोत्साहित करना, जागरूकता बढ़ाना और मशीन लर्निंग की क्षमता का प्रदर्शन करना और इसके द्वारा प्रस्तुत अवसरों और चुनौतियों को उजागर करना है. परियोजना के दौरान हम नीति निर्माताओं, शिक्षाविदों, उद्योग और व्यापक जनता के साथ जुड़ेंगे.
यह परियोजना मशीन लर्निंग के वर्तमान और निकट अवधि (5-10 वर्ष) अनुप्रयोगों पर ध्यान केंद्रित करेगी. इसमें एक मजबूत सार्वजनिक जुड़ाव तत्व होगा, और परियोजना के दौरान विभिन्न प्रकार के संसाधनों का उत्पादन किया जाएगा. इनका विवरण भी इन वेब पेजों पर पोस्ट किया जाएगा. परियोजना का दायरा विशेषज्ञों के एक कोर ग्रुप द्वारा विकसित किया गया था, जो 2015 की गर्मियों में मिले थे.