- मशीन लर्निंग क्या है ?
- मशीन लर्निंग कोड क्या करता है?
- जब हम कहते हैं कि मशीन सीखती है, तो क्या यह स्वयं के कोड को संशोधित करता है या यह इतिहास (डेटाबेस) को संशोधित करता है जिसमें दिए गए इनपुट के सेट के लिए कोड का अनुभव होगा?
जवाबों:
मशीन लर्निंग क्या है?
अनिवार्य रूप से, यह कुछ डेटा के आधार पर पूर्वानुमान या व्यवहार बनाने और सुधारने के लिए कंप्यूटर को पढ़ाने की एक विधि है। यह "डेटा" क्या है? खैर, यह पूरी तरह से समस्या पर निर्भर करता है। यह रोबोट के सेंसर से रीडिंग हो सकता है क्योंकि यह चलना सीखता है, या कुछ इनपुट के लिए प्रोग्राम का सही आउटपुट।
मशीन लर्निंग के बारे में सोचने का एक और तरीका यह है कि यह "पैटर्न रिकॉग्निशन" है - पैटर्न पर प्रतिक्रिया करने या पहचानने के लिए किसी प्रोग्राम को सिखाने का कार्य।
मशीन लर्निंग कोड क्या करता है?
मशीन सीखने के प्रकार पर निर्भर करता है जिसके बारे में आप बात कर रहे हैं। मशीन लर्निंग एक बहुत बड़ा क्षेत्र है, जिसमें असंख्य विभिन्न समस्याओं को हल करने के लिए सैकड़ों अलग-अलग एल्गोरिदम हैं - अधिक जानकारी के लिए विकिपीडिया देखें; विशेष रूप से, एल्गोरिथम प्रकार के अंतर्गत देखें ।
जब हम कहते हैं कि मशीन सीखती है, तो क्या यह स्वयं के कोड को संशोधित करता है या यह इतिहास (डेटा बेस) को संशोधित करता है जिसमें दिए गए इनपुट के लिए कोड का अनुभव होगा?
एक बार फिर, यह निर्भर करता है ।
कोड का एक उदाहरण वास्तव में संशोधित किया जा रहा है जेनेटिक प्रोग्रामिंग , जहां आप अनिवार्य रूप से एक कार्य को पूरा करने के लिए एक कार्यक्रम विकसित करते हैं (बेशक, कार्यक्रम खुद को संशोधित नहीं करता है - लेकिन यह एक अन्य कंप्यूटर प्रोग्राम को संशोधित करता है)।
दूसरी ओर, तंत्रिका नेटवर्क तैयार उत्तेजनाओं और अपेक्षित प्रतिक्रिया के जवाब में अपने मापदंडों को स्वचालित रूप से संशोधित करते हैं। यह उन्हें कई व्यवहारों का उत्पादन करने की अनुमति देता है (सैद्धांतिक रूप से, वे किसी भी व्यवहार का उत्पादन कर सकते हैं क्योंकि वे किसी भी कार्य को एक मनमानी परिशुद्धता के लिए अनुमानित कर सकते हैं, पर्याप्त समय दिया जाता है)।
मुझे ध्यान देना चाहिए कि "डेटाबेस" शब्द का उपयोग करने से तात्पर्य है कि मशीन लर्निंग एल्गोरिदम "सूचना", घटनाओं या अनुभवों को याद करके काम करता है। यह जरूरी नहीं है (या अक्सर भी!) मामला।
तंत्रिका नेटवर्क, जिसका मैंने पहले ही उल्लेख किया था, केवल सन्निकटन की वर्तमान "स्थिति" को रखता है, जिसे सीखने के रूप में अद्यतन किया जाता है। यह याद रखने के बजाय कि क्या हुआ और इस पर कैसे प्रतिक्रिया हुई, तंत्रिका नेटवर्क अपने "दुनिया" का एक प्रकार का "मॉडल" बनाते हैं। मॉडल उन्हें बताता है कि कुछ इनपुटों पर प्रतिक्रिया कैसे करें, भले ही इनपुट कुछ ऐसा हो जो उसने पहले कभी नहीं देखा हो।
यह अंतिम क्षमता - उन इनपुटों पर प्रतिक्रिया करने की क्षमता है जो पहले कभी नहीं देखी गई हैं - कई मशीन लर्निंग एल्गोरिदम के मूल सिद्धांतों में से एक है। यातायात में राजमार्गों को नेविगेट करने के लिए कंप्यूटर ड्राइवर को सिखाने की कोशिश करने की कल्पना करें। अपने "डेटाबेस" रूपक का उपयोग करना, आपको कंप्यूटर को ठीक से सिखाना होगा कि लाखों संभावित स्थितियों में क्या करना है। एक प्रभावी मशीन लर्निंग एल्गोरिदम (उम्मीद है!) विभिन्न राज्यों के बीच समानताएं सीखने और उनके समान प्रतिक्रिया करने में सक्षम होगा।
राज्यों के बीच समानताएं कुछ भी हो सकती हैं - यहां तक कि जिन चीजों को हम "सांसारिक" के रूप में सोच सकते हैं, वे वास्तव में एक कंप्यूटर की यात्रा कर सकते हैं! उदाहरण के लिए, मान लें कि कंप्यूटर ड्राइवर ने सीखा कि जब उसके सामने की कार धीमी हुई, तो उसे धीमा करना पड़ा। एक मानव के लिए, कार को मोटरसाइकिल से बदलना कुछ भी नहीं बदलता है - हम मानते हैं कि मोटरसाइकिल भी एक वाहन है। एक मशीन लर्निंग एल्गोरिदम के लिए, यह वास्तव में आश्चर्यजनक रूप से मुश्किल हो सकता है! एक डेटाबेस उस मामले के बारे में अलग से जानकारी संग्रहीत करना होगा जहाँ एक कार सामने हो और जहाँ एक मोटर साइकिल सामने हो। दूसरी ओर एक मशीन लर्निंग एल्गोरिदम, कार उदाहरण से "सीखना" होगा और स्वचालित रूप से मोटरसाइकिल उदाहरण के लिए सामान्यीकरण करने में सक्षम होगा।
मशीन लर्निंग कंप्यूटर विज्ञान, संभाव्यता सिद्धांत और अनुकूलन सिद्धांत का एक क्षेत्र है जो जटिल कार्यों को हल करने की अनुमति देता है जिसके लिए एक तार्किक / प्रक्रियात्मक दृष्टिकोण संभव या संभव नहीं होगा।
मशीन सीखने की कई अलग-अलग श्रेणियां हैं, जिनमें शामिल हैं (लेकिन इन तक सीमित नहीं):
पर्यवेक्षित अध्ययन
पर्यवेक्षित शिक्षण में, आपके पास इनपुट्स से आउटपुट तक कुछ वास्तव में जटिल फ़ंक्शन (मैपिंग) है, आपके पास इनपुट / आउटपुट जोड़े के बहुत सारे उदाहरण हैं, लेकिन आपको नहीं पता कि यह जटिल फ़ंक्शन क्या है। एक पर्यवेक्षित शिक्षण एल्गोरिथ्म संभव बनाता है, इनपुट / आउटपुट जोड़े का एक बड़ा डेटा सेट, कुछ नए इनपुट मूल्य के आउटपुट मूल्य का अनुमान लगाने के लिए जो आपने पहले नहीं देखा होगा। मूल विधि यह है कि आप प्रशिक्षण सेट और परीक्षण सेट में सेट किए गए डेटा को तोड़ते हैं। आपके पास संबद्ध त्रुटि फ़ंक्शन के साथ कुछ मॉडल हैं जो आप प्रशिक्षण सेट पर कम से कम करने की कोशिश करते हैं, और फिर आप यह सुनिश्चित करते हैं कि आपका समाधान परीक्षण सेट पर काम करता है। एक बार जब आप अलग-अलग मशीन लर्निंग एल्गोरिदम और / या मापदंडों के साथ इसे दोहराते हैं, जब तक कि मॉडल परीक्षण सेट पर यथोचित प्रदर्शन नहीं करता है, तब आप नए इनपुट पर परिणाम का उपयोग करने का प्रयास कर सकते हैं। ध्यान दें कि इस स्थिति में, प्रोग्राम नहीं बदलता है, केवल मॉडल (डेटा) बदल जाता है। हालांकि, एक, सैद्धांतिक रूप से, एक अलग कार्यक्रम का उत्पादन कर सकता है, लेकिन व्यवहार में ऐसा नहीं किया जाता है, जहां तक मुझे पता है। पर्यवेक्षित अधिगम का एक उदाहरण डाकघर द्वारा उपयोग की जाने वाली अंक मान्यता प्रणाली होगी, जहाँ यह 0 से 9 तक के पिक्सेल के मानचित्रों का मानचित्रण करता है, अंकों के चित्रों के एक बड़े समूह का उपयोग करते हुए जिन्हें हाथ में रखकर लेबल किया जाता है। ... 9।
सुदृढीकरण सीखना
सुदृढीकरण सीखने में, कार्यक्रम निर्णय लेने के लिए जिम्मेदार है, और यह समय-समय पर अपने कार्यों के लिए किसी प्रकार का पुरस्कार / उपयोगिता प्राप्त करता है। हालांकि, पर्यवेक्षित शिक्षण मामले के विपरीत, परिणाम तत्काल नहीं हैं; एल्गोरिथ्म कार्यों का एक बड़ा अनुक्रम लिख सकता है और केवल बहुत अंत में प्रतिक्रिया प्राप्त कर सकता है। सुदृढीकरण सीखने में, लक्ष्य एक अच्छा मॉडल तैयार करना है जैसे कि एल्गोरिथ्म उन निर्णयों के अनुक्रम को उत्पन्न करेगा जो उच्चतम दीर्घकालिक उपयोगिता / पुरस्कार की ओर ले जाते हैं। सुदृढीकरण सीखने का एक अच्छा उदाहरण एक रोबोट को सिखा रहा है कि कैसे नकारात्मक जुर्माना देकर नेविगेट करना है जब भी उसके बम्प सेंसर का पता चलता है कि यह एक वस्तु में टकरा गया है। यदि सही तरीके से कोडित किया गया है, तो रोबोट के लिए अंततः अपनी रेंज फाइंडर सेंसर डेटा को उसके बम्पर सेंसर डेटा और पहियों को भेजने वाले निर्देशों के साथ सहसंबंधित करना संभव है,
अधिक जानकारी
यदि आप अधिक सीखने में रुचि रखते हैं, तो मैं दृढ़ता से अनुशंसा करता हूं कि आप क्रिस्टोफर एम। बिशप द्वारा पैटर्न मान्यता और मशीन लर्निंग पढ़ें या मशीन लर्निंग कोर्स लें। आपको पढ़ने में भी रुचि हो सकती है, मुफ्त में, CIS 520 से व्याख्यान नोट: पेन में मशीन लर्निंग ।
मशीन लर्निंग एक वैज्ञानिक अनुशासन है जो एल्गोरिदम के डिजाइन और विकास से संबंधित है जो कंप्यूटर को अनुभवजन्य डेटा के आधार पर व्यवहार को विकसित करने की अनुमति देता है, जैसे कि सेंसर डेटा या डेटाबेस से। विकिपीडिया पर अधिक पढ़ें
मशीन लर्निंग कोड रिकॉर्ड "तथ्यों" या कुछ प्रकार के भंडारण में सन्निकटन, और एल्गोरिदम के साथ विभिन्न संभावनाओं की गणना करता है।
जब मशीन सीखती है तो कोड को संशोधित नहीं किया जाएगा, केवल "यह जानता है" का डेटाबेस।
मशीन लर्निंग, विभिन्न प्रकार के लर्निंग एल्गोरिदम को परिभाषित करने के लिए एक सामान्य शब्द है जो उदाहरणों (अनलिस्टेड / लेबल) से एक अर्ध सीखने का उत्पादन करता है। वास्तविक सटीकता / त्रुटि पूरी तरह से आपके सीखने के एल्गोरिदम को प्रदान किए गए प्रशिक्षण / परीक्षण डेटा की गुणवत्ता से निर्धारित होती है। यह एक अभिसरण दर का उपयोग करके मापा जा सकता है। आपके द्वारा उदाहरण प्रदान करने का कारण यह है कि आप चाहते हैं कि आपकी पसंद का सीखने का एल्गोरिथ्म मार्गदर्शन द्वारा सामान्यीकरण कर सके। एल्गोरिदम को दो मुख्य क्षेत्रों में वर्गीकृत किया जा सकता है सीखने (वर्गीकरण) की निगरानी और अप्रशिक्षित शिक्षा (क्लस्टरिंग) तकनीक। यह अत्यंत महत्वपूर्ण है कि आप अपने प्रशिक्षण और परीक्षण डेटा सेटों के साथ-साथ आपके सीखने के एल्गोरिथ्म को प्रदान करने वाले गुणों को अलग करने की योजना के बारे में सूचित निर्णय लें। जब आप डेटा सेट प्रदान करते हैं, तो आप ऐसी चीजों के बारे में भी जानना चाहते हैं जो आपके उदाहरणों में स्वस्थ पूर्वाग्रह की फिटिंग और रखरखाव की तरह हैं। एल्गोरिथ्म तब मूल रूप से लिखे गए सामान्यीकरण के आधार पर लिखे गए आंकड़ों से सीखता है कि यह आपके द्वारा प्रदान किए गए डेटा से प्राप्त होता है प्रशिक्षण के लिए और फिर प्रक्रिया में परीक्षण के लिए आप अपने लक्षित प्रशिक्षण के आधार पर नए उदाहरणों का उत्पादन करने के लिए अपने सीखने के एल्गोरिदम को प्राप्त करने का प्रयास करते हैं। क्लस्टरिंग में बहुत कम जानकारीपूर्ण मार्गदर्शन होता है एल्गोरिथ्म मूल रूप से डेटा के बीच पैटर्न के माध्यम से उत्पादन करने की कोशिश करता है ताकि संबंधित समूहों जैसे कि किमी / नाइटियर पड़ोसी का निर्माण किया जा सके। एल्गोरिथ्म तब मूल रूप से लिखे गए सामान्यीकरण के आधार पर लिखे गए आंकड़ों से सीखता है कि यह आपके द्वारा प्रदान किए गए डेटा से प्राप्त होता है प्रशिक्षण के लिए और फिर प्रक्रिया में परीक्षण के लिए आप अपने लक्षित प्रशिक्षण के आधार पर नए उदाहरणों का उत्पादन करने के लिए अपने सीखने के एल्गोरिदम को प्राप्त करने का प्रयास करते हैं। क्लस्टरिंग में बहुत कम जानकारीपूर्ण मार्गदर्शन होता है एल्गोरिथ्म मूल रूप से डेटा के बीच पैटर्न के माध्यम से उत्पादन करने की कोशिश करता है ताकि संबंधित समूहों जैसे किमी / नाइटियर पड़ोसी का निर्माण किया जा सके। एल्गोरिथ्म तब मूल रूप से लिखे गए सामान्यीकरण के आधार पर लिखे गए आंकड़ों से सीखता है कि यह आपके द्वारा प्रदान किए गए डेटा से प्राप्त होता है प्रशिक्षण के लिए और फिर प्रक्रिया में परीक्षण के लिए आप अपने लक्षित प्रशिक्षण के आधार पर नए उदाहरणों का उत्पादन करने के लिए अपने सीखने के एल्गोरिदम को प्राप्त करने का प्रयास करते हैं। क्लस्टरिंग में बहुत कम जानकारीपूर्ण मार्गदर्शन होता है एल्गोरिथ्म मूल रूप से डेटा के बीच पैटर्न के माध्यम से उत्पादन करने की कोशिश करता है ताकि संबंधित समूहों जैसे किमी / नाइटियर पड़ोसी का निर्माण किया जा सके।
कुछ अच्छी किताबें: एमएल का परिचय (निल्सन / स्टैनफोर्ड), एमएल के लिए गॉसियन प्रक्रिया, एमएल का परिचय (अल्पायुद्दीन), सूचना का सिद्धांत और शिक्षण एल्गोरिदम (बहुत उपयोगी पुस्तक), मशीन लर्निंग (मिशेल), पैटर्न मान्यता और मशीन लर्निंग (मानक) एडिनबर्ग में एमएल कोर्स की किताब और विभिन्न यूनिस लेकिन गणित के साथ अपेक्षाकृत भारी पढ़ना), डेटा माइनिंग और प्रैक्टिकल मशीन लर्निंग विथ वेका (जावा में अभ्यास और वेक का उपयोग करके सिद्धांत के माध्यम से काम)
सुदृढीकरण सीखना एक मुफ्त पुस्तक है जिसे आप ऑनलाइन पढ़ सकते हैं: http://www.cs.ualberta.ca/~sutton/book/ebook/the-book.html
मशीन लर्निंग सिद्धांतों के सामान्य उपयोग में IR, IE, सिफारिशें और पाठ / डेटा / वेब खनन। यहां तक कि आप अपनी सीखने की प्रक्रियाओं को स्वचालित करने के लिए यहां मेटाएरिस्टिक / ग्लोबल ऑप्टिमाइज़ेशन तकनीक भी लागू कर सकते हैं। उदाहरण के लिए अपने तंत्रिका नेटवर्क आधारित दृष्टिकोण (जो कुछ सीखने के एल्गोरिथ्म का उपयोग कर सकते हैं) का अनुकूलन करने के लिए GA (आनुवंशिक एल्गोरिथम) जैसी विकासवादी तकनीक लागू करें। आप इसे विशुद्ध रूप से एक बायोसियन सीखने के लिए एक संभावित मशीन सीखने के दृष्टिकोण के रूप में देख सकते हैं। इन सभी एल्गोरिदम में से अधिकांश में आंकड़ों का बहुत भारी उपयोग होता है। इन सीखने के कई एल्गोरिदम में अभिसरण और सामान्यीकरण की अवधारणाएं महत्वपूर्ण हैं।
मशीन लर्निंग एल्गोरिदम बनाने के कंप्यूटिंग विज्ञान का अध्ययन है जो ऐसी जानकारी पर प्रशिक्षण से पैटर्न सीखने के द्वारा पहले देखी गई जानकारी को वर्गीकृत करने में सक्षम है। इस अर्थ में "शिक्षार्थियों" के सभी प्रकार हैं। तंत्रिका नेटवर्क, बायेसियन नेटवर्क, निर्णय पेड़, k- क्लस्टरिंग एल्गोरिदम, छिपे हुए मार्कोव मॉडल और समर्थन वेक्टर मशीनें उदाहरण हैं।
सीखने वाले के आधार पर, वे प्रत्येक अलग-अलग तरीकों से सीखते हैं। कुछ शिक्षार्थी मानव-समझने योग्य फ्रेमवर्क (जैसे निर्णय पेड़) का उत्पादन करते हैं, और कुछ आमतौर पर अकुशल (जैसे तंत्रिका नेटवर्क) होते हैं।
शिक्षार्थी सभी अनिवार्य रूप से डेटा-संचालित हैं, जिसका अर्थ है कि वे अपने राज्य को बाद में पुन: उपयोग किए जाने वाले डेटा के रूप में सहेजते हैं। वे कम से कम सामान्य रूप से स्वयं को संशोधित नहीं कर रहे हैं।
मुझे लगता है कि मशीन लर्निंग की सबसे अच्छी परिभाषाओं में से एक जो मैंने पढ़ी है वह टॉम मिशेल की इस किताब से है। याद रखने में आसान और सहज।
कहा जाता है कि कंप्यूटर प्रोग्राम को अनुभव E से कुछ कार्यों के वर्ग T और प्रदर्शन माप P के संबंध में सीखा जाता है, यदि T से कार्यों में इसका प्रदर्शन, जैसा कि P द्वारा मापा जाता है, अनुभव E से सुधार होता है।
A computer program is said to learn in the context of performing a task if its performance with respect to some measure improves with experience.
बेशर्मी से फटे हुए: मशीन लर्निंग एक वैज्ञानिक अनुशासन है जो एल्गोरिदम के डिजाइन और विकास से संबंधित है जो कंप्यूटर को अनुभवजन्य डेटा के आधार पर व्यवहार को विकसित करने की अनुमति देता है, जैसे सेंसर डेटा या डेटाबेस से।
काफी बस, मशीन लर्निंग कोड एक मशीन सीखने का काम पूरा करता है। कि सेंसर डेटा की व्याख्या से लेकर आनुवंशिक एल्गोरिथ्म तक कई चीजें हो सकती हैं।
मैं कहूंगा कि यह निर्भर करता है। नहीं, संशोधन कोड सामान्य नहीं है, लेकिन संभावना के दायरे से बाहर नहीं है। मैं यह भी नहीं कहूंगा कि मशीन लर्निंग हमेशा एक इतिहास को संशोधित करता है। कभी-कभी हमारा कोई इतिहास नहीं होता है। शायद ही कभी हम पर्यावरण पर प्रतिक्रिया करना चाहते हैं, लेकिन वास्तव में हमारे पिछले अनुभवों से नहीं सीखते हैं।
मूल रूप से, मशीन लर्निंग एक बहुत व्यापक-खुला अनुशासन है जिसमें कई विधियां और एल्गोरिदम शामिल हैं जो आपके 3 प्रश्न के 1 उत्तर के लिए वहां असंभव बनाते हैं।
मशीन लर्निंग एक ऐसा शब्द है जिसे किसी व्यक्ति की वास्तविक दुनिया से लिया जाता है, और उस चीज़ पर लागू किया जाता है जो वास्तव में सीख नहीं सकता है - एक मशीन।
अन्य उत्तरों में जोड़ने के लिए - मशीन लर्निंग (आमतौर पर) कोड को नहीं बदलेगा, लेकिन यह पिछले डेटा या नए इकट्ठे डेटा के आधार पर निष्पादन पथ और निर्णय को बदल सकता है और इसलिए "सीखना" प्रभाव होगा।
एक मशीन को "सिखाने" के कई तरीके हैं - आप एक एल्गोरिथ्म के कई मापदंडों को भार देते हैं, और फिर मशीन ने इसे कई मामलों के लिए हल किया है, हर बार जब आप उसे जवाब के बारे में एक प्रतिक्रिया देते हैं और मशीन वजन के अनुसार समायोजित करती है मशीन उत्तर आपके उत्तर के कितना करीब था या आपके द्वारा दिए गए स्कोर के अनुसार, या कुछ परिणामों के परीक्षण एल्गोरिदम के अनुसार।
यह सीखने का एक तरीका है और कई और हैं ...