विषय
- मशीन लर्निंग क्या है?
- पारंपरिक प्रोग्रामिंग क्या है?
- कैसे मशीन लर्निंग अलग है
- मशीन लर्निंग का महत्व
- मशीन लर्निंग एल्गोरिदम और प्रक्रियाएं
- व्यापार पर मशीन लर्निंग का प्रभाव
- कुछ व्यावहारिक उपयोग के मामले
- निष्कर्ष
स्रोत: Stockernumber2 / Dreamstime.com
ले जाओ:
मशीन लर्निंग लगातार महत्व में बढ़ रही है। यहां यह समझने में मदद करने के लिए मूल बातें हैं कि यह क्या करता है और इसका उपयोग कैसे किया जाता है।
हाल के वर्षों में "मशीन लर्निंग" शब्द विभिन्न चर्चाओं और मंचों में पॉप अप कर रहा है, लेकिन वास्तव में इसका क्या मतलब है? पैटर्न लर्निंग और कम्प्यूटेशनल लर्निंग के आधार पर मशीन लर्निंग को डेटा विश्लेषण के लिए एक विधि के रूप में परिभाषित किया जा सकता है। इसमें विभिन्न एल्गोरिदम जैसे तंत्रिका नेटवर्क, निर्णय पेड़, बायेसियन नेटवर्क आदि शामिल हैं। मशीन लर्निंग इन एल्गोरिदम का उपयोग डेटा से सीखने और डेटा से छिपी अंतर्दृष्टि को पुनर्प्राप्त करने के लिए करता है। सीखने की प्रक्रिया पुनरावृत्त है, इसलिए नए डेटा को भी बिना किसी पर्यवेक्षण के संभाला जाता है। पिछले डेटा से सीखने और भविष्य के डेटा के लिए इसका उपयोग करने का विज्ञान नया नहीं है, लेकिन यह अधिक लोकप्रियता प्राप्त कर रहा है।
मशीन लर्निंग क्या है?
जबकि कुछ लोगों का मानना है कि मशीन लर्निंग कंप्यूटर प्रोग्रामिंग के पारंपरिक तरीकों से बेहतर नहीं है जो अभी भी उपयोग में हैं, कई लोग मशीन लर्निंग को कृत्रिम बुद्धिमत्ता (एआई) के क्षेत्र में एक क्रांति मानते हैं। उनका मानना है कि इस तकनीक का उपयोग करके, मशीन केवल मानव निर्देशों का पालन करने के बजाय चीजों को सीखने और अपने स्वयं के अनुभव के साथ काम करने में सक्षम होंगी।
मशीन सीखने के अर्थ के बारे में अधिक समझने के लिए, हम इसकी तुलना पारंपरिक कंप्यूटर प्रोग्रामिंग से कर सकते हैं। निम्नलिखित अनुभाग पारंपरिक प्रोग्रामिंग से मशीन सीखने और इसके अंतर के बारे में अधिक चर्चा करेंगे। (मशीन लर्निंग के कुछ पेशेवरों और विपक्षों के लिए, मशीन सीखने के वादे और नुकसान देखें।)
पारंपरिक प्रोग्रामिंग क्या है?
जब हम एक कंप्यूटर प्रोग्राम करते हैं, तो हम वास्तव में जो कर रहे हैं वह इसे एक ऐसी भाषा में निर्देश देता है जिसे वह समझता है। फिर, जब हम इसे एक इनपुट देते हैं, तो यह हमारे द्वारा दिए गए निर्देशों के आधार पर आउटपुट देता है।
अब, आइए कल्पना करें कि आपने क्रेडिट कार्ड के लिए आवेदन करने के लिए एक इनपुट दिया है। आपके इनपुट को संसाधित करते समय, सिस्टम आपके आवेदन के सभी महत्वपूर्ण हिस्सों को देखेगा, आवश्यक जानकारी लेगा और इसे संसाधित करेगा। उसके बाद, यह उस कार्यक्रम के आधार पर स्वीकृति या अस्वीकृति के उत्पादन का उत्पादन करेगा जो उसे खिलाया गया था।
कैसे मशीन लर्निंग अलग है
यदि आप क्रेडिट कार्ड परिदृश्य में पारंपरिक प्रोग्रामिंग विधियों के स्थान पर मशीन लर्निंग का उपयोग करते हैं, तो परिणाम कुछ अलग होगा। परिणाम वास्तव में इनपुट डेटा पर आधारित होगा और सिस्टम उस इनपुट डेटा को संसाधित करके अनुभव प्राप्त करेगा। इसके लिए कोई विशेष कार्यक्रम नहीं होगा। जैसे-जैसे यह अधिक से अधिक अनुभव प्राप्त करता है, समय के साथ इसका प्रदर्शन बेहतर होता जाएगा।
इसलिए, मशीन लर्निंग वास्तव में सिस्टम के प्रत्येक उपयोग के साथ बनाई गई बड़ी मात्रा में डेटा फ़ाइलों का विश्लेषण करके सीखता है। जैसा कि यह डेटा का विश्लेषण करता है, यह नई मांगों के अनुसार अपनी प्रोग्रामिंग को बदलता है। इससे इसकी सटीकता में भी सुधार होता है। हम यह भी कह सकते हैं कि मशीन लर्निंग एक रैखिक प्रतिगमन की तरह है, जहां चर और मापदंडों को प्रदान किए गए इनपुट से बेहतर मिलान करने के लिए बदल दिया जाता है।
इस पद्धति में, एल्गोरिदम को लेबल किए गए उदाहरणों के साथ शामिल किया जाता है, जहां लेबल किए गए डेटा का अर्थ है कि डेटा को विवरण दिया गया है। मशीन लर्निंग सिस्टम इनपुट और उनके संबंधित आउटपुट दोनों प्राप्त करेगा। अब, सिस्टम त्रुटियों को खोजने के लिए सही आउटपुट के साथ वास्तविक आउटपुट की तुलना करके अधिक अनुभव प्राप्त कर सकता है।
आउटपुट का विश्लेषण करने और त्रुटियों का निर्धारण करने के बाद, सिस्टम अपने प्रोग्रामिंग को तदनुसार बदल देगा। सिस्टम अनलिस्टेड डेटा पर लेबल की भविष्यवाणी करने के लिए विभिन्न तरीकों का उपयोग कर सकता है। इस पद्धति का उपयोग पिछले डेटा के आधार पर भविष्य की घटना की भविष्यवाणी करने के लिए किया जाता है।
इस मशीन सीखने की विधि का उपयोग गेमिंग, वाहन नेविगेशन और रोबोटिक्स जैसी जगहों पर किया जाता है। इस पद्धति में, सिस्टम एक परीक्षण और त्रुटि विधि द्वारा सीखता है। इस विधि में मुख्य लक्ष्य कम से कम समय में आउटपुट का निर्धारण करना है, जो एक उपयुक्त नीति का पालन करके किया जा सकता है।
मशीन लर्निंग का महत्व
मशीन लर्निंग का महत्व उन्हीं कारणों से दिन-प्रतिदिन बढ़ रहा है जिन्होंने डेटा खनन की अवधारणा को इतना महत्वपूर्ण बना दिया है। इन कारणों में सस्ती और शक्तिशाली कम्प्यूटेशनल शक्ति, हर दिन बड़ी मात्रा में डेटा का निर्माण और सस्ती और उच्च क्षमता वाले डेटा स्टोरेज के तरीके शामिल हैं। ये कारक सुनिश्चित करते हैं कि शक्तिशाली और सटीक मॉडल बहुत जल्दी बनाए जा सकते हैं, जिनका उपयोग थोक में बड़े डेटा भंडार का विश्लेषण करने के लिए किया जा सकता है, ताकि बेहतर, अत्यधिक सटीक आउटपुट मिल सकें। इसका मतलब है कि कम समय में बेहतर कॉर्पोरेट और व्यावसायिक निर्णय लेने के लिए और बिना किसी मानवीय प्रयास के बेहतर मॉडल का उपयोग किया जा सकता है।
इस तरह के सटीक मॉडल को जल्दी से बनाने का एक तरीका स्वचालित मॉडल बनाना है। बदलते समय के साथ बनाए रखने के लिए यह मॉडल काफी गतिशील होना चाहिए। जबकि मनुष्य आम तौर पर सप्ताह में दो मॉडल बना सकते हैं, मशीन लर्निंग डेटा का विश्लेषण करके हजारों सटीक मॉडल बना सकते हैं। यही कारण है कि मशीन लर्निंग व्यवसायों और अन्य क्षेत्रों के लिए बहुत महत्वपूर्ण है।
मशीन लर्निंग एल्गोरिदम और प्रक्रियाएं
मशीन लर्निंग एल्गोरिदम बड़े डेटा से सबसे अधिक बाहर निकलने में मदद करते हैं, सिस्टम को डेटा का त्वरित विश्लेषण करने और सटीक परिणाम देने में मदद करते हैं। ये एल्गोरिदम एक मॉडल बनाने में मदद करते हैं जिसका उपयोग व्यावसायिक निर्णय लेने के लिए किया जा सकता है। कुछ एल्गोरिथ्म प्रकार तंत्रिका नेटवर्क, यादृच्छिक वन, k- साधन क्लस्टरिंग, स्व-व्यवस्थित मानचित्र और निकटतम पड़ोसी मानचित्रण हैं।
हालांकि, एल्गोरिदम का उपयोग करना सभी नहीं है। सबसे अच्छा मॉडल केवल एक उपयुक्त प्रक्रिया का पालन करके बनाया जा सकता है। इस तरह की प्रक्रियाओं के कुछ उदाहरण व्यापक डेटा प्रबंधन, डेटा की इंटरएक्टिव अन्वेषण और मॉडल द्वारा पाए गए परिणामों के दृश्य हैं।
व्यापार पर मशीन लर्निंग का प्रभाव
व्यापार पर मशीन सीखने का प्रभाव जबरदस्त है। मशीन लर्निंग ने व्यवसायों के लिए नई संभावनाएं खोली हैं। इसने सटीक मॉडल बनाने में मदद की है, जिससे बदले में बेहतर और बेहतर निर्णय लेने में मदद मिली है।
कुछ व्यावहारिक उपयोग के मामले
कई स्थानों पर मशीन लर्निंग का उपयोग किया जा रहा है। सिफारिश प्रणाली उपयोगकर्ताओं को उनकी वरीयताओं और वर्तमान बाजार पैटर्न के आधार पर वास्तविक समय में सिफारिशें करने के लिए मशीन लर्निंग का उपयोग करती है।
प्रोमेडस, जो कि मेडिकल सॉफ्टवेयर या एक "डेस्कटॉप डॉक्टर" एक मशीन-लर्निंग-आधारित प्रोग्राम है, जो बीमारी का पता लगाने और निदान करने में डॉक्टरों की मदद करने के लिए सैकड़ों वर्षों के चिकित्सा ज्ञान का उपयोग करता है। यह रोगियों में बीमारी की पहचान करने के लिए रोग पैटर्न के पिछले रिकॉर्ड से एकत्र किए गए डेटा का उपयोग करता है। यह अधिक तेज़ी से पहचानने और बीमारियों का इलाज करने में मदद करता है।
अमेज़ॅन ने कंप्यूटर एल्गोरिथ्म के माध्यम से अपने कर्मचारी पहुंच अनुदान और निरसन को स्वचालित कर दिया है जो प्रत्येक कर्मचारी के लिए संसाधन पहुंच का अनुमान लगा सकता है। इसके लिए, कंप्यूटर एल्गोरिथ्म जोखिमों का विश्लेषण करने के लिए रिकॉर्ड का उपयोग करता है और एक कर्मचारी के भरोसेमंद कैसे होता है।
कॉर्नेल यूनिवर्सिटी द्वारा साउंड रिकॉर्डिंग के माध्यम से व्हेल का पता लगाने के लिए मशीन लर्निंग एल्गोरिदम का भी उपयोग किया जा रहा है ताकि जहाज व्हेल से बच सकें। एल्गोरिथ्म व्हेल से बचने के लिए एक जहाज को जिस रास्ते पर ले जाना चाहिए, यह निर्धारित करने के लिए व्हेल (जहां वे जाते हैं और जब जाते हैं) के माइग्रेशन डेटा का विश्लेषण करते हैं। (मशीन सीखने के व्यावहारिक उपयोगों के बारे में अधिक जानने के लिए, अगली पीढ़ी के धोखाधड़ी विवरण में मशीन सीखना और Hadoop देखें)
निष्कर्ष
जैसे-जैसे डेटा दिन-प्रतिदिन बढ़ रहा है, प्रभावी प्रसंस्करण का महत्व भी बढ़ रहा है। इसके लिए, मशीन सीखने के तरीकों को तैयार किया गया है, जो मनुष्यों की कम से कम भागीदारी के साथ स्मार्ट निर्णय लेने में प्रणाली की मदद करता है। आईटी क्षेत्र पर इस तकनीक का वर्तमान प्रभाव जबरदस्त रहा है, इसलिए यह कल्पना करना आसान है कि इसका महत्व भविष्य में भी बढ़ता रहेगा।