शुरुआती लोगों के लिए मशीन लर्निंग ट्यूटोरियल: क्या है, एमएल की मूल बातें

मशीन लर्निंग क्या है?

मशीन लर्निंग कंप्यूटर एल्गोरिदम की एक प्रणाली है जो किसी प्रोग्रामर द्वारा स्पष्ट रूप से कोड किए बिना आत्म-सुधार के माध्यम से उदाहरण से सीख सकती है। मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस का एक हिस्सा है जो आउटपुट की भविष्यवाणी करने के लिए सांख्यिकीय उपकरणों के साथ डेटा को जोड़ती है जिसका उपयोग कार्रवाई योग्य अंतर्दृष्टि बनाने के लिए किया जा सकता है।

यह सफलता इस विचार के साथ आई है कि एक मशीन सटीक परिणाम देने के लिए डेटा (यानी, उदाहरण) से अकेले ही सीख सकती है। मशीन लर्निंग डेटा माइनिंग और बायेसियन प्रेडिक्टिव मॉडलिंग से बहुत करीब से जुड़ी हुई है। मशीन इनपुट के रूप में डेटा प्राप्त करती है और उत्तर तैयार करने के लिए एक एल्गोरिदम का उपयोग करती है।

एक सामान्य मशीन लर्निंग कार्य एक सिफारिश प्रदान करना है। उन लोगों के लिए जिनके पास Netflix खाते में, फिल्मों या श्रृंखलाओं की सभी सिफारिशें उपयोगकर्ता के ऐतिहासिक डेटा पर आधारित होती हैं। टेक कंपनियां इसका इस्तेमाल कर रही हैं अप्रकाशित शिक्षा वैयक्तिकृत अनुशंसा के साथ उपयोगकर्ता अनुभव को बेहतर बनाने के लिए।

मशीन लर्निंग का उपयोग विभिन्न कार्यों के लिए भी किया जाता है, जैसे धोखाधड़ी का पता लगाना, पूर्वानुमानित रखरखाव, पोर्टफोलियो अनुकूलन, कार्यों को स्वचालित करना आदि।

मशीन लर्निंग बनाम पारंपरिक प्रोग्रामिंग

पारंपरिक प्रोग्रामिंग मशीन लर्निंग से काफी अलग है। पारंपरिक प्रोग्रामिंग में, एक प्रोग्रामर उस उद्योग के विशेषज्ञ के परामर्श से सभी नियमों को कोड करता है जिसके लिए सॉफ़्टवेयर विकसित किया जा रहा है। प्रत्येक नियम एक तार्किक आधार पर आधारित होता है; मशीन तार्किक कथन के बाद आउटपुट निष्पादित करेगी। जब सिस्टम जटिल हो जाता है, तो अधिक नियम लिखने की आवश्यकता होती है। इसे बनाए रखना जल्दी ही असंतुलित हो सकता है।

मशीन लर्निंग से इस समस्या को दूर करने की अपेक्षा की जाती है। मशीन सीखती है कि इनपुट और आउटपुट डेटा कैसे सहसंबंधित हैं और यह एक नियम लिखती है। प्रोग्रामर को हर बार नया डेटा आने पर नए नियम लिखने की आवश्यकता नहीं होती। एल्गोरिदम समय के साथ प्रभावकारिता में सुधार करने के लिए नए डेटा और अनुभवों के जवाब में अनुकूलन करते हैं।

मशीन लर्निंग कैसे काम करती है?

अब इस मशीन लर्निंग बेसिक्स फॉर बिगिनर्स ट्यूटोरियल में, हम सीखेंगे कि मशीन लर्निंग (एमएल) कैसे काम करती है:

मशीन लर्निंग वह मस्तिष्क है जहाँ सारी सीख होती है। मशीन जिस तरह से सीखती है वह इंसान के समान ही है। इंसान अनुभव से सीखते हैं। जितना ज़्यादा हम जानते हैं, उतनी ही आसानी से हम भविष्यवाणी कर सकते हैं। सादृश्य से, जब हम किसी अज्ञात परिस्थिति का सामना करते हैं, तो सफलता की संभावना ज्ञात परिस्थिति की तुलना में कम होती है। मशीनों को उसी तरह प्रशिक्षित किया जाता है। सटीक भविष्यवाणी करने के लिए, मशीन एक उदाहरण देखती है। जब हम मशीन को एक समान उदाहरण देते हैं, तो वह परिणाम का पता लगा सकती है। हालाँकि, एक इंसान की तरह, अगर उसे पहले कभी न देखा गया उदाहरण दिया जाता है, तो मशीन को भविष्यवाणी करने में मुश्किल होती है।

मशीन लर्निंग का मुख्य उद्देश्य है सीख रहा हूँ और अनुमानसबसे पहले, मशीन पैटर्न की खोज के माध्यम से सीखती है। यह खोज किसके द्वारा की गई है? तिथिडेटा वैज्ञानिक का एक महत्वपूर्ण हिस्सा यह चुनना है कि मशीन को कौन सा डेटा प्रदान करना है। किसी समस्या को हल करने के लिए उपयोग की जाने वाली विशेषताओं की सूची को एक डेटा वैज्ञानिक कहा जाता है। फ़ीचर वेक्टर. आप फीचर वेक्टर को डेटा के एक उपसमूह के रूप में सोच सकते हैं जिसका उपयोग किसी समस्या से निपटने के लिए किया जाता है।

मशीन वास्तविकता को सरल बनाने और इस खोज को एक वास्तविकता में बदलने के लिए कुछ फैंसी एल्गोरिदम का उपयोग करती है। आदर्शइसलिए, सीखने के चरण का उपयोग डेटा का वर्णन करने और इसे एक मॉडल में संक्षेपित करने के लिए किया जाता है।

उदाहरण के लिए, मशीन किसी व्यक्ति के वेतन और किसी शानदार रेस्टोरेंट में जाने की संभावना के बीच के संबंध को समझने की कोशिश कर रही है। यह पता चलता है कि मशीन वेतन और किसी हाई-एंड रेस्टोरेंट में जाने के बीच एक सकारात्मक संबंध पाती है: यह मॉडल है

निष्कर्ष निकालते

जब मॉडल बनाया जाता है, तो यह जांचना संभव है कि यह पहले कभी न देखे गए डेटा पर कितना शक्तिशाली है। नए डेटा को एक फीचर वेक्टर में बदल दिया जाता है, मॉडल के माध्यम से जाता है और एक भविष्यवाणी देता है। यह सब मशीन लर्निंग का सुंदर हिस्सा है। नियमों को अपडेट करने या मॉडल को फिर से प्रशिक्षित करने की कोई आवश्यकता नहीं है। आप नए डेटा पर अनुमान लगाने के लिए पहले से प्रशिक्षित मॉडल का उपयोग कर सकते हैं।

मशीन लर्निंग प्रोग्राम का जीवन सीधा है और इसे निम्नलिखित बिंदुओं में संक्षेपित किया जा सकता है:

1. प्रश्न को परिभाषित करें
2. डेटा इकट्ठा करना
3. डेटा विज़ुअलाइज़ करें
4. ट्रेन एल्गोरिथ्म
5. एल्गोरिथ्म का परीक्षण करें
6. प्रतिक्रिया एकत्र करें
7. एल्गोरिथ्म को परिष्कृत करें
8. परिणाम संतोषजनक होने तक लूप 4-7 करें
9. भविष्यवाणी करने के लिए मॉडल का उपयोग करें

एक बार जब एल्गोरिथ्म सही निष्कर्ष निकालने में सक्षम हो जाता है, तो वह उस ज्ञान को नए डेटा सेटों पर लागू करता है।

मशीन लर्निंग Algorithms और उनका उपयोग कहां किया जाता है?

अब शुरुआती लोगों के लिए इस मशीन लर्निंग ट्यूटोरियल में, हम सीखेंगे कि मशीन लर्निंग (एमएल) एल्गोरिदम का उपयोग कहां किया जाता है:

मशीन लर्निंग को दो व्यापक लर्निंग कार्यों में बांटा जा सकता है: पर्यवेक्षित और अप्रशिक्षित। कई अन्य एल्गोरिदम भी हैं

पर्यवेक्षित अध्ययन

एक एल्गोरिथ्म दिए गए इनपुट और दिए गए आउटपुट के बीच के संबंध को जानने के लिए प्रशिक्षण डेटा और मनुष्यों से प्राप्त फीडबैक का उपयोग करता है। उदाहरण के लिए, एक व्यवसायी डिब्बों की बिक्री की भविष्यवाणी करने के लिए इनपुट डेटा के रूप में विपणन व्यय और मौसम पूर्वानुमान का उपयोग कर सकता है।

जब आउटपुट डेटा ज्ञात हो तो आप सुपरवाइज्ड लर्निंग का उपयोग कर सकते हैं। एल्गोरिदम नए डेटा की भविष्यवाणी करेगा।

की दो श्रेणियां हैं पर्यवेक्षित अध्ययन:

• वर्गीकरण कार्य
• प्रतिगमन कार्य

वर्गीकरण

कल्पना करें कि आप किसी विज्ञापन के लिए ग्राहक के लिंग का पूर्वानुमान लगाना चाहते हैं। आप अपने ग्राहक डेटाबेस से ऊँचाई, वजन, नौकरी, वेतन, खरीदारी की टोकरी आदि पर डेटा एकत्र करना शुरू करेंगे। आप अपने प्रत्येक ग्राहक का लिंग जानते हैं, यह केवल पुरुष या महिला हो सकता है। क्लासिफायर का उद्देश्य जानकारी (यानी, आपके द्वारा एकत्र की गई विशेषताओं) के आधार पर पुरुष या महिला (यानी लेबल) होने की संभावना को निर्दिष्ट करना होगा। जब मॉडल ने पुरुष या महिला को पहचानना सीख लिया, तो आप भविष्यवाणी करने के लिए नए डेटा का उपयोग कर सकते हैं। उदाहरण के लिए, आपको अभी-अभी किसी अज्ञात ग्राहक से नई जानकारी मिली है, और आप जानना चाहते हैं कि वह पुरुष है या महिला। यदि क्लासिफायर पुरुष = 70% की भविष्यवाणी करता है, तो इसका मतलब है कि एल्गोरिथ्म 70% पर सुनिश्चित है कि यह ग्राहक पुरुष है, और 30% यह महिला है।

लेबल दो या अधिक वर्गों का हो सकता है। उपरोक्त मशीन लर्निंग उदाहरण में केवल दो वर्ग हैं, लेकिन यदि किसी क्लासिफायर को ऑब्जेक्ट की भविष्यवाणी करनी है, तो उसके पास दर्जनों वर्ग हैं (जैसे, ग्लास, टेबल, जूते, आदि। प्रत्येक ऑब्जेक्ट एक वर्ग का प्रतिनिधित्व करता है)

प्रतीपगमन

जब आउटपुट निरंतर मूल्य होता है, तो कार्य प्रतिगमन होता है। उदाहरण के लिए, एक वित्तीय विश्लेषक को इक्विटी, पिछले स्टॉक प्रदर्शन, मैक्रोइकॉनॉमिक्स इंडेक्स जैसी कई विशेषताओं के आधार पर स्टॉक के मूल्य का पूर्वानुमान लगाने की आवश्यकता हो सकती है। सिस्टम को सबसे कम संभव त्रुटि के साथ स्टॉक की कीमत का अनुमान लगाने के लिए प्रशिक्षित किया जाएगा।

कलन विधि	विवरण	प्रकार
रेखीय प्रतिगमन	भविष्य के मूल्यों का पूर्वानुमान लगाने में सहायता के लिए प्रत्येक विशेषता को आउटपुट से सहसंबंधित करने का तरीका ढूंढता है।	प्रतीपगमन
रसद प्रतिगमन	रैखिक प्रतिगमन का विस्तार जिसका उपयोग वर्गीकरण कार्यों के लिए किया जाता है। आउटपुट चर 3 बाइनरी है (उदाहरण के लिए, केवल काला या सफ़ेद) न कि निरंतर (उदाहरण के लिए, संभावित रंगों की एक अनंत सूची)	वर्गीकरण
निर्णय वृक्ष	अत्यधिक व्याख्या योग्य वर्गीकरण या प्रतिगमन मॉडल जो डेटा-फीचर मानों को निर्णय नोड्स पर शाखाओं में विभाजित करता है (उदाहरण के लिए, यदि कोई फीचर एक रंग है, तो प्रत्येक संभावित रंग एक नई शाखा बन जाता है) जब तक कि अंतिम निर्णय आउटपुट नहीं हो जाता	प्रतीपगमन वर्गीकरण
भोले भाले	बायेसियन विधि एक वर्गीकरण विधि है जो बायेसियन प्रमेय का उपयोग करती है। यह प्रमेय किसी घटना के पूर्व ज्ञान को प्रत्येक विशेषता की स्वतंत्र संभावना के साथ अद्यतन करता है जो घटना को प्रभावित कर सकती है।	प्रतीपगमन वर्गीकरण
समर्थन वेक्टर यंत्र	सपोर्ट वेक्टर मशीन या एसवीएम का उपयोग आमतौर पर वर्गीकरण कार्य के लिए किया जाता है। एसवीएम एल्गोरिथ्म एक हाइपरप्लेन ढूंढता है जो कक्षाओं को इष्टतम रूप से विभाजित करता है। इसका सबसे अच्छा उपयोग नॉन-लीनियर सॉल्वर के साथ किया जाता है।	प्रतिगमन (बहुत आम नहीं) वर्गीकरण
बेतरतीब जंगल	सटीकता में भारी सुधार करने के लिए एल्गोरिदम को निर्णय वृक्ष पर बनाया गया है। रैंडम फ़ॉरेस्ट कई बार सरल निर्णय वृक्ष उत्पन्न करता है और यह तय करने के लिए 'बहुमत मत' पद्धति का उपयोग करता है कि कौन सा लेबल वापस करना है। वर्गीकरण कार्य के लिए, अंतिम भविष्यवाणी सबसे अधिक वोट वाली होगी; जबकि प्रतिगमन कार्य के लिए, सभी वृक्षों की औसत भविष्यवाणी अंतिम भविष्यवाणी होती है।	प्रतीपगमन वर्गीकरण
एडा बूस्ट	वर्गीकरण या प्रतिगमन तकनीक जो निर्णय लेने के लिए अनेक मॉडलों का उपयोग करती है, लेकिन परिणाम की भविष्यवाणी करने में उनकी सटीकता के आधार पर उनका मूल्यांकन करती है	प्रतीपगमन वर्गीकरण
ग्रेडिएंट बढ़ाने वाले पेड़	ग्रेडिएंट-बूस्टिंग ट्री एक अत्याधुनिक वर्गीकरण/प्रतिगमन तकनीक है। यह पिछले पेड़ों द्वारा की गई त्रुटि पर ध्यान केंद्रित करता है और उसे ठीक करने का प्रयास करता है।	प्रतीपगमन वर्गीकरण

अशिक्षित शिक्षा

अप्रशिक्षित शिक्षण में, एक एल्गोरिथ्म स्पष्ट आउटपुट चर दिए बिना इनपुट डेटा का अन्वेषण करता है (उदाहरण के लिए, पैटर्न की पहचान करने के लिए ग्राहक जनसांख्यिकीय डेटा का अन्वेषण करता है)

आप इसका उपयोग तब कर सकते हैं जब आपको नहीं पता कि डेटा को कैसे वर्गीकृत किया जाए, और आप चाहते हैं कि एल्गोरिदम पैटर्न ढूंढे और आपके लिए डेटा को वर्गीकृत करे

एल्गोरिथम का नाम	विवरण	प्रकार
K- का अर्थ है क्लस्टरिंग	डेटा को कुछ समूहों (k) में रखता है, जिनमें से प्रत्येक में समान विशेषताओं वाला डेटा होता है (जैसा कि मॉडल द्वारा निर्धारित किया जाता है, न कि मनुष्यों द्वारा पहले से निर्धारित किया जाता है)	Clusterआईएनजी
गाऊसी मिश्रण मॉडल	के-मीन्स क्लस्टरिंग का एक सामान्यीकरण जो समूहों (क्लस्टर) के आकार और स्वरूप में अधिक लचीलापन प्रदान करता है	Clusterआईएनजी
पदानुक्रमित क्लस्टरिंग	वर्गीकरण प्रणाली बनाने के लिए एक पदानुक्रमित वृक्ष के साथ समूहों को विभाजित करता है। के लिए इस्तेमाल किया जा सकता है Cluster लॉयल्टी कार्ड ग्राहक	Clusterआईएनजी
सिफारिश प्रणाली	अनुशंसा करने के लिए प्रासंगिक डेटा को परिभाषित करने में सहायता करें।	Clusterआईएनजी
पीसीए/टी-एसएनई	इसका उपयोग अधिकतर डेटा की आयामीता को कम करने के लिए किया जाता है। एल्गोरिदम उच्चतम भिन्नताओं के साथ सुविधाओं की संख्या को 3 या 4 वैक्टर तक कम कर देता है।	आयाम में कमी

मशीन लर्निंग एल्गोरिदम कैसे चुनें

अब इस मशीन लर्निंग बेसिक्स ट्यूटोरियल में, हम सीखेंगे कि मशीन लर्निंग (एमएल) एल्गोरिदम कैसे चुनें:

मशीन लर्निंग के बहुत सारे एल्गोरिदम हैं। एल्गोरिदम का चयन उद्देश्य पर आधारित होता है।

नीचे दिए गए मशीन लर्निंग उदाहरण में, कार्य तीन किस्मों में से फूल के प्रकार की भविष्यवाणी करना है। भविष्यवाणियां पंखुड़ी की लंबाई और चौड़ाई पर आधारित हैं। चित्र दस अलग-अलग एल्गोरिदम के परिणामों को दर्शाता है। ऊपर बाईं ओर की तस्वीर डेटासेट है। डेटा को तीन श्रेणियों में वर्गीकृत किया गया है: लाल, हल्का नीला और गहरा नीला। कुछ समूह हैं। उदाहरण के लिए, दूसरी छवि से, ऊपरी बाएँ में सब कुछ लाल श्रेणी से संबंधित है, मध्य भाग में अनिश्चितता और हल्के नीले रंग का मिश्रण है जबकि नीचे गहरे रंग की श्रेणी से मेल खाता है। अन्य चित्र अलग-अलग एल्गोरिदम दिखाते हैं और वे डेटा को कैसे वर्गीकृत करने का प्रयास करते हैं।

मशीन लर्निंग की चुनौतियाँ और सीमाएँ

अब इस मशीन लर्निंग ट्यूटोरियल में, हम मशीन लर्निंग की सीमाओं के बारे में जानेंगे:

मशीन लर्निंग की प्राथमिक चुनौती डेटा की कमी या डेटासेट में विविधता है। यदि कोई डेटा उपलब्ध नहीं है तो मशीन सीख नहीं सकती। इसके अलावा, विविधता की कमी वाला डेटासेट मशीन को कठिन समय देता है। सार्थक अंतर्दृष्टि सीखने के लिए मशीन में विविधता होनी चाहिए। यह दुर्लभ है कि कोई एल्गोरिथ्म जानकारी निकाल सकता है जब कोई भिन्नता नहीं होती या बहुत कम होती है। मशीन को सीखने में मदद करने के लिए प्रति समूह कम से कम 20 अवलोकन होने की सिफारिश की जाती है। यह बाधा खराब मूल्यांकन और भविष्यवाणी की ओर ले जाती है।

मशीन लर्निंग का अनुप्रयोग

अब इस मशीन लर्निंग ट्यूटोरियल में, आइए मशीन लर्निंग के अनुप्रयोगों को जानें:

वृद्धि:

• मशीन लर्निंग, जो आउटपुट पर पूर्ण नियंत्रण के बिना, व्यक्तिगत या व्यावसायिक रूप से, मनुष्यों को उनके दैनिक कार्यों में सहायता करती है। इस तरह की मशीन लर्निंग का उपयोग विभिन्न तरीकों से किया जाता है जैसे वर्चुअल असिस्टेंट, डेटा विश्लेषण, सॉफ्टवेयर समाधान। प्राथमिक उपयोगकर्ता मानवीय पूर्वाग्रह के कारण होने वाली त्रुटियों को कम करना है।

स्वचालन:

• मशीन लर्निंग, जो किसी भी क्षेत्र में बिना किसी मानवीय हस्तक्षेप के पूरी तरह से स्वायत्त रूप से काम करती है। उदाहरण के लिए, विनिर्माण संयंत्रों में आवश्यक प्रक्रिया चरणों को निष्पादित करने वाले रोबोट।

वित्त उद्योग

• वित्त उद्योग में मशीन लर्निंग की लोकप्रियता बढ़ रही है। बैंक मुख्य रूप से डेटा के अंदर पैटर्न खोजने के लिए मशीन लर्निंग का उपयोग कर रहे हैं, लेकिन धोखाधड़ी को रोकने के लिए भी इसका उपयोग कर रहे हैं।

सरकारी संगठन

• सरकार सार्वजनिक सुरक्षा और उपयोगिताओं के प्रबंधन के लिए मशीन लर्निंग का उपयोग करती है। चीन का उदाहरण लें, जहाँ बड़े पैमाने पर फेस रिकग्निशन का उपयोग किया जाता है। आर्टिफिशियल इंटेलिजेंस जयवाकर को रोकने के लिए.

हेल्थकेयर उद्योग

• स्वास्थ्य सेवा, छवि पहचान के साथ मशीन लर्निंग का उपयोग करने वाले पहले उद्योगों में से एक था।

विपणन (मार्केटिंग)

• डेटा तक प्रचुर पहुंच के कारण मार्केटिंग में AI का व्यापक उपयोग किया जाता है। बड़े पैमाने पर डेटा के युग से पहले, शोधकर्ता ग्राहक के मूल्य का अनुमान लगाने के लिए बायेसियन विश्लेषण जैसे उन्नत गणितीय उपकरण विकसित करते थे। डेटा के उछाल के साथ, मार्केटिंग विभाग ग्राहक संबंध और मार्केटिंग अभियान को अनुकूलित करने के लिए AI पर निर्भर करता है।

आपूर्ति श्रृंखला में मशीन लर्निंग के अनुप्रयोग का उदाहरण

मशीन लर्निंग दृश्य पैटर्न पहचान के लिए शानदार परिणाम देता है, जिससे संपूर्ण आपूर्ति श्रृंखला नेटवर्क में भौतिक निरीक्षण और रखरखाव में कई संभावित अनुप्रयोगों के द्वार खुलते हैं।

अनसुपरवाइज्ड लर्निंग विविध डेटासेट में तुलनीय पैटर्न की खोज जल्दी से कर सकती है। बदले में, मशीन पूरे लॉजिस्टिक्स हब में गुणवत्ता निरीक्षण कर सकती है, क्षति और टूट-फूट के साथ शिपमेंट कर सकती है।

उदाहरण के लिए: IBM'वॉटसन प्लेटफ़ॉर्म शिपिंग कंटेनर क्षति का निर्धारण कर सकता है। वॉटसन दृश्य और सिस्टम-आधारित डेटा को वास्तविक समय में ट्रैक करने, रिपोर्ट करने और सिफारिशें करने के लिए जोड़ता है।

पिछले वर्ष स्टॉक मैनेजर इन्वेंट्री का मूल्यांकन और पूर्वानुमान करने के लिए प्राथमिक विधि पर बड़े पैमाने पर निर्भर करता है। बड़े डेटा और मशीन लर्निंग को संयोजित करते समय, बेहतर पूर्वानुमान तकनीकें लागू की गई हैं (पारंपरिक पूर्वानुमान उपकरणों की तुलना में 20 से 30% का सुधार)। बिक्री के संदर्भ में, इसका मतलब इन्वेंट्री लागत में संभावित कमी के कारण 2 से 3% की वृद्धि है।

मशीन लर्निंग का उदाहरण गूगल कार

उदाहरण के लिए, गूगल कार को हर कोई जानता है। कार की छत पर लेज़र लगे हुए हैं जो इसे आस-पास के क्षेत्र के बारे में बता रहे हैं। इसके आगे रडार है, जो कार को उसके आस-पास की सभी कारों की गति और चाल के बारे में सूचित कर रहा है। यह उस सभी डेटा का उपयोग न केवल यह पता लगाने के लिए करता है कि कार को कैसे चलाना है, बल्कि यह भी पता लगाने और भविष्यवाणी करने के लिए करता है कि कार के आस-पास के संभावित ड्राइवर क्या करने जा रहे हैं। सबसे प्रभावशाली बात यह है कि कार लगभग एक गीगाबाइट प्रति सेकंड डेटा प्रोसेस कर रही है।

मशीन लर्निंग क्यों महत्वपूर्ण है?

डेटा में पैटर्न का विश्लेषण, समझ और पहचान करने के लिए मशीन लर्निंग अब तक का सबसे अच्छा उपकरण है। मशीन लर्निंग के पीछे मुख्य विचारों में से एक यह है कि कंप्यूटर को उन कार्यों को स्वचालित करने के लिए प्रशिक्षित किया जा सकता है जो मनुष्य के लिए थकाऊ या असंभव होंगे। पारंपरिक विश्लेषण से स्पष्ट उल्लंघन यह है कि मशीन लर्निंग न्यूनतम मानवीय हस्तक्षेप के साथ निर्णय ले सकती है।

इस एमएल ट्यूटोरियल के लिए निम्नलिखित उदाहरण लें; एक खुदरा एजेंट अपने अनुभव और बाजार के ज्ञान के आधार पर एक घर की कीमत का अनुमान लगा सकता है।

किसी विशेषज्ञ के ज्ञान को विशेषताओं में बदलने के लिए मशीन को प्रशिक्षित किया जा सकता है। विशेषताएँ किसी घर, पड़ोस, आर्थिक वातावरण आदि की सभी विशेषताएँ हैं जो कीमत में अंतर पैदा करती हैं। विशेषज्ञ के लिए, घर की कीमत का अनुमान लगाने की कला में महारत हासिल करने में उसे शायद कुछ साल लग गए। प्रत्येक बिक्री के बाद उसकी विशेषज्ञता बेहतर और बेहतर होती जा रही है।

मशीन को इस कला में महारत हासिल करने के लिए लाखों डेटा (यानी उदाहरण) की ज़रूरत होती है। सीखने की शुरुआत में ही मशीन गलती कर देती है, किसी जूनियर सेल्समैन की तरह। एक बार जब मशीन सभी उदाहरण देख लेती है, तो उसे अपना अनुमान लगाने के लिए पर्याप्त ज्ञान मिल जाता है। साथ ही, अविश्वसनीय सटीकता के साथ। मशीन अपनी गलती को भी उसी हिसाब से एडजस्ट करने में सक्षम हो जाती है।

अधिकांश बड़ी कंपनियों ने मशीन लर्निंग और डेटा रखने के महत्व को समझ लिया है। मैकिन्से ने अनुमान लगाया है कि एनालिटिक्स का मूल्य $9.5 ट्रिलियन से $15.4 ट्रिलियन जबकि $5 से 7 ट्रिलियन का श्रेय सबसे उन्नत एआई तकनीकों को दिया जा सकता है।

यह भी पढ़ें: फ़ज़ी लॉजिक क्या है? Archiतकनीक, अनुप्रयोग और उदाहरण: यहाँ क्लिक करें