शुरुआती लोगों के लिए मशीन लर्निंग ट्यूटोरियल: क्या है, एमएल की मूल बातें
एवलिन क्लार्क
⚡ स्मार्ट सारांश
मशीन लर्निंग कंप्यूटर एल्गोरिदम का एक समूह है जो स्पष्ट रूप से कोडित होने के बजाय उदाहरणों से सुधार करता है, डेटा को सांख्यिकीय उपकरणों के साथ मिलाकर ऐसे परिणामों की भविष्यवाणी करता है जिन्हें लोग कार्रवाई योग्य निर्णयों में बदल सकते हैं।
मशीन लर्निंग क्या है?
मशीन लर्निंग मशीन लर्निंग कंप्यूटर एल्गोरिदम की एक ऐसी प्रणाली है जो प्रोग्रामर द्वारा स्पष्ट रूप से कोड किए बिना, स्वयं में सुधार के माध्यम से उदाहरणों से सीख सकती है। कृत्रिम बुद्धिमत्ता जो डेटा को सांख्यिकीय उपकरणों के साथ मिलाकर एक ऐसे परिणाम की भविष्यवाणी करता है जिसका उपयोग कार्रवाई योग्य अंतर्दृष्टि प्राप्त करने के लिए किया जा सकता है।
यह महत्वपूर्ण खोज इस विचार से संभव हुई है कि एक मशीन डेटा (यानी, उदाहरणों) से स्वयं सीखकर सटीक परिणाम दे सकती है। मशीन लर्निंग का इससे गहरा संबंध है। आँकड़ा खनन और बायेसियन प्रेडिक्टिव मॉडलिंग। मशीन इनपुट के रूप में डेटा प्राप्त करती है और उत्तर तैयार करने के लिए एक एल्गोरिदम का उपयोग करती है।
मशीन लर्निंग का एक सामान्य कार्य अनुशंसा प्रदान करना है। जिनके पास यह कार्य है, उनके लिए यह उपयोगी है। Netflix अकाउंट में, फिल्मों या सीरीज़ की सभी अनुशंसाएं उपयोगकर्ता के ऐतिहासिक डेटा पर आधारित होती हैं। तकनीकी कंपनियां इसका उपयोग करती हैं। अप्रकाशित शिक्षा अनुशंसाओं को वैयक्तिकृत करके उपयोगकर्ता अनुभव को बेहतर बनाना।
मशीन लर्निंग का उपयोग धोखाधड़ी का पता लगाने, पूर्वानुमानित रखरखाव, पोर्टफोलियो अनुकूलन और कार्य स्वचालन जैसे विभिन्न कार्यों के लिए भी किया जाता है।
मशीन लर्निंग बनाम पारंपरिक प्रोग्रामिंग
पारंपरिक प्रोग्रामिंग, मशीन लर्निंग से काफी अलग है। पारंपरिक प्रोग्रामिंग में, प्रोग्रामर उस उद्योग के विशेषज्ञ से परामर्श करके सभी नियमों को कोड करता है जिसके लिए सॉफ्टवेयर विकसित किया जा रहा है। प्रत्येक नियम एक तार्किक आधार पर आधारित होता है; मशीन उस तार्किक कथन का पालन करके आउटपुट उत्पन्न करती है। जब सिस्टम जटिल हो जाता है, तो अधिक नियम लिखने की आवश्यकता होती है, और इसे बनाए रखना जल्दी ही मुश्किल हो सकता है। नीचे दिया गया आरेख उस प्रवाह को दर्शाता है, जहां डेटा और हाथ से लिखे गए नियम इनपुट होते हैं और उत्तर आउटपुट होते हैं।
मशीन लर्निंग का उद्देश्य इस समस्या का समाधान करना है। मशीन इनपुट और आउटपुट डेटा के सहसंबंध को समझती है और नियम स्वयं लिखती है। प्रोग्रामरों को हर बार नया डेटा आने पर नए नियम लिखने की आवश्यकता नहीं होती। एल्गोरिदम नए डेटा और अनुभव के आधार पर अनुकूलित होते हैं, जिससे समय के साथ उनकी प्रभावशीलता बढ़ती जाती है। दूसरा आरेख पहले आरेख का उल्टा है: डेटा और ज्ञात उत्तर इनपुट में जाते हैं, और नियम आउटपुट में आता है।
मशीन लर्निंग कैसे काम करती है?
इस अंतर को ध्यान में रखते हुए, अगला प्रश्न यह है कि सीखने की प्रक्रिया के दौरान वास्तव में क्या होता है।
मशीन लर्निंग वह दिमाग है जहाँ सारी सीख होती है। मशीन के सीखने का तरीका इंसानों के सीखने के तरीके से मिलता-जुलता है। इंसान अनुभव से सीखते हैं: जितना अधिक हम जानते हैं, उतना ही आसानी से हम भविष्यवाणी कर सकते हैं। उदाहरण के लिए, जब हम किसी अनजान स्थिति का सामना करते हैं, तो सफलता की संभावना जानी-पहचानी स्थिति की तुलना में कम होती है। मशीनों को भी इसी तरह प्रशिक्षित किया जाता है। सटीक भविष्यवाणी करने के लिए, मशीन एक उदाहरण देखती है। जब हम मशीन को वैसा ही उदाहरण देते हैं, तो वह परिणाम का अनुमान लगा सकती है। हालांकि, इंसानों की तरह, अगर उसे पहले कभी न देखा गया उदाहरण दिया जाए, तो मशीन को भविष्यवाणी करने में कठिनाई होती है।
मशीन लर्निंग के मूल उद्देश्य सीखना और निष्कर्ष निकालना हैं। सबसे पहले, मशीन पैटर्न की खोज के माध्यम से सीखती है, और यह खोज डेटा द्वारा संभव होती है। डेटा साइंटिस्ट के काम का एक महत्वपूर्ण हिस्सा मशीन को प्रदान किए जाने वाले डेटा का सावधानीपूर्वक चयन करना है। किसी समस्या को हल करने के लिए उपयोग किए जाने वाले गुणों की सूची को डेटा विश्लेषण कहा जाता है। फ़ीचर वेक्टरआप फीचर वेक्टर को डेटा के एक उपसमूह के रूप में समझ सकते हैं जिसका उपयोग किसी समस्या को हल करने के लिए किया जाता है।
यह मशीन वास्तविकता को सरल बनाने और इस खोज को एक मॉडल में बदलने के लिए एल्गोरिदम का उपयोग करती है। इसलिए, सीखने के चरण का उपयोग डेटा का वर्णन करने और उसे एक मॉडल में सारांशित करने के लिए किया जाता है, जैसा कि नीचे दिखाया गया है।
उदाहरण के लिए, मशीन किसी व्यक्ति के वेतन और किसी महंगे रेस्तरां में जाने की संभावना के बीच संबंध को समझने की कोशिश कर रही है। मशीन को वेतन और महंगे रेस्तरां में जाने के बीच एक सकारात्मक संबंध मिलता है: यही मॉडल है।
निष्कर्ष निकालते
मॉडल बन जाने के बाद, पहले कभी न देखे गए डेटा पर इसकी क्षमता का परीक्षण करना संभव है। नए डेटा को फ़ीचर वेक्टर में परिवर्तित किया जाता है, मॉडल से गुज़ारा जाता है और एक पूर्वानुमान प्राप्त होता है। यही मशीन लर्निंग का सबसे महत्वपूर्ण पहलू है। नियमों को अपडेट करने या मॉडल को दोबारा प्रशिक्षित करने की कोई आवश्यकता नहीं है - आप पहले से प्रशिक्षित मॉडल का उपयोग करके नए डेटा पर अनुमान लगा सकते हैं, ठीक वैसे ही जैसे नीचे दिए गए चित्र में दिखाया गया है।
मशीन लर्निंग प्रोग्राम का जीवन चक्र सरल है और इसे निम्नलिखित बिंदुओं में संक्षेप में प्रस्तुत किया जा सकता है:
- प्रश्न को परिभाषित करें
- डेटा इकट्ठा करना
- डेटा विज़ुअलाइज़ करें
- ट्रेन एल्गोरिथ्म
- एल्गोरिथ्म का परीक्षण करें
- प्रतिक्रिया एकत्र करें
- एल्गोरिथ्म को परिष्कृत करें
- परिणाम संतोषजनक होने तक चरण 4 से 7 को दोहराएं।
- 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?
नीचे दिया गया चार्ट सबसे सामान्य एल्गोरिदम को उनके द्वारा हल किए जाने वाले कार्य के प्रकार के आधार पर वर्गीकृत करता है।
मशीन लर्निंग को व्यापक रूप से दो लर्निंग कार्यों में वर्गीकृत किया जा सकता है: देखरेख और के चलते किसीइनके बीच और इनसे परे दो और परिवार मौजूद हैं - अर्ध-पर्यवेक्षित शिक्षण, जो एक छोटे लेबल वाले सेट को एक बड़े बिना लेबल वाले सेट के साथ मिलाता है, और सुदृढीकरण सीखनाजहां एक एजेंट लेबल किए गए उत्तरों के बजाय पुरस्कारों से सीखता है।
पर्यवेक्षित अध्ययन
एक एल्गोरिदम दिए गए इनपुट और आउटपुट के बीच संबंध सीखने के लिए प्रशिक्षण डेटा और मनुष्यों से प्राप्त फीडबैक का उपयोग करता है। उदाहरण के लिए, एक व्यवसायी विपणन व्यय और मौसम पूर्वानुमान को इनपुट डेटा के रूप में उपयोग करके डिब्बों की बिक्री का अनुमान लगा सकता है।
आप का उपयोग कर सकते हैं पर्यवेक्षित अध्ययन जब आउटपुट डेटा ज्ञात हो, तब एल्गोरिदम नए डेटा के आधार पर भविष्यवाणी करेगा।
पर्यवेक्षित शिक्षण की दो श्रेणियां हैं:
- वर्गीकरण कार्य
- प्रतिगमन कार्य
वर्गीकरण
मान लीजिए कि आप किसी विज्ञापन के लिए ग्राहक के लिंग का अनुमान लगाना चाहते हैं। आप अपने ग्राहक डेटाबेस से ऊंचाई, वजन, नौकरी, वेतन, खरीदारी की मात्रा आदि से संबंधित डेटा एकत्र करना शुरू करेंगे। आपको अपने प्रत्येक ग्राहक का लिंग पता है, और वह केवल पुरुष या महिला हो सकता है। क्लासिफायर का उद्देश्य आपके द्वारा एकत्र की गई जानकारी (यानी, विशेषताएं) के आधार पर पुरुष या महिला होने की संभावना (यानी, लेबल) निर्धारित करना है। जब मॉडल पुरुष या महिला को पहचानना सीख जाता है, तो आप अनुमान लगाने 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 ग्राहक पुरुष है या महिला। यदि क्लासिफायर 70% संभावना के साथ पुरुष होने का अनुमान लगाता है, तो इसका मतलब है कि एल्गोरिदम को 70% यकीन है कि यह ग्राहक पुरुष है, और 30% यकीन है कि ग्राहक महिला है।
लेबल में दो या दो से अधिक श्रेणियां हो सकती हैं। ऊपर दिए गए मशीन लर्निंग उदाहरण में केवल दो श्रेणियां हैं, लेकिन यदि किसी क्लासिफायर को वस्तुओं की भविष्यवाणी करने की आवश्यकता है, तो उसमें दर्जनों श्रेणियां हो सकती हैं (जैसे, गिलास, मेज, जूते - प्रत्येक वस्तु एक श्रेणी का प्रतिनिधित्व करती है)।
प्रतीपगमन
जब आउटपुट एक सतत मान होता है, तो यह कार्य रिग्रेशन कहलाता है। उदाहरण के लिए, एक वित्तीय विश्लेषक को इक्विटी, पिछले स्टॉक प्रदर्शन और मैक्रोइकॉनॉमिक सूचकांकों जैसी विभिन्न विशेषताओं के आधार पर किसी स्टॉक के मूल्य का पूर्वानुमान लगाने की आवश्यकता हो सकती है। सिस्टम को स्टॉक की कीमत का अनुमान न्यूनतम त्रुटि के साथ लगाने के लिए प्रशिक्षित किया जाएगा।
नीचे दी गई तालिका में उन सुपरवाइज्ड एल्गोरिदम की सूची दी गई है जिनसे आपका अक्सर सामना होगा, और प्रत्येक एल्गोरिदम किस कार्य के लिए उपयुक्त है।
| 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 | यह लीनियर रिग्रेशन का एक विस्तारित रूप है जिसका उपयोग वर्गीकरण कार्यों के लिए किया जाता है। आउटपुट वेरिएबल बाइनरी होता है (जैसे, केवल काला या सफेद) न कि निरंतर (जैसे, 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 (SVM) का उपयोग आमतौर पर वर्गीकरण कार्य के लिए किया जाता है। SVM एल्गोरिदम एक हाइपरप्लेन ढूंढता है जो वर्गों को सर्वोत्तम रूप से विभाजित करता है। इसका उपयोग नॉन-लीनियर सॉल्वर के साथ करना सबसे अच्छा रहता है। | प्रतिगमन (बहुत आम नहीं) वर्गीकरण |
| बेतरतीब जंगल | यह एल्गोरिदम सटीकता में ज़बरदस्त सुधार लाने के लिए निर्णय वृक्ष पर आधारित है। रैंडम फ़ॉरेस्ट कई सरल निर्णय वृक्ष उत्पन्न करता है और यह तय करने के लिए 'बहुमत वोट' विधि का उपयोग करता है कि कौन सा लेबल लौटाना है। वर्गीकरण कार्य के लिए, अंतिम पूर्वानुमान वह होगा जिसे सबसे अधिक वोट प्राप्त होंगे; प्रतिगमन कार्य के लिए, सभी वृक्षों के पूर्वानुमानों का औसत अंतिम पूर्वानुमान होता 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 पिछली ट्री द्वारा की गई त्रुटियों पर ध्यान केंद्रित करती है और उन्हें सुधारने का प्रयास करती है। | प्रतीपगमन वर्गीकरण |
अशिक्षित शिक्षा
अनसुपरवाइज्ड लर्निंग में, एक एल्गोरिदम को कोई स्पष्ट आउटपुट वेरिएबल दिए बिना इनपुट डेटा का विश्लेषण करता है (उदाहरण के लिए, यह पैटर्न की पहचान करने के लिए ग्राहक जनसांख्यिकीय डेटा का विश्लेषण करता है)।
इसका उपयोग तब किया जा सकता है जब आपको डेटा को वर्गीकृत करना नहीं आता हो और आप चाहते हों कि एल्गोरिदम पैटर्न खोजकर डेटा को समूहित करे। मुख्य अनसुपरवाइज्ड एल्गोरिदम का सारांश नीचे दिया गया है।
| 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 | यह वर्गीकरण प्रणाली बनाने के लिए एक पदानुक्रमित वृक्ष के साथ समूहों को विभाजित करता है। इसका उपयोग लॉयल्टी कार्ड ग्राहकों को समूहित करने के लिए किया जा सकता है। | Clusterआईएनजी |
| सिफारिश प्रणाली | यह सिफारिश करने के लिए प्रासंगिक डेटा को परिभाषित करने में मदद करता है। | 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
मशीन लर्निंग एल्गोरिदम की भरमार है, और एल्गोरिदम का चुनाव फैशन के बजाय उद्देश्य से प्रेरित होता है।
नीचे दिए गए मशीन लर्निंग उदाहरण में, तीन किस्मों में से फूल के प्रकार का अनुमान लगाना है। अनुमान पंखुड़ी की लंबाई और चौड़ाई पर आधारित हैं। चित्र में दस अलग-अलग एल्गोरिदम के परिणाम दिखाए गए हैं। ऊपर बाईं ओर का चित्र डेटासेट है, जिसमें डेटा को तीन श्रेणियों में वर्गीकृत किया गया है: लाल, हल्का नीला और गहरा नीला। कुछ समूह...pingअंतर स्पष्ट रूप से दिखाई दे रहे हैं। उदाहरण के लिए, दूसरी छवि में, ऊपरी बाएँ भाग में सब कुछ लाल श्रेणी में आता है, मध्य भाग में अनिश्चितता और हल्के नीले रंग का मिश्रण है, जबकि निचला भाग गहरे रंग की श्रेणी में आता है। अन्य छवियाँ दिखाती हैं कि कैसे विभिन्न एल्गोरिदम समान डेटा को वर्गीकृत करने का प्रयास करते हैं।
एक बार उम्मीदवार का चयन हो जाने के बाद, उसकी गुणवत्ता का आकलन ऐसे डेटा के आधार पर किया जाता है जिसे उसने कभी नहीं देखा होता, आमतौर पर एक असमंजस का जाल और इससे प्राप्त सटीकता, परिशुद्धता और रिकॉल के आंकड़े।
मशीन लर्निंग की चुनौतियाँ और सीमाएँ
मशीन लर्निंग की प्राथमिक चुनौती डेटा की कमी, या डेटासेट में विविधता की कमी है। यदि डेटा उपलब्ध नहीं है तो मशीन सीख नहीं सकती। विविधता रहित डेटासेट भी मशीन के लिए मुश्किल पैदा करता है, क्योंकि सार्थक अंतर्दृष्टि सीखने के लिए मशीन को विषमता की आवश्यकता होती है। ऐसा बहुत कम होता है कि कोई एल्गोरिदम पूरी तरह से सफल हो पाए।tracजब भिन्नताएं न के बराबर या बहुत कम हों तो जानकारी का सही आकलन करना मुश्किल होता है। मशीन लर्निंग में मदद के लिए प्रति समूह कम से कम 20 अवलोकन होने चाहिए; इससे कम होने पर मूल्यांकन और पूर्वानुमान दोनों प्रभावित होते हैं।
डेटा की मात्रा ही एकमात्र सीमा नहीं है। पक्षपातपूर्ण ऐतिहासिक रिकॉर्ड पर प्रशिक्षित मॉडल उस पूर्वाग्रह को दोहराते हैं, जटिल मॉडलों को नियामक या ग्राहक को समझाना मुश्किल होता है, और जिस दुनिया पर मॉडल को प्रशिक्षित किया गया है उसमें बदलाव आने पर किसी भी मॉडल की कार्यक्षमता कम हो जाती है।
मशीन लर्निंग का अनुप्रयोग
ऊपर बताई गई तकनीकें पहले से ही अधिकांश उद्योगों में उपयोग में हैं। नीचे दिए गए उदाहरण सामान्य सहायता से लेकर विशिष्ट क्षेत्रों तक की जानकारी देते हैं।
वृद्धि: मशीन लर्निंग व्यक्तिगत या व्यावसायिक रूप से मनुष्यों के दैनिक कार्यों में उनकी सहायता करती है, हालांकि आउटपुट पर उसका पूर्ण नियंत्रण नहीं होता। इस प्रकार की मशीन लर्निंग का उपयोग विभिन्न तरीकों से किया जाता है, जैसे वर्चुअल असिस्टेंट, डेटा विश्लेषण और सॉफ्टवेयर समाधान। इसका प्राथमिक उद्देश्य मानवीय पूर्वाग्रहों के कारण होने वाली त्रुटियों को कम करना है।
स्वचालन: मशीन लर्निंग किसी भी क्षेत्र में मानवीय हस्तक्षेप की आवश्यकता के बिना पूरी तरह से स्वायत्त रूप से काम करती है। उदाहरण के लिए, रोबोट विनिर्माण संयंत्रों में आवश्यक प्रक्रिया चरणों को पूरा करते हैं।
वित्त उद्योग: वित्तीय उद्योग में मशीन लर्निंग की लोकप्रियता लगातार बढ़ रही है। बैंक मुख्य रूप से डेटा में पैटर्न खोजने के लिए, साथ ही धोखाधड़ी को रोकने के लिए भी मशीन लर्निंग का उपयोग करते हैं।
सरकारी संगठन: सरकारें सार्वजनिक सुरक्षा और उपयोगिताओं के प्रबंधन के लिए मशीन लर्निंग का उपयोग करती हैं। चीन और उसके व्यापक चेहरे की पहचान कार्यक्रम का उदाहरण लें, जहाँ कृत्रिम बुद्धि अनुप्रयोग इनका उपयोग सड़क पार करने वाले अनाधिकृत लोगों की पहचान करने के लिए किया जाता है।
स्वास्थ्य सेवा उद्योग: स्वास्थ्य सेवा उन पहले उद्योगों में से एक थी जिसने मशीन लर्निंग का उपयोग करना शुरू किया, जिसकी शुरुआत इमेज डिटेक्शन से हुई।
विपणन: डेटा की प्रचुर उपलब्धता के कारण मार्केटिंग में एआई का व्यापक उपयोग हो रहा है। बड़े पैमाने पर डेटा के युग से पहले, शोधकर्ताओं ने ग्राहक के मूल्य का अनुमान लगाने के लिए बेयसियन विश्लेषण जैसे उन्नत गणितीय उपकरण विकसित किए थे। डेटा में आई तेजी के साथ, मार्केटिंग विभाग ग्राहक संबंधों और मार्केटिंग अभियानों को बेहतर बनाने के लिए एआई पर निर्भर हैं।
आपूर्ति श्रृंखला में मशीन लर्निंग का उदाहरण
मशीन लर्निंग दृश्य पैटर्न पहचान के लिए मजबूत परिणाम देती है, जिससे संपूर्ण आपूर्ति श्रृंखला नेटवर्क में भौतिक निरीक्षण और रखरखाव में कई संभावित अनुप्रयोगों के द्वार खुल जाते हैं।
अनसुपरवाइज्ड लर्निंग विविध डेटासेट में तुलनीय पैटर्न को तेजी से खोज सकती है। इसके परिणामस्वरूप, मशीन लॉजिस्टिक्स हब में गुणवत्ता निरीक्षण कर सकती है और क्षतिग्रस्त या घिसे-पिटे शिपमेंट को चिह्नित कर सकती है।
उदाहरण के लिए: IBMवाटसन प्लेटफॉर्म जहाज का निर्धारण कर सकता हैping कंटेनर क्षति। वॉटसन दृश्य और सिस्टम-आधारित डेटा को मिलाकर tracरिपोर्ट तैयार करना और वास्तविक समय में सिफारिशें देना।
पहले, स्टॉक मैनेजर इन्वेंट्री का मूल्यांकन और पूर्वानुमान लगाने के लिए काफी हद तक मैन्युअल तरीकों पर निर्भर रहते थे। जब बिग डेटा और मशीन लर्निंग को मिलाया जाता है, तो बेहतर पूर्वानुमान तकनीकें संभव हो जाती हैं, और पारंपरिक पूर्वानुमान उपकरणों की तुलना में 20 से 30 प्रतिशत तक सुधार दर्ज किया गया है। बिक्री के संदर्भ में, इन्वेंट्री लागत में संभावित कमी के कारण 2 से 3 प्रतिशत की वृद्धि हो सकती है।
गूगल कार में मशीन लर्निंग का उदाहरण
गूगल कार के बारे में तो सभी जानते हैं। इस कार की छत पर लेज़र लगे होते हैं, जो इसे आसपास के क्षेत्र के सापेक्ष इसकी स्थिति बताते हैं। इसके आगे रडार लगा होता है, जो इसे आसपास की सभी कारों की गति और हलचल की जानकारी देता है। यह कार इस सारी जानकारी का उपयोग न केवल कार चलाने के तरीके को समझने के लिए करती है, बल्कि आसपास के ड्राइवरों की गतिविधियों का अनुमान लगाने के लिए भी करती है। सबसे प्रभावशाली बात यह है कि यह कार लगभग एक गीगाबाइट डेटा प्रति सेकंड प्रोसेस करती है।
मशीन लर्निंग क्यों महत्वपूर्ण है?
डेटा का विश्लेषण करने, उसे समझने और उसमें मौजूद पैटर्न को पहचानने के लिए मशीन लर्निंग अब तक का सबसे बेहतरीन उपकरण है। मशीन लर्निंग के पीछे एक मुख्य विचार यह है कि कंप्यूटर को ऐसे कार्यों को स्वचालित करने के लिए प्रशिक्षित किया जा सकता है जो किसी मनुष्य के लिए थकाऊ या असंभव होंगे। पारंपरिक विश्लेषण से इसका स्पष्ट अंतर यह है कि मशीन लर्निंग न्यूनतम मानवीय हस्तक्षेप के साथ निर्णय ले सकती है।
निम्नलिखित उदाहरण लें: एक रिटेल एजेंट अपने व्यक्तिगत अनुभव और बाजार के ज्ञान के आधार पर घर की कीमत का अनुमान लगा सकता है।
किसी मशीन को प्रशिक्षित करके विशेषज्ञ के ज्ञान को विशेषताओं में परिवर्तित किया जा सकता है। ये विशेषताएँ घर, आस-पड़ोस, आर्थिक वातावरण आदि की वे सभी विशेषताएँ हैं जो कीमत में अंतर पैदा करती हैं। विशेषज्ञ को घर की कीमत का अनुमान लगाने की कला में महारत हासिल करने में शायद कई साल लगे होंगे, और प्रत्येक बिक्री के बाद उनकी विशेषज्ञता में सुधार होता जाता है।
मशीन को इस कला में महारत हासिल करने के लिए लाखों डेटा पॉइंट्स (यानी उदाहरण) की आवश्यकता होती है। सीखने की शुरुआत में, मशीन गलतियाँ करती है, ठीक वैसे ही जैसे कोई नौसिखिया विक्रेता करता है। पर्याप्त उदाहरण देखने के बाद, मशीन के पास अनुमान लगाने के लिए पर्याप्त ज्ञान हो जाता है, और वह भी उच्च सटीकता के साथ। नई बिक्री आने पर मशीन अपनी गलतियों को सुधारने में भी सक्षम होती है।
अधिकांश बड़ी कंपनियों ने मशीन लर्निंग और डेटा संग्रहण के महत्व को समझ लिया है। मैकिन्से ग्लोबल इंस्टीट्यूट ने सभी एनालिटिक्स तकनीकों के वार्षिक मूल्य का अनुमान 9.5 ट्रिलियन डॉलर से 15.4 ट्रिलियन डॉलर के बीच लगाया है, और इसका लगभग 40 प्रतिशत - लगभग 3.5 ट्रिलियन डॉलर से 5.8 ट्रिलियन डॉलर प्रति वर्ष - डीप न्यूरल नेटवर्क पर आधारित उन्नत एआई तकनीकों को दिया है, जैसा कि इसकी रिपोर्ट में बताया गया है। एआई फ्रंटियर से नोट्स अनुसंधान।
जहां नियम ज्ञात तो हैं लेकिन अनुपस्थित होने के बजाय अस्पष्ट हैं, वहां नियम-आधारित दृष्टिकोण जैसे कि अस्पष्ट तर्क यह तकनीक किसी सीखे हुए मॉडल की तुलना में बेहतर विकल्प हो सकती है, इसलिए परियोजना शुरू होने से पहले अक्सर इन दोनों तकनीकों की तुलना की जाती है।
