मशीन लर्निंग एलगोरिदम्स क्या हैं?

प्रिडिक्शंस करना सीखना

हालाँकि ML एलगोरिदम्स यह सीख सकते हैं कि फ़ंक्शंस क्या हैं, लेकिन उनका मुख्य मकसद यह प्रिडिक्ट करना है कि जब इक्वेशन में वेरिएबल्स जोड़े जाते हैं, तब डेटा पर किस तरह असर होता है. इन अनुमानों में एरर्स होंगी, क्योंकि मशीनें सिर्फ़ अपने पास अवेलेबल डेटा का इस्तेमाल कर सकती हैं.

इन प्रिडिक्शंस में एरर की डिग्री को कम करने के लिए मशीन लर्निंग फ़ंक्शंस को ऑप्टिमाइज़ किया जाता है. समय बीतने के साथ, एलगोरिदम्स एरर के मार्जिन को कम करने में और बेहतर हो जाएँगे.

फ़ंक्शंस में वेरायटी

अलग-अलग मशीन लर्निंग एलगोरिदम्स, फ़ंक्शंस के बारे में और इस बारे में अलग-अलग सोच बनाते हैं कि उन्हें कैसे दर्शाना है. इसीलिए आपको ML समस्या पर तब तक अलग-अलग एलगोरिदम्स अप्लाई करने चाहिए जब तक कि आपको ऐसा एलगोरिदम न मिल जाए जो सबसे सटीक रिज़ल्ट दे.

शुरुआत से मशीन लर्निंग एलगोरिदम्स कैसे बनाएँ

फ़ंक्शनल मशीन लर्निंग एलगोरिदम बनाने के लिए समय और एफ़र्ट की ज़रूरत होती है, लेकिन जब आप अपना खुद का एलगोरिदम लिखने से जुड़ी बारीकियों को मास्टर कर लेते हैं, तो यह बहुत फ़ायदेमंद होता है.

यदि आप शुरुआत से मशीन लर्निंग एलगोरिदम्स बनाना चाहते हैं, तो हम फ़ाउंडेशन के रूप में किसी मौजूदा न्यूरल नेटवर्क का इस्तेमाल करने का और नीचे दिए गए आसान स्टेप्स को फ़ॉलो करने का सुझाव देते हैं:

एलगोरिदम को समझें

सबसे पहले, आपको यह तय करना होगा कि आप किस तरह का मशीन लर्निंग एलगोरिदम बनाना चाहते हैं. आप जब कोई ML एलगोरिदम टाइप चुन लेते हैं, उसके बाद इसके स्ट्रक्चर, केपेबिलिटीज़, और लिमिटेशंस की जानकारी पाएँ.

ज़्यादा से ज़्यादा रिसर्च करें

इसके बाद, किताबें पढ़ने (या YouTube देखने) का समय है. आपको ऑनलाइन और ऑफ़लाइन, दोनों जगह जानकारी का खज़ाना मिलेगा.

एलगोरिदम्स के बारे में गहराई से मैथेमैटिकल डिटेल्स मुहैया कराने के लिए टेक्स्टबुक्स जैसे टैंजिबल रिसोर्सेज़ शानदार हैं. लेकिन यदि आपको कुछ समझने में आसान कॉन्टेंट और प्रैक्टिकल उदाहरण चाहिए, तो हम आपको ट्यूटोरियल वीडियोज़ देखने या इस तरह के ब्लॉग पोस्ट्स देखने का सुझाव देते हैं.

बड़ी समस्या को छोटी-छोटी समस्याओं में बदलें

अपने खुद के मशीन लर्निंग एलगोरिदम्स बनाना बहुत मुश्किल लग सकता है. लेकिन आप अपने टास्क को पहले छोटे-छोटे भागों में बाँटकर इसे मैनेज करने लायक बना सकते हैं.

इसलिए एक बारे में पूरा एलगोरिदम बनाने की कोशिश करने की बजाय एक बार में एक पीस को टैकल करने की कोशिश करें. उदाहरण के लिए, आप इसे किसी डेटासेट पर ट्रेन करने से पहले एनश्योर करें कि एलगोरिदम इसे पढ़ सकता हो. इसका मतलब इसे यह सिखाना हो सकता है कि नल वैल्यूज़ और कैटगॉरिकल डेटा को कैसे हैंडल करना है. धीरे-धीरे आगे बढ़ने की अप्रोच प्रोसेस को ज़्यादा आसान बनाती है, और इससे बाद में लंबी डीबगिंग से भी बचा जा सकता है.

आसान के साथ शुरू करें

अपने एलगोरिदम में रन करने के लिए छोटा, आसान डेटासेट चुनें. ऐसा करने से इसे आपके एलगोरिदमिक कोड में मैन्युअल रूप से इनपुट करना आसान हो जाएगा. हम ऐसे NAND गेट का इस्तेमाल करने का सुझाव देते हैं जो डेवलपर्स द्वारा डिजिटल डिवाइसेज़ बनाने के दौरान इस्तेमाल किया जाने वाला आम लॉजिक गेट है.

एलगोरिदम को टेस्ट करें

अपने एलगोरिदम पर कुछ आसान टेस्ट्स रन करने और इसे ऑप्टिमाइज़ करने के बाद इसे बड़ा, रियल-वर्ल्ड डेटासेट दें. वापस जाएँ और एरर का मार्जिन कम करने के लिए ज़रूरी एडजस्टमेंट्स करें. यदि मुमकिन हो, तो ऐसे डेटा का इस्तेमाल करें जो पहले ही किसी स्थापित ML सिस्टम द्वारा एनालाइज़ किया जा चुका हो ताकि आप अपने नए एलगोरिदम की एक्युरेसी को इवैल्युएट कर सकें.

यह सब लिखें

आखिर में, वह सब लिखें जो आपने इस प्रोसेस के दौरान सीखा है. ऐसा करने से आपको यह बेहतर ढंग से समझने में मदद मिलेगी कि क्या कारगर रहा और आप भविष्य में इस प्रोसेस को कैसे स्ट्रीमलाइन कर सकते हैं.

लाभ और नुकसान

ML एलगोरिदम्स के कई लाभ और नुकसान हैं. आइए हम इनमें से कुछ लाभों और नुकसानों के बारे में जानते हैं ताकि आप बेहतर ढंग से समझ सकें कि मशीन लर्निंग को कब और कैसे इस्तेमाल किया जाए.

अहम लाभ

1. एलगोरिदम को लिखे जाने के बाद न के बराबर इंसानी इंटरैक्शन की ज़रूरत होती है या बिल्कुल नहीं होती. आपके मशीन लर्निंग एलगोरिदम्स को लाइव हो जाने के बाद वे आपकी टीम से लगातार इनपुट के बिना अपनी एनालिटिकल केपेबिलिटीज़ में सुधार कर सकते हैं और प्रिडिक्शंस कर सकते हैं.
2. ट्रेंड्स और पैटर्न्स का पता लगाना आसान हो जाता है. ML एलगोरिदम्स ह्यूमन एफ़र्ट की ज़रूरत के बिना ईकॉमर्स शॉपिंग आदतों जैसे कंज़्यूमर के बर्ताव में पैटर्न्स और ट्रेंड्स को पिनप्वाइंट करने में बेहतरीन काम करते हैं.
3. एलगोरिदम्स को रन करते हुए उनमें लगातार सुधार होता रहता है. समय बीतने के साथ, मशीन लर्निंग एलगोरिदम्स हिस्टोरिकल डेटा का रेफ़्रेंस लेकर ज़्यादा एफ़िशिएंट और सटीक हो जाते हैं.
4. वे पेचीदा डेटा को हैंडल करने में केपेबल हो जाते हैं. ML एलगोरिदम्स मल्टीडायमेंशनल डेटा को हैंडल कर सकते हैं, जिसका मतलब है कि वे ऐसे विशाल डेटासेट्स के साथ काम कर सकते हैं जिनमें अलग-अलग तरह के वेरिएबल्स शामिल होते हैं.
5. आप इन्हें कई सर्विसेज़ पर अप्लाई कर सकते हैं. ML एलगोरिदम्स का इस्तेमाल हेल्थकेयर से ईकॉमर्स तक कई तरह की इंडस्ट्रीज़ में किया जा सकता है.

संभावित नुकसान

1. ट्रेन करने और सीखने के लिए बड़ी मात्रा में डेटा की ज़रूरत होती है. मशीन लर्निंग एलगोरिदम्स में सीखने और सुधार करने के लिए विशाल मात्रा में हाई-क्वालिटी और निष्पक्ष डेटा की ज़रूरत होती है.
2. इसे लंबी अवधि तक चलाने के लिए बहुत अधिक समय की ज़रूरत होती है. आपको अपने ML एलगोरिदम्स को आपके डेटा को इनजेस्ट, एनालाइज़ करने, और इससे सीखने के लिए समय देना होगा. आपको इसे कारगर बनाने के लिए टेक्नोलॉजी के लिए बड़ी मात्रा में कंप्यूटिंग रिसोर्सेज़ भी मुहैया करवाने होंगे.
3. रिज़ल्ट्स को समझना मुश्किल हो सकता है. यदि आप चाहते हैं कि आपके ML एलगोरिदम्स डाइजेस्ट किए जाने लायक रिज़ल्ट्स दें, तो आपको अपनी इच्छा के यूज़ केस के लिए उचित फ़ॉर्मूला चुनना होगा.
4. मशीन लर्निंग में एरर्स होने की गुंजाइश हो सकती है. हालाँकि ML एलगोरिदम्स ऑटोनॉमस रूप से रन करते हैं, लेकिन उनमें एरर्स होने की बहुत ज़्यादा गुंजाइश होती है, खास तौर पर जब आप गलत एलगोरिदम का इस्तेमाल करते हैं या इसे खराब क्वालिटी का डेटा मुहैया करवाते हैं.

मशीन लर्निंग एलगोरिदम्स की कमियों की जानकारी होने पर आपको पता रहेगा कि अपने बिज़नेस डेटा से एक्शनेबल प्रिडिक्शंस करने के लिए इस क्रांतिकारी टेक्नोलॉजी का उचित ढंग से इस्तेमाल कैसे करना है.

किस तरह के मशीन लर्निंग एलगोरिदम्स मौजूद हैं?

सुपरवाइज़ की गई लर्निंग

सुपरवाइज़ की गई लर्निंग से आप मशीन लर्निंग एलगोरिदम को लेबल किया गया डेटासेट मुहैया करवाते हैं जिसमें इनपुट्स और आउटपुट्स शामिल होते हैं. एलगोरिदम को मनपसंद आउटपुट्स प्राप्त करने के लिए मुहैया करवाए गए इनपुट्स का इस्तेमाल करने के लिए फ़ंक्शन या तरीका ढूँढ़ने का टास्क दिया जाता है.

टेस्टिंग के हर राउंड के बाद आपको जिन एरर्स का पता चलता है उन्हें आप ठीक कर सकते हैं ताकि एलगोरिदम अपनी गलतियों से सीख सके.

सेमी-सुपरवाइज़्ड लर्निंग

सेमी-सुपरवाइज़्ड लर्निंग के दौरान आप एलगोरिदम को लेबल की गई और लेबल न की गई, दोनों जानकारियाँ मुहैया करवाएँगे. लेबल किए गए डेटा में एलगोरिदम को डेटा को समझने में मदद करने के लिए टैग्स शामिल हैं, जबकि लेबल न किए गए डेटा में कोई टैग्स नहीं होते हैं.

लेबल न किए गए और लेबल किए गए डेटा को मिक्स करके आप एलगोरिदम को अनस्ट्रक्चर्ड जानकारी को एनालाइज़ करना सिखाते हैं.

रीइन्फ़ोर्समेंट लर्निंग

रीइनफ़ोर्समेंट लर्निंग में लर्निंग प्रोसेस में तेज़ी लाने के लिए रेजिमेंटेड प्रोसेसेज़ का इस्तेमाल किया जाता है. आपको अपने मशीन लर्निंग एलगोरिदम को पैरामीटर्स, एक्शंस, और एक्सटेंसिबल डेटा नोटेशन (EDN) वैल्यूज़ का डिटेल्ड सेट मुहैया करवाना होगा.

इस अप्रोच के लिए विशाल मात्रा में ह्यूमन इनपुट की ज़रूरत है, लेकिन यह आपके एलगोरिदम को एरर्स कम करने के लिए ट्रायल-एंड-एरर एनालिटिक्स प्रोसेसेज़ का इस्तेमाल करना सिखाने में बहुत कारगर है.

सुपरवाइज़ न की गई लर्निंग

सुपरवाइज़ न की गई लर्निंग में आप एलगोरिदम को लेबल न किया गया डेटा फ़ीड करते हैं और इसे खुद पूरी आजादी से डेटासेट्स के बीच संबंध और सह-संबंध तय करने देते हैं. मशीन लर्निंग एलगोरिदम को इंडिपेंडेंट रूप से विशाल डेटासेट्स में से छाँटने के लिए छोड़ दिया जाता है.

मशीन लर्निंग इवोल्यूशनरी एलगोरिदम्स क्या हैं?

मशीन लर्निंग इवोल्यूशनरी एलगोरिदम्स ऐसे कंप्यूटर एप्लिकेशंस हैं जो पेचीदा समस्याओं को हल करने के लिए लिविंग ओर्गनिज़्म्स के बर्ताव की कॉपी करते हैं. वे म्यूटेशन, रीकॉम्बिनेशन, और रीप्रोडक्शन जैसे मेकैनिज़्म्स पर निर्भर करते हैं.

जहाँ ट्रेडिशनल ML एलगोरिदम्स ट्रायल एंड एरर पर निर्भर करते हैं, वहीं इवोल्यूशनरी एलगोरिदम्स नैचुरल सलेक्शन जैसे प्रोसेस का इस्तेमाल करते हैं.

एनालिसिस के हर राउंड के बाद, इवोल्यूशनरी एलगोरिदम्स अपने प्रिडिक्शंस की लिस्ट से “कमज़ोर” सॉल्यूशंस को बाहर कर देते हैं और “मज़बूत” सॉल्यूशंस को रख लेते हैं. इस प्रोसेस में यह पहचानने का लक्ष्य होता है कि कौन से एक्शंस से इच्छित आउटपुट्स मिलने की सबसे ज़्यादा संभावना है.

मशीन लर्निंग इवोल्यूशनरी एलगोरिदम्स के अहम बिज़नेस लाभ होते हैं, जिनमें ये शामिल हैं:

• लगभग किसी भी समस्या का सामना करने के लिए ज़्यादा फ़्लेक्सिबिलिटी
• हर मुमकिन एक्शन की जाँच करने के लिए बेहतर ऑप्टिमाइज़ेशन
• बेशुमार संभावित समस्याओं के लिए अनलिमिटेड सॉल्यूशंस

इवोल्यूशनरी एलगोरिदम्स बहुत-से वेरिएबल्स के साथ पेचीदा डेटासेट्स की जाँच करने के लिए बेहतरीन टूल है. मशीन लर्निंग और इस बारे में ज़्यादा जानें कि यह आर्टिफ़िशियल इंटेलिजेंस से कैसे अलग है.

मौजूद पॉप्युलर मशीन लर्निंग एलगोरिदम्स

बहुत-से अलग-अलग मशीन लर्निंग एलगोरिदम्स हैं लेकिन सबसे पॉप्युलर यहाँ दिए गए हैं:

• लीनियर रिग्रेशन. लीनियर रिग्रेशन स्‍टैटिस्टिकल मॉडल से आप डिपेंडेंट और इंडिपेंडेंट वेरिएबल्स के बीच लिंक को प्रिडिक्ट कर पाते हैं. उदाहरण के लिए, आप यह अंदाज़ा लगाने के लिए लीनियर रिग्रेशन मॉडल्स का इस्तेमाल कर सकते हैं कि आपके पे-पर-क्लिक मार्केटिंग बज़ट को बढ़ाने से लीड्स, इंगेजमेंट, या ROI (इनवेस्टमेंट पर रिटर्न) पर क्या असर पड़ेगा.
• लॉजिस्टिक रिग्रेशन. इस स्टेटिस्टिकल मॉडल का इस्तेमाल 0 या 1 जैसी बाइनरी वैल्यूज़ का अंदाज़ा लगाने के लिए किया जाता है. लॉजिस्टिक रिग्रेशन से आपको किसी ईवेंट के होने की संभावना को प्रिडिक्ट करने में मदद मिल सकती है.
• K-nearest neighbors (KNN) एलगोरिदम. KNN एलगोरिदम का इस्तेमाल रिग्रेशन या क्लासीफ़िकेशन समस्याओं को हल करने के लिए किया जा सकता है. जब KNN एलगोरिदम का इस्तेमाल क्लासीफ़िकेशन के लिए किया जाता है, तब यह अपने पड़ोसियों से “एक वोट लेकर” नए डेटा प्वाइंट्स को क्लासीफ़ाई करेगा. नया केस उस ग्रुप को असाइन किया जाएगा जिसके साथ यह ज़्यादा कॉमन है.
• डिसीज़न ट्री एलगोरिदम. यह सबसे ज़्यादा इस्तेमाल किए जाने वाले एलगोरिदम्स में से है क्योंकि यह डेटा साइंटिस्ट्स को समस्याओं को क्लासीफ़ाई करने में मदद कर सकता है. यह एलगोरिदम डेटासेट को अहम इंडिपेंडेंट वेरिएबल्स या एट्रिब्यूट्स के आधार पर अनेक होमोजीनस ग्रुप्स में बाँट देता है. उसके बाद यह एलगोरिदम इन ग्रुप्स को ऐसे ग्राफ़ में चार्ट करता है जो एक उल्टे पेड़ से मिलता-जुलता होता है.

क्या आप मशीन लर्निंग एलगोरिदम्स और इस बारे में ज़्यादा जानना चाहते हैं कि मज़बूत टेक्नोलॉजी का इस्तेमाल Adobe Real-Time Customer Data Platform में कैसे किया जाता है? ओवरव्यू वीडियो देखें या प्रोडक्ट टूर करें.

जानें कि Adobe Sensei कैसे सभी Adobe Experience Cloud प्रोडक्ट्स में फ़ैसले लेने को बेहतर बनाता है.