पाइथन के साथ मशीन सीखना - मूल बातें
हम 'डेटा के युग' में रह रहे हैं जो बेहतर कम्प्यूटेशनल शक्ति और अधिक भंडारण संसाधनों के साथ समृद्ध है,। यह डेटा या जानकारी दिन-ब-दिन बढ़ती जा रही है, लेकिन असली चुनौती सभी डेटा को समझने की है। व्यवसाय और संगठन डेटा साइंस, डेटा माइनिंग और मशीन लर्निंग से अवधारणाओं और कार्यप्रणालियों का उपयोग करके बुद्धिमान प्रणालियों का निर्माण करके इससे निपटने की कोशिश कर रहे हैं। उनमें से, मशीन सीखना कंप्यूटर विज्ञान का सबसे रोमांचक क्षेत्र है। यह गलत नहीं होगा अगर हम मशीन को एल्गोरिदम के अनुप्रयोग और विज्ञान को सीखने के लिए कहते हैं जो डेटा को समझ प्रदान करता है।
मशीन लर्निंग क्या है?
मशीन लर्निंग (एमएल) कंप्यूटर विज्ञान का वह क्षेत्र है जिसकी मदद से कंप्यूटर सिस्टम डेटा को उसी तरह से प्रदान कर सकते हैं जैसे कि इंसान करते हैं।
सरल शब्दों में, ML एक प्रकार की कृत्रिम बुद्धिमत्ता है जो एक एल्गोरिथम या विधि का उपयोग करके कच्चे डेटा से पैटर्न को निकालता है। एमएल का मुख्य फोकस कंप्यूटर सिस्टम को स्पष्ट रूप से क्रमादेशित या मानव हस्तक्षेप के बिना अनुभव से सीखने की अनुमति देना है।
मशीन लर्निंग की आवश्यकता
इस समय मानव, पृथ्वी पर सबसे बुद्धिमान और उन्नत प्रजातियां हैं क्योंकि वे जटिल समस्याओं के बारे में सोच सकते हैं, उनका मूल्यांकन कर सकते हैं और हल कर सकते हैं। दूसरी ओर, AI अभी भी अपने प्रारंभिक चरण में है और कई पहलुओं में मानव बुद्धि को पार नहीं किया है। फिर सवाल यह है कि मशीन सीखने की क्या जरूरत है? ऐसा करने के लिए सबसे उपयुक्त कारण है, "निर्णय लेना, डेटा के आधार पर, दक्षता और पैमाने के साथ"।
हाल ही में, संगठन नई तकनीकों में भारी निवेश कर रहे हैं जैसे कि आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और डीप लर्निंग कई वास्तविक दुनिया के कार्यों को करने और समस्याओं को हल करने के लिए डेटा से महत्वपूर्ण जानकारी प्राप्त करने के लिए। हम इसे विशेष रूप से प्रक्रिया को स्वचालित करने के लिए मशीनों द्वारा लिए गए डेटा-चालित निर्णय कह सकते हैं। इन डेटा-चालित निर्णयों का उपयोग प्रोग्रामिंग लॉजिक का उपयोग करने के बजाय, उन समस्याओं में किया जा सकता है, जिन्हें स्वाभाविक रूप से प्रोग्राम नहीं किया जा सकता है। तथ्य यह है कि हम मानव बुद्धि के बिना नहीं कर सकते हैं, लेकिन अन्य पहलू यह है कि हम सभी को बड़े पैमाने पर दक्षता के साथ वास्तविक दुनिया की समस्याओं को हल करने की आवश्यकता है। इसीलिए मशीन लर्निंग की जरूरत पैदा होती है।
मशीनें कब और क्यों सीखें?
हमने मशीन सीखने की आवश्यकता पर पहले ही चर्चा की है, लेकिन एक और सवाल यह उठता है कि मशीन को सीखने के लिए हमें किन परिदृश्यों में होना चाहिए? ऐसी कई परिस्थितियां हो सकती हैं, जहां हमें दक्षता और विशाल पैमाने पर डेटा-चालित निर्णय लेने के लिए मशीनों की आवश्यकता होती है। अनुवर्ती कुछ ऐसी परिस्थितियाँ हैं जहाँ मशीन बनाना सीखना अधिक प्रभावी होगा -
मानव विशेषज्ञता का अभाव
सबसे पहला परिदृश्य जिसमें हम एक मशीन सीखना और डेटा-चालित निर्णय लेना चाहते हैं, वह डोमेन हो सकता है जहाँ मानव विशेषज्ञता की कमी है। उदाहरण अज्ञात क्षेत्रों या स्थानिक ग्रहों में नौवहन हो सकते हैं।
गतिशील परिदृश्य
कुछ परिदृश्य हैं जो प्रकृति में गतिशील हैं यानी वे समय के साथ बदलते रहते हैं। इन परिदृश्यों और व्यवहारों के मामले में, हम डेटा-चालित निर्णय लेने और सीखने के लिए एक मशीन चाहते हैं। कुछ उदाहरण एक संगठन में नेटवर्क कनेक्टिविटी और बुनियादी ढांचे की उपलब्धता हो सकते हैं।
कम्प्यूटेशनल कार्यों में विशेषज्ञता का अनुवाद करने में कठिनाई
ऐसे विभिन्न डोमेन हो सकते हैं जिनमें मनुष्य अपनी विशेषज्ञता रखते हैं; हालाँकि, वे इस विशेषज्ञता का कम्प्यूटेशनल कार्यों में अनुवाद करने में असमर्थ हैं। ऐसी परिस्थितियों में हम मशीन लर्निंग चाहते हैं। उदाहरण भाषण मान्यता, संज्ञानात्मक कार्यों आदि के डोमेन हो सकते हैं।
मशीन लर्निंग मॉडल
मशीन लर्निंग मॉडल पर चर्चा करने से पहले, हमें प्रोफेसर मिशेल द्वारा दिए गए एमएल की निम्नलिखित औपचारिक परिभाषा को समझने की आवश्यकता है -
"कंप्यूटर प्रोग्राम को कहा जाता है कि वह अनुभव E से कुछ कार्यों के वर्ग T और प्रदर्शन माप P के संबंध में सीखे, यदि P के द्वारा मापे गए T के कार्य में इसका प्रदर्शन, अनुभव E से सुधरता है।"
उपरोक्त परिभाषा मूल रूप से तीन मापदंडों पर ध्यान केंद्रित कर रही है, किसी भी शिक्षण एल्गोरिथ्म के मुख्य घटक, अर्थात् टास्क (टी), प्रदर्शन (पी) और अनुभव (ई)। इस संदर्भ में, हम इस परिभाषा को सरल बना सकते हैं -
ML एआई का एक क्षेत्र है जिसमें सीखने के एल्गोरिदम शामिल हैं -
उनके प्रदर्शन में सुधार (पी)
कुछ कार्य निष्पादित करने पर (T)
अनुभव के साथ समय के साथ (ई)
उपरोक्त के आधार पर, निम्नलिखित चित्र एक मशीन लर्निंग मॉडल का प्रतिनिधित्व करता है -
आइए अब हम उनके बारे में विस्तार से चर्चा करते हैं -
टास्क (टी)
समस्या के परिप्रेक्ष्य से, हम कार्य T को वास्तविक दुनिया की समस्या के रूप में परिभाषित कर सकते हैं। समस्या कुछ भी हो सकती है जैसे किसी विशिष्ट स्थान पर सर्वोत्तम घर की कीमत का पता लगाना या सर्वोत्तम विपणन रणनीति आदि ढूंढना। दूसरी तरफ, अगर हम मशीन लर्निंग की बात करें, तो कार्य की परिभाषा अलग है क्योंकि एमएल आधारित कार्यों को हल करना मुश्किल है पारंपरिक प्रोग्रामिंग दृष्टिकोण।
एक कार्य T को एक एमएल आधारित कार्य कहा जाता है जब यह प्रक्रिया पर आधारित होता है और सिस्टम को डेटा बिंदुओं पर संचालन के लिए पालन करना चाहिए। एमएल आधारित कार्यों के उदाहरण वर्गीकरण, प्रतिगमन, संरचित एनोटेशन, क्लस्टरिंग, प्रतिलेखन आदि हैं।
अनुभव (ई)
जैसा कि नाम से पता चलता है, यह एल्गोरिथ्म या मॉडल को प्रदान किए गए डेटा बिंदुओं से प्राप्त ज्ञान है। डेटासेट के साथ प्रदान किए जाने के बाद, मॉडल पुनरावृत्त रूप से चलेगा और कुछ अंतर्निहित पैटर्न सीखेगा। इस प्रकार अधिग्रहित की गई शिक्षा को अनुभव (E) कहा जाता है। मानव सीखने के साथ एक सादृश्य बनाते हुए, हम इस स्थिति के बारे में सोच सकते हैं, जिसमें एक इंसान सीख रहा है या विभिन्न विशेषताओं जैसे स्थिति, रिश्तों आदि से कुछ अनुभव प्राप्त कर रहा है। पर्यवेक्षित, असुरक्षित और सुदृढीकरण सीखने के कुछ तरीके हैं जो सीखने या अनुभव प्राप्त करने के कुछ तरीके हैं। एमएल मॉडल या एल्गोरिथ्म द्वारा प्राप्त अनुभव का उपयोग कार्य टी को हल करने के लिए किया जाएगा।
प्रदर्शन (पी)
एक एमएल एल्गोरिथ्म समय के पारित होने के साथ कार्य करने और अनुभव प्राप्त करने के लिए माना जाता है। वह उपाय जो बताता है कि एमएल एल्गोरिथ्म अपेक्षा के अनुसार प्रदर्शन कर रहा है या नहीं, इसका प्रदर्शन (पी) है। पी मूल रूप से एक मात्रात्मक मीट्रिक है जो बताता है कि कैसे एक मॉडल अपने अनुभव का उपयोग करते हुए कार्य, टी का प्रदर्शन कर रहा है, ई। ऐसे कई मीट्रिक हैं जो एमएल प्रदर्शन को समझने में मदद करते हैं, जैसे कि सटीकता स्कोर, एफ 1 स्कोर, भ्रम मैट्रिक्स, सटीक, याद , संवेदनशीलता आदि।
मशीन लर्निंग में चुनौतियां
जबकि मशीन लर्निंग तेजी से विकसित हो रहा है, साइबर सुरक्षा और स्वायत्त कारों के साथ महत्वपूर्ण प्रगति कर रहा है, एआई के इस सेगमेंट को अभी भी एक लंबा रास्ता तय करना है। इसके पीछे कारण यह है कि एमएल चुनौतियों की संख्या को पार नहीं कर पाया है। वर्तमान में एमएलए के सामने जो चुनौतियां हैं, वे हैं -
Quality of data- ML एल्गोरिदम के लिए अच्छी गुणवत्ता वाले डेटा का होना सबसे बड़ी चुनौतियों में से एक है। निम्न-गुणवत्ता वाले डेटा का उपयोग डेटा प्रीप्रोसेसिंग और सुविधा निष्कर्षण से संबंधित समस्याओं की ओर जाता है।
Time-Consuming task - एमएल मॉडल्स के सामने एक और चुनौती विशेष रूप से डेटा अधिग्रहण, फीचर निष्कर्षण और पुनर्प्राप्ति के लिए समय की खपत है।
Lack of specialist persons - चूंकि एमएल तकनीक अभी भी अपने प्रारंभिक चरण में है, विशेषज्ञ संसाधनों की उपलब्धता एक कठिन काम है।
No clear objective for formulating business problems - व्यावसायिक समस्याओं के लिए कोई स्पष्ट उद्देश्य और अच्छी तरह से परिभाषित लक्ष्य नहीं होना एमएल के लिए एक और महत्वपूर्ण चुनौती है क्योंकि यह तकनीक अभी तक परिपक्व नहीं है।
Issue of overfitting & underfitting - यदि मॉडल ओवरफिटिंग या अंडरफिटिंग है, तो समस्या के लिए इसका अच्छी तरह से प्रतिनिधित्व नहीं किया जा सकता है।
Curse of dimensionality- एक अन्य चुनौती एमएल मॉडल चेहरे डेटा बिंदुओं की बहुत अधिक विशेषताएं हैं। यह एक वास्तविक बाधा हो सकती है।
Difficulty in deployment - एमएल मॉडल की जटिलता वास्तविक जीवन में तैनात होने के लिए काफी मुश्किल बनाती है।
मशीन लर्निंग के अनुप्रयोग
मशीन लर्निंग सबसे तेजी से बढ़ने वाली तकनीक है और शोधकर्ताओं के अनुसार हम एआई और एमएल के स्वर्ण वर्ष में हैं। इसका उपयोग कई वास्तविक-विश्व जटिल समस्याओं को हल करने के लिए किया जाता है जिन्हें पारंपरिक दृष्टिकोण से हल नहीं किया जा सकता है। निम्नलिखित एमएल के कुछ वास्तविक दुनिया अनुप्रयोग हैं -
भावना विश्लेषण
भावनाओं का विश्लेषण
त्रुटि का पता लगाने और रोकथाम
मौसम की भविष्यवाणी और भविष्यवाणी
शेयर बाजार विश्लेषण और पूर्वानुमान
भाषा संकलन
वाक् पहचान
ग्राहक विभाजन
वस्तु मान्यता
धोखाधड़ी का पता लगाना
धोखाधड़ी रोकथाम
ऑनलाइन शॉपिंग में ग्राहक को उत्पादों की सिफारिश।