अनुक्रमणिका[लपवा][दाखवा]
कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगमुळे जग झपाट्याने बदलत आहे, ज्याचा आपल्या दैनंदिन जीवनातील प्रत्येक पैलूवर प्रभाव पडतो.
अपॉइंटमेंट बुक करण्यासाठी NLP आणि मशीन लर्निंग वापरणाऱ्या व्हॉईस असिस्टंट्सपासून, आमच्या कॅलेंडरवर इव्हेंट्स पाहण्यासाठी आणि अशा डिव्हाइसवर संगीत प्ले करा जे आमच्या गरजा विचारात घेण्याआधीच ते अंदाज लावू शकतील.
संगणक बुद्धिबळ खेळू शकतात, शस्त्रक्रिया करू शकतात आणि मशीन लर्निंग अल्गोरिदमच्या मदतीने अधिक हुशार, मानवासारखी मशीन बनू शकतात.
आपण सतत तांत्रिक प्रगतीच्या काळात आहोत आणि कालांतराने संगणक कसा विकसित झाला आहे हे पाहून आपण भविष्यात काय घडेल याचा अंदाज बांधू शकतो.
संगणकीय साधने आणि पद्धतींचे लोकशाहीकरण हे या क्रांतीच्या प्रमुख पैलूंपैकी एक आहे. डेटा वैज्ञानिक अत्याधुनिक पद्धतींचा सहजतेने अंमलबजावणी करून गेल्या पाच वर्षांत शक्तिशाली डेटा-क्रंचिंग संगणक तयार केले आहेत. परिणाम आश्चर्यकारक आहेत.
या पोस्टमध्ये, आम्ही जवळून पाहू मशीन शिक्षण अल्गोरिदम आणि त्यांच्या सर्व भिन्नता.
तर, मशीन लर्निंग अल्गोरिदम काय आहेत?
AI सिस्टीमने त्याचे कार्य पार पाडण्यासाठी वापरलेला दृष्टीकोन-सामान्यतः, दिलेल्या इनपुट डेटावरून आउटपुट मूल्यांचा अंदाज लावणे—मशीन लर्निंग अल्गोरिदम म्हणून ओळखले जाते.
मशीन लर्निंग अल्गोरिदम ही एक प्रक्रिया आहे जी डेटा वापरते आणि उत्पादनासाठी तयार असलेले मशीन लर्निंग मॉडेल तयार करण्यासाठी वापरली जाते. जर मशीन लर्निंग ही ट्रेन आहे जी एखादे काम पूर्ण करते, तर मशीन लर्निंग अल्गोरिदम हे लोकोमोटिव्ह आहेत जे काम पुढे नेतात.
वापरण्यासाठी सर्वोत्तम मशीन लर्निंग दृष्टीकोन तुम्ही ज्या व्यावसायिक समस्येचे निराकरण करण्याचा प्रयत्न करत आहात, तुम्ही वापरत असलेल्या डेटासेटचा प्रकार आणि तुमच्याकडे उपलब्ध असलेल्या संसाधनांवरून निर्धारित केले जाईल.
मशीन लर्निंग अल्गोरिदम असे आहेत जे डेटा सेटला मॉडेलमध्ये बदलतात. तुम्ही ज्या समस्येचे उत्तर देण्याचा प्रयत्न करत आहात त्यावर अवलंबून, उपलब्ध प्रक्रिया शक्ती आणि तुमच्याकडे असलेला डेटाचा प्रकार, पर्यवेक्षित, पर्यवेक्षण न केलेला किंवा मजबुतीकरण शिक्षण अल्गोरिदम चांगली कामगिरी करू शकतात.
तर, आम्ही पर्यवेक्षित, पर्यवेक्षण न केलेले आणि मजबुतीकरण शिक्षणाबद्दल बोललो, परंतु ते काय आहेत? चला त्यांचे अन्वेषण करूया.
पर्यवेक्षित, पर्यवेक्षण न केलेले आणि मजबुतीकरण शिक्षण
पर्यवेक्षित शिक्षण
पर्यवेक्षी शिक्षणामध्ये, AI मॉडेल प्रदान केलेल्या इनपुटच्या आधारे विकसित केले जाते आणि लेबल जे अंदाजित परिणाम दर्शवते. इनपुट आणि आउटपुटच्या आधारे, मॉडेल मॅपिंग समीकरण विकसित करते आणि त्या मॅपिंग समीकरणाचा वापर करून, ते इनपुटच्या लेबलचा भविष्यात अंदाज लावते.
समजा, कुत्रा आणि मांजर यांच्यातील फरक ओळखू शकणारे मॉडेल तयार करणे आवश्यक आहे. मॉडेलला प्रशिक्षित करण्यासाठी मांजरी आणि कुत्र्यांचे अनेक फोटो मॉडेलमध्ये फीड केले जातात की ते मांजरी आहेत की कुत्री आहेत हे दर्शविणारी लेबले.
मॉडेल त्या प्रतिमांना इनपुट छायाचित्रांवरील लेबलांशी संबंधित समीकरण स्थापित करण्याचा प्रयत्न करते. जरी मॉडेलने यापूर्वी कधीही प्रतिमा पाहिली नसली तरीही, प्रशिक्षणानंतर, ती मांजरीची आहे की कुत्र्याची आहे हे ओळखू शकते.
अप्रभावी शिक्षण
पर्यवेक्षित नसलेल्या शिक्षणामध्ये एआय मॉडेलला लेबल न लावता केवळ इनपुटवर प्रशिक्षण दिले जाते. मॉडेल इनपुट डेटाला संबंधित वैशिष्ट्यांसह गटांमध्ये विभाजित करते.
इनपुटचे भविष्यातील लेबल नंतर त्याचे गुणधर्म एखाद्या वर्गीकरणाशी किती जवळून जुळतात यावर अवलंबून असेल. आपण लाल आणि निळ्या बॉलच्या गटाला दोन श्रेणींमध्ये विभागले पाहिजे त्या परिस्थितीचा विचार करा.
रंगाचा अपवाद वगळता बॉलची इतर वैशिष्ट्ये सारखीच आहेत असे मानू या. ते बॉल्सना दोन वर्गांमध्ये कसे विभाजित करू शकतात या आधारावर, मॉडेल बॉल्समधील भिन्न वैशिष्ट्ये शोधते.
बॉलचे दोन क्लस्टर - एक निळा आणि एक लाल - तयार होतात जेव्हा बॉल त्यांच्या रंगाच्या आधारावर दोन गटांमध्ये विभागले जातात.
मजबुतीकरण शिक्षण
मजबुतीकरण शिक्षणामध्ये, एआय मॉडेल विशिष्ट परिस्थितीत तसेच कार्य करून एकूण नफा वाढवण्याचा प्रयत्न करते. त्याच्या आधीच्या परिणामांवरील फीडबॅक मॉडेलला शिकण्यास मदत करतो.
जेव्हा रोबोटला बिंदू A आणि B मधील मार्ग निवडण्याची सूचना दिली जाते तेव्हा परिस्थितीबद्दल विचार करा. रोबोट प्रथम कोणताही अभ्यासक्रम निवडतो कारण त्याला पूर्वीचा अनुभव नाही.
रोबोट ज्या मार्गाने जातो त्यावर इनपुट घेतो आणि त्यातून ज्ञान मिळवतो. पुढच्या वेळी अशीच परिस्थिती समोर आल्यावर समस्या सोडवण्यासाठी रोबोट इनपुटचा वापर करू शकतो.
उदाहरणार्थ, जर रोबोटने पर्याय B निवडला आणि त्याला सकारात्मक अभिप्राय सारखे बक्षीस मिळाले, तर त्याला या वेळी समजते की त्याने त्याचे बक्षीस वाढवण्यासाठी मार्ग B निवडणे आवश्यक आहे.
आता शेवटी तुम्ही सर्व ज्याची वाट पाहत आहात, तो म्हणजे अल्गोरिदम.
प्रमुख मशीन लर्निंग अल्गोरिदम
1. रेखीय प्रतिगमन
पर्यवेक्षित शिक्षणापासून विचलित होणारा सर्वात सोपा मशीन लर्निंग दृष्टीकोन म्हणजे रेखीय प्रतिगमन. स्वतंत्र व्हेरिएबल्सच्या ज्ञानासह, ते बहुतेक प्रतिगमन समस्यांचे निराकरण करण्यासाठी आणि सतत अवलंबून असलेल्या चलांवर अंदाज तयार करण्यासाठी वापरले जाते.
सर्वोत्तम फिटची ओळ शोधणे, जी सतत अवलंबून असलेल्या चलांच्या परिणामाचा अंदाज लावण्यास मदत करू शकते, हे रेखीय प्रतिगमनचे उद्दिष्ट आहे. घराच्या किमती, वय आणि मजुरी ही निरंतर मूल्यांची काही उदाहरणे आहेत.
साधे रेखीय प्रतिगमन म्हणून ओळखले जाणारे मॉडेल एक स्वतंत्र चल आणि एक अवलंबून चल यांच्यातील संबंध मोजण्यासाठी सरळ रेषेचा वापर करते. एकाधिक रेखीय प्रतिगमनमध्ये दोनपेक्षा जास्त स्वतंत्र चल आहेत.
रेखीय प्रतिगमन मॉडेलमध्ये चार अंतर्निहित गृहीतके आहेत:
- रेखीयता: X आणि Y च्या मध्यामध्ये एक रेखीय कनेक्शन आहे.
- Homoscedasticity: X च्या प्रत्येक मूल्यासाठी, अवशिष्ट भिन्नता समान आहे.
- स्वातंत्र्य: निरीक्षणे स्वतंत्रतेच्या दृष्टीने एकमेकांपासून स्वतंत्र आहेत.
- सामान्यता: जेव्हा X निश्चित केले जाते, तेव्हा Y सामान्यपणे वितरीत केले जाते.
रेखीय प्रतिगमन डेटासाठी प्रशंसनीय कार्य करते जे रेषांसह विभक्त केले जाऊ शकते. हे नियमितीकरण, क्रॉस-व्हॅलिडेशन आणि डायमेंशनॅलिटी रिडक्शन तंत्र वापरून ओव्हरफिटिंग नियंत्रित करू शकते. तथापि, अशी उदाहरणे आहेत जिथे विस्तृत वैशिष्ट्य अभियांत्रिकी आवश्यक आहे, ज्यामुळे अधूनमधून ओव्हरफिटिंग आणि आवाज होऊ शकतो.
2. लॉजिस्टिक रिग्रेशन
लॉजिस्टिक रिग्रेशन हे दुसरे मशीन लर्निंग तंत्र आहे जे पर्यवेक्षी शिक्षणापासून दूर जाते. त्याचा मुख्य उपयोग वर्गीकरण आहे, तर त्याचा उपयोग प्रतिगमन समस्यांसाठी देखील केला जाऊ शकतो.
लॉजिस्टिक रीग्रेशनचा वापर स्वतंत्र घटकांकडील माहितीचा वापर करून वर्गीय अवलंबित व्हेरिएबलचा अंदाज लावण्यासाठी केला जातो. आउटपुटचे वर्गीकरण करणे हे उद्दिष्ट आहे, जे फक्त 0 आणि 1 दरम्यान येऊ शकतात.
इनपुट्सच्या एकूण वजनावर सिग्मॉइड फंक्शनद्वारे प्रक्रिया केली जाते, एक सक्रियकरण कार्य जे 0 आणि 1 मधील मूल्यांचे रूपांतर करते.
लॉजिस्टिक रीग्रेशनचा आधार हा जास्तीत जास्त संभाव्यतेचा अंदाज आहे, विशिष्ट निरीक्षण केलेला डेटा दिलेल्या गृहीत संभाव्यता वितरणाच्या पॅरामीटर्सची गणना करण्याची पद्धत.
3. निर्णय वृक्ष
पर्यवेक्षी शिक्षणापासून दूर जाणारी दुसरी मशीन लर्निंग पद्धत म्हणजे निर्णय वृक्ष. वर्गीकरण आणि प्रतिगमन या दोन्ही समस्यांसाठी, निर्णय वृक्ष दृष्टीकोन वापरला जाऊ शकतो.
हे निर्णय घेण्याचे साधन, जे झाडासारखे दिसते, कृतींचे संभाव्य परिणाम, खर्च आणि परिणाम दर्शविण्यासाठी व्हिज्युअल प्रतिनिधित्व वापरते. डेटा वेगळ्या भागांमध्ये विभागून, कल्पना मानवी मनाशी एकरूप आहे.
डेटाला आपण ग्रेन्युलेट करू शकतो तितक्या वेगळ्या भागांमध्ये विभागले गेले आहे. डिसिजन ट्रीचे मुख्य उद्दिष्ट एक प्रशिक्षण मॉडेल तयार करणे आहे जे लक्ष्य व्हेरिएबलच्या वर्गाचा अंदाज लावण्यासाठी वापरले जाऊ शकते. गहाळ मूल्ये डिसिजन ट्री वापरून आपोआप हाताळली जाऊ शकतात.
वन-शॉट एन्कोडिंग, डमी व्हेरिएबल्स किंवा इतर डेटा प्रीट्रीटमेंट चरणांसाठी कोणतीही आवश्यकता नाही. हे या अर्थाने कठोर आहे की त्यात नवीन डेटा जोडणे कठीण आहे. तुम्हाला अतिरिक्त लेबल केलेला डेटा मिळाल्यास, तुम्ही संपूर्ण डेटासेटवर ट्री पुन्हा प्रशिक्षित केले पाहिजे.
परिणामी, डायनॅमिक मॉडेल बदल आवश्यक असलेल्या कोणत्याही ऍप्लिकेशनसाठी निर्णयाची झाडे खराब निवड आहेत.
लक्ष्य व्हेरिएबलच्या प्रकारावर आधारित, निर्णय वृक्षांचे दोन प्रकारांमध्ये वर्गीकरण केले जाते:
- वर्गीय चल: एक निर्णय वृक्ष ज्यामध्ये ध्येय व्हेरिएबल श्रेणीबद्ध आहे.
- सतत चल: एक निर्णय वृक्ष ज्यामध्ये ध्येय व्हेरिएबल सतत असते.
4. यादृच्छिक जंगल
रँडम फॉरेस्ट मेथड हे पुढील मशीन लर्निंग तंत्र आहे आणि एक पर्यवेक्षित मशीन लर्निंग अल्गोरिदम आहे ज्याचा वर्गीकरण आणि प्रतिगमन समस्यांमध्ये मोठ्या प्रमाणावर वापर केला जातो. निर्णय वृक्षाप्रमाणेच ही एक वृक्ष-आधारित पद्धत देखील आहे.
झाडांचे जंगल, किंवा अनेक निर्णय झाडे, यादृच्छिक वन पद्धतीद्वारे निर्णय घेण्यासाठी वापरली जातात. वर्गीकरण कार्ये हाताळताना, यादृच्छिक वन पद्धतीमध्ये सतत व्हेरिएबल्स असलेल्या डेटासेटसह रीग्रेशन कार्ये हाताळताना श्रेणीबद्ध व्हेरिएबल्सचा वापर केला जातो.
यादृच्छिक वन पद्धतीचे एकत्रिकरण, किंवा अनेक मॉडेल्सचे मिश्रण हेच आहे, ज्याचा अर्थ फक्त एक न करता मॉडेल्सचा समूह वापरून अंदाज बांधले जातात.
वर्गीकरण आणि रीग्रेशन या दोन्ही समस्यांसाठी वापरण्याची क्षमता, जे बहुतेक आधुनिक मशीन लर्निंग सिस्टम बनवतात, हा यादृच्छिक जंगलाचा मुख्य फायदा आहे.
Ensemble द्वारे दोन भिन्न धोरणे वापरली जातात:
- बॅगिंग: असे केल्याने, प्रशिक्षण डेटासेटसाठी अधिक डेटा तयार केला जातो. अंदाजांमधील फरक कमी करण्यासाठी, हे केले जाते.
- बूस्टिंग ही क्रमिक मॉडेल तयार करून कमकुवत शिकणाऱ्यांना मजबूत शिकणाऱ्यांसोबत जोडण्याची प्रक्रिया आहे, परिणामी कमाल अचूकतेसह अंतिम मॉडेल बनते.
5. भोळे Bayes
बायनरी (दोन-वर्ग) आणि बहु-वर्ग वर्गीकरण समस्या नैव्ह बेज तंत्र वापरून सोडवता येतात. बायनरी किंवा श्रेणी इनपुट मूल्ये वापरून पद्धत स्पष्ट केली जाते, तेव्हा ते समजणे सर्वात सोपे असते. नेव्ह बेज क्लासिफायरने बनवलेले एक गृहितक असे आहे की वर्गातील एका वैशिष्ट्याच्या अस्तित्वाचा इतर कोणत्याही वैशिष्ट्यांच्या उपस्थितीवर काहीही परिणाम होत नाही.
वरील सूत्र सूचित करते:
- P(H): H गृहीतक बरोबर असण्याची शक्यता. पूर्व संभाव्यता याला म्हणतात.
- P(E): पुराव्याची शक्यता
- P(E|H): पुराव्यांद्वारे गृहीतके समर्थित असण्याची शक्यता.
- P(H|E): पुरावा दिल्यास गृहितक सत्य असण्याची शक्यता.
निष्कलंक बायेस क्लासिफायर विशिष्ट परिणामाची शक्यता ठरवताना यातील प्रत्येक वैशिष्ट्ये वैयक्तिकरित्या विचारात घेतील, जरी हे गुणधर्म एकमेकांशी जोडलेले असले तरीही. भोळे बायेशियन मॉडेल तयार करणे सोपे आहे आणि मोठ्या डेटासेटसाठी प्रभावी आहे.
हे मूलभूत असताना देखील सर्वात जटिल वर्गीकरण तंत्रांपेक्षा चांगले कार्य करण्यासाठी ओळखले जाते. हा अल्गोरिदमचा संग्रह आहे जो एका पद्धतीऐवजी बेयसच्या प्रमेयावर आधारित आहे.
6. K- सर्वात जवळचे शेजारी
K-जवळचे शेजारी (kNN) तंत्र हे पर्यवेक्षित मशीन लर्निंगचे एक उपसंच आहे जे वर्गीकरण आणि प्रतिगमन समस्यांचे निराकरण करण्यासाठी वापरले जाऊ शकते. KNN अल्गोरिदम असे गृहीत धरते की तुलना करण्यायोग्य वस्तू जवळपास आढळू शकतात.
मला तो समविचारी व्यक्तींचा मेळावा म्हणून आठवतो. kNN समीपता, निकटता किंवा अंतर वापरून इतर डेटा पॉइंट्समधील साम्य कल्पनेचा फायदा घेते. जवळच्या लेबल केलेल्या निरीक्षण करण्यायोग्य डेटा पॉइंट्सवर आधारित न पाहिलेला डेटा लेबल करण्यासाठी, आलेखावरील बिंदूंमधील पृथक्करण निश्चित करण्यासाठी एक गणितीय पद्धत वापरली जाते.
सर्वात जवळील तुलनात्मक स्पॉट्स ओळखण्यासाठी तुम्ही डेटा पॉइंट्समधील अंतर निश्चित केले पाहिजे. युक्लिडियन अंतर, हॅमिंग अंतर, मॅनहॅटन अंतर आणि मिन्कोव्स्की अंतर यासारख्या अंतर मोजमापांचा वापर यासाठी केला जाऊ शकतो. K हा सर्वात जवळचा शेजारी क्रमांक म्हणून ओळखला जातो आणि तो अनेकदा विषम संख्या असतो.
KNN वर्गीकरण आणि प्रतिगमन समस्यांसाठी लागू केले जाऊ शकते. KNN रिग्रेशन समस्यांसाठी वापरले जाते तेव्हा केलेले अंदाज K-सर्वात समान घटनांच्या मध्य किंवा मध्यावर आधारित असते.
KNN वर आधारित वर्गीकरण अल्गोरिदमचा परिणाम K सर्वात समान घटनांमध्ये सर्वाधिक वारंवारता असलेला वर्ग म्हणून निर्धारित केला जाऊ शकतो. प्रत्येक घटना मूलत: त्यांच्या वर्गासाठी मत देते आणि अंदाज सर्वात जास्त मते मिळवणाऱ्या वर्गाचा असतो.
7. के-म्हणजे
पर्यवेक्षित नसलेल्या शिक्षणासाठी हे एक तंत्र आहे जे क्लस्टरिंग समस्यांचे निराकरण करते. डेटा संच ठराविक संख्येच्या क्लस्टर्समध्ये विभागले गेले आहेत-चला त्याला K म्हणू या अशा प्रकारे की प्रत्येक क्लस्टरचे डेटा पॉइंट एकसंध असतात आणि इतर क्लस्टरमधील डेटापेक्षा वेगळे असतात.
K- म्हणजे क्लस्टरिंग पद्धत:
- प्रत्येक क्लस्टरसाठी, K- म्हणजे अल्गोरिदम k सेंट्रोइड्स किंवा पॉइंट्स निवडते.
- जवळच्या सेंट्रोइड्स किंवा के क्लस्टर्ससह, प्रत्येक डेटा पॉइंट क्लस्टर बनवतो.
- आता, आधीपासून अस्तित्वात असलेल्या क्लस्टर सदस्यांवर अवलंबून नवीन सेंट्रोइड्स तयार केले जातात.
- प्रत्येक डेटा पॉईंटसाठी सर्वात जवळचे अंतर हे अद्यतनित सेंट्रोइड्स वापरून मोजले जाते. जोपर्यंत सेंट्रोइड्स बदलत नाहीत तोपर्यंत ही प्रक्रिया पुन्हा केली जाते.
ते जलद, अधिक विश्वासार्ह आणि समजण्यास सोपे आहे. समस्या असल्यास, के-मीन्सची अनुकूलता समायोजने सोपी करते. जेव्हा डेटासेट एकमेकांपासून वेगळे किंवा चांगले वेगळे असतात, तेव्हा परिणाम सर्वोत्तम असतात. ते अनियमित डेटा किंवा आउटलियर व्यवस्थापित करू शकत नाही.
8. सपोर्ट वेक्टर मशीन्स
डेटाचे वर्गीकरण करण्यासाठी SVM तंत्र वापरताना, कच्चा डेटा n-आयामी जागेत ठिपके म्हणून दाखवला जातो (जेथे n ही तुमच्या वैशिष्ट्यांची संख्या आहे). डेटा नंतर सहजपणे वर्गीकृत केला जाऊ शकतो कारण प्रत्येक वैशिष्ट्याचे मूल्य नंतर एका विशिष्ट समन्वयाशी जोडलेले असते.
डेटा वेगळे करण्यासाठी आणि त्यांना आलेखावर ठेवण्यासाठी, वर्गीकरण म्हणून ओळखल्या जाणार्या रेषा वापरा. हा दृष्टिकोन प्रत्येक डेटा पॉइंटला n-आयामी जागेत बिंदू म्हणून प्लॉट करतो, जेथे n ही तुमच्याकडे असलेल्या वैशिष्ट्यांची संख्या असते आणि प्रत्येक वैशिष्ट्याचे मूल्य विशिष्ट समन्वय मूल्य असते.
आम्ही आता एक रेषा शोधू जी डेटाचे दोन संचांमध्ये विभागते ज्याचे भिन्न वर्गीकरण केले गेले आहे. दोन गटांतील प्रत्येक जवळच्या बिंदूपासूनचे अंतर या रेषेपासून सर्वात दूर असेल.
दोन सर्वात जवळचे बिंदू हे वरील उदाहरणातील रेषेपासून सर्वात दूर असलेले असल्याने, डेटाला दोन गटांमध्ये विभाजित करणारी रेषा ही मधली रेषा आहे. आमचा वर्गीकरणकर्ता ही ओळ आहे.
9. आयाम कमी करणे
आयाम कमी करण्याच्या दृष्टिकोनाचा वापर करून, प्रशिक्षण डेटामध्ये कमी इनपुट व्हेरिएबल्स असू शकतात. सोप्या भाषेत, ते आपल्या वैशिष्ट्य संचाचा आकार कमी करण्याच्या प्रक्रियेचा संदर्भ देते. समजा तुमच्या डेटासेटमध्ये 100 स्तंभ आहेत; मितीयता कमी केल्याने ती रक्कम 20 स्तंभांपर्यंत कमी होईल.
मॉडेल आपोआप अधिक अत्याधुनिक बनते आणि वैशिष्ट्यांची संख्या वाढल्याने ओव्हरफिटिंगचा मोठा धोका असतो. मोठ्या परिमाणांमध्ये डेटासह कार्य करताना सर्वात मोठी समस्या म्हणजे "परिमाणाचा शाप" म्हणून ओळखली जाते, जी जेव्हा तुमच्या डेटामध्ये जास्त प्रमाणात वैशिष्ट्ये असतात तेव्हा उद्भवते.
मितीयता कमी करण्यासाठी खालील घटकांचा वापर केला जाऊ शकतो:
- समर्पक वैशिष्ट्ये शोधण्यासाठी आणि निवडण्यासाठी, वैशिष्ट्यांची निवड नियोजित केली जाते.
- आधीच अस्तित्वात असलेली वैशिष्ट्ये वापरून, वैशिष्ट्य अभियांत्रिकी व्यक्तिचलितपणे नवीन वैशिष्ट्ये तयार करते.
निष्कर्ष
पर्यवेक्षित किंवा पर्यवेक्षित मशीन लर्निंग दोन्ही शक्य आहे. तुमचा डेटा कमी मुबलक असल्यास आणि प्रशिक्षणासाठी चांगले टॅग केलेले असल्यास पर्यवेक्षी शिक्षण निवडा.
मोठे डेटा संच अनेकदा पर्यवेक्षण न केलेले शिक्षण वापरून चांगले परिणाम देतात. खोल शिक्षण जर तुमच्याकडे मोठ्या प्रमाणात डेटा संकलन असेल जे सहज उपलब्ध असेल तर पद्धती सर्वोत्तम आहेत.
मजबुतीकरण शिक्षण आणि सखोल मजबुतीकरण शिक्षण हे काही विषय आहेत ज्यांचा तुम्ही अभ्यास केला आहे. न्यूरल नेटवर्क्सची वैशिष्ट्ये, उपयोग आणि मर्यादा आता तुमच्यासाठी स्पष्ट आहेत. शेवटचे पण नाही, तुम्ही तुमची स्वतःची निर्मिती करताना वेगवेगळ्या प्रोग्रामिंग भाषा, IDE आणि प्लॅटफॉर्मच्या पर्यायांचा विचार केला. मशीन शिक्षण मॉडेल.
तुम्हाला पुढील गोष्टीचा अभ्यास करणे आणि प्रत्येक वापरणे सुरू करणे आवश्यक आहे मशीन शिक्षण दृष्टीकोन विषय जरी व्यापक असला तरी त्याच्या सखोलतेवर लक्ष केंद्रित केल्यास कोणताही विषय काही तासांत समजू शकतो. प्रत्येक विषय इतरांपासून एकटा उभा आहे.
तुम्ही एका वेळी एका मुद्द्याबद्दल विचार केला पाहिजे, त्याचा अभ्यास केला पाहिजे, तो व्यवहारात आणला पाहिजे आणि त्यात अल्गोरिदम लागू करण्यासाठी तुमच्या आवडीची भाषा वापरा.
प्रत्युत्तर द्या