मशीन लर्निंग असल में क्या करती है
नियम खुद लिखने के बजाय, आप कंप्यूटर को उदाहरण देते हैं और उसे नियम खोजने देते हैं। सीखें कि इसका क्या मतलब है, और क्या मतलब नहीं है।
60 सेकंड में
मशीन लर्निंग असल में क्या करती है
नियम खुद लिखने के बजाय, आप कंप्यूटर को उदाहरण देते हैं और उसे नियम खोजने देते हैं। सीखें कि इसका क्या मतलब है, और क्या मतलब नहीं है।
- आप हाथ से नियम लिखते हैं
- इनपुट + नियम → जवाब
- तब अच्छा जब नियम साफ़ और छोटा हो
- हर फैसले को समझाना आसान होता है
- कंप्यूटर उदाहरणों से नियम ढूंढता है
- इनपुट + जवाब → नियम (मॉडल)
- तब अच्छा जब नियम उलझा हुआ हो या उसके कई हिस्से हों
- अच्छे उदाहरणों और निष्पक्ष टेस्टिंग की ज़रूरत होती है
सीखना यानी सबसे अच्छी सेटिंग की खोज करना
# Made-up examples: (weight in grams, ripe? 1 = yes, 0 = no)
examples = [(150, 0), (170, 0), (180, 0), (200, 1), (190, 0),
(220, 1), (240, 1), (210, 1), (205, 0), (260, 1)]
best_t, best_mistakes = None, len(examples) + 1
for t in range(140, 281, 10): # try many possible rules
mistakes = 0
for weight, ripe in examples:
guess = 1 if weight >= t else 0
if guess != ripe:
mistakes += 1
if mistakes < best_mistakes:
best_t, best_mistakes = t, mistakes
print("Learned rule: ripe if weight >=", best_t, "grams")
print("Mistakes on the examples:", best_mistakes, "out of", len(examples))तीन बड़े परिवार
| परिवार | आप इसे क्या देते हैं | यह क्या सीखता है | उदाहरण |
|---|---|---|---|
| सुपरवाइज्ड लर्निंग (Supervised learning) | सही जवाबों (लेबल) के साथ उदाहरण | नए उदाहरणों के लिए जवाब का अनुमान लगाना | मकान के किराए का अंदाज़ा लगाना; ईमेल स्पैम है या नहीं, यह तय करना |
| अनसुपरवाइज्ड लर्निंग (Unsupervised learning) | बिना जवाब वाले उदाहरण | डेटा में समूह या पैटर्न | दुकान के ग्राहकों को उनकी खरीदारी के तरीके के आधार पर बांटना |
| रीइन्फोर्समेंट लर्निंग (Reinforcement learning) | काम करने के लिए एक माहौल और इनाम | किन कदमों से ज़्यादा इनाम मिलता है | गेम खेलना सीखता हुआ एक प्रोग्राम |
मशीन लर्निंग क्या नहीं है
- यह कोई जादू नहीं है। मॉडल सिर्फ वही पैटर्न ढूंढता है जो उदाहरणों में मौजूद होते हैं। अगर उदाहरण गलत या एकतरफा हैं, तो मॉडल भी वैसा ही होगा।
- यह समझता नहीं है। आम छांटने वाले मॉडल को ज़रा भी अंदाज़ा नहीं होता कि आम क्या चीज़ है। उसने बस एक ऐसी संख्या ढूंढ ली जो दो समूहों को अलग करती है।
- इसकी हमेशा ज़रूरत नहीं होती। अगर आप एक साफ़, छोटा नियम लिख सकते हैं, तो नियम ही लिखें। यह सस्ता है और इसे समझाना भी आसान है।
- पुराने पैटर्न टूट सकते हैं। पिछले साल के डेटा से सीखा गया मॉडल चीज़ें बदलने पर फेल हो सकता है, जैसे कि आम की कोई नई किस्म आने पर।
और देखें और पढ़ें
लैब
काल्पनिक पढ़ाई के डेटा के लिए हाथ से बना नियम और सीखी गई सीधी रेखा, उनकी औसत गलतियों के साथ अगल-बगल।
समस्या
स्टार्टर कोड काल्पनिक डेटा बनाता है: 30 काल्पनिक छात्रों के पढ़ाई के घंटे और अंक। इसमें पहले से ही हाथ से बना एक नियम है। आपका काम:
- स्टार्टर चलाएं और हाथ से बने नियम की औसत गलती (average error) पढ़ें।
- सीधी रेखा सीखने के लिए
np.polyfit(hours, marks, 1)का इस्तेमाल करें। नतीजों कोslopeऔरinterceptमें सेव करें। learned_maeकी गणना करें: उसी डेटा पर सीखी गई रेखा की मीन एब्सोल्यूट एरर (mean absolute error)।- 7 घंटों के लिए सीखी गई रेखा के अनुमान को
pred_7में सेव करें। - दोनों गलतियों की तुलना करें। एक वाक्य लिखें कि सीखी गई रेखा बेहतर प्रदर्शन क्यों करती है।
प्रैक्टिस लैब
कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।
कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।
आपका काम तब पूरा होगा जब
कठिन सवाल
उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।
Q1इन 30 छात्रों पर सीखी गई रेखा की गलती कम है। क्या इससे यह साबित होता है कि यह नए छात्रों पर भी बेहतर प्रदर्शन करेगी?दिखाएं
नहीं। इसे ठीक इन्हीं 30 बिंदुओं पर फिट करने के लिए चुना गया था, इसलिए यहाँ इसकी गलती थोड़ी ज़्यादा आशावादी (कम) दिखती है। यह जानने के लिए कि यह नए छात्रों पर कैसा प्रदर्शन करेगी, आपको इसे उन छात्रों पर टेस्ट करना होगा जिन्हें इसने फिटिंग के दौरान नहीं देखा था। ट्रेन और टेस्ट सेट के पीछे यही विचार है, जो इस ट्रैक में आगे आएगा।
Q2डेटा को 0–100 के बीच क्यों सीमित (clip) किया गया है, और क्या इससे सीधी रेखा मुड़ सकती है?दिखाएं
अंक 0 से कम या 100 से ज़्यादा नहीं हो सकते, इसलिए सीमित (clipping) करने से काल्पनिक डेटा असली जैसा रहता है। किनारों के पास, क्लिपिंग बिंदुओं को चपटा कर देती है, और सीधी रेखा उसका पीछा करने के लिए मुड़ नहीं सकती। यहाँ बहुत कम बिंदु सीमाओं तक पहुँचते हैं, इसलिए असर छोटा है, लेकिन यह याद दिलाता है कि सीधी रेखा चुनना हमारी पसंद है, कोई नियम नहीं।
अक्सर पूछे जाने वाले सवाल
क्या मशीन लर्निंग और AI एक ही चीज़ हैं?
मशीन लर्निंग AI बनाने का एक तरीका है, और आज यह सबसे मुख्य तरीका है। AI एक बड़ा विचार है, जिसमें कंप्यूटर ऐसे काम करते हैं जिनके लिए समझदारी की ज़रूरत लगती है। कुछ पुराने AI सिर्फ हाथ से लिखे नियमों का इस्तेमाल करते थे।
क्या मुझे बहुत सारे गणित की ज़रूरत है?
इस ट्रैक के तरीकों का इस्तेमाल करने के लिए, आपको स्कूल स्तर की समझ चाहिए: औसत (average), एक सीधी रेखा, प्रतिशत। नए तरीके ईजाद करने के लिए आपको और ज़्यादा गणित चाहिए, लेकिन अच्छी आदतों और साफ़ सोच के साथ आप काफी आगे तक जा सकते हैं।
मुझे कितने उदाहरणों की ज़रूरत है?
इसकी कोई तय संख्या नहीं है। कम गड़बड़ी वाले सीधे-सादे पैटर्न के लिए कम उदाहरण चाहिए होते हैं। जटिल पैटर्न के लिए बहुत सारे चाहिए। सही जवाब टेस्टिंग से मिलता है: अगर मॉडल उन उदाहरणों पर अच्छा काम करता है जो उसने कभी नहीं देखे, तो आपके पास फिलहाल काफी उदाहरण हैं।
हर बार हाथ से ही नियम क्यों न लिख लें?
कुछ समस्याओं के लिए नियम के सैकड़ों छोटे-छोटे हिस्से होते हैं, जैसे हाथ की लिखावट पहचानना। इसे कोई भी हाथ से नहीं लिख सकता। उदाहरणों से सीखने पर कंप्यूटर ये हिस्से आपके लिए खुद ढूंढ लेता है।
पाठ का टेस्ट
5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।