हम Data के युग में रह रहे हैं। जो बेहतर कम्प्यूटेशनल शक्ति और अधिक भंडारण संसाधनों से समृद्ध है। यह Data या जानकारी दिन-ब-दिन बढ़ती जा रही है, लेकिन असली चुनौती सभी डेटा को समझने की है। व्यवसाय और संगठन Data science, Data Mining और Machine learning से concepts और method का उपयोग करके बुद्धिमान system का निर्माण करके इससे निपटने की कोशिश कर रहे हैं। उनमें से, machine learning कंप्यूटर विज्ञान का सबसे रोमांचक क्षेत्र है। यह गलत नहीं होगा अगर हम मशीन को algorithms के अनुप्रयोग और विज्ञान को सीखने के लिए कहते हैं जो डेटा को समझ प्रदान करता है।

What is Machine Learning?

Machine learning (ML) 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, machine learning एक प्रकार की Artificial Intelligence है जो एक algorithms या method का उपयोग करके कच्चे डेटा से पैटर्न को निकालता है। ML का मुख्य फोकस कंप्यूटर सिस्टम को स्पष्ट रूप से प्रोग्राम किए बिना या मानवीय हस्तक्षेप (humanitarian intervention) के अनुभव से सीखने की अनुमति देना है।

Need for Machine Learning

मनुष्य, इस समय, पृथ्वी पर सबसे बुद्धिमान और उन्नत प्रजातियां हैं क्योंकि वे जटिल समस्याओं को सोच सकते हैं, उनकी कीमत लगा सकते है और हल कर सकते हैं। दूसरी ओर, AI अभी भी अपने प्रारंभिक चरण में है और कई पहलुओं में मानव बुद्धि को पार नहीं कर पाया है। फिर सवाल यह है कि मशीन सीखने की क्या जरूरत है? ऐसा करने के लिए सबसे उपयुक्त कारण है, “निर्णय लेना, आंकड़ों के आधार पर, दक्षता और पैमाने के साथ”।

हाल ही में, संगठन नई तकनीकों में भारी निवेश कर रहे हैं जैसे कि Artificial Intelligence, Machine Learning और Deep Learning कई वास्तविक दुनिया के कार्यों को करने और समस्याओं को हल करने के लिए डेटा से प्रमुख जानकारी प्राप्त करने के लिए। हम इसे विशेष रूप से प्रक्रिया को automatic करने के लिए मशीनों द्वारा लिए गए डेटा-चालित (Data driven) 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।

Why & When to Make Machines Learn?

हमने मशीन सीखने की आवश्यकता पर पहले ही चर्चा कर ली है, लेकिन एक और सवाल यह उठता है कि मशीन को सीखने के लिए हमें किन परिदृश्यों में होना चाहिए? ऐसी कई परिस्थितियाँ हो सकती हैं जहाँ हमें दक्षता के साथ और विशाल पैमाने पर डेटा-चालित निर्णय लेने के लिए मशीनों की आवश्यकता होती है। अनुवर्ती कुछ ऐसी परिस्थितियां हैं जहां मशीन बनाना सीखना अधिक प्रभावी होगा।

Lack of human expertise

बहुत पहले परिदृश्य में हम एक मशीन चाहते हैं जो डेटा-चालित निर्णय लेने और सीखने के लिए है, वह डोमेन हो सकता है जहां मानव विशेषज्ञता की कमी है। उदाहरण अज्ञात क्षेत्रों या स्थानिक ग्रहों में नौवहन हो सकते हैं।

Dynamic scenarios

कुछ परिदृश्य हैं जो प्रकृति में गतिशील हैं यानी वे समय के साथ बदलते रहते हैं। इन परिदृश्यों और व्यवहारों के मामले में, हम एक मशीन चाहते हैं जो डेटा-चालित निर्णय सीखे और ले। कुछ उदाहरण नेटवर्क कनेक्टिविटी और किसी संगठन में बुनियादी ढांचे की उपलब्धता हो सकते हैं।

Difficulty in translating expertise into computational tasks

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।

Machine Learning Model

मशीन लर्निंग मॉडल पर चर्चा करने से पहले, हमें प्रोफेसर मिशेल द्वारा दी गई एमएल की निम्नलिखित औपचारिक परिभाषा को समझने की आवश्यकता है –

“कंप्यूटर प्रोग्राम को अनुभव E से सीखने के लिए कहा जाता है कि वह कुछ कार्यों T और प्रदर्शन माप P के संबंध में है, यदि P द्वारा मापा गया T के कार्यों में उसका प्रदर्शन, अनुभव E के साथ सुधार करता है।”

उपरोक्त परिभाषा मूल रूप से तीन मापदंडों पर केंद्रित 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 is a field of AI consisting of learning algorithms that −

  • Improve their performance (P)
  • At executing some task (T)
  • Over time with experience (E)

Based on the above, the following diagram represents a Machine Learning Model −

what is machine learning in hindi
tutorialspoint

Let us discuss them more in detail now −

Task(T)

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 इत्यादि का पता लगाना। दूसरी तरफ, अगर हम मशीन लर्निंग के बारे में बात करते हैं, तो कार्य की परिभाषा अलग है क्योंकि एमएल आधारित कार्यों को हल करना मुश्किल है पारंपरिक प्रोग्रामिंग दृष्टिकोण।

टास्क टी 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।

Experience (E)

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 अधिग्रहीत 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, अनसुना और सुदृढीकरण सीखने के लिए 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।

Performance (P)

एक मशीन लर्निंग एल्गोरिथ्म समय बीतने के साथ कार्य करने और अनुभव प्राप्त करने के लिए माना जाता है। वह उपाय जो बताता है कि एमएल एल्गोरिथम 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 कार्य कर रहा है, टी, अपने अनुभव का उपयोग करते हुए, 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।

Challenges in Machines Learning

जबकि मशीन लर्निंग तेजी से विकसित हो रहा है, साइबर सुरक्षा और स्वायत्त कारों के साथ महत्वपूर्ण प्रगति कर रहा है, एआई के इस खंड 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 − एमएल 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 मॉडल के सामने एक और चुनौती विशेष रूप से डेटा अधिग्रहण, सुविधा निष्कर्षण और पुनर्प्राप्ति के लिए समय की खपत है।

Lack of specialist persons − चूंकि एमएल तकनीक अभी भी अपने प्रारंभिक अवस्था 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 अंडरफ़िटिंग 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 किया जाना काफी कठिन बना देती है।

Applications of Machines Learning

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 –

  • Emotion analysis
  • Sentiment analysis
  • Error detection and prevention
  • Weather forecasting and prediction
  • Stock market analysis and forecasting
  • Speech synthesis
  • Speech recognition
  • Customer segmentation
  • Object recognition
  • Fraud detection
  • Fraud prevention
  • Recommendation of products to customer in online shopping

One Reply to “What is machine learning in Hindi”

Leave a Reply

Your email address will not be published. Required fields are marked *