सदस्य:Prachikashyap1840148/प्रयोगपृष्ठ

मशीन लर्निंग

मशीन लर्निंग (एमएल) आधुनिक व्यवसाय और अनुसंधान का एक महत्वपूर्ण पहलू है। यह कंप्यूटर सिस्टम को उनके प्रदर्शन को बेहतर बनाने में सहायता करने के लिए एल्गोरिदम और तंत्रिका नेटवर्क मॉडल का उपयोग करता है। मशीन लर्निंग एल्गोरिदम स्वचालित रूप से नमूना डेटा का उपयोग करके एक गणितीय मॉडल का निर्माण करते हैं

इतिहास

मॉडल को 1949 में डोनाल्ड हेब द्वारा द ऑर्गनाइजेशन ऑफ बिहेवियर (पीडीएफ) नामक पुस्तक में बनाया गया था। पुस्तक न्यूरॉन उत्तेजना और न्यूरॉन्स के बीच संचार पर हेबब के सिद्धांतों को प्रस्तुत करती है। हेब्ब ने लिखा, "जब एक सेल बार-बार दूसरी फायरिंग में मदद करता है, तो दूसरी सेल के सोमा के संपर्क में पहली सेल का एक्सॉन सिनैप्टिक नॉब्स विकसित करता है।" कृत्रिम न्यूरॉन्स, उनके मॉडल को कृत्रिम न्यूरॉन्स और व्यक्तिगत न्यूरॉन्स में परिवर्तन के बीच संबंधों को बदलने का एक तरीका बताया जा सकता है। दो न्यूरॉन्स / नोड्स के बीच संबंध मजबूत होता है अगर दो न्यूरॉन्स एक ही समय में सक्रिय होते हैं और अलग से सक्रिय होने पर कमजोर हो जाते हैं। ^{कुछ मशीन सीखने के तरीके मशीन लर्निंग एल्गोरिदम को अक्सर पर्यवेक्षित या अनुपयोगी के रूप में वर्गीकृत किया जाता है।}

सुपरवाइज्ड मशीन लर्निंग एल्गोरिदम

भविष्य की घटनाओं की भविष्यवाणी करने के लिए लेबल किए गए उदाहरणों का उपयोग करके नए डेटा को अतीत में जो सीखा गया है उसे लागू कर सकते हैं। एक ज्ञात प्रशिक्षण डेटासेट के विश्लेषण से शुरू होकर, सीखने का एल्गोरिथ्म आउटपुट मानों के बारे में भविष्यवाणियां करने के लिए एक अनुमानित कार्य करता है।

अर्ध-पर्यवेक्षित मशीन लर्निंग एल्गोरिदम

पर्यवेक्षित और अनुपयोगी शिक्षा के बीच में कहीं गिर जाते हैं, क्योंकि वे प्रशिक्षण के लिए लेबल और अनबेल्ड डेटा दोनों का उपयोग करते हैं - आमतौर पर लेबल किए गए डेटा की एक छोटी राशि और ^{अनलिस्टेड डेटा} की एक बड़ी मात्रा। इस पद्धति का उपयोग करने वाले सिस्टम सीखने की सटीकता में काफी सुधार करने में सक्षम हैं।

सुदृढीकरण मशीन लर्निंग एल्गोरिदम

यह विधि मशीन लर्निंग भारी मात्रा में डेटा का विश्लेषण करने में सक्षम बनाता है। हालांकि यह आम तौर पर लाभदायक अवसरों या खतरनाक जोखिमों की पहचान करने के लिए अधिक सटीक परिणाम प्रदान करता है, इसे ठीक से प्रशिक्षित करने के लिए अतिरिक्त समय और संसाधनों की भी आवश्यकता हो सकती है।

अनुप्रयोग

1. ट्रैफ़िक अलर्ट सामाजिक मीडिया परिवहन और संचार उत्पादों की सिफारिशें वर्चुअल पर्सनल असिस्टेंट सेल्फ ड्राइविंग कार अद्भुत मूल्य गूगल अनुवाद ऑनलाइन वीडियो स्ट्रीमिंग धोखाधड़ी का पता लगाना।
2. ट्रैफ़िक अलर्ट (मानचित्र) अब, ^Google मैप्स शायद वह ऐप है जिसका उपयोग हम जब भी बाहर जाते हैं, तो उन्हें दिशाओं और यातायात में सहायता की आवश्यकता होती है।
3. सोशल मीडिया (फेसबुक) मशीन लर्निंग के सबसे आम अनुप्रयोगों में से एक फेसबुक या किसी अन्य सोशल मीडिया प्लेटफॉर्म में स्वचालित मित्र टैगिंग सुझाव हैं।

मशीन लर्निंग के व्यावसायिक लाभ

• असीमित स्रोतों से बड़े पैमाने पर डेटा की खपत एमएल लगभग व्यापक डेटा की असीमित मात्रा में खपत करता है।
• उपभोग किए गए डेटा का उपयोग ग्राहक व्यवहार पैटर्न के आधार पर अपनी ^{बिक्री और विपणन रणनीतियों} की लगातार समीक्षा और संशोधन करने के लिए किया जा सकता है।
• एक बार जब आपका मॉडल प्रशिक्षित हो जाता है, तो यह अत्यधिक प्रासंगिक चर की पहचान करने में सक्षम होगा।
• रैपिड विश्लेषण भविष्यवाणी और प्रसंस्करण जिस दर पर एमएल डेटा की खपत करता है और प्रासंगिक डेटा की पहचान करता है, वह आपके लिए सही समय पर उचित कार्रवाई करना संभव बनाता है।

योगदान

1967 में, निकटतम पड़ोसी एल्गोरिथ्म की कल्पना की गई थी, जो बुनियादी पैटर्न मान्यता की शुरुआत थी। यह एल्गोरिथ्म मार्गों को मैप करने के लिए उपयोग किया गया था और सबसे कुशल मार्ग खोजने के लिए यात्रा विक्रेता की समस्या का समाधान खोजने में उपयोग किए जाने वाले शुरुआती एल्गोरिदम में से एक था।। मार्सेलो पेलिलो को "निकटतम पड़ोसी शासन" का आविष्कार करने का श्रेय दिया गया है। उन्होंनेर 1980 के दशक के प्रारंभ में, आर्टिफिशियल इंटेलिजेंस अनुसंधान ने एल्गोरिदम के बजाय तार्किक, ज्ञान-आधारित दृष्टिकोणों का उपयोग करने पर ध्यान केंद्रित किया था। इसके अतिरिक्त, तंत्रिका विज्ञान अनुसंधान को कंप्यूटर विज्ञान और एआई शोधकर्ताओं द्वारा छोड़ दिया गया था। इस सफलता का अधिकांश हिस्सा इंटरनेट की वृद्धि, डिजिटल डेटा की बढ़ती उपलब्धता और इंटरनेट के माध्यम से अपनी सेवाओं को साझा करने की क्षमता से लाभ था।