वह सबसे बड़ी गुणवत्ता जो एआई को अन्य कंप्यूटर विज्ञान विषयों से अलग करती है, मशीन लर्निंग को नियोजित करके कार्यों को आसानी से स्वचालित करने की क्षमता है, जो कंप्यूटर को प्रत्येक कार्य को करने के लिए स्पष्ट रूप से प्रोग्राम किए जाने के बजाय विभिन्न अनुभवों से सीखने देती है। यह क्षमता वह है जिसे कई लोग AI कहते हैं, लेकिन मशीन लर्निंग वास्तव में आर्टिफिशियल इंटेलिजेंस का एक सबसेट है।
मशीन लर्निंग में बड़ी मात्रा में डेटा पर प्रशिक्षित होने वाली प्रणाली शामिल होती है, इसलिए यह गलतियों से सीख सकती है, और भविष्यवाणी और निर्णय लेने के लिए पैटर्न को पहचान सकती है, चाहे वे विशिष्ट डेटा के संपर्क में हों या नहीं।
मशीन लर्निंग के उदाहरणों में इमेज और स्पीच रिकग्निशन, फ्रॉड प्रोटेक्शन और बहुत कुछ शामिल हैं। एक विशिष्ट उदाहरण छवि पहचान प्रणाली है जब उपयोगकर्ता फेसबुक पर फोटो अपलोड करते हैं। सोशल मीडिया नेटवर्क छवि का विश्लेषण कर सकता है और चेहरों को पहचान सकता है, जिससे विभिन्न मित्रों को टैग करने की अनुशंसा की जाती है। समय और अभ्यास के साथ, सिस्टम इस कौशल को सुधारता है और अधिक सटीक सिफारिशें करना सीखता है।
मशीन लर्निंग के तत्व क्या हैं?
जैसा कि ऊपर उल्लेख किया गया है, मशीन लर्निंग एआई का एक सबसेट है और इसे आम तौर पर दो मुख्य श्रेणियों में विभाजित किया जाता है: पर्यवेक्षित और अनुपयोगी शिक्षा।
पर्यवेक्षित अध्ययन
लोगों द्वारा वर्गीकृत किए गए कई लेबल वाले उदाहरणों का उपयोग करके एआई सिस्टम को पढ़ाने के लिए यह एक सामान्य तकनीक है। इन मशीन-लर्निंग सिस्टमों को बड़ी मात्रा में डेटा खिलाया जाता है, जिसे रुचि की विशेषताओं को उजागर करने के लिए एनोटेट किया गया है – आप अनिवार्य रूप से उदाहरण के द्वारा पढ़ा रहे हैं।
यदि आप किसी मशीन-लर्निंग मॉडल को वृत्तों और वर्गों की छवियों को पहचानने और उनमें अंतर करने के लिए प्रशिक्षित करना चाहते हैं, तो आप विभिन्न संदर्भों में वृत्तों और वर्गों की छवियों का एक बड़ा डेटासेट एकत्र करके प्रारंभ करेंगे, जैसे किसी वृत्त के लिए ग्रह का आरेखण , या एक वर्ग के लिए एक टेबल, उदाहरण के लिए, लेबल के साथ पूरा करें कि प्रत्येक आकृति क्या है।
एल्गोरिद्म छवियों के इस लेबल किए गए संग्रह को आकृतियों और इसकी विशेषताओं में अंतर करने के लिए सीखेगा, जैसे कि बिना कोनों वाले वृत्त और चार बराबर भुजाओं वाले वर्ग। छवियों के डेटासेट पर प्रशिक्षित होने के बाद, सिस्टम एक नई छवि देखने और यह निर्धारित करने में सक्षम होगा कि यह किस आकार को पाता है।
अनियंत्रित शिक्षा
इसके विपरीत, अप्रशिक्षित शिक्षण एक अलग दृष्टिकोण का उपयोग करता है, जहां एल्गोरिदम डेटा में पैटर्न की पहचान करने की कोशिश करते हैं, उन समानताओं की तलाश करते हैं जिनका उपयोग उस डेटा को वर्गीकृत करने के लिए किया जा सकता है।
एक उदाहरण फलों को एक साथ मिलाना हो सकता है जो समान मात्रा में वजन या समान इंजन आकार वाली कारों का वजन करते हैं।
विशिष्ट प्रकार के डेटा को चुनने के लिए एल्गोरिथम पहले से सेट नहीं किया गया है; यह केवल समानताओं वाले डेटा की तलाश करता है जिसे वह समूह बना सकता है, उदाहरण के लिए, ग्राहकों को व्यक्तिगत विपणन अभियानों के साथ लक्षित करने के लिए खरीदारी व्यवहार के आधार पर एक साथ समूह बनाना।
सुदृढीकरण सीखना
सुदृढीकरण सीखने में, सिस्टम अपने इनपुट डेटा के आधार पर इनाम को अधिकतम करने का प्रयास करता है, मूल रूप से परीक्षण और त्रुटि की प्रक्रिया से गुजरता है जब तक कि यह सर्वोत्तम संभव परिणाम तक नहीं पहुंचता।
एक वीडियो गेम खेलने के लिए एक प्रणाली को प्रशिक्षित करने पर विचार करें, जहां यह उच्च स्कोर प्राप्त करने पर सकारात्मक पुरस्कार प्राप्त कर सकता है और कम स्कोर के लिए नकारात्मक पुरस्कार प्राप्त कर सकता है। सिस्टम खेल का विश्लेषण करना और चालें चलाना सीखता है, और फिर इसे प्राप्त होने वाले पुरस्कारों से पूरी तरह से सीखता है, अपने दम पर खेलने में सक्षम होने और मानव हस्तक्षेप के बिना उच्च स्कोर अर्जित करने के बिंदु तक पहुंचता है।
सुदृढीकरण सीखने का उपयोग अनुसंधान में भी किया जाता है, जहाँ यह स्वायत्त रोबोटों को वास्तविक दुनिया के वातावरण में व्यवहार करने के इष्टतम तरीके के बारे में सिखाने में मदद कर सकता है।
