मशीन लर्निंग में पर्यवेक्षित शिक्षण

मशीन लर्निंग एक उपक्षेत्र है कृत्रिम बुद्धिमत्ता (एआई) जो एल्गोरिदम और सांख्यिकीय मॉडल के विकास पर केंद्रित है जो कंप्यूटर को स्पष्ट प्रोग्रामिंग के बिना विशिष्ट कार्य करने में सक्षम बनाता है। इसमें पैटर्न की पहचान करने, पूर्वानुमान लगाने या नए डेटा के आधार पर कार्य करने के लिए डेटासेट पर एक मॉडल को प्रशिक्षित करना शामिल है। के बारे में जानना मशीन लर्निंग में पर्यवेक्षित शिक्षण, इसकी तकनीकें और अनुप्रयोग। जानें कि सटीक भविष्यवाणियों के लिए मॉडलों को प्रशिक्षित करने के लिए लेबल किए गए डेटा का उपयोग कैसे किया जाता है।

मशीन लर्निंग के प्रमुख घटक

• डेटा: मशीन लर्निंग की नींव। डेटा की गुणवत्ता और मात्रा सीधे मॉडल के प्रदर्शन को प्रभावित करती है।
  • प्रशिक्षण जानकारी: मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है।
  • प्रमाणीकरण डेटा: मॉडल पैरामीटर्स को ट्यून करने के लिए उपयोग किया जाता है।
  • परीक्षण डेटा: मॉडल प्रदर्शन का मूल्यांकन करने के लिए उपयोग किया जाता है।

• नमूना: वास्तविक दुनिया की प्रक्रियाओं का गणितीय प्रतिनिधित्व। इसे प्रशिक्षण डेटा से सीखे गए मापदंडों द्वारा परिभाषित किया गया है।

• कलन विधि: किसी समस्या को हल करने की प्रक्रिया या सूत्र। मशीन लर्निंग में, डेटा पर मॉडल को प्रशिक्षित करने के लिए एल्गोरिदम का उपयोग किया जाता है।
  • उदाहरण: ग्रेडिएंट डिसेंट, के-मीन्स क्लस्टरिंग।

• विशेषताएँ: अनुमान के लिए उपयोग किए जाने वाले इनपुट चर। फ़ीचर इंजीनियरिंग मॉडल के प्रदर्शन को बेहतर बनाने के लिए वेरिएबल्स को चुनने और बदलने की प्रक्रिया है।

• लेबल: वह आउटपुट या लक्ष्य चर जिसकी भविष्यवाणी मॉडल करना चाहता है। पर्यवेक्षित शिक्षण में, प्रशिक्षण के दौरान लेबल प्रदान किए जाते हैं।

मशीन लर्निंग के प्रकार

1. पर्यवेक्षित अध्ययन: मॉडल को लेबल किए गए डेटा पर प्रशिक्षित किया जाता है, जिसका अर्थ है कि प्रत्येक प्रशिक्षण उदाहरण एक आउटपुट लेबल से जुड़ा होता है।

• वर्गीकरण: स्वतंत्र लेबल की भविष्यवाणी करना। उदाहरण के लिए, स्पैम का पता लगाना।
• वापसी: सतत मूल्यों का अनुमान लगाना। उदाहरण के लिए, घर की कीमत का पूर्वानुमान।

1. बिना पर्यवेक्षण के सीखना: एक मॉडल को बिना लेबल वाले डेटा पर प्रशिक्षित किया जाता है और लक्ष्य डेटा में मौजूद प्राकृतिक संरचना की भविष्यवाणी करना है।

• क्लस्टरिंग: समान डेटा बिंदुओं को एक साथ समूहीकृत करना। उदाहरण के लिए, ग्राहक विभाजन।
• आयाम में कमी: यादृच्छिक चर की संख्या को न्यूनतम करना। उदाहरण के लिए, प्रमुख घटक विश्लेषण (पीसीए)।

1. सुदृढीकरण सीखना: मॉडल पर्यावरण के साथ बातचीत करके, किए गए कार्यों के आधार पर पुरस्कार या दंड प्राप्त करके सीखता है, और संचयी पुरस्कार को अधिकतम करने का लक्ष्य रखता है।

• प्रतिनिधि: सीखने वाला या निर्णय लेने वाला।
• पर्यावरण: एजेंट किसके साथ इंटरैक्ट करता है।
• कार्रवाई: एजेंट द्वारा चुने गए विकल्प।
• पुरस्कार: पर्यावरण से प्रतिक्रिया.

मशीन लर्निंग में मॉडल कैसे विकसित करें

1. जानकारी हासिल करो: समस्या से संबंधित डेटा एकत्रित करना।
2. डेटा प्रीप्रोसेसिंग: डेटा को मॉडलिंग के लिए उपयुक्त बनाने के लिए उसे साफ करना और बदलना।
3. मॉडल चयन: कार्य के लिए सही एल्गोरिदम या मॉडल चुनना।
4. प्रशिक्षण: मॉडल में डेटा फीड करना और त्रुटियों को कम करने के लिए मापदंडों को समायोजित करना।
5. मूल्यांकन: सटीकता, परिशुद्धता, रिकॉल इत्यादि जैसे मैट्रिक्स का उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करना।
6. ट्यूनिंग: मॉडल के प्रदर्शन को बेहतर बनाने के लिए हाइपरपैरामीटर को समायोजित करना।
7. अनुमान/अनुमान: नए डेटा पर पूर्वानुमान लगाने के लिए प्रशिक्षित मॉडल का उपयोग करना।
8. तैनाती: मॉडल को उत्पादन परिवेश में एकीकृत करना जहां यह वास्तविक समय की भविष्यवाणियां प्रदान कर सके।

मशीन लर्निंग के अनुप्रयोग

• स्वास्थ्य देखभाल: बीमारी के प्रकोप की भविष्यवाणी, वैयक्तिकृत चिकित्सा।
• वित्त: धोखाधड़ी का पता लगाना, स्टॉक मार्केट की भविष्यवाणी।
• नाबालिग: ग्राहक विभाजन, अनुशंसा प्रणाली।
• परिवहन: स्व-ड्राइविंग कारें, मार्ग अनुकूलन।
• प्राकृतिक भाषा प्रसंस्करण: भाषा अनुवाद, भावना विश्लेषण।
• कंप्यूटर दृष्टि: छवि पहचान, चेहरे की पहचान।

मशीन लर्निंग एक शक्तिशाली उपकरण है जो कंप्यूटर को डेटा से सीखने और बुद्धिमान निर्णय लेने में सक्षम बनाता है। इसके अनुप्रयोग विशाल हैं और अधिक डेटा उपलब्ध होने तथा एल्गोरिदम में सुधार होने के साथ-साथ बढ़ते जा रहे हैं।

वापसी

• मशीन लर्निंग और सांख्यिकी में एक मौलिक अवधारणा जिसका उपयोग चरों के बीच संबंधों को मॉडल और विश्लेषण करने के लिए किया जाता है। प्रतिगमन का प्राथमिक लक्ष्य एक या अधिक इनपुट विशेषताओं के आधार पर निरंतर लक्ष्य चर की भविष्यवाणी करना है। यहां प्रतिगमन अवधारणा की गहन व्याख्या दी गई है:

प्रतिगमन की प्रमुख अवधारणाएँ

1. आश्रित और स्वतंत्र चर:

   • आश्रित चर (लक्ष्य): वह चर जिसकी हम भविष्यवाणी या व्याख्या करना चाहते हैं। इसे प्रतिक्रिया चर के रूप में भी जाना जाता है।
   • स्वतंत्र चर (विशेषताएँ): आश्रित चर के बारे में भविष्यवाणी करने के लिए चर का उपयोग किया जाता है। इसे भविष्यवक्ता या व्याख्यात्मक चर के रूप में भी जाना जाता है।

निरंतर परिणामों की भविष्यवाणी करने और चर के बीच संबंधों को समझने के लिए प्रतिगमन एक शक्तिशाली और व्यापक रूप से उपयोग की जाने वाली सांख्यिकीय पद्धति है।

प्रतिगमन के प्रकार:

सरल रेखीय प्रतिगमन

सरल रैखिक प्रतिगमन एक सांख्यिकीय तकनीक है जिसका उपयोग दो निरंतर चर के बीच संबंध को समझने के लिए किया जाता है: एक आश्रित चर (जिसे लक्ष्य चर के रूप में भी जाना जाता है) और एक स्वतंत्र चर (जिसे भविष्यवक्ता या व्याख्यात्मक चर के रूप में भी जाना जाता है)। प्राथमिक लक्ष्य इस संबंध को एक रैखिक समीकरण के साथ मॉडल करना है जिसका उपयोग स्वतंत्र चर के आधार पर आश्रित चर की भविष्यवाणी करने के लिए किया जा सकता है।

नि:शुल्क, डेमो क्लासेस कॉल करें: 7507414653

पंजीकरण लिंक: यहाँ क्लिक करें!

आयात पांडा इसलिए पी.डी.

आयात सुन्न इसलिए एन.पी

आयात समुद्र में जन्मे इसलिए एसएनएस

आयात matplotlib.pyplot इसलिए पठार

डीएफ = पी.डी..read_csv(“C:/Users/Administrator/Desktop/SevenMentor सभी डेटा/डेटा विज्ञान/मशीन लर्निंग/वेतन_डेटा.csv”)

डीएफ

डीएफ.सिर()

डीएफ.वर्णन करना()

एसएनएस.डिस्प्लॉट(df[‘Salary’])

पठार.दिखाओ()

पठार.तितर बितर (df[‘YearsExperience’]डीएफ[‘Salary’])

पठार.शीर्षक (‘वेतन विवरण’)

पठार.xlabel(‘इयर ऑफ़ एक्सप.’)

पठार.ylabel(“वेतन”)

पठार.डिब्बा (असत्य)

पठार.दिखाओ()

विघटन = नमूना.रुकावट डालना_

कोएफ़ = नमूना.कोएफ़_

विघटन

संघटन ([26780.09915063])

कोएफ़

संघटन ([[9312.57512673]])

#प्रमाणीकरण

#y = एमएक्स + सी

ऍक्स्प = 2

अनुमानित_वेतन = कोएफ़*ऍक्स्प + विघटन

प्रिंट करें (“मेरा अपेक्षित वेतन है”, अनुमानित_वेतन)

मेरा वेतन अपेक्षित है [[45405.24940409]]

अधिक जानने के लिए हमारे चैनल पर जाएँ: यहाँ क्लिक करें

लेखक:-

सागर रोड

ट्रेनर को कॉल करें और मशीन लर्निंग के लिए अपना मुफ़्त डेमो क्लास बुक करें अभी कॉल करें!!!

| सेवेनमेंटर प्राइवेट लिमिटेड

© कॉपीराइट 2021 | सेवेनमेंटर प्राइवेट लिमिटेड