Jump to content

यंत्र शिक्षण

विकिपीडिया, मुक्‍त ज्ञानकोशातून

यंत्र शिक्षण ही कृत्रिम बुद्धिमत्तेची एक शाखा आहे. यामध्ये आकडेवारी आणि माहितीपासून शिकणाऱ्या प्रणाली तयार केल्या जातात आणि अशा प्रणालींचा अभ्यास केला जातो. उदा. अशी प्रणाली इन्बॉक्समध्ये येणाऱ्या ईमेल कचरा आणि महत्त्वाच्या ईमेलमध्ये वर्गीकृत करू शकते.

यंत्र शिक्षण हे संगणक विज्ञानाचे एक क्षेत्र आहे ज्यामध्ये अल्गोरिदम आणि मॉडेल्सचा विकास समाविष्ट आहे जे संगणकांना डेटावरून शिकू देतात आणि त्या शिक्षणावर आधारित अंदाज किंवा निर्णय घेऊ शकतात. हा कृत्रिम बुद्धिमत्तेचा एक उपसंच आहे जो डेटाच्या आधारे शिकू शकणाऱ्या आणि निर्णय किंवा भविष्यवाणी करू शकणाऱ्या प्रणालींच्या विकासावर लक्ष केंद्रित करतो.

यंत्र शिक्षण अल्गोरिदमचे अनेक प्रकार आहेत, ज्यात पर्यवेक्षित शिक्षण, पर्यवेक्षित शिक्षण, अर्ध-पर्यवेक्षित शिक्षण आणि मजबुतीकरण शिक्षण समाविष्ट आहे

पर्यवेक्षित शिक्षण पर्यवेक्षित शिक्षणामध्ये, अल्गोरिदम लेबल केलेल्या डेटावर प्रशिक्षित केले जाते, याचा अर्थ डेटा आधीपासूनच वर्गीकृत किंवा योग्य उत्तरासह लेबल केलेला आहे. नवीन, लेबल नसलेल्या डेटावर अंदाज लावण्यासाठी अल्गोरिदम नंतर या लेबल केलेल्या डेटावरून शिकतो.

पर्यवेक्षण न केलेले शिक्षण पर्यवेक्षित नसलेल्या शिक्षणामध्ये, अल्गोरिदमला लेबल न केलेल्या डेटावर प्रशिक्षण दिले जाते आणि त्याला स्वतःच डेटामध्ये नमुने किंवा संबंध शोधणे आवश्यक आहे.

अर्ध-पर्यवेक्षित शिक्षण अर्ध-पर्यवेक्षित शिक्षण हे पर्यवेक्षित आणि पर्यवेक्षित शिक्षणाचे संयोजन आहे, जेथे काही डेटा लेबल केला जातो आणि काही नाही.

मजबुतीकरण शिक्षण मजबुतीकरण शिक्षणामध्ये, अल्गोरिदम वातावरणाशी संवाद साधून आणि बक्षिसे किंवा शिक्षेच्या स्वरूपात अभिप्राय प्राप्त करून शिकते.

यंत्र शिक्षण मॉडेल्स यंत्र शिक्षण मॉडेलचे अनेक प्रकार आहेत, प्रत्येकाची स्वतःची ताकद आणि कमकुवतता. येथे काही सर्वात सामान्य प्रकारचे यंत्र शिक्षण (मशीन लर्निंग) मॉडेल आहेत:

रेखीय प्रतिगमन: सतत मूल्यांचा अंदाज लावण्यासाठी वापरल्या जाणाऱ्या प्रतिगमन विश्लेषणाचा एक प्रकार. यामध्ये इनपुट आणि आउटपुट व्हेरिएबल्सच्या सेटमध्ये एक रेखीय समीकरण बसवणे समाविष्ट आहे.

लॉजिस्टिक रिग्रेशन: बायनरी परिणामांचा अंदाज लावण्यासाठी वापरल्या जाणाऱ्या प्रतिगमन विश्लेषणाचा एक प्रकार. यात इनपुट आणि आउटपुट व्हेरिएबल्सच्या संचामध्ये लॉजिस्टिक फंक्शन फिट करणे समाविष्ट आहे.

निर्णय झाडे: वर्गीकरण आणि प्रतिगमन समस्यांसाठी वापरलेले पर्यवेक्षी शिक्षण अल्गोरिदमचा एक प्रकार. यामध्ये इनपुट डेटाला झाडासारख्या संरचनेत विभाजित करणे समाविष्ट आहे, जेथे प्रत्येक नोड एक किंवा अधिक इनपुट व्हेरिएबल्सवर आधारित निर्णय दर्शवतो.

यादृच्छिक जंगले: अचूकता सुधारण्यासाठी आणि ओव्हरफिटिंग कमी करण्यासाठी एकापेक्षा जास्त निर्णय झाडे एकत्रित करणारी एकत्रित शिक्षण पद्धत.

[१]

  1. ^ Techxpert. "Machine Learning". https://www.electricaltechnology.xyz/2023/04/machine-learning.html. External link in |संकेतस्थळ= (सहाय्य); Missing or empty |url= (सहाय्य); |access-date= requires |url= (सहाय्य)