हा लेख वाचण्यापूर्वी आम्ही तुम्हाला वाचण्याची शिफारस करतो काय आहे Data Science, ते काय करते आणि कोणत्या उद्देशाने
मशीन लर्निंग अल्गोरिदमद्वारे अॅनिमेटेड मशीन, सेवेत प्रवेश करण्यापूर्वी, एक शिकण्याच्या टप्प्यातून गेले, ते शिकणे आहे, प्रशिक्षण म्हणून ओळखले जाते. या टप्प्यात मशीन उपलब्ध केलेल्या ऐतिहासिक डेटाचा अभ्यास करते.
मशीन लर्निंगच्या गुणवत्तेमध्ये जाण्यापूर्वी, आणि शास्त्रीय प्रोग्रामिंग आणि मशीन लर्निंगमधील फरक, चला एक उदाहरण पाहू जे आपल्याला नक्कीच चांगले समजण्यास मदत करेल.
समजा, आम्ही आमच्या एका कार्यक्रमाशी उत्तम रहदारीच्या परिस्थितीत मोटारवेवरील प्रवासाच्या वेळेशी संबंधित माहिती संप्रेषण करतो, आम्हाला आवाज सहाय्यक असल्याप्रमाणे प्रतिसाद देण्यास सक्षम अल्गोरिदम सूचित करतो.
प्रत्येक मार्गासाठी आम्ही अल्गोरिदमला खालील माहिती संप्रेषित करू:
मग व्हॉईस असिस्टंटद्वारे आम्ही मशीनला सांगू:
आम्ही व्हॉईस असिस्टंट द्वारे डेटा संप्रेषित केल्यामुळे, आमचा प्रोग्राम या प्रकारचे टेबल फीड करेल:
अखेरीस जर आमचे मशीन मशीन लर्निंग अल्गोरिदमद्वारे अॅनिमेटेड असेल, तर ते प्रदान केलेल्या माहितीवरून शिकले असेल आणि अशा प्रकारे प्रवासाच्या वेळेच्या रूपात परिणामाचा अंदाज लावेल. म्हणून आम्ही आमच्या कार्यक्रमाला एक प्रश्न विचारू शकतो: "ट्युरिन ते मिलान 1000 कार आणि डिझेलसह ... किती वेळ लागेल?"
उदाहरण चुकीचे आहे, परंतु वास्तववादी आहे. परंतु मशीन लर्निंगचा उद्देश सारांशित करण्यात मदत करते.
उदाहरणावरून एक संकेत घेऊन, शास्त्रीय प्रोग्रामिंग आणि मशीन लर्निंगमधील फरक पाहण्याचा प्रयत्न करूया.
पारंपारिकपणे, क्लासिक कोड लिहिणाऱ्या प्रोग्रामरने हे करणे आवश्यक आहे:
मग मनुष्याच्या बुद्धिमत्तेचा उपयोग प्रोग्राम कोड लिहिण्यासाठी केला जातो जो समस्या सोडवू शकतो.
या प्रकरणात, प्रोग्रामरला प्राप्त माहिती संचयित आणि संरचित करण्यासाठी प्रणालीचा विचार करावा लागेल. त्यानंतर, जेव्हा ऍप्लिकेशनचा ऑपरेटर, क्लासिक प्रोग्रामिंगसह लिहिलेला, प्रश्न विचारतो, तेव्हा मशीन जवळच्या ज्ञात माहितीसह प्रतिसाद देईल, संग्रहित केलेल्या माहितीप्रमाणेच.
मशीन लर्निंगमध्ये, ते आहेकृत्रिम बुद्धिमत्ता ऐतिहासिक डेटाचा अभ्यास करण्यासाठी, समस्येचे निराकरण करण्यासाठी लागू करण्यासाठी मॉडेल तयार करण्यासाठी आणि शेवटी मशीन प्रोग्रामरला मॉडेल उपलब्ध करून देते.
मशीन लर्निंगद्वारे अॅनिमेटेड मशीनमध्ये, प्रोग्राम प्रवासाच्या वेळेचा अंदाज लावण्यासाठी स्वतःच शिकतो कारण सेवेमध्ये प्रवेश करण्यापूर्वी मशीनने शिक्षणाचा टप्पा पार केला आहे. मग मशीनने मॉडेलद्वारे निर्देशित केलेल्या आणि अर्थ लावलेल्या तर्काच्या आधारे सर्वात वाजवी माहितीसह, वास्तविकतेच्या सर्वात जवळ प्रतिसाद देणे शिकले आहे.
मशीन लर्निंगमध्ये, मॉडेल प्रक्रियेचे केंद्र बनते. एकदा व्युत्पन्न आणि शिक्षित झाल्यावर ते उपलब्ध ठेवता येते. नवीन डेटासह प्रत्येक नवीन क्वेरी, प्रशिक्षणासाठी वापरल्या जाणार्या समान स्वरूपातील, एक नवीन परिणाम देईल.
डेटा सायंटिस्टची भूमिका किंचित बदलते, म्हणजेच, त्याला प्रशिक्षण टप्प्यातून मॉडेलच्या पिढीपर्यंत प्रोग्राम सोबत ठेवावे लागेल. हे करण्यासाठी, तो धोरणे निवडणे, उद्दिष्टांचे नियोजन करणे, डेटा तयार करणे आणि सर्वात महत्त्वाचे म्हणजे मॉडेलची प्रभावीता तसेच सुधारणेची कोणतीही शक्यता पडताळून पाहण्यासाठी त्याची जबाबदारी असेल.
ही प्रक्रिया प्रत्येक पुनरावृत्तीमध्ये सुधारित आणि वास्तविक घटक जोडण्याच्या उद्देशाने अनेक वेळा पुनरावृत्ती केली जाऊ शकते. अशा प्रकारे तुम्ही पुढील चरणांसाठी इष्टतम समाधानाच्या जवळ जाऊ शकता, प्रशिक्षण सुधारणे, चाचणी सुधारणे आणि म्हणून मशीन.
ऐतिहासिक डेटा जाणणारे, त्याचे तर्कशास्त्र आणि नमुने समजून घेणारे आणि भविष्यातील परिस्थितीच्या परिणामाचा अंदाज लावणारे मॉडेल तयार करणे हे नेहमीच अंतिम ध्येय असते.
Ercole Palmeri: इनोव्हेशन व्यसनी
गेल्या सोमवारी, फायनान्शिअल टाईम्सने OpenAI सह करार जाहीर केला. FT ने त्याच्या जागतिक दर्जाच्या पत्रकारितेचा परवाना…
लाखो लोक स्ट्रीमिंग सेवांसाठी पैसे देतात, मासिक सदस्यता शुल्क भरतात. असे सामान्य मत आहे की आपण…
Veeam द्वारे Coveware सायबर खंडणी घटना प्रतिसाद सेवा प्रदान करणे सुरू ठेवेल. Coveware फॉरेन्सिक आणि उपाय क्षमता प्रदान करेल…
वनस्पती व्यवस्थापनासाठी नाविन्यपूर्ण आणि सक्रिय दृष्टीकोनसह, भविष्यसूचक देखभाल तेल आणि वायू क्षेत्रात क्रांती घडवत आहे.…