তত্ত্বাবধানে পড়াশুনা এবং নিরীক্ষণযোগ্য শেখার মধ্যে পার্থক্য কী? [বন্ধ]
উত্তর:
আপনি যেহেতু এটি খুব বেসিক প্রশ্নটি জিজ্ঞাসা করছেন তাই দেখে মনে হচ্ছে এটি মেশিন লার্নিং নিজেই কী তা উল্লেখ করার মতো।
মেশিন লার্নিং হল অ্যালগরিদমগুলির একটি শ্রেণি যা ডেটা-চালিত, যেমন "সাধারণ" অ্যালগরিদমের বিপরীতে এটি এমন ডেটা যা "ভাল উত্তর" কী "তা" বলে দেয়। উদাহরণ: চিত্রগুলিতে মুখ সনাক্তকরণের জন্য একটি অনুমানযুক্ত নন-মেশিন লার্নিং অ্যালগরিদম মুখটি কী তা নির্ধারণ করার চেষ্টা করবে (গোলাকার ত্বকের মতো রঙিন ডিস্ক, অন্ধকার অঞ্চল যেখানে আপনি চোখের প্রত্যাশা করেন ইত্যাদি)। একটি মেশিন লার্নিং অ্যালগরিদম এ জাতীয় কোডেড সংজ্ঞা না থাকলেও "শিখতে হবে উদাহরণগুলি": আপনি বেশ কয়েকটি মুখ এবং মুখবিহীন চিত্র প্রদর্শন করবেন এবং একটি ভাল অ্যালগরিদম অবশেষে শিখবে এবং অদৃশ্য কিনা তা ভবিষ্যদ্বাণী করতে সক্ষম হবেন চিত্র একটি চেহারা।
মুখ সনাক্তকরণের এই বিশেষ উদাহরণটি তদারকি করা হয়েছে যার অর্থ আপনার উদাহরণগুলি অবশ্যই লেবেলযুক্ত হওয়া উচিত , বা স্পষ্ট করে বলতে হবে কোনটি মুখ এবং কোনটি নয়।
একটি অপ্রচলিত অ্যালগরিদমে আপনার উদাহরণগুলি লেবেলযুক্ত নয় , অর্থাৎ আপনি কিছু বলেন না। অবশ্যই, এই জাতীয় ক্ষেত্রে অ্যালগরিদম নিজেই একটি মুখ কী "আবিষ্কার" করতে পারে না, তবে এটি বিভিন্ন গোষ্ঠীতে ডেটা গুচ্ছিয়ে দেওয়ার চেষ্টা করতে পারে , উদাহরণস্বরূপ এটি পৃথক করতে পারে যে মুখগুলি ল্যান্ডস্কেপের থেকে খুব আলাদা, যা ঘোড়াগুলির থেকে খুব আলাদা।
যেহেতু অন্য একটি উত্তরে এটি উল্লেখ করা হয়েছে (যদিও, একটি ভুল উপায়ে): তদারকির "মধ্যবর্তী" ফর্মগুলি রয়েছে, অর্থাত্ আধা-তত্ত্বাবধানে এবং সক্রিয় শিক্ষাগ্রহণ । প্রযুক্তিগতভাবে, এগুলি তদারকি পদ্ধতিগুলি যেখানে বিপুল সংখ্যক লেবেলযুক্ত উদাহরণ এড়াতে কিছু "স্মার্ট" উপায় রয়েছে। সক্রিয় শিক্ষায়, অ্যালগরিদম নিজেই সিদ্ধান্ত নেয় যে আপনি কোন জিনিসটি লেবেল করবেন (উদাহরণস্বরূপ এটি কোনও প্রাকৃতিক দৃশ্য এবং একটি ঘোড়া সম্পর্কে যথেষ্ট নিশ্চিত হতে পারে তবে এটি কোনও গরিলা সত্যই কোনও মুখের চিত্র কিনা তা নিশ্চিত করতে আপনাকে জিজ্ঞাসা করতে পারে)। আধা-তত্ত্বাবধানে শিক্ষায়, দুটি পৃথক পৃথক অ্যালগরিদম রয়েছে যা লেবেলযুক্ত উদাহরণ দিয়ে শুরু হয় এবং তারপরে একে অপরকে "বলুন" এমনভাবে যে তারা বিপুল সংখ্যক লেবেলযুক্ত ডেটা নিয়ে চিন্তা করে। এই "আলোচনা" থেকে তারা শিখেছে।
তত্ত্বাবধানে পড়াশুনা হল যখন আপনি আপনার অ্যালগরিদমকে যে ডেটা দিয়ে খাওয়ান তা আপনার যুক্তিগত সিদ্ধান্ত নিতে সহায়তা করতে "ট্যাগড" বা "লেবেলযুক্ত" হয়।
উদাহরণ: বয়েস স্প্যাম ফিল্টারিং, যেখানে আপনাকে ফলাফলগুলি পরিমার্জন করতে স্প্যাম হিসাবে একটি আইটেম ফ্ল্যাগ করতে হবে।
নিরীক্ষণযোগ্য শিক্ষণ হল এমন এক ধরণের অ্যালগোরিদম যা কাঁচা ডেটা ব্যতীত অন্য কোনও বাহ্যিক ইনপুট ব্যতিরেকে সম্পর্কের সন্ধান করার চেষ্টা করে।
উদাহরণ: ডেটা মাইনিং ক্লাস্টারিং অ্যালগোরিদম।
তত্ত্বাবধান শেখা
যে অ্যাপ্লিকেশনগুলিতে প্রশিক্ষণ উপাত্তগুলিতে ইনপুট ভেক্টরগুলির সাথে তাদের সম্পর্কিত টার্গেট ভেক্টরগুলির উদাহরণ রয়েছে সেগুলি তদারকি শেখার সমস্যা হিসাবে পরিচিত known
নিরীক্ষণশিক্ষা
অন্যান্য প্যাটার্ন স্বীকৃতি সমস্যাগুলিতে, প্রশিক্ষণের ডেটাতে কোনও আনুষঙ্গিক লক্ষ্য মান ছাড়াই ইনপুট ভেক্টর x এর একটি সেট থাকে। এই ধরনের নিরীক্ষণযোগ্য শেখার সমস্যাগুলির লক্ষ্য হ'ল ডেটার মধ্যে অনুরূপ উদাহরণগুলির গোষ্ঠীগুলি আবিষ্কার করা যায়, যেখানে এটি ক্লাস্টারিং বলে called
প্যাটার্ন রিকগনিশন এবং মেশিন লার্নিং (বিশপ, 2006)
তত্ত্বাবধানে শিক্ষায়, ইনপুটটি xপ্রত্যাশিত ফলাফলের সাথে সরবরাহ করা হয় y(অর্থাত্, ইনপুটটি যখন মডেলটি উত্পন্ন করবে বলে ধারণা করা হয় x), যা প্রায়শই সংশ্লিষ্ট ইনপুটটির "শ্রেণি" (বা "লেবেল") বলে x।
নিরীক্ষণযোগ্য শিক্ষায়, উদাহরণের "শ্রেণি" xসরবরাহ করা হয় না। সুতরাং, নিরীক্ষণবিহীন পড়াশুনাটি লেবেলবিহীন ডেটা সেটে "লুকানো কাঠামো" খুঁজে পাওয়া হিসাবে ভাবা যেতে পারে।
তত্ত্বাবধানে শেখার পদ্ধতির অন্তর্ভুক্ত:
শ্রেণিবদ্ধকরণ (1 আর, নাইভ বেইস, সিদ্ধান্ত ট্রি লার্নিং অ্যালগরিদম, যেমন আইডি 3 কার্ট ইত্যাদি)
সংখ্যার মান পূর্বাভাস
নিরীক্ষণযোগ্য শিক্ষার পদ্ধতির অন্তর্ভুক্ত:
ক্লাস্টারিং (কে-মানে, শ্রেণিবদ্ধ ক্লাস্টারিং)
অ্যাসোসিয়েশন রুল লার্নিং
উদাহরণস্বরূপ, প্রায়শই একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়া তদারকি করা হয়: আপনি নেটওয়ার্কটিকে বলছেন যে আপনি যে ক্লাসটি খাচ্ছেন সেই বৈশিষ্ট্যটির ভেক্টরটির সাথে সম্পর্কিত।
ক্লাস্টারিং নিরীক্ষণযোগ্য শিক্ষণ: আপনি অ্যালগরিদমকে সিদ্ধান্ত নিতে দেন যে কীভাবে সাধারণ বৈশিষ্ট্য ভাগ করে নেওয়া ক্লাসগুলিতে নমুনাগুলি গোষ্ঠী করা যায়।
অব্যবহৃত শিক্ষার আর একটি উদাহরণ কোহোনেনের স্ব-সংগঠিত মানচিত্র ।
আমি একটি উদাহরণ বলতে পারি।
ধরুন আপনার কোন গাড়িটি কোন গাড়ি এবং কোনটি মোটরসাইকেলের তা সনাক্ত করতে হবে।
ইন তত্ত্বাবধানে থাকা শেখার মামলা, আপনার ইনপুট (প্রশিক্ষণ) ডেটা সেটটি চাহিদা লেবেল করা, যে, আপনার ইনপুট (প্রশিক্ষণ) ডেটা সেটটি প্রতিটি ইনপুট উপাদান, আপনি যদি এটি একটি গাড়ী বা একটা মোটর সাইকেল প্রতিনিধিত্ব করে উল্লেখ করা উচিত নয়।
ইন তত্ত্বাবধান ছাড়াই শেখার ক্ষেত্রে, আপনি ইনপুট লেবেল না। নিরীক্ষণযোগ্য মডেল অনুরূপ বৈশিষ্ট্য / বৈশিষ্ট্যের উপর ভিত্তি করে ক্লাস্টারগুলিতে ইনপুট ক্লাস্টার করে। সুতরাং, এই ক্ষেত্রে, "গাড়ি" এর মতো কোনও লেবেল নেই।
তত্ত্বাবধানে পড়াশোনা
তদারকি করা শিক্ষণ ইতিমধ্যে নির্ধারিত সঠিক শ্রেণিবদ্ধকরণ সহ ডেটা উত্স থেকে ডেটা নমুনা প্রশিক্ষণের উপর ভিত্তি করে। এই জাতীয় কৌশলগুলি ফিডফরওয়ার্ড বা মাল্টিলেয়ার পারসেপ্ট্রন (এমএলপি) মডেলগুলিতে ব্যবহার করা হয়। এই এমএলপির তিনটি স্বতন্ত্র বৈশিষ্ট্য রয়েছে:
- নেটওয়ার্কের ইনপুট বা আউটপুট স্তরগুলির অন্তর্ভুক্ত নয় এমন লুকানো নিউরনের এক বা একাধিক স্তর যা কোনও জটিল সমস্যা শিখতে এবং সমাধান করতে নেটওয়ার্ককে সক্ষম করে
- নিউরোনাল কার্যকলাপে প্রতিফলিত অরেখারতা পার্থক্যযোগ্য এবং,
- নেটওয়ার্কের আন্তঃসংযোগ মডেল সংযোগের একটি উচ্চতর ডিগ্রি প্রদর্শন করে।
প্রশিক্ষণের মাধ্যমে শেখার পাশাপাশি এই বৈশিষ্ট্যগুলি বিভিন্ন এবং বিভিন্ন সমস্যার সমাধান করে। তত্ত্বাবধানে থাকা এএনএন মডেলটিতে প্রশিক্ষণের মাধ্যমে শিখাকে ত্রুটি ব্যাকপ্রোপেশন অ্যালগরিদম হিসাবেও ডাকা হয়। ত্রুটি সংশোধন-শেখার অ্যালগরিদম ইনপুট-আউটপুট নমুনাগুলির উপর ভিত্তি করে নেটওয়ার্ককে প্রশিক্ষণ দেয় এবং ত্রুটি সংকেতটি খুঁজে পায় যা আউটপুট গণনা করা এবং পছন্দসই আউটপুটের পার্থক্য এবং ত্রুটির উত্পাদনের সাথে সমানুপাতিক নিউরনের সিন্যাপটিক ওজন সামঞ্জস্য করে সংকেত এবং সিনপ্যাটিক ওজনের ইনপুট উদাহরণ। এই নীতির উপর ভিত্তি করে, ত্রুটি ব্যাক প্রচার শেখার দুটি পাসে ঘটে:
ফরোয়ার্ড পাস:
এখানে, ইনপুট ভেক্টরটি নেটওয়ার্কে উপস্থাপন করা হয়। এই ইনপুট সংকেতটি নেটওয়ার্কের মাধ্যমে নিউরনের মাধ্যমে নিউরন এগিয়ে যায় এবং আউটপুট সিগন্যাল হিসাবে নেটওয়ার্কের আউটপুট প্রান্তে উত্থিত হয়: আউটপুট স্তর দ্বারা নির্ধারিত আউটপুট দ্বারা নির্ধারিত নিউরনের প্ররোচিত স্থানীয় ক্ষেত্রটি y(n) = φ(v(n))কোথায় O (n) হয় পছন্দসই প্রতিক্রিয়াটির সাথে তুলনা করে এবং সেই নিউরনের জন্য ত্রুটিটি খুঁজে পায় । এই পাসের সময় নেটওয়ার্কের সিন্যাপ্যাটিক ওজন একই থাকে।v(n)v(n) =Σ w(n)y(n).d(n)e(n)
পিছনের পাস:
সেই স্তরের আউটপুট নিউরনে উত্পন্ন ত্রুটি সংকেতটি নেটওয়ার্কের মাধ্যমে পিছনে প্রচারিত হয়। এটি প্রতিটি স্তরের প্রতিটি নিউরনের জন্য স্থানীয় গ্রেডিয়েন্ট গণনা করে এবং ডেল্টার নিয়ম অনুসারে নেটওয়ার্কের সিনাপ্যাটিক ওজনকে পরিবর্তনের অনুমতি দেয়:
Δw(n) = η * δ(n) * y(n).
নেটওয়ার্কটি রূপান্তরিত না হওয়া পর্যন্ত প্রতিটি ইনপুট প্যাটার্নের জন্য পশ্চাৎ পাসের পরে ফরোয়ার্ড পাস সহ এই পুনরাবৃত্তিমূলক গণনা অব্যাহত থাকে।
একটি এএনএন এর তত্ত্বাবধানে শেখার দৃষ্টান্তটি দক্ষ এবং শ্রেণীবিন্যাস, উদ্ভিদ নিয়ন্ত্রণ, পূর্বাভাস, ভবিষ্যদ্বাণী, রোবোটিক্স ইত্যাদির মতো বেশ কয়েকটি লিনিয়ার এবং অ-রৈখিক সমস্যার সমাধান খুঁজে পায় and
নিরীক্ষণশিক্ষা
স্ব-সংগঠিত নিউরাল নেটওয়ার্কগুলি লেবেলবিহীন ইনপুট ডেটাতে লুকানো নিদর্শনগুলি সনাক্ত করতে নিরীক্ষণযোগ্য শেখার অ্যালগরিদম ব্যবহার করে শেখে। এই নিরীক্ষণ সম্ভাব্য সমাধানটি মূল্যায়নের জন্য একটি ত্রুটি সংকেত সরবরাহ না করে তথ্য শিখতে এবং সংগঠিত করার ক্ষমতা বোঝায়। নিরীক্ষণযোগ্য শিক্ষায় শিক্ষার অ্যালগরিদমের দিকনির্দেশের অভাব এক সময় সুবিধাজনক হতে পারে, যেহেতু এটি অ্যালগরিদমকে আগে বিবেচনা করা হয়নি এমন নিদর্শনগুলির জন্য ফিরে তাকাতে দেয়। স্ব-সংগঠিত মানচিত্রের (এসওএম) প্রধান বৈশিষ্ট্যগুলি হ'ল:
- এটি স্বেচ্ছাচারিত মাত্রা একটি আগত সংকেত প্যাটার্ন এক বা 2 মাত্রিক মানচিত্রে রূপান্তরিত করে এবং এই রূপান্তরটি অভিযোজিতভাবে সম্পাদন করে
- নেটওয়ার্কটি সারি এবং কলামগুলিতে সজ্জিত নিউরনের সমন্বয়ে একটি একক গণনামূলক স্তর সহ ফিডফোরওয়ার্ড কাঠামো উপস্থাপন করে। উপস্থাপনের প্রতিটি পর্যায়ে প্রতিটি ইনপুট সিগন্যালকে তার যথাযথ প্রসঙ্গে রাখা হয় এবং
- ঘনিষ্ঠভাবে সম্পর্কিত তথ্যের টুকরোগুলির সাথে কাজ করে নিউরনগুলি একসাথে রয়েছে এবং তারা সিন্যাপটিক সংযোগের মাধ্যমে যোগাযোগ করে।
কম্পিউটেশনাল স্তরটিকে প্রতিযোগিতামূলক স্তর হিসাবেও বলা হয় যেহেতু স্তরটির নিউরনগুলি একে অপরের সাথে সক্রিয় হওয়ার জন্য প্রতিযোগিতা করে। সুতরাং, এই শেখার অ্যালগরিদমকে প্রতিযোগিতামূলক অ্যালগরিদম বলা হয়। এসওএম-এ অসমীক্ষিত অ্যালগরিদম তিনটি পর্যায়ে কাজ করে:
প্রতিযোগিতা পর্ব:
প্রতিটি ইনপুট প্যাটার্নের xজন্য, নেটওয়ার্কে উপস্থাপিত, সিনাপটিক ওজন সহ অভ্যন্তরীণ পণ্য wগণনা করা হয় এবং প্রতিযোগিতামূলক স্তরের নিউরনগুলি একটি বৈষম্যমূলক ফাংশন সন্ধান করে যা নিউক্লোন এবং সিন্যাপটিক ওজন ভেক্টরকে ইউক্লিডিয়ান দূরত্বের ইনপুট ভেক্টরের নিকটেবর্তী করে তোলে ind প্রতিযোগিতায় বিজয়ী হিসাবে ঘোষণা করা হয়। এই নিউরনকে সেরা মেলানো নিউরন বলা হয়,
i.e. x = arg min ║x - w║.
সমবায় পর্ব:
বিজয়ী নিউরন hসহযোগী নিউরনগুলির একটি টপোলজিকাল পাড়ার কেন্দ্র নির্ধারণ করে। এটি dসমবায় নিউরনের মধ্যে পার্শ্ব প্রতিক্রিয়া দ্বারা সম্পাদিত হয় । এই টপোলজিকাল পাড়াটি সময়ের সাথে সাথে এর আকার হ্রাস করে।
অভিযোজিত পর্ব:
বিজয়ী নিউরন এবং তার পার্শ্ববর্তী নিউরনগুলিকে উপযুক্ত সিনাপটিক ওজন সামঞ্জস্যের মাধ্যমে ইনপুট প্যাটার্নের সাথে সম্পর্কিত বৈষম্যমূলক কার্যকারণের স্বতন্ত্র মানগুলি বাড়িয়ে তোলে,
Δw = ηh(x)(x –w).
প্রশিক্ষণের ধরণগুলির বারবার উপস্থাপনের পরে, সিনাপটিক ওয়েট ভেক্টরগুলি প্রতিবেশী আপডেটের কারণে ইনপুট ধরণগুলির বিতরণ অনুসরণ করে এবং এএনএন সুপারভাইজার ছাড়াই শিখে without
স্ব-সংগঠিত মডেল প্রাকৃতিকভাবে নিউরো-জৈবিক আচরণের প্রতিনিধিত্ব করে এবং তাই ক্লাস্টারিং, স্পিচ স্বীকৃতি, টেক্সচার সেগমেন্টেশন, ভেক্টর কোডিং ইত্যাদির মতো অনেক বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয়
আমি সর্বদা স্বেচ্ছাসেবক ও তদারকি শিক্ষার মধ্যে পার্থক্যটি স্বেচ্ছাসেবী এবং কিছুটা বিভ্রান্তিকর বলে খুঁজে পেয়েছি। দুটি ক্ষেত্রে সত্যিকারের পার্থক্য নেই, পরিবর্তে বিভিন্ন পরিস্থিতিতে রয়েছে একটি অ্যালগরিদমের কমবেশি 'তদারকি' থাকতে পারে। আধা-তত্ত্বাবধানে শিক্ষার অস্তিত্ব একটি স্পষ্ট উদাহরণ যেখানে লাইনটি অস্পষ্ট।
আমি কী কী সমাধান পছন্দ করা উচিত সে সম্পর্কে অ্যালগরিদমকে প্রতিক্রিয়া হিসাবে তদারকি করার কথা ভাবি of স্প্যাম সনাক্তকরণের মতো একটি traditionalতিহ্যবাহী তত্ত্বাবধানে থাকা সেটিংয়ের জন্য, আপনি আলগোরিদমকে "প্রশিক্ষণ সংস্থায় কোনও ভুল করবেন না" বলুন ; ক্লাস্টারিংয়ের মতো একটি aতিহ্যবাহী অপ্রচলিত সেটিংয়ের জন্য, আপনি অ্যালগরিদমকে বলে "একে অপরের নিকটে থাকা পয়েন্টগুলি একই ক্লাস্টারে থাকা উচিত" । এটি ঠিক তাই ঘটে যে, প্রতিক্রিয়াটির প্রথম ফর্মটি পরবর্তীকালের চেয়ে অনেক বেশি নির্দিষ্ট।
সংক্ষেপে, যখন কেউ 'তত্ত্বাবধানে' বলে, তখন শ্রেণিবিন্যাসের কথা চিন্তা করুন, যখন তারা 'নিরীক্ষণযোগ্য' বলে তখন ক্লাস্টারিং মনে করে এবং এর বাইরে খুব বেশি চিন্তা করার চেষ্টা করবেন না।
মেশিন লার্নিং: এটি অ্যালগরিদমগুলির অধ্যয়ন এবং নির্মাণের সন্ধান করে যা ডেটা থেকে শিখতে এবং ভবিষ্যদ্বাণী করতে পারে strictly সুসংগতভাবে স্থিতিশীল অনুসরণ না করে ডেটা-চালিত পূর্বাভাস বা সিদ্ধান্তগুলি আউটপুট হিসাবে প্রকাশ করার জন্য উদাহরণস্বরূপ ইনপুটগুলির একটি মডেল তৈরি করে পরিচালনা করে uch প্রোগ্রাম নির্দেশাবলী।
তদারকি করা শেখা: এটি লেবেলযুক্ত প্রশিক্ষণের ডেটা থেকে কোনও ফাংশনকে অনুমান করা মেশিন লার্নিংয়ের কাজ training প্রশিক্ষণের উদাহরণগুলিতে প্রশিক্ষণের উদাহরণগুলির একটি সেট রয়েছে। তত্ত্বাবধানে শেখার ক্ষেত্রে প্রতিটি উদাহরণ হ'ল একটি জুড়ি যা ইনপুট অবজেক্ট (সাধারণত ভেক্টর) এবং একটি পছন্দসই আউটপুট মান (তদারকির সিগন্যাল নামেও পরিচিত) সমন্বিত। একটি তত্ত্বাবধানে শেখার অ্যালগরিদম প্রশিক্ষণ ডেটা বিশ্লেষণ করে এবং একটি অনুমানকৃত ফাংশন তৈরি করে, যা নতুন উদাহরণ ম্যাপিংয়ের জন্য ব্যবহার করা যেতে পারে।
কম্পিউটারকে "শিক্ষক" দ্বারা প্রদত্ত ইনপুট এবং তাদের পছন্দসই ফলাফলগুলি উপস্থাপন করা হয় এবং লক্ষ্যটি একটি সাধারণ নিয়ম শিখতে হয় যা আউটপুটগুলিতে ইনপুটগুলি ম্যাপ করে S ডেটাতে (আউটপুট), এবং নতুন ডেটার প্রতিক্রিয়া জন্য যুক্তিসঙ্গত পূর্বাভাস উত্পন্ন করতে একটি মডেলকে প্রশিক্ষণ দেয়।
নিরীক্ষণযোগ্য শিক্ষণ: এটি শিক্ষক ছাড়া শিখছে। আপনি ডেটা দিয়ে করতে পারেন এমন একটি প্রাথমিক বিষয় হ'ল এটি ভিজ্যুয়ালাইজ করা। লেবেলযুক্ত ডেটা থেকে লুকানো কাঠামো বর্ণনা করার জন্য এটি কোনও ফাংশনকে অনুমান করা মেশিন লার্নিংয়ের কাজ। যেহেতু শিক্ষার্থীর দেওয়া দেওয়া উদাহরণগুলি লেবেলযুক্ত, সম্ভাব্য সমাধানটি মূল্যায়নের জন্য কোনও ত্রুটি বা পুরষ্কারের সংকেত নেই। এটি তত্ত্বাবধানে পড়াশুনা থেকে নিরীক্ষণযোগ্য শিক্ষাকে আলাদা করে। নিরীক্ষণযোগ্য শিক্ষণ পদ্ধতিগুলি ব্যবহার করে যা নিদর্শনগুলির প্রাকৃতিক পার্টিশনগুলি সন্ধান করার চেষ্টা করে।
ভবিষ্যদ্বাণী ফলাফলের উপর ভিত্তি করে আনসারভিভাইজড লার্নিংয়ের সাথে কোনও মতামত পাওয়া যায় না, অর্থাৎ আপনাকে সংশোধন করার জন্য কোনও শিক্ষক নেই the নিরীক্ষণ পদ্ধতিতে কোনও লেবেলযুক্ত উদাহরণ সরবরাহ করা হয় না এবং শেখার প্রক্রিয়া চলাকালীন ফলাফলের কোনও ধারণা পাওয়া যায় না। ফলস্বরূপ, ইনপুট ডেটার গোষ্ঠীগুলি নিদর্শনগুলি খুঁজে পাওয়া বা এটি আবিষ্কার করা শিখনের স্কিম / মডেলের উপর নির্ভর করে
আপনার মডেলগুলি প্রশিক্ষণের জন্য যখন আপনার প্রচুর পরিমাণে ডেটা প্রয়োজন হয় এবং পরীক্ষা-নিরীক্ষা ও অন্বেষণের সদিচ্ছা এবং দক্ষতা প্রয়োজন হয় এবং অবশ্যই এমন একটি চ্যালেঞ্জ যা আরও প্রতিষ্ঠিত পদ্ধতির মাধ্যমে ভালভাবে সমাধান করা যায় না সেগুলি ব্যবহার করা উচিত Wএটি অকার্যকর শেখার সাথে তদারকি করা শেখার চেয়ে বৃহত্তর এবং আরও জটিল মডেলগুলি শেখা সম্ভব। এটি এখানে একটি ভাল উদাহরণ
।
তত্ত্বাবধানে শেখা: বলুন একটি বাচ্চা কিন্ডার-বাগানে যায় এখানে শিক্ষক তাকে 3 খেলনা-ঘর, বল এবং গাড়ী দেখায়। এখন শিক্ষক তাকে 10 খেলনা দেয়। তিনি পূর্ববর্তী অভিজ্ঞতার ভিত্তিতে 3 টি বাড়ি, বল এবং গাড়িতে তাদের শ্রেণিবদ্ধ করবেন। তাই কয়েকটি সেটের সঠিক উত্তর পাওয়ার জন্য শিক্ষকরা প্রথমে শিশুর তত্ত্বাবধান করেছিলেন। তারপরে তার অজানা খেলনা পরীক্ষা করা হয়েছিল।
অসম্পর্কিত শিক্ষণ: আবার কিন্ডারগার্টেন উদাহরণ example একটি শিশুকে 10 খেলনা দেওয়া হয়। তিনি একই বিভাগে বলা হয়। তাই আকৃতি, আকার, রঙ, ফাংশন ইত্যাদির মতো বৈশিষ্ট্যগুলির উপর ভিত্তি করে তিনি 3 টি গোষ্ঠী এ, বি, সি এবং সেগুলি গ্রুপ করার চেষ্টা করবেন।
সুপারভাইজ শব্দের অর্থ আপনি মেশিনকে উত্তর খুঁজে পেতে সহায়তা করার জন্য তদারকি / নির্দেশনা দিচ্ছেন। এটি একবার নির্দেশাবলী শিখলে এটি সহজেই নতুন কেসের জন্য পূর্বাভাস দিতে পারে।
নিরীক্ষণ করা মানে উত্তর / লেবেল এবং মেশিন কীভাবে আমাদের ডেটাতে কিছু প্যাটার্ন সন্ধান করতে পারে তার বুদ্ধি ব্যবহার করে কীভাবে তদারকি বা নির্দেশনা নেই। এখানে এটি পূর্বাভাস দেবে না, এটি কেবল এমন ক্লাস্টারগুলি সন্ধান করার চেষ্টা করবে যার অনুরূপ ডেটা রয়েছে।
ইতিমধ্যে অনেক উত্তর রয়েছে যা বিস্তারিতভাবে পার্থক্য বর্ণনা করে। আমি কোডাকাদেমিতে এই জিআইফগুলি পেয়েছি এবং তারা প্রায়শই আমাকে কার্যকরভাবে পার্থক্য ব্যাখ্যা করতে সহায়তা করে।
তত্ত্বাবধানে পড়াশোনা
লক্ষ্য করুন যে প্রশিক্ষণ চিত্রগুলিতে এখানে লেবেল রয়েছে এবং মডেল চিত্রগুলির নাম শিখছে।
নিরীক্ষণশিক্ষা
লক্ষ্য করুন যে এখানে কী করা হচ্ছে তা কেবল গ্রুপিং (ক্লাস্টারিং) এবং মডেল কোনও চিত্র সম্পর্কে কিছুই জানেন না।
নিউরাল নেটওয়ার্কের লার্নিং অ্যালগরিদম হয় তদারকি বা তদারকি করা যায় না।
কাঙ্ক্ষিত আউটপুটটি ইতিমধ্যে জানা থাকলে তত্ত্বাবধানে শিখতে বলা হয় একটি নিউরাল নেট। উদাহরণ: প্যাটার্ন অ্যাসোসিয়েশন
স্নায়ুবহুল জালগুলি যা নিরীক্ষণ করা শিখেছে তাদের তেমন কোনও লক্ষ্য আউটপুট নেই have শেখার প্রক্রিয়াটির ফলাফলটি কেমন হবে তা নির্ধারণ করা যায় না। শেখার প্রক্রিয়া চলাকালীন, প্রদত্ত ইনপুট মানগুলির উপর নির্ভর করে এই জাতীয় স্নায়ুর জালের ইউনিটগুলি (ওজন মান) একটি নির্দিষ্ট পরিসরে "সাজানো" হয়। লক্ষ্য সীমার কিছু নির্দিষ্ট অঞ্চলে একত্রে একই ইউনিটকে গোষ্ঠীভুক্ত করা। উদাহরণ: প্যাটার্ন শ্রেণিবিন্যাস
তত্ত্বাবধানে শেখা, একটি উত্তর সহ ডেটা দেওয়া।
স্প্যাম নয় / স্প্যাম নয় হিসাবে লেবেলযুক্ত ইমেল দেওয়া, একটি স্প্যাম ফিল্টার শিখুন।
ডায়াবেটিস হচ্ছে কিনা তা নির্ণয় করা রোগীদের একটি ডেটাসেট দেওয়া, নতুন রোগীদের ডায়াবেটিস আছে কিনা তা শ্রেণিবদ্ধ করা শিখুন।
কোনও উত্তর ছাড়াই ডেটা দেওয়া অসম্পর্কিত শিক্ষণ, পিসিকে গোষ্ঠীভুক্ত করতে দিন।
ওয়েবে পাওয়া নিউজ নিবন্ধগুলির একটি সেট দেওয়া, একই গল্প সম্পর্কিত নিবন্ধগুলির গোষ্ঠীতে গোষ্ঠী করুন।
কাস্টম ডেটার একটি ডাটাবেস দেওয়া হয়েছে, স্বয়ংক্রিয়ভাবে বাজারের বিভাগগুলি এবং বিভিন্ন গ্রাহক বিভাগগুলিতে গ্রুপ গ্রাহকরা আবিষ্কার করুন।
তত্ত্বাবধানে পড়াশোনা
এটিতে, প্রতিটি প্রশিক্ষণ যে নকশাকে নেটওয়ার্ক প্রশিক্ষণ করতে ব্যবহৃত হয় তা একটি আউটপুট প্যাটার্নের সাথে সম্পর্কিত যা লক্ষ্য বা পছন্দসই প্যাটার্ন। নেটওয়ার্কের গণনা করা আউটপুট এবং সঠিক প্রত্যাশিত আউটপুটটির মধ্যে ত্রুটি নির্ধারণের জন্য একটি তুলনা করা হলে, শেখার প্রক্রিয়া চলাকালীন একজন শিক্ষককে উপস্থিত বলে ধরে নেওয়া হয়। ত্রুটিটি তারপরে নেটওয়ার্কের পরামিতিগুলি পরিবর্তন করতে ব্যবহার করা যেতে পারে যার ফলশ্রুতিতে কর্মক্ষমতা উন্নতি হয়।
নিরীক্ষণশিক্ষা
এই শেখার পদ্ধতিতে, লক্ষ্য আউটপুট নেটওয়ার্কের কাছে উপস্থাপন করা হয় না। এটি পছন্দসই নিদর্শন উপস্থাপন করার জন্য কোনও শিক্ষক নেই এবং সুতরাং, ইনপুট নিদর্শনগুলিতে কাঠামোগত বৈশিষ্ট্যগুলি আবিষ্কার করে এবং খাপ খাইয়ে সিস্টেমটি নিজস্ব শিখেছে।
তদারকি করা পড়াশুনা : আপনি সঠিক উত্তরগুলির সাথে ইনপুট হিসাবে বিভিন্নভাবে লেবেলযুক্ত উদাহরণ ডেটা দেন। এই অ্যালগরিদম এ থেকে শিখবে এবং তারপরে ইনপুটগুলির উপর ভিত্তি করে সঠিক ফলাফলের পূর্বাভাস দেওয়া শুরু করবে। উদাহরণ : ইমেল স্প্যাম ফিল্টার
নিরীক্ষণযোগ্য শিক্ষণ : আপনি কেবল ডেটা দিন এবং কিছুই বলবেন না - যেমন লেবেল বা সঠিক উত্তর। অ্যালগরিদম স্বয়ংক্রিয়ভাবে ডেটাগুলিতে নিদর্শনগুলি বিশ্লেষণ করে। উদাহরণ : গুগল নিউজ
আমি এটি সহজ রাখার চেষ্টা করব।
তদারকি করা শেখা: শেখার এই কৌশলটিতে আমাদের একটি ডেটা সেট দেওয়া হয় এবং সিস্টেম ইতিমধ্যে ডেটা সেটের সঠিক আউটপুটটি জানে। সুতরাং এখানে, আমাদের সিস্টেমটি তার নিজস্ব একটি মান পূর্বাভাস দ্বারা শিখেছে। তারপরে, এটি ভবিষ্যতের ভবিষ্যদ্বাণীটি আসল আউটপুটটির সাথে কতটা কাছাকাছি ছিল তা পরীক্ষা করতে ব্যয় ফাংশন ব্যবহার করে একটি নির্ভুলতা পরীক্ষা করে।
নিরীক্ষণযোগ্য শিক্ষণ: এই পদ্ধতিতে, আমাদের ফলাফল কী হবে সে সম্পর্কে আমাদের অল্প বা অজানা । সুতরাং পরিবর্তে, আমরা ডেটা থেকে কাঠামো পাই যেখানে আমরা ভেরিয়েবলের প্রভাব জানি না। আমরা ডেটা ভেরিয়েবলের মধ্যে সম্পর্কের ভিত্তিতে ডেটা ক্লাস্টার করে কাঠামো তৈরি করি। এখানে, আমাদের পূর্বাভাসের ভিত্তিতে কোনও প্রতিক্রিয়া নেই।
তত্ত্বাবধান শেখা
আপনার কাছে ইনপুট এক্স এবং একটি লক্ষ্য আউটপুট টি আছে। সুতরাং আপনি অনুপস্থিত অংশগুলিকে সাধারণীকরণের জন্য অ্যালগরিদমকে প্রশিক্ষণ দিন। লক্ষ্য দেওয়া হয়েছে বলে এটি তদারকি করা হয়। আপনি অ্যালগোরিদম বলতে সুপারভাইজার হলেন: উদাহরণস্বরূপ এক্স এর জন্য আপনার আউটপুট টি করা উচিত!
নিরীক্ষণশিক্ষা
যদিও বিভাজন, ক্লাস্টারিং এবং সংক্ষেপণ সাধারণত এই দিকের সাথে গণনা করা হয় তবে এর জন্য একটি ভাল সংজ্ঞা নিয়ে আসতে আমার একটি কঠিন সময় দরকার।
উদাহরণস্বরূপ সংক্ষেপণের জন্য অটো-এনকোডারগুলি নেওয়া যাক । আপনার কাছে কেবল ইনপুট এক্স দেওয়া আছে, এটি মানব প্রকৌশলী কীভাবে অ্যালগরিদমকে বলে যে লক্ষ্যটিও এক্স। সুতরাং কিছু দিক থেকে, এটি তত্ত্বাবধানে পড়াশোনা থেকে আলাদা নয়।
এবং ক্লাস্টারিং এবং বিভাগকরণের জন্য, আমি খুব নিশ্চিত নই যে এটি মেশিন লার্নিংয়ের সংজ্ঞায় সত্যিই ফিট করে কিনা ( অন্যান্য প্রশ্ন দেখুন )।
তদারকি করা শেখা: আপনার কাছে ডেটা লেবেল রয়েছে এবং সেখান থেকে শিখতে হবে। যেমন দামের সাথে বাড়ির ডেটা এবং তারপরে দামের পূর্বাভাস দিতে শিখুন
নিরীক্ষণযোগ্য শিক্ষণ: আপনাকে প্রবণতাটি খুঁজে বের করতে হবে এবং তারপরে ভবিষ্যদ্বাণী করতে হবে, কোনও পূর্ববর্তী লেবেল দেওয়া হয়নি। যেমন ক্লাসে বিভিন্ন লোক এবং তারপরে একটি নতুন ব্যক্তি আসে যাতে এই নতুন শিক্ষার্থীটি কোন গ্রুপের অন্তর্ভুক্ত।
ইন তত্ত্বাবধানে থাকা শিক্ষণ আমরা জানি কি ইনপুট এবং আউটপুট হওয়া উচিত। উদাহরণস্বরূপ, গাড়ির সেট দেওয়া। কোনটি লাল এবং কোনটি নীল তা আমাদের খুঁজে বের করতে হবে।
অন্যদিকে, আনসপারভাইজড লার্নিং হল যেখানে আউটপুটটি কীভাবে হওয়া উচিত সে সম্পর্কে খুব কম বা উত্তর ছাড়াই আমাদের উত্তরটি খুঁজে বের করতে হবে। উদাহরণস্বরূপ, একজন শিক্ষার্থী এমন একটি মডেল তৈরি করতে সক্ষম হতে পারে যা সনাক্ত করে যখন লোকেরা মুখের নিদর্শন এবং শব্দের সাথে "আপনি কী সম্পর্কে হাসছেন?" এর সাথে সম্পর্কের ভিত্তিতে হাসছেন iling
তত্ত্বাবধানে থাকা প্রশিক্ষণ প্রশিক্ষণের সময় শেখার উপর ভিত্তি করে প্রশিক্ষিত লেবেলগুলির মধ্যে একটিতে একটি নতুন আইটেম লেবেল করতে পারে। আপনাকে প্রচুর পরিমাণে প্রশিক্ষণ ডেটা সেট, বৈধতা ডেটা সেট এবং পরীক্ষার ডেটা সেট সরবরাহ করতে হবে। আপনি যদি লেবেলগুলির সাথে প্রশিক্ষণের ডেটার পাশাপাশি অঙ্কগুলির পিক্সেল চিত্র ভেক্টরগুলি সরবরাহ করেন তবে এটি সংখ্যাগুলি সনাক্ত করতে পারে।
নিরীক্ষণযোগ্য শেখার জন্য ডেটা-সেটগুলির প্রশিক্ষণের প্রয়োজন হয় না। নিরীক্ষণযোগ্য শিক্ষায় এটি ইনপুট ভেক্টরগুলির পার্থক্যের ভিত্তিতে আইটেমগুলি বিভিন্ন ক্লাস্টারে গ্রুপ করতে পারে। আপনি যদি অঙ্কগুলির পিক্সেল চিত্র ভেক্টর সরবরাহ করেন এবং 10 টি বিভাগে শ্রেণিবদ্ধ করতে বলেন, এটি এটি করতে পারে। আপনি প্রশিক্ষণ লেবেল সরবরাহ না করায় এটি কীভাবে লেবেলগুলি তা জানে know
সুপারভাইজড লার্নিংটি মূলত যেখানে আপনার ইনপুট ভেরিয়েবল (এক্স) এবং আউটপুট ভেরিয়েবল (y) থাকে এবং ইনপুট থেকে আউটপুটে ম্যাপিং ফাংশন শিখতে অ্যালগরিদম ব্যবহার করে। যে কারণে আমরা এটিকে তদারকি হিসাবে আখ্যায়িত করেছি তা হল কারণ অ্যালগরিদম প্রশিক্ষণ ডেটাसेट থেকে শিখেছে, অ্যালগরিদম পুনরাবৃত্তভাবে প্রশিক্ষণের ডেটা নিয়ে ভবিষ্যদ্বাণী করে। তত্ত্বাবধানে দুটি ধরণের রয়েছে - শ্রেণিবদ্ধকরণ এবং পেনশন। শ্রেণিবিন্যাস তখন হয় যখন আউটপুট ভেরিয়েবল হ্যাঁ / না, সত্য / মিথ্যা এর মতো বিভাগ হয়। রিগ্রেশন হ'ল আউটপুট হ'ল ব্যক্তির উচ্চতা, তাপমাত্রা ইত্যাদির মতো প্রকৃত মান is
ইউএন তত্ত্বাবধানে শেখা হল যেখানে আমাদের কাছে কেবল ইনপুট ডেটা (এক্স) থাকে এবং কোনও আউটপুট ভেরিয়েবল হয় না। এটিকে একটি নিরীক্ষণযোগ্য শিক্ষা বলা হয় কারণ উপরে তত্ত্বাবধানে থাকা শিক্ষার বিপরীতে সঠিক উত্তর নেই এবং শিক্ষক নেই is উপাত্তগুলিতে আকর্ষণীয় কাঠামোটি আবিষ্কার এবং উপস্থাপনের জন্য অ্যালগরিদমগুলি তাদের নিজস্ব পরিকল্পনা থেকে ছেড়ে দেওয়া হয়েছে।
নিরীক্ষণযোগ্য শিক্ষার ধরণগুলি ক্লাস্টারিং এবং অ্যাসোসিয়েশন।
তত্ত্বাবধানে পড়াশুনা মূলত এমন একটি কৌশল যার মাধ্যমে মেশিনটি শিখেছে এমন প্রশিক্ষণ ডেটা ইতিমধ্যে লেবেলযুক্ত এমন একটি সাধারণ এমনকি বিজোড় সংখ্যার শ্রেণিবদ্ধ যেখানে আপনি ইতিমধ্যে প্রশিক্ষণের সময় ডেটা শ্রেণিবদ্ধ করেছেন। সুতরাং এটি "LABELED" ডেটা ব্যবহার করে।
বিপরীতে অসমীক্ষিত শেখা একটি কৌশল যা মেশিন নিজেই ডেটা লেবেল করে। বা আপনি যখন মেশিনটি নিজে থেকেই স্ক্র্যাচ থেকে শিখেন তখন আপনি তার ক্ষেত্রে এটি বলতে পারেন।
সরল তত্ত্বাবধানে শেখা হল মেশিন লার্নিংয়ের সমস্যা হ'ল এতে আমাদের কয়েকটি লেবেল রয়েছে এবং সেই লেবেলগুলি ব্যবহার করে আমরা রিগ্রেশন এবং শ্রেণিবিন্যাসের মতো অ্যালগোরিদম প্রয়োগ করি C শ্রেণিবদ্ধকরণ প্রয়োগ করা হয় যেখানে আমাদের আউটপুট 0 বা 1 আকারে সত্য / মিথ্যা, হ্যাঁ না. এবং রিগ্রেশন প্রয়োগ করা হয় যেখানে দামের মতো একটি আসল মূল্য দেওয়া হয়
আনসপারভাইজড লার্নিং হ'ল এক প্রকার মেশিন লার্নিং সমস্যা যার মধ্যে আমাদের কোনও লেবেল নেই মানে আমাদের কেবল কিছু ডেটা থাকে, অস্ট্রাস্ট্রাক্টড ডেটা থাকে এবং বিভিন্ন অকার্যকর অ্যালগোরিদম ব্যবহার করে আমাদের ডেটা (ডেটা গ্রুপিং) করতে হয় us
তদারকি করা মেশিন লার্নিং
"ডেটাসেট প্রশিক্ষণ এবং আউটপুট সম্পর্কে ভবিষ্যদ্বাণী করা থেকে অ্যালগরিদম শেখার প্রক্রিয়া" "
অনুমানিত আউটপুট যথার্থতা প্রশিক্ষণের ডেটা (দৈর্ঘ্য) এর সাথে সমানুপাতিক
তত্ত্বাবধানে পড়াশুনা যেখানে আপনার ইনপুট ভেরিয়েবল (এক্স) (প্রশিক্ষণ ডেটাসেট) এবং একটি আউটপুট ভেরিয়েবল (ওয়াই) (টেস্টিং ডেটাসেট) থাকে এবং আপনি ইনপুট থেকে আউটপুটে ম্যাপিং ফাংশন শিখতে একটি অ্যালগরিদম ব্যবহার করেন।
Y = f(X)
প্রধান প্রকার:
- শ্রেণিবিন্যাস (পৃথক y- অক্ষ)
- ভবিষ্যদ্বাণীমূলক (ক্রমাগত y- অক্ষ)
আলগোরিদিম:
শ্রেণিবদ্ধকরণ অ্যালগরিদম:
Neural Networks Naïve Bayes classifiers Fisher linear discriminant KNN Decision Tree Super Vector Machinesভবিষ্যদ্বাণীমূলক অ্যালগরিদম:
Nearest neighbor Linear Regression,Multi Regression
প্রয়োগের ক্ষেত্রগুলি:
- ইমেলগুলিকে স্প্যাম হিসাবে শ্রেণিবদ্ধ করছে
- রোগীর রোগ আছে কিনা তা শ্রেণিবদ্ধ করা
ভয়েস স্বীকৃতি
এইচআর নির্দিষ্ট প্রার্থী বা না নির্বাচন করুন ভবিষ্যদ্বাণী
শেয়ার বাজারের দামের পূর্বাভাস দিন
তদারকি শেখা :
একটি তত্ত্বাবধানে শেখার অ্যালগরিদম প্রশিক্ষণ ডেটা বিশ্লেষণ করে এবং একটি অনুমানকৃত ফাংশন তৈরি করে, যা নতুন উদাহরণ ম্যাপিংয়ের জন্য ব্যবহার করা যেতে পারে।
- আমরা প্রশিক্ষণের ডেটা সরবরাহ করি এবং আমরা নির্দিষ্ট ইনপুটটির জন্য সঠিক আউটপুট জানি
- আমরা ইনপুট এবং আউটপুট মধ্যে সম্পর্ক জানি
সমস্যার বিভাগসমূহ:
রিগ্রেশন: কিছু অবিচ্ছিন্ন ফাংশনে একটি অবিচ্ছিন্ন আউটপুট => মানচিত্র ইনপুট ভেরিয়েবলের মধ্যে ফলাফলের পূর্বাভাস।
উদাহরণ:
কোনও ব্যক্তির ছবি দেওয়া, তার বয়স সম্পর্কে ভবিষ্যদ্বাণী করুন
শ্রেণিবিন্যাস: পৃথক পৃথক আউটপুট => মানচিত্র ইনপুট ভেরিয়েবলকে পৃথক বিভাগে ফলাফলের পূর্বাভাস
উদাহরণ:
এই টিউমার ক্যান্সার হয়?
নিরক্ষিত শিক্ষা:
নিরীক্ষণযোগ্য শেখার পরীক্ষার ডেটা থেকে শেখা যা লেবেলযুক্ত, শ্রেণিবদ্ধ বা শ্রেণিবদ্ধ করা হয়নি। নিরীক্ষণযোগ্য শেখার মাধ্যমে ডেটাতে অভিন্নতা চিহ্নিত করা হয় এবং প্রতিটি নতুন খণ্ডে যেমন সাধারণতার উপস্থিতি বা অনুপস্থিতির ভিত্তিতে প্রতিক্রিয়া দেখা যায়।
আমরা তথ্যের ভেরিয়েবলের মধ্যে সম্পর্কের ভিত্তিতে ডেটা ক্লাস্টার করে এই কাঠামোটি অর্জন করতে পারি।
পূর্বাভাসের ফলাফলের ভিত্তিতে কোনও প্রতিক্রিয়া নেই।
সমস্যার বিভাগসমূহ:
ক্লাস্টারিং: বস্তুর সেটকে এমনভাবে গোষ্ঠীকরণের কাজ যা একই গ্রুপে থাকা বস্তুগুলি (একটি ক্লাস্টার নামে পরিচিত) অন্যান্য গোষ্ঠীর (গুচ্ছ) এর চেয়ে একে অপরের সাথে আরও মিল (কিছুটা বোঝায়)
উদাহরণ:
১,০০,০০০ বিভিন্ন জিনের সংগ্রহ নিন এবং এই জিনগুলিকে স্বয়ংক্রিয়ভাবে এমন কোনও গ্রুপে ভাগ করার একটি উপায় সন্ধান করুন যা কোনওভাবে একইরকম বা বিভিন্ন ভেরিয়েবলের দ্বারা সম্পর্কিত, যেমন আজীবন, অবস্থান, ভূমিকা ইত্যাদি ।
জনপ্রিয় ব্যবহারের কেসগুলি এখানে তালিকাভুক্ত করা হয়েছে।
ডেটা মাইনিংয়ে শ্রেণিবদ্ধকরণ এবং গুচ্ছকরণের মধ্যে পার্থক্য?
তথ্যসূত্র:
তত্ত্বাবধানে পড়াশোনা
নিরীক্ষণশিক্ষা
উদাহরণ:
তত্ত্বাবধানে পড়াশোনা:
- একটি ব্যাগ আপেল সঙ্গে
কমলা দিয়ে এক ব্যাগ
=> বিল্ড মডেল
এক মিশ্র ব্যাগ আপেল ও কমলা।
=> দয়া করে শ্রেণিবদ্ধ করুন
নিরক্ষিত শিক্ষা:
এক মিশ্র ব্যাগ আপেল ও কমলা।
=> বিল্ড মডেল
আর একটি মিশ্র ব্যাগ
=> দয়া করে শ্রেণিবদ্ধ করুন
সহজ কথায় .. :) এটি আমার বোঝার, সংশোধন করতে দ্বিধা বোধ করা। তত্ত্বাবধানে পড়াশুনা হচ্ছে, সরবরাহিত তথ্যের ভিত্তিতে আমরা কী পূর্বাভাস দিচ্ছি তা আমরা জানি। সুতরাং আমাদের ডেটাসেটে একটি কলাম রয়েছে যা পূর্বাভাস দেওয়া দরকার। নিরীক্ষণযোগ্য শিক্ষণ হল, আমরা প্রদত্ত ডেটাসেটের অর্থ বের করতে চেষ্টা করি। কী ভবিষ্যদ্বাণী করা হবে সে সম্পর্কে আমাদের স্পষ্টতা নেই। সুতরাং প্রশ্ন হল কেন আমরা এটি করি? .. :) উত্তরটি হ'ল আনসপারভাইজড লার্নিংয়ের ফলাফল হ'ল গ্রুপ / ক্লাস্টার (একই রকম ডেটা একসাথে)। সুতরাং আমরা যদি কোনও নতুন ডেটা পাই তবে আমরা এটি চিহ্নিত ক্লাস্টার / গোষ্ঠীর সাথে সংযুক্ত করি এবং এর বৈশিষ্ট্যগুলি বুঝতে পারি।
আমি আশা করি এটা তোমাকে সাহায্য করবে।
তদারকি শেখা
তত্ত্বাবধানে শেখা হয় যেখানে আমরা কাঁচা ইনপুটটির আউটপুট জানি, অর্থাত্ ডেটা লেবেলযুক্ত যাতে মেশিন লার্নিং মডেলটির প্রশিক্ষণের সময় এটি বুঝতে পারে যে এটি প্রদানের আউটপুটটিতে কী সনাক্ত করতে হবে এবং প্রশিক্ষণের সময় এটি সিস্টেমকে গাইড করবে সেই ভিত্তিতে প্রাক-লেবেলযুক্ত বস্তুগুলি সনাক্ত করুন এটি একই ধরণের অবজেক্টগুলি সনাক্ত করবে যা আমরা প্রশিক্ষণ দিয়েছি।
এখানে আলগোরিদিমগুলি জানবে যে ডেটার গঠন এবং প্যাটার্ন কী। শ্রেণিবদ্ধের জন্য তত্ত্বাবধানে পড়াশুনা ব্যবহৃত হয়
উদাহরণস্বরূপ, আমাদের একটি পৃথক অবজেক্ট থাকতে পারে যার আকারগুলি বর্গক্ষেত্র, বৃত্তযুক্ত, ত্রিভুজ করা আমাদের কাজটি একই ধরণের আকারের লেবেলযুক্ত ডেটাসেটের সমস্ত আকারের লেবেলযুক্ত ব্যবস্থা করা এবং আমরা সেই ডেটাসেটে মেশিন লার্নিং মডেলটিকে প্রশিক্ষণ দেব on প্রশিক্ষণের ডেটসেটের ভিত্তিতে এটি আকারগুলি সনাক্ত করতে শুরু করবে।
আন-তত্ত্বাবধানে শেখা
আনসপর্ভিজড লার্নিং হ'ল একটি শিষ্টাচার যেখানে শেষ ফলাফলটি জানা যায় না, এটি ডেটাসেটকে ক্লাস্টার করবে এবং অবজেক্টের অনুরূপ বৈশিষ্ট্যের ভিত্তিতে এটি বিভিন্ন গুচ্ছগুলিতে বস্তুগুলিকে বিভক্ত করবে এবং অবজেক্টগুলি সনাক্ত করবে।
এখানে অ্যালগরিদমগুলি কাঁচা ডেটার বিভিন্ন ধরণের জন্য অনুসন্ধান করবে এবং তার ভিত্তিতে এটি ডেটা ক্লাস্টার করবে। ক্লাস্টারিংয়ের জন্য অ-তত্ত্বাবধানে শিক্ষণ ব্যবহৃত হয়।
উদাহরণস্বরূপ, আমাদের একাধিক আকারের বর্গক্ষেত্র, বৃত্ত, ত্রিভুজগুলির বিভিন্ন অবজেক্ট থাকতে পারে, সুতরাং এটি বস্তুর বৈশিষ্ট্যের উপর ভিত্তি করে গুচ্ছ তৈরি করবে, যদি কোনও বস্তুর চার পাশ থাকে তবে এটি এটিকে বর্গক্ষেত্র হিসাবে বিবেচনা করে এবং যদি এর তিনটি ত্রিভুজ থাকে এবং যদি বৃত্তের চেয়ে কোনও পক্ষ না থাকে, তবে ডেটা এখানে লেবেলযুক্ত নয়, বিভিন্ন আকৃতি সনাক্ত করতে নিজে শিখবে
মেশিন লার্নিং এমন একটি ক্ষেত্র যেখানে আপনি মানুষের আচরণ অনুকরণ করার জন্য মেশিন তৈরির চেষ্টা করছেন।
আপনি বাচ্চাটির মতো মেশিনকে প্রশিক্ষণ দিন humans মানুষ যেভাবে শিখবে, বৈশিষ্ট্যগুলি সনাক্ত করবে, নিদর্শনগুলি সনাক্ত করবে এবং নিজেকে প্রশিক্ষণ দেবে, ঠিক তেমনই আপনি বিভিন্ন বৈশিষ্ট্য সহ ডেটা খাওয়ানোর মাধ্যমে মেশিনকে প্রশিক্ষণ দেন। মেশিন অ্যালগরিদম ডেটা মধ্যে প্যাটার্ন সনাক্ত এবং এটি নির্দিষ্ট বিভাগে শ্রেণিবদ্ধকরণ।
মেশিন লার্নিং বিস্তৃতভাবে দুটি বিভাগে বিভক্ত, তদারকি করা এবং নিরীক্ষণযোগ্য শিক্ষণ।
তত্ত্বাবধানে পড়াশুনা হল এমন ধারণা যা আপনার সাথে সম্পর্কিত টার্গেট ভ্যালু (আউটপুট) সহ ইনপুট ভেক্টর / ডেটা রয়েছে the অন্যদিকে আনসারভিভাইজড লার্নিংটি এমন ধারণাটি যেখানে আপনি কেবল কোনও আনুষঙ্গিক লক্ষ্য মান ব্যতীত ইনপুট ভেক্টর / ডেটা রাখেন।
তত্ত্বাবধানে শেখার একটি উদাহরণ হস্তাক্ষর অঙ্কিত স্বীকৃতি হ'ল যেখানে আপনার সংখ্যার [0-9] এর সাথে অঙ্কের চিত্র রয়েছে এবং নিরীক্ষণযোগ্য শিক্ষার উদাহরণ গ্রাহককে আচরণের মাধ্যমে গ্রুপিং করা।