- মেশিন লার্নিং কী ?
- মেশিন লার্নিং কোড কী করে ?
- যখন আমরা বলি যে মেশিনটি শিখেছে, তখন এটি নিজের কোডটি সংশোধন করে বা ইতিহাস (ডাটাবেস) সংশোধন করে যা প্রদত্ত ইনপুটগুলির সেটটির জন্য কোডের অভিজ্ঞতা রাখে?
উত্তর:
মেশিন লার্নিং কী?
মূলত, এটি কিছু তথ্যের উপর ভিত্তি করে ভবিষ্যদ্বাণী বা আচরণ তৈরি এবং উন্নত করার জন্য কম্পিউটারগুলি শেখানোর একটি পদ্ধতি। এই "ডেটা" কি? ঠিক আছে, এটি সম্পূর্ণরূপে সমস্যার উপর নির্ভর করে। এটি কোনও রোবটের সেন্সর থেকে পড়া যেমন শিখতে শিখতে পারে বা নির্দিষ্ট ইনপুটটির জন্য কোনও প্রোগ্রামের সঠিক আউটপুট হতে পারে।
মেশিন লার্নিং সম্পর্কে ভাবার আরেকটি উপায় হ'ল এটি "প্যাটার্ন রিকগনিশন" patterns
মেশিন লার্নিং কোড কী করে?
আপনি যে ধরনের মেশিন লার্নিংয়ের কথা বলছেন তার উপর নির্ভর করে । মেশিন লার্নিং একটি বিশাল ক্ষেত্র, হাজার হাজার বিভিন্ন সমস্যা সমাধানের জন্য শত শত বিভিন্ন অ্যালগরিদম সহ - আরও তথ্যের জন্য উইকিপিডিয়া দেখুন; বিশেষত, অ্যালগরিদম প্রকারের অধীনে দেখুন ।
যখন আমরা বলি যে মেশিন শিখেছে, তখন এটি নিজের কোডটি সংশোধন করে বা ইতিহাস (ডেটা বেস) সংশোধন করে যা প্রদত্ত ইনপুটগুলির সেটটির জন্য কোডের অভিজ্ঞতা রাখে?
আবার, এটি নির্ভর করে ।
কোডটির প্রকৃতপক্ষে সংশোধন করার একটি উদাহরণ হ'ল জেনেটিক প্রোগ্রামিং , যেখানে আপনি কোনও কাজ শেষ করতে মূলত একটি প্রোগ্রাম তৈরি করেন (অবশ্যই, প্রোগ্রামটি নিজেই পরিবর্তন করে না - তবে এটি অন্য কম্পিউটার প্রোগ্রামকে সংশোধন করে)।
অন্যদিকে নিউরাল নেটওয়ার্কগুলি প্রস্তুত উদ্দীপনা এবং প্রত্যাশিত প্রতিক্রিয়ার প্রতিক্রিয়া হিসাবে তাদের পরামিতিগুলি স্বয়ংক্রিয়ভাবে সংশোধন করে। এটি তাদের অনেক আচরণ তৈরি করতে দেয় (তাত্ত্বিকভাবে, তারা যে কোনও আচরণ তৈরি করতে পারে কারণ তারা কোনও সময় নির্ধারিত যথাযথভাবে নির্ধারণ করতে পারে, যথেষ্ট সময় দেওয়া হয়)।
আমার নোট করা উচিত যে আপনার "ডাটাবেস" শব্দটির ব্যবহারটি বোঝায় যে মেশিন লার্নিং অ্যালগরিদমগুলি তথ্য, ঘটনাবলী বা অভিজ্ঞতাগুলি "মনে রেখে" কাজ করে। এটি অগত্যা (বা এমনকি প্রায়শই!) ক্ষেত্রেও হয় না।
নিউরাল নেটওয়ার্কগুলি, যা আমি ইতিমধ্যে উল্লেখ করেছি, কেবলমাত্র অনুমানের বর্তমান "রাষ্ট্র" রাখে, যা শেখার সাথে সাথে আপডেট হয়। কী ঘটেছিল এবং কীভাবে এটিতে প্রতিক্রিয়া জানানো উচিত তার পরিবর্তে স্নায়বিক নেটওয়ার্কগুলি তাদের "বিশ্বের" এক ধরণের "মডেল" তৈরি করে। মডেল তাদের কিছু ইনপুটগুলিতে কীভাবে প্রতিক্রিয়া জানায় তা জানায়, এমনকি ইনপুটগুলি এমন কিছু যা আগে কখনও দেখা যায় নি।
এই শেষ ক্ষমতা - এমন ইনপুটগুলিতে প্রতিক্রিয়া জানানোর ক্ষমতা যা আগে কখনও দেখা যায় নি - এটি অনেকগুলি মেশিন লার্নিং অ্যালগরিদমের অন্যতম মূল মূল নীতি। কল্পনা করুন যে কোনও কম্পিউটার ড্রাইভারকে ট্র্যাফিকের মহাসড়কগুলিতে চলাচল করতে শেখানোর চেষ্টা করছেন। আপনার "ডাটাবেস" রূপক ব্যবহার করে, আপনাকে লক্ষ লক্ষ সম্ভাব্য পরিস্থিতিতে কম্পিউটারে ঠিক কী শিখতে হবে তা শিখতে হবে । একটি কার্যকর মেশিন লার্নিং অ্যালগরিদম (আশা করি!) বিভিন্ন রাজ্যের মধ্যে সাদৃশ্য শিখতে সক্ষম হবে এবং তাদের সাথে একইভাবে প্রতিক্রিয়া জানাবে।
রাষ্ট্রগুলির মধ্যে মিলগুলি যে কোনও কিছু হতে পারে - এমনকি আমরা "মুডান" হিসাবে ভাবতে পারি এমন কিছু জিনিস সত্যই একটি কম্পিউটারকে ট্রিপ করতে পারে! উদাহরণস্বরূপ, ধরা যাক যে কম্পিউটার ড্রাইভারটি শিখেছিল যে সামনে যখন গাড়িটি ধীর হয়ে যায় তখন এটি ধীরে ধীরে নামতে হয়েছিল। মানুষের জন্য, মোটরসাইকেলের সাথে গাড়ি প্রতিস্থাপন করা কোনও পরিবর্তন করে না - আমরা জানি যে মোটরসাইকেলটিও একটি বাহন। একটি মেশিন লার্নিং অ্যালগরিদম জন্য, এটি আসলে আশ্চর্যজনকভাবে কঠিন হতে পারে! কোন গাড়ি সামনে আছে এবং কোন মোটরসাইকেলের সামনে রয়েছে সে সম্পর্কে একটি ডাটাবেসকে আলাদা করে তথ্য সংরক্ষণ করতে হবে। অন্যদিকে, একটি মেশিন লার্নিং অ্যালগরিদম গাড়ির উদাহরণ থেকে "শিখবে" এবং মোটরসাইকেলের উদাহরণটিতে স্বয়ংক্রিয়ভাবে সাধারণ করতে সক্ষম হবে।
মেশিন লার্নিং কম্পিউটার বিজ্ঞান, সম্ভাব্যতা তত্ত্ব এবং অপ্টিমাইজেশন তত্ত্বের একটি ক্ষেত্র যা জটিল কাজগুলিকে সমাধান করার অনুমতি দেয় যার জন্য একটি যৌক্তিক / পদ্ধতিগত পদ্ধতির পক্ষে সম্ভব বা সম্ভব হয় না।
মেশিন লার্নিংয়ের বিভিন্ন ধরণের রয়েছে, যার মধ্যে রয়েছে (তবে সীমাবদ্ধ নয়):
তত্ত্বাবধানে পড়াশোনা
তত্ত্বাবধানে পড়াশুনায় আপনার ইনপুট থেকে আউটপুটগুলিতে কিছু জটিল জটিল ফাংশন (ম্যাপিং) থাকে, আপনার কাছে ইনপুট / আউটপুট জোড়ার প্রচুর উদাহরণ রয়েছে তবে জটিল জটিলটি কী তা আপনি জানেন না। একটি তত্ত্বাবধানে শেখা অ্যালগরিদম এটি সম্ভব করে তোলে, কিছু নতুন ইনপুট মানের জন্য আউটপুট মানের পূর্বাভাস দেওয়ার জন্য, আপনি আগে কখনও দেখেন নি। প্রাথমিক পদ্ধতিটি হ'ল আপনি কোনও প্রশিক্ষণ সেট এবং একটি পরীক্ষার সেট হিসাবে সেট করা ডেটা ভাঙ্গা। আপনার সাথে সম্পর্কিত ত্রুটিযুক্ত ফাংশন সহ কিছু মডেল রয়েছে যা আপনি প্রশিক্ষণ সেটকে কমিয়ে আনার চেষ্টা করেন এবং তারপরে আপনি নিশ্চিত হন যে সমাধানটি পরীক্ষার সেটটিতে কাজ করে। একবার আপনি বিভিন্ন মেশিন লার্নিং অ্যালগরিদম এবং / অথবা পরামিতি দিয়ে পুনরাবৃত্তি করেছেন যতক্ষণ না মডেল পরীক্ষার সেটটিতে যুক্তিসঙ্গতভাবে ভাল সম্পাদন করে, তারপরে আপনি নতুন ইনপুটগুলিতে ফলাফলটি ব্যবহার করার চেষ্টা করতে পারেন। মনে রাখবেন যে এই ক্ষেত্রে, প্রোগ্রামটি পরিবর্তন হয় না, কেবলমাত্র মডেল (ডেটা) পরিবর্তিত হয়। যদিও একজন, তাত্ত্বিকভাবে, একটি আলাদা প্রোগ্রাম আউটপুট করতে পারে, তবে এটি যতটা আমি সচেতন, বাস্তবে এটি করা হয় না। তত্ত্বাবধানে শেখার উদাহরণ হ'ল পোস্ট অফিসের দ্বারা ব্যবহৃত ডিজিটাল রিকগনিশন সিস্টেম, যেখানে এটি সেট 0 ... 9 তে পিক্সেলগুলিকে মানচিত্রে ডিজিটের বড় আকারের অঙ্কগুলি ব্যবহার করে যেগুলি হাতে লেবেলযুক্ত 0 হিসাবে রয়েছে ... 9।
শক্তিবৃদ্ধি শেখা
শক্তিবৃদ্ধি শেখার ক্ষেত্রে, প্রোগ্রাম সিদ্ধান্ত নেওয়ার জন্য দায়ী, এবং এটি পর্যায়ক্রমে এর ক্রিয়াকলাপগুলির জন্য এক ধরণের পুরষ্কার / ইউটিলিটি প্রাপ্ত করে। তবে তত্ত্বাবধানে পড়াশুনার ক্ষেত্রে ভিন্ন, ফলাফলগুলি তাত্ক্ষণিকভাবে নয়; অ্যালগরিদম ক্রিয়াকলাপের একটি বৃহত্তর অনুক্রম নির্ধারণ করতে পারে এবং কেবল খুব শেষে প্রতিক্রিয়া গ্রহণ করতে পারে। শক্তিবৃদ্ধি শেখার ক্ষেত্রে লক্ষ্যটি এমন একটি ভাল মডেল তৈরি করা যেটি অ্যালগরিদম সিদ্ধান্তের ক্রম উত্পাদন করে যা সর্বোচ্চ দীর্ঘমেয়াদী ইউটিলিটি / পুরষ্কারের দিকে পরিচালিত করে। শক্তিবৃদ্ধি শেখার একটি উত্তম উদাহরণ হ'ল একটি রোবটকে নেতিবাচক জরিমানা দিয়ে কীভাবে নেভিগেট করতে হয় তা শিখিয়ে দেওয়া হয় যখনই এর বাম্প সেন্সর সনাক্ত করে যে এটি কোনও বস্তুতে প্রবেশ করেছে। যদি সঠিকভাবে কোডিং করা থাকে তবে শেষ পর্যন্ত রোবটটির পক্ষে তার পরিসীমা সেন্সর ডেটার সাথে তার বাম্পার সেন্সর ডেটা এবং চাকাগুলিতে যে দিকনির্দেশগুলি প্রেরণ করা হয় তার সাথে সম্পর্ক স্থাপন করা সম্ভব হয়,
আরও তথ্য
আপনি যদি আরও শিখতে আগ্রহী হন তবে আমি দৃ strongly ়ভাবে আপনাকে পরামর্শ দিচ্ছি যে আপনি ক্রিস্টোফার এম বিশপের দ্বারা প্যাটার্ন রিকগনিশন এবং মেশিন লার্নিং পড়ুন বা একটি মেশিন লার্নিং কোর্স গ্রহণ করুন। আপনি পড়তে আগ্রহী হতে পারেন, নিখরচায়, সিআইএস 520 থেকে বক্তৃতা নোট: মেশিন লার্নিং এ পেন ।
মেশিন লার্নিং এমন একটি বৈজ্ঞানিক শৃঙ্খলা যা অ্যালগরিদমের নকশা এবং বিকাশের সাথে সম্পর্কিত যা কম্পিউটারকে অভিজ্ঞতা সংক্রান্ত তথ্যের উপর ভিত্তি করে আচরণগুলি বিকশিত করতে দেয় যেমন সেন্সর ডেটা বা ডাটাবেস থেকে। উইকিপিডিয়ায় আরও পড়ুন
মেশিন লার্নিং কোড কোনও ধরণের স্টোরেজে "তথ্য" বা আনুমানিকতা রেকর্ড করে এবং অ্যালগরিদমের সাহায্যে বিভিন্ন সম্ভাবনার গণনা করে।
কোড নিজেই সংশোধিত হবে না যখন কোনও মেশিন শিখবে, কেবল "এটি জানেন" এর ডাটাবেস।
মেশিন লার্নিং হল বিভিন্ন ধরণের অ্যালগরিদমকে সংজ্ঞায়িত করার জন্য একটি জেনেরিক শব্দ যা উদাহরণগুলি (লেবেলযুক্ত / লেবেলযুক্ত) থেকে একটি পরিমাণে শিক্ষণ উত্পাদন করে। প্রকৃত নির্ভুলতা / ত্রুটি পুরোপুরি আপনার শেখার অ্যালগরিদমকে সরবরাহ করা প্রশিক্ষণ / পরীক্ষা ডেটার গুণমান দ্বারা নির্ধারিত হয়। এটি একটি রূপান্তর হার ব্যবহার করে পরিমাপ করা যেতে পারে। আপনি উদাহরণ সরবরাহ করার কারণটি হ'ল আপনি চান নিজের পছন্দসই শিক্ষার অ্যালগরিদম নির্দেশিকা দ্বারা তথ্যবহুলভাবে সাধারণীকরণের জন্য সক্ষম হোন। অ্যালগরিদমগুলিকে দুটি প্রধান ক্ষেত্র তত্ত্বাবধানে শিক্ষণ (শ্রেণিবিন্যাস) এবং আনসারভিজড লার্নিং (ক্লাস্টারিং) কৌশলগুলিতে শ্রেণিবদ্ধ করা যেতে পারে। আপনার প্রশিক্ষণ এবং পরীক্ষার ডেটা সেটগুলি পৃথক করার পাশাপাশি আপনার শেখার অ্যালগরিদমকে যে গুণমান সরবরাহ করা হয় সে সম্পর্কে আপনি কীভাবে পরিকল্পনা করবেন সে সম্পর্কে আপনি একটি অবগত সিদ্ধান্ত গ্রহণ করা অত্যন্ত গুরুত্বপূর্ণ। আপনি যখন ডেটা সেট সরবরাহ করেন তখন আপনি উদাহরণস্বরূপ অতিরিক্ত ফিট এবং স্বাস্থ্যকর পক্ষপাতের বোধ বজায় রাখার মতো জিনিস সম্পর্কে সচেতন হতে চান। অ্যালগরিদম তখন মূলত জেনারালাইজেশনের ভিত্তিতে লিখতে লিখতে শেখে যা আপনি উভয়কে প্রশিক্ষণের জন্য এবং তারপরে প্রক্রিয়াজাতকরণের জন্য আপনার সরবরাহিত ডেটা থেকে অর্জন করেছেন এবং আপনার প্রশিক্ষণটির ভিত্তিতে নতুন উদাহরণ তৈরি করার জন্য আপনার শেখার অ্যালগরিদমকে পেতে চেষ্টা করেন। ক্লাস্টারিংয়ে খুব অল্প তথ্যযুক্ত দিকনির্দেশনা রয়েছে অ্যালগরিদম মূলত সম্পর্কিত ক্লাস্টারগুলির যেমন সেটগুলি kmeans / নিকটতম প্রতিবেশী সম্পর্কিত ডেটাগুলির মধ্যে নিদর্শনগুলির ব্যবস্থার মাধ্যমে উত্পাদন করার চেষ্টা করে। অ্যালগরিদম তখন মূলত জেনারালাইজেশনের ভিত্তিতে লিখতে লিখতে শেখে যা আপনি উভয়কে প্রশিক্ষণের জন্য এবং তারপরে প্রক্রিয়াজাতকরণের জন্য আপনার সরবরাহিত ডেটা থেকে অর্জন করেছেন এবং আপনার প্রশিক্ষণটির ভিত্তিতে নতুন উদাহরণ তৈরি করার জন্য আপনার শেখার অ্যালগরিদমকে পেতে চেষ্টা করেন। ক্লাস্টারিংয়ে খুব অল্প তথ্যযুক্ত দিকনির্দেশনা রয়েছে অ্যালগরিদম মূলত সম্পর্কিত ক্লাস্টারগুলির যেমন সেটগুলি kmeans / নিকটতম প্রতিবেশী সম্পর্কিত ডেটাগুলির মধ্যে নিদর্শনগুলির ব্যবস্থার মাধ্যমে উত্পাদন করার চেষ্টা করে। অ্যালগরিদম তখন মূলত জেনারালাইজেশনের ভিত্তিতে লিখতে লিখতে শেখে যা আপনি উভয়কে প্রশিক্ষণের জন্য এবং তারপরে প্রক্রিয়াজাতকরণের জন্য আপনার সরবরাহিত ডেটা থেকে অর্জন করেছেন এবং আপনার প্রশিক্ষণটির ভিত্তিতে নতুন উদাহরণ তৈরি করার জন্য আপনার শেখার অ্যালগরিদমকে পেতে চেষ্টা করেন। ক্লাস্টারিংয়ে খুব অল্প তথ্যযুক্ত দিকনির্দেশনা রয়েছে অ্যালগরিদম মূলত সম্পর্কিত ক্লাস্টারগুলির যেমন সেটগুলি kmeans / নিকটতম প্রতিবেশী সম্পর্কিত ডেটাগুলির মধ্যে নিদর্শনগুলির ব্যবস্থার মাধ্যমে উত্পাদন করার চেষ্টা করে।
কিছু ভাল বই: এমএল (নিলসন / স্ট্যানফোর্ড), এমএসের জন্য গাউসিয়ান প্রক্রিয়া, এমএল (আলপায়দিন) এর পরিচিতি, তথ্য থিওরি অনুমিতি এবং লার্নিং অ্যালগরিদম (খুব দরকারী বই), মেশিন লার্নিং (মিশেল), প্যাটার্ন রিকগনিশন এবং মেশিন লার্নিং (স্ট্যান্ডার্ড) এডিনবার্গ এবং বিভিন্ন ইউনিসে এমএল কোর্সের বই, তবে গণনার সাথে তুলনামূলকভাবে ভারী পাঠ্য), ডেটা মাইনিং এবং ওয়েকার সাথে ব্যবহারিক মেশিন লার্নিং (জাভাতে ওয়েকা এবং অনুশীলন ব্যবহার করে তত্ত্বের মাধ্যমে কাজ করা)
শক্তিবৃদ্ধি শেখার একটি নিখরচায় অনলাইন বই রয়েছে যা আপনি পড়তে পারেন: http://www.cs.ualberta.ca/~sutton/book/ebook/the-book.html
আইআর, আইই, সুপারিশকারী এবং সাধারণভাবে প্রচুর মেশিন লার্নিং নীতিগুলির পাঠ্য / ডেটা / ওয়েব মাইনিং। এমনকি আপনার শেখার প্রক্রিয়াগুলিকে আরও স্বয়ংক্রিয় করতে এখানে মেটাওরিস্টিক / গ্লোবাল অপ্টিমাইজেশন কৌশল প্রয়োগ করতে পারেন। উদাহরণস্বরূপ আপনার নিউরাল নেটওয়ার্ক ভিত্তিক পদ্ধতির (যা কিছু শেখার অ্যালগরিদম ব্যবহার করতে পারে) অনুকূল করে তুলতে GA (জেনেটিক অ্যালগরিদম) এর মতো একটি বিবর্তনীয় কৌশল প্রয়োগ করুন। আপনি বিশুদ্ধরূপে মেশিন লার্নিং পদ্ধতির আকারে বিশুদ্ধরূপে এটির কাছে যেতে পারেন উদাহরণস্বরূপ বেয়েসিয়ান লার্নিং। এই অ্যালগরিদমের বেশিরভাগেরই পরিসংখ্যানের খুব ভারী ব্যবহার রয়েছে। কনভার্ভেশন এবং জেনারালাইজেশন ধারণাগুলি এগুলি শেখার বিভিন্ন অ্যালগরিদমের পক্ষে গুরুত্বপূর্ণ।
মেশিন লার্নিং হ'ল অ্যালগরিদম তৈরির কম্পিউটিং সায়েন্সের অধ্যয়ন যা তারা আগে দেখেনি এমন তথ্যগুলিকে শ্রেণিবদ্ধ করতে সক্ষম, অনুরূপ তথ্যের উপর প্রশিক্ষণ থেকে নিদর্শন শেখার মাধ্যমে। এই অর্থে সমস্ত ধরণের "শিক্ষানবিস" রয়েছে। নিউরাল নেটওয়ার্ক, বায়েশিয়ান নেটওয়ার্ক, সিদ্ধান্ত গাছ, কে-ক্লাস্টারিং অ্যালগোরিদম, লুকানো মার্কভ মডেল এবং সমর্থন ভেক্টর মেশিনগুলির উদাহরণ।
শিক্ষার্থীর উপর ভিত্তি করে, তারা প্রত্যেকে বিভিন্ন উপায়ে শিখেছে। কিছু শিক্ষার্থী মানব-বোধগম্য কাঠামো তৈরি করে (যেমন সিদ্ধান্তের গাছ), এবং কিছু সাধারণত অনির্বচনীয় (যেমন নিউরাল নেটওয়ার্ক)।
শিক্ষার্থীরা সকলেই মূলত ডেটা-চালিত, যার অর্থ তারা পরে ব্যবহার করার জন্য ডেটা হিসাবে তাদের রাজ্যটি সংরক্ষণ করে save এগুলি স্বতঃ-সংশোধনকারী নয়, অন্তত সাধারণভাবে।
আমি মনে করি যে আমি পড়েছি মেশিন লার্নিংয়ের দুর্দান্ততম সংজ্ঞাগুলির একটি হ'ল টম মিচেলের এই বইটি থেকে। মনে রাখা সহজ এবং স্বজ্ঞাত।
একটি কম্পিউটার প্রোগ্রামকে E এর কিছু অংশের কাজ টি এবং পারফরম্যান্স পরিমাপের ক্ষেত্রে P এর অভিজ্ঞতা থেকে শিখতে বলা হয়, যদি টি দ্বারা কাজকর্মের পারফরম্যান্স, পি দ্বারা পরিমাপ করা হয়, তবে অভিজ্ঞতা E এর সাথে উন্নতি করে
A computer program is said to learn in the context of performing a task if its performance with respect to some measure improves with experience.
মেশিন লার্নিং উইকিপিডিয়া থেকে নির্লজ্জভাবে ছিঁড়ে যাওয়া একটি বৈজ্ঞানিক অনুশাসন যা অ্যালগরিদমের নকশা এবং বিকাশের সাথে সম্পর্কিত যা কম্পিউটারকে অভিজ্ঞতা সংক্রান্ত তথ্যের উপর ভিত্তি করে আচরণগুলি বিকশিত করতে দেয় যেমন সেন্সর ডেটা বা ডাটাবেস থেকে।
বেশ সহজভাবে, মেশিন লার্নিং কোড একটি মেশিন লার্নিংয়ের কাজটি সম্পন্ন করে। এটি সেন্সর ডেটার ব্যাখ্যা থেকে জেনেটিক অ্যালগরিদম পর্যন্ত অনেকগুলি জিনিস হতে পারে।
আমি বলতে চাই এটি নির্ভর করে। না, কোড সংশোধন করা স্বাভাবিক নয়, তবে সম্ভাবনার ক্ষেত্রের বাইরে নয়। আমি এও বলব না যে মেশিন লার্নিং সর্বদা একটি ইতিহাসকে সংশোধন করে। কখনও কখনও আমাদের বন্ধ করার ইতিহাস নেই। কিছু সময় আমরা কেবল পরিবেশের প্রতি প্রতিক্রিয়া জানাতে চাই তবে বাস্তবে আমাদের অতীতের অভিজ্ঞতা থেকে শিখি না।
মূলত, মেশিন লার্নিং হ'ল একটি বিস্তৃত খোলা শৃঙ্খলা যা এতে প্রচুর পদ্ধতি এবং অ্যালগরিদম রয়েছে যা আপনার তৃতীয় প্রশ্নের 1 টি উত্তর থাকা অসম্ভব করে তোলে।
মেশিন লার্নিং এমন একটি শব্দ যা কোনও ব্যক্তির আসল জগত থেকে নেওয়া হয় এবং এমন কিছুতে প্রয়োগ করা হয় যা আসলে শিখতে পারে না - একটি মেশিন।
অন্যান্য উত্তরগুলিতে যুক্ত করার জন্য - মেশিন লার্নিং (সাধারণত) কোডটি পরিবর্তন করে না তবে পূর্ববর্তী ডেটা বা নতুন সংগৃহীত ডেটার উপর ভিত্তি করে এটি কার্যকরকরণের পথ এবং সিদ্ধান্তকে পরিবর্তন করতে পারে এবং তাই "শেখার" প্রভাব।
একটি মেশিনকে "শেখানোর" জন্য অনেকগুলি উপায় রয়েছে - আপনি একটি অ্যালগরিদমের অনেকগুলি পরামিতিকে ওজন দেন এবং তারপরে মেশিনটি এটি অনেক ক্ষেত্রে সমাধান করেন, প্রতিবার যখন আপনি তাকে উত্তর সম্পর্কে প্রতিক্রিয়া জানান এবং মেশিনটি তার অনুযায়ী ভার সামঞ্জস্য করে আপনার উত্তরটির কাছে মেশিনের উত্তরটি কতটা কাছাকাছি ছিল বা আপনি যে উত্তরটি দিয়েছেন তার স্কোর অনুসারে বা কিছু ফলাফল অনুসারে পরীক্ষার অ্যালগোরিদম।
এটি শেখার একটি উপায় এবং আরও অনেক ...