এই প্রশ্নের কাঠামোটি নিম্নরূপ: প্রথমে আমি জমায়েত শেখার ধারণাটি সরবরাহ করি, আরও আমি প্যাটার্ন সনাক্তকরণ কার্যগুলির একটি তালিকা সরবরাহ করি, তারপরে আমি জড়িত শেখার অ্যালগরিদমগুলির উদাহরণ দিই এবং অবশেষে, আমার প্রশ্নটি প্রবর্তন করি। যাদের সমস্ত পরিপূরক তথ্যের প্রয়োজন নেই তারা কেবল শিরোনামগুলি দেখুন এবং সরাসরি আমার প্রশ্নের দিকে যান।
জড়ো শেখা কি?
উইকিপিডিয়া নিবন্ধ অনুযায়ী :
পরিসংখ্যান এবং মেশিন লার্নিংয়ে, জাঁকজমকপূর্ণ পদ্ধতিগুলি এককভাবে নির্বাচনী শেখার অ্যালগরিদমগুলির যে কোনওর কাছ থেকে প্রাপ্ত সম্ভাবনাময় কর্মক্ষমতা অর্জনের জন্য একাধিক শেখার অ্যালগরিদম ব্যবহার করে। একটি পরিসংখ্যান জোটের মত নয়পরিসংখ্যান মেকানিক্সের যা সাধারণত অসীম হয়, একটি মেশিন লার্নিং এনামেম্বল কেবলমাত্র বিকল্প মডেলের একটি কংক্রিটের সীমাবদ্ধ সেটাকে বোঝায়, তবে সাধারণত সেই বিকল্পগুলির মধ্যে আরও অনেক নমনীয় কাঠামো বিদ্যমান থাকতে দেয়।
প্যাটার্ন সনাক্তকরণ কার্যগুলির উদাহরণ:
- অপটিক্যাল ক্যারেক্টার রেকগনিশন
- বারকোড স্বীকৃতি
- লাইসেন্স প্লেট স্বীকৃতি
- মুখ সনাক্তকরণ
- কন্ঠ সনান্তকরণ
- চিত্র স্বীকৃতি
- নথি শ্রেণিবিন্যাস
জমায়েত শেখার অ্যালগরিদমগুলির উদাহরণ:
PR টি কার্যক্রমে (উইকি অনুসারে) ব্যবহৃত নিম্নলিখিত সংকলন শেখার অ্যালগরিদমগুলি :
এনসেম্বল লার্নিং অ্যালগরিদমগুলি (একাধিক লার্নিং অ্যালগরিদমগুলিকে একত্রিত করার জন্য তদারকি করা মেটা-অ্যালগরিদম):
বুস্টিং (একটি মেশিন লার্নিংমূলতপক্ষপাতহ্রাস করার জন্যমেটা-অ্যালগোরিদমকেতদারকি করা, এবংতদারকি করা শেখারক্ষেত্রেও বৈকল্পিক এবংমেশিন লার্নিং অ্যালগরিদমের একটি পরিবার যা দুর্বল শিখরীদেরকে শক্তিশালীতে রূপান্তরিত করে)
বুটস্ট্র্যাপ অগ্রিগেটিং (" ব্যাগিং ") (একটি মেশিন লার্নিংপরিসংখ্যানীয় শ্রেণিবদ্ধকরণএবংরিগ্রেশন ব্যবস্থায়ব্যবহৃত মেশিন লার্নিং অ্যালগরিদমের স্থায়িত্ব এবং যথার্থতা উন্নত করতে ডিজাইন করা মেটা-অ্যালগোরিদম)।
এনসেম্বল গড় গড়ে তোলা (একাধিক মডেল তৈরি করার জন্য এবং তাদের একত্রিত করার প্রক্রিয়াটি কেবল একটি মডেল তৈরি করার বিপরীতে। প্রায়শই মডেলগুলির একটি মিল কোনও ব্যক্তিগত মডেলের চেয়ে ভাল সম্পাদন করে, কারণ মডেলের বিভিন্ন ত্রুটি "গড়পড়তা" হয়)। )
- বিশেষজ্ঞদের মিশ্রণ, বিশেষজ্ঞদের শ্রেণিবিন্যাসের মিশ্রণ
বিভিন্ন বাস্তবায়ন
- নিউরাল নেটওয়ার্কগুলির এনসেমবেলস (স্বতন্ত্র মডেলগুলির ফলাফলগুলির গড় গড়ের দ্বারা সিদ্ধান্ত গ্রহণকারী নিউরাল নেটওয়ার্ক মডেলগুলির একটি সেট)।
- র্যান্ডম অরণ্য (শ্রেণিবদ্ধকরণ, সংমিশ্রণ এবং অন্যান্য কাজের জন্য একটি পাঠদানের পদ্ধতি, যাপ্রশিক্ষণের সময়সিদ্ধান্তেরএকটিসংখ্যাতৈরি করে এবং শ্রেণীরমোড(শ্রেণিবিন্যাস) বা ব্যক্তির গড় পূর্বাভাস (রিগ্রেশন)হয় এমন শ্রেণীর আউটপুটতৈরি করে পরিচালনা করে গাছ)।
- অ্যাডা বুস্ট (অন্যান্য শিখনের অ্যালগরিদমের আউটপুট ('দুর্বল শিখতে') একটি ভারিত যোগফলের সাথে মিলিত হয় যা উত্সাহিত শ্রেণিবদ্ধের চূড়ান্ত আউটপুটকে উপস্থাপন করে।
উপরন্তু:
- বিভিন্ন শ্রেণিবদ্ধকে একত্রিত করার জন্য এমন একটি পদ্ধতি যা নিউরাল নেটওয়ার্ক ব্যবহার করে
- যোগ্যতার ক্ষেত্র পদ্ধতি
আমার প্রশ্ন
আজকালীন কোন নকশাকৃত শিখনের অ্যালগরিদমকে আজকাল অত্যাধুনিক হিসাবে বিবেচনা করা হয় এবং বাস্তবে উদ্যোগ এবং ব্যবসায় এবং সংস্থাগুলি দ্বারা ব্যবহার করা হয় (মুখ সনাক্তকরণ, গাড়ির নিবন্ধকরণ প্লেটগুলির স্বীকৃতি, অপটিক্যাল চরিত্র স্বীকৃতি ইত্যাদি)? এনসেম্বল লার্নিং অ্যালগরিদমগুলি ব্যবহারের ফলে স্বীকৃতি যথার্থতা বৃদ্ধি পাবে এবং আরও ভাল গণনার দক্ষতার দিকে পরিচালিত হবে। কিন্তু, বিষয়গুলি কি বাস্তবে দাঁড়িয়ে আছে?
কোন নকশাকার পদ্ধতিটি, সম্ভাব্যভাবে, নিদর্শন স্বীকৃতি কার্যগুলিতে আরও ভাল শ্রেণিবদ্ধকরণ যথার্থতা এবং কার্য সম্পাদন করতে পারে? সম্ভবত, কয়েকটি পদ্ধতি এখন পুরানো, বা অকার্যকর বলে প্রমাণিত হয়েছে। এটি আরও সম্ভব যে জড়ো করা পদ্ধতিগুলি এখন কিছু নতুন অ্যালগরিদমের শক্তিতে ব্যবহার করা হয় না। যাঁরা এই অঞ্চলে অভিজ্ঞতা অর্জন করেন বা এই ক্ষেত্রে যথেষ্ট জ্ঞান রাখেন তারা কি বিষয়গুলি পরিষ্কার করতে সহায়তা করতে পারেন?