"ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍" ପୃଷ୍ଠାର ସଂସ୍କରଣଗୁଡ଼ିକ ମଧ୍ୟରେ ତଫାତ
Soumendrak (ଆଲୋଚନା | ଅବଦାନ) ଟିକେ →ଡିସିସନ ଟ୍ରି: ଡିସିସନ ଟ୍ରି ଯୋଗ ହେଲା |
Soumendrak (ଆଲୋଚନା | ଅବଦାନ) ଟିକେ →ସିଦ୍ଧାନ୍ତ: ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂର ମୂଳଦୁଆ ଦୃଢ଼ କରିବା ନିମିତ୍ତ କିଛି ତଥ୍ୟ ଦିଆହେଲା |
||
୮ କ ଧାଡ଼ି: | ୮ କ ଧାଡ଼ି: | ||
ମେସିନ ଲର୍ଣିଂ କାମଗୁଡ଼ିକୁ ଦିଆଯାଉଥିବା ତଥ୍ୟର ମତାମତକୁ ନଜରରେ ରଖି ମୋଟାମୋଟି ଭାବେ ଦୁଇ ଭାବରେ ବିଭକ୍ତ କରାଯାଇଛି।<ref>https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861</ref><ref>https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/</ref><ref>https://www.kdnuggets.com/2017/11/3-different-types-machine-learning.html</ref><ref>https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/</ref> |
ମେସିନ ଲର୍ଣିଂ କାମଗୁଡ଼ିକୁ ଦିଆଯାଉଥିବା ତଥ୍ୟର ମତାମତକୁ ନଜରରେ ରଖି ମୋଟାମୋଟି ଭାବେ ଦୁଇ ଭାବରେ ବିଭକ୍ତ କରାଯାଇଛି।<ref>https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861</ref><ref>https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/</ref><ref>https://www.kdnuggets.com/2017/11/3-different-types-machine-learning.html</ref><ref>https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/</ref> |
||
# |
#[[ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ]] (ପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷ୍ୟା) |
||
କମ୍ପ୍ୟୁଟରକୁ ଦରକାରୀ ତଥ୍ୟ ନିବେଶ ହେବା ସହିତ ଆଶାକରଯାଉଥିବା ଫଳାଫଳକୁ ମଧ୍ୟ ଦିଆଯାଇଥାଏ । ପରେ ଏହି ତଥ୍ୟ ଉପଯୋଗ କରି କମ୍ପ୍ୟୁଟର ଭବିଷ୍ୟତରେ, ପୂର୍ବରୁ ନଦେଖିଥିବା ତଥ୍ୟରେ ଆମକୁ ଆବଶ୍ୟକୀୟ ଫଳ ଦେଇପାରିବ । ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂକୁ ଆହୁରି ଅନେକ ଛୋଟ ବିଭାଗରେ ବିଭକ୍ତ କରିହେବ ଯେପରିକି: |
କମ୍ପ୍ୟୁଟରକୁ ଦରକାରୀ ତଥ୍ୟ ନିବେଶ ହେବା ସହିତ ଆଶାକରଯାଉଥିବା ଫଳାଫଳକୁ ମଧ୍ୟ ଦିଆଯାଇଥାଏ । ପରେ ଏହି ତଥ୍ୟ ଉପଯୋଗ କରି କମ୍ପ୍ୟୁଟର ଭବିଷ୍ୟତରେ, ପୂର୍ବରୁ ନଦେଖିଥିବା ତଥ୍ୟରେ ଆମକୁ ଆବଶ୍ୟକୀୟ ଫଳ ଦେଇପାରିବ । ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂକୁ ଆହୁରି ଅନେକ ଛୋଟ ବିଭାଗରେ ବିଭକ୍ତ କରିହେବ ଯେପରିକି: |
||
## ସେମି-ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ: ଏଥିରେ କମ୍ପ୍ୟୁଟରକୁ ଆଂଶିକ ତଥ୍ୟ ଦିଆଯାଇଥାଏ । |
|||
## ଆକ୍ଟିଭ ଲର୍ଣିଂ : କମ୍ପ୍ୟୁଟର କିଛିନିର୍ଦ୍ଧିଷ୍ଟ ତଥ୍ୟନିମିତ୍ତ ନିଜେ ଇଣ୍ଟରନେଟରୁ ବା ଅନ୍ୟ କୌଣସି ଡାଟାବେସରୁ ତଥ୍ୟ ସଂଗ୍ରହକରି ଚିନ୍ହିତ କରିଥାଏ । |
##[[ସେମି-ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ]]: ଏଥିରେ କମ୍ପ୍ୟୁଟରକୁ ଆଂଶିକ ତଥ୍ୟ ଦିଆଯାଇଥାଏ । |
||
##[[ଆକ୍ଟିଭ ଲର୍ଣିଂ]] : କମ୍ପ୍ୟୁଟର କିଛିନିର୍ଦ୍ଧିଷ୍ଟ ତଥ୍ୟନିମିତ୍ତ ନିଜେ ଇଣ୍ଟରନେଟରୁ ବା ଅନ୍ୟ କୌଣସି ଡାଟାବେସରୁ ତଥ୍ୟ ସଂଗ୍ରହକରି ଚିନ୍ହିତ କରିଥାଏ । |
|||
## |
##[[ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣିଂ]] : କମ୍ପ୍ୟୁଟରକୁ କିଛି ତଥ୍ୟ ଆରମ୍ଭରୁ ମିଳେ କିନ୍ତୁ ଅଧିକାଂଶ ତଥ୍ୟ କମ୍ପ୍ୟୁଟରକୁ ଦଣ୍ଡ ବା ପୁରସ୍କାର ଆକାରରେ ଏହାର ପ୍ରତି ନିର୍ଣୟପରେ ମିଳିଥାଏ । ସ୍ୱୟଂଚାଳିତ ଗାଡ଼ିରେ ମୁଖ୍ୟତଃ ଏହାକୁ ବ୍ୟବହାର କରାଯାଇଥାଏ । |
||
# ଅନସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ (ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷ୍ୟା): ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟ ଦେଇ ଯଦି କମ୍ପ୍ୟୁଟରକୁ ଦିଆଯାଇଥିବା ତଥ୍ୟର ପ୍ରକାର ବା ଚିହ୍ନ ଜାଣିବାକୁ କୁହାଯାଏ ତାହା ଏହି ବିଭାଗରେ ଆସିବ ।<ref>https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861</ref> |
# ଅନସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ (ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷ୍ୟା): ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟ ଦେଇ ଯଦି କମ୍ପ୍ୟୁଟରକୁ ଦିଆଯାଇଥିବା ତଥ୍ୟର ପ୍ରକାର ବା ଚିହ୍ନ ଜାଣିବାକୁ କୁହାଯାଏ ତାହା ଏହି ବିଭାଗରେ ଆସିବ ।<ref>https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861</ref> |
||
୨୩ କ ଧାଡ଼ି: | ୨୪ କ ଧାଡ଼ି: | ||
== ସିଦ୍ଧାନ୍ତ == |
== ସିଦ୍ଧାନ୍ତ == |
||
ଗୋଟିଏ ଶିକ୍ଷାବିତର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଅତୀତରେ ଘଟିଥିବା ଘଟଣାଗୁଡ଼ିକୁ ଦୃଷ୍ଟିରେ ରଖି ସେଥିରୁ ଶିଖିବା ଏବଂ ସେହି ଶିକ୍ଷ୍ୟାକୁ ଉପଯୋଗକରି ଭବିଷ୍ୟତରେ ଉପୁଜିବାକୁଥିବା ପରିସ୍ଥିତିରେ ସଠିକ ନିର୍ଣ୍ଣୟ ନେବା । କୌଣସି ଏକ ପର୍ଯ୍ୟାବେକ୍ଷିତ ମଡେଲକୁ ପ୍ରଥମେ ଚିନ୍ହିତ ତଥ୍ୟଦ୍ୱାରା ତାଲିମ ଦିଆଯାଇଥାଏ । ଯେପରି ଏକ ଶିଶୁକୁ ପ୍ରଥମେ ଶିଖେଇବାକୁ ପଡ଼େ ନିଆଁରେ ହାତ ଦେବ ନାହିଁ ଇତ୍ୟାଦି ସେହିପରି କମ୍ପ୍ୟୁଟରକୁ ଶିଖେଇବାକୁ ପଡ଼ିଥାଏ । |
ଗୋଟିଏ ଶିକ୍ଷାବିତର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଅତୀତରେ ଘଟିଥିବା ଘଟଣାଗୁଡ଼ିକୁ ଦୃଷ୍ଟିରେ ରଖି ସେଥିରୁ ଶିଖିବା ଏବଂ ସେହି ଶିକ୍ଷ୍ୟାକୁ ଉପଯୋଗକରି ଭବିଷ୍ୟତରେ ଉପୁଜିବାକୁଥିବା ପରିସ୍ଥିତିରେ ସଠିକ ନିର୍ଣ୍ଣୟ ନେବା । କୌଣସି ଏକ ପର୍ଯ୍ୟାବେକ୍ଷିତ ମଡେଲକୁ ପ୍ରଥମେ ଚିନ୍ହିତ ତଥ୍ୟଦ୍ୱାରା ତାଲିମ ଦିଆଯାଇଥାଏ । ଯେପରି ଏକ ଶିଶୁକୁ ପ୍ରଥମେ ଶିଖେଇବାକୁ ପଡ଼େ ନିଆଁରେ ହାତ ଦେବ ନାହିଁ ଇତ୍ୟାଦି ସେହିପରି କମ୍ପ୍ୟୁଟରକୁ ଶିଖେଇବାକୁ ପଡ଼ିଥାଏ । |
||
[[ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ]]<nowiki/>ରେ ବିଷୟରେ ଅଧିକ ଜାଣିବା ପୂର୍ବରୁ ମନୁଷ୍ୟର ଦୁଇଟି ମୁଖ୍ୟ ସମସ୍ୟା ବିଷୟରେ ଜାଣିବା ଜରୁରୀ । ମୁଖ୍ୟ ମାନବ ସମସ୍ୟାଗୁଡ଼ିକୁ ମୌଳିକରୂପେ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରାହୋଇଛି, ସେଗୁଡ଼ିକ ହେଲା [[କ୍ଲାସିଫିକେସନ]] ଏବଂ [[ରିଗ୍ରେସନ]] ।<ref>http://qr.ae/TUISZS</ref><ref>https://medium.com/simple-ai/classification-versus-regression-intro-to-machine-learning-5-5566efd4cb83</ref><ref>https://machinelearningmastery.com/classification-versus-regression-in-machine-learning/</ref> |
|||
=== [[କ୍ଲାସିଫିକେସନ]] === |
|||
[[କ୍ଲାସିଫିକେସନ]] ଅର୍ଥାତ ବର୍ଗୀକରଣ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ପ୍ରକାରର ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରୁ । କିଛି ବର୍ଗୀକରଣ ସମସ୍ୟାର ଉଦାହରଣ ନିମ୍ନରେ ଦିଆଗଲା । |
|||
* [[ଇମେଲ|ଇ-ମେଲ]]<nowiki/>ଗୁଡ଼ିକୁ ନେଇ ସେଥିରୁ ଭଲ ଏବଂ ଖରାପ [[ଇମେଲ|ଇ-ମେଲ]] ବାହାର କରିବା । |
|||
* ମନୁଷ୍ୟମାନଙ୍କର ଏକ ଜିନିଷ ଉପରେ ମତାମତନେଇ ସେଥିରୁ ଭାଵ ଉଦ୍ଧାରଣ କରିବା, ଯେପରିକି ଭଲ, ଅତି ଭଲ, ଚଳିବ, ଖରାପ ଏବଂ ଅତି ଖରାପ । ଏହାକୁ [[ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସ]] କୁହାଯାଇଥାଏ । |
|||
* ପୁଞ୍ଜି ବଜାରରେ କୌଣସି ଏକ ସେୟାରର ମୂଲ୍ୟ ବଢିବ ବା କମିବ । |
|||
=== [[ରିଗ୍ରେସନ]] === |
|||
[[ରିଗ୍ରେସନ]] ବା ପ୍ରତିପଗମନ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ପୂର୍ଵନିର୍ଦ୍ଧିଷ୍ଟ ଶ୍ରେଣୀମାନଙ୍କରେ ବର୍ଗୀକରଣ କରିପାରିବାନି । ଦିଆଯାଇଥିବା କିଛି ତଥ୍ୟରେ ଫଳର ମୂଲ୍ୟ କିଛି ମଧ୍ୟ ହୋଇପାରେ । ବୁଝିବା ନିମିତ୍ତ କେତେକ ଉଦାହରଣ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି । |
|||
* ''[[ଭୁବନେଶ୍ୱର]]-[[ପୁରୀ]] ରାସ୍ତାକଡ଼ରେ ଥିବା ଜମିର ମୂଲ୍ୟ କେତେ ?'' ଧରାଯାଉ ଏହାର ମୂଲ୍ୟ ୧,୦୦,୦୦୦ ରୁ ଆରମ୍ଭ ଏବଂ ୧,୦୦,୦୦,୦୦୦ ରେ ଶେଷ । ଏହି କ୍ଷେତ୍ରରେ ମେସିନ ଯେଉଁ ଫଳ ପ୍ରଦାନ କରିବ ତାହାକୁ ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ବର୍ଗରେ କଷ୍ଟ । ହେଲେ ଯଦି ଆମେ ପଚାରିବା "''ଭୁବନେଶ୍ୱର-ପୁରୀ ରାସ୍ତା କଡ଼ରେ ଥିବା ଜମିର ମୂଲ୍ୟ ୫୦,୦୦,୦୦୦ ଉପରେ ନା ତଳେ ? "'' ଏଠାରେ ଆମେ ଆଶାକରାଯାଉଥିବା ଫଳକୁ ବର୍ଗୀକରଣ କରିଛୁ ତେଣୁ ଏହା [[କ୍ଲାସିଫିକେସନ]] ସମସ୍ୟା ଅଟେ, କିନ୍ତୁ ପ୍ରଥମ ପ୍ରଶ୍ନଟି [[ରିଗ୍ରେସନ]] ସମସ୍ୟା ଅଟେ । |
|||
* ପୁଞ୍ଜି ବଜାରରେ କୌଣସି ଏକ ସେୟାରର ମୂଲ୍ୟ କେତେ ବଢିବ ବା କେତେ କମିବ । |
|||
== ବିଭିନ୍ନ ଆଲଗୋରିଦମ == |
== ବିଭିନ୍ନ ଆଲଗୋରିଦମ == |
୨୩:୦୩, ୪ ଅଗଷ୍ଟ ୨୦୧୮ ଅନୁସାରେ କରାଯାଇଥିବା ବଦଳ
ମେସିନ ଲର୍ଣିଂ ହେଉଛି ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସର ଏକ ବିଭାଗ। ଏହି ବିଭାଗରରେ ମୁଖ୍ୟତଃ ସ୍ତାଟିସ୍ଟିକ୍ସ (ସାଂଖିକ ତଥ୍ୟ) ପଦ୍ଧତି ଉପଯୋଗ କରି କଂପୁଟରକୁ ଆପେ ଆପେ ଶିଖିବାକୁ କୁହାଯାଇଥାଏ। ପ୍ରାୟତଃ ଏହି ପଦ୍ଧତିରେ ବହୁତ ଗୁଡ଼ିଏ ତଥ୍ୟର ଆବଶ୍ୟକ ରହିଥାଏ।
୧୯୫୯ ମସିହାରେ ଆର୍ଥର ସାମୁଏଲ ନାମକ ଜଣେ ବ୍ୟକ୍ତି ଏହି ନାମ, ମେସିନ ଲର୍ଣିଂ ବ୍ୟବହାର କରିବା ଆରମ୍ଭ କରିଥିଲେ। ମେସିନ ଲର୍ଣିଂ ଆଲଗୋରିଦମର ତିଆରି କୌଶଳକୁ ବିଶ୍ଳେଷଣ କରି ଦିଆଯାଇଥିବା ତଥ୍ୟ ଅନୁସାରେ ବିଭିନ୍ନ ପ୍ରକାରର ଆକଳନ କରିଥାଏ। ମେସିନ ଲର୍ଣିଂର କେତେକ ବ୍ୟବହାର ହେଲା ଇମେଲରେ ସ୍ପାମ ରୋକିବା, ଅପ୍ଟିକାଲ କ୍ୟାରକ୍ଟର ରେକଗନୀସନ ଏବଂ କଂପୁଟର ଭିଜନ।
ଅବଲୋକନ
ମେସିନ ଲର୍ଣିଂ କାମଗୁଡ଼ିକ
ମେସିନ ଲର୍ଣିଂ କାମଗୁଡ଼ିକୁ ଦିଆଯାଉଥିବା ତଥ୍ୟର ମତାମତକୁ ନଜରରେ ରଖି ମୋଟାମୋଟି ଭାବେ ଦୁଇ ଭାବରେ ବିଭକ୍ତ କରାଯାଇଛି।[୧][୨][୩][୪]
- ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ (ପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷ୍ୟା)
କମ୍ପ୍ୟୁଟରକୁ ଦରକାରୀ ତଥ୍ୟ ନିବେଶ ହେବା ସହିତ ଆଶାକରଯାଉଥିବା ଫଳାଫଳକୁ ମଧ୍ୟ ଦିଆଯାଇଥାଏ । ପରେ ଏହି ତଥ୍ୟ ଉପଯୋଗ କରି କମ୍ପ୍ୟୁଟର ଭବିଷ୍ୟତରେ, ପୂର୍ବରୁ ନଦେଖିଥିବା ତଥ୍ୟରେ ଆମକୁ ଆବଶ୍ୟକୀୟ ଫଳ ଦେଇପାରିବ । ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂକୁ ଆହୁରି ଅନେକ ଛୋଟ ବିଭାଗରେ ବିଭକ୍ତ କରିହେବ ଯେପରିକି:
- ସେମି-ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ: ଏଥିରେ କମ୍ପ୍ୟୁଟରକୁ ଆଂଶିକ ତଥ୍ୟ ଦିଆଯାଇଥାଏ ।
- ଆକ୍ଟିଭ ଲର୍ଣିଂ : କମ୍ପ୍ୟୁଟର କିଛିନିର୍ଦ୍ଧିଷ୍ଟ ତଥ୍ୟନିମିତ୍ତ ନିଜେ ଇଣ୍ଟରନେଟରୁ ବା ଅନ୍ୟ କୌଣସି ଡାଟାବେସରୁ ତଥ୍ୟ ସଂଗ୍ରହକରି ଚିନ୍ହିତ କରିଥାଏ ।
- ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣିଂ : କମ୍ପ୍ୟୁଟରକୁ କିଛି ତଥ୍ୟ ଆରମ୍ଭରୁ ମିଳେ କିନ୍ତୁ ଅଧିକାଂଶ ତଥ୍ୟ କମ୍ପ୍ୟୁଟରକୁ ଦଣ୍ଡ ବା ପୁରସ୍କାର ଆକାରରେ ଏହାର ପ୍ରତି ନିର୍ଣୟପରେ ମିଳିଥାଏ । ସ୍ୱୟଂଚାଳିତ ଗାଡ଼ିରେ ମୁଖ୍ୟତଃ ଏହାକୁ ବ୍ୟବହାର କରାଯାଇଥାଏ ।
- ଅନସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ (ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷ୍ୟା): ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟ ଦେଇ ଯଦି କମ୍ପ୍ୟୁଟରକୁ ଦିଆଯାଇଥିବା ତଥ୍ୟର ପ୍ରକାର ବା ଚିହ୍ନ ଜାଣିବାକୁ କୁହାଯାଏ ତାହା ଏହି ବିଭାଗରେ ଆସିବ ।[୫]
ମେସିନ ଲର୍ଣିଂର ପ୍ରୟୋଗ
ଇତିହାସ
ସିଦ୍ଧାନ୍ତ
ଗୋଟିଏ ଶିକ୍ଷାବିତର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଅତୀତରେ ଘଟିଥିବା ଘଟଣାଗୁଡ଼ିକୁ ଦୃଷ୍ଟିରେ ରଖି ସେଥିରୁ ଶିଖିବା ଏବଂ ସେହି ଶିକ୍ଷ୍ୟାକୁ ଉପଯୋଗକରି ଭବିଷ୍ୟତରେ ଉପୁଜିବାକୁଥିବା ପରିସ୍ଥିତିରେ ସଠିକ ନିର୍ଣ୍ଣୟ ନେବା । କୌଣସି ଏକ ପର୍ଯ୍ୟାବେକ୍ଷିତ ମଡେଲକୁ ପ୍ରଥମେ ଚିନ୍ହିତ ତଥ୍ୟଦ୍ୱାରା ତାଲିମ ଦିଆଯାଇଥାଏ । ଯେପରି ଏକ ଶିଶୁକୁ ପ୍ରଥମେ ଶିଖେଇବାକୁ ପଡ଼େ ନିଆଁରେ ହାତ ଦେବ ନାହିଁ ଇତ୍ୟାଦି ସେହିପରି କମ୍ପ୍ୟୁଟରକୁ ଶିଖେଇବାକୁ ପଡ଼ିଥାଏ ।
ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂରେ ବିଷୟରେ ଅଧିକ ଜାଣିବା ପୂର୍ବରୁ ମନୁଷ୍ୟର ଦୁଇଟି ମୁଖ୍ୟ ସମସ୍ୟା ବିଷୟରେ ଜାଣିବା ଜରୁରୀ । ମୁଖ୍ୟ ମାନବ ସମସ୍ୟାଗୁଡ଼ିକୁ ମୌଳିକରୂପେ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରାହୋଇଛି, ସେଗୁଡ଼ିକ ହେଲା କ୍ଲାସିଫିକେସନ ଏବଂ ରିଗ୍ରେସନ ।[୬][୭][୮]
କ୍ଲାସିଫିକେସନ
କ୍ଲାସିଫିକେସନ ଅର୍ଥାତ ବର୍ଗୀକରଣ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ପ୍ରକାରର ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରୁ । କିଛି ବର୍ଗୀକରଣ ସମସ୍ୟାର ଉଦାହରଣ ନିମ୍ନରେ ଦିଆଗଲା ।
- ଇ-ମେଲଗୁଡ଼ିକୁ ନେଇ ସେଥିରୁ ଭଲ ଏବଂ ଖରାପ ଇ-ମେଲ ବାହାର କରିବା ।
- ମନୁଷ୍ୟମାନଙ୍କର ଏକ ଜିନିଷ ଉପରେ ମତାମତନେଇ ସେଥିରୁ ଭାଵ ଉଦ୍ଧାରଣ କରିବା, ଯେପରିକି ଭଲ, ଅତି ଭଲ, ଚଳିବ, ଖରାପ ଏବଂ ଅତି ଖରାପ । ଏହାକୁ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସ କୁହାଯାଇଥାଏ ।
- ପୁଞ୍ଜି ବଜାରରେ କୌଣସି ଏକ ସେୟାରର ମୂଲ୍ୟ ବଢିବ ବା କମିବ ।
ରିଗ୍ରେସନ
ରିଗ୍ରେସନ ବା ପ୍ରତିପଗମନ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ପୂର୍ଵନିର୍ଦ୍ଧିଷ୍ଟ ଶ୍ରେଣୀମାନଙ୍କରେ ବର୍ଗୀକରଣ କରିପାରିବାନି । ଦିଆଯାଇଥିବା କିଛି ତଥ୍ୟରେ ଫଳର ମୂଲ୍ୟ କିଛି ମଧ୍ୟ ହୋଇପାରେ । ବୁଝିବା ନିମିତ୍ତ କେତେକ ଉଦାହରଣ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି ।
- ଭୁବନେଶ୍ୱର-ପୁରୀ ରାସ୍ତାକଡ଼ରେ ଥିବା ଜମିର ମୂଲ୍ୟ କେତେ ? ଧରାଯାଉ ଏହାର ମୂଲ୍ୟ ୧,୦୦,୦୦୦ ରୁ ଆରମ୍ଭ ଏବଂ ୧,୦୦,୦୦,୦୦୦ ରେ ଶେଷ । ଏହି କ୍ଷେତ୍ରରେ ମେସିନ ଯେଉଁ ଫଳ ପ୍ରଦାନ କରିବ ତାହାକୁ ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ବର୍ଗରେ କଷ୍ଟ । ହେଲେ ଯଦି ଆମେ ପଚାରିବା "ଭୁବନେଶ୍ୱର-ପୁରୀ ରାସ୍ତା କଡ଼ରେ ଥିବା ଜମିର ମୂଲ୍ୟ ୫୦,୦୦,୦୦୦ ଉପରେ ନା ତଳେ ? " ଏଠାରେ ଆମେ ଆଶାକରାଯାଉଥିବା ଫଳକୁ ବର୍ଗୀକରଣ କରିଛୁ ତେଣୁ ଏହା କ୍ଲାସିଫିକେସନ ସମସ୍ୟା ଅଟେ, କିନ୍ତୁ ପ୍ରଥମ ପ୍ରଶ୍ନଟି ରିଗ୍ରେସନ ସମସ୍ୟା ଅଟେ ।
- ପୁଞ୍ଜି ବଜାରରେ କୌଣସି ଏକ ସେୟାରର ମୂଲ୍ୟ କେତେ ବଢିବ ବା କେତେ କମିବ ।
ବିଭିନ୍ନ ଆଲଗୋରିଦମ
ନିମ୍ନରେ କିଛି ଆଲଗୋରିଦମ ଦିଆଗଲା ଯାହାଦ୍ୱାରା ଆମେ ମେସିନ ଲର୍ଣିଂ କରିପାରୁ ।[୯][୧୦] ତନ୍ମଧ୍ୟରୁ କିଛି ମୁଖ୍ୟ ଆଲଗୋରିଦମ ଉପରେ ତଳେ ବିସ୍ତୃତ ଭାବେ ଲେଖାହୋଇଛି ।
- ଡିସିସନ ଟ୍ରି ଲର୍ଣିଂ
- ଆସୋସିଏସନ ରୁଲ ଲର୍ଣିଂ
- ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ
- ଇଣ୍ଡକ୍ତିଭ ଲଜିକ ପ୍ରୋଗ୍ରାମିଂ
- ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ
- କ୍ଲଷ୍ଟରିଂ
- ବେଏସିଆନ ନେଟୱର୍କସ
- ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣିଂ
- ରିପ୍ରେଜେଣ୍ଟେସନ ଲର୍ଣିଂ
- ସିମିଲାରିଟି ଏବଂ ମେଟ୍ରିକ ଲର୍ଣିଂ
- ସ୍ପାର୍ଶ ଡିକ୍ସନାରି ଲର୍ଣିଂ
- ଜେନେଟିକ ଆଲଗୋରିଦମ
- ନିୟମଯୁକ୍ତ ମେସିନ ଲର୍ଣିଂ
- ଫିଚର ସିଲେକ୍ସନ ପ୍ରଣାଳି
ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ
ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ ବା କୁତ୍ରିମ ମସ୍ତିଷ୍କ ଜାଲ ହେଉଛି ଏକ କୁତ୍ରିମ ମସ୍ତିଷ୍କ ଯାହା ମନୁଷ୍ୟର ମସ୍ତିଷ୍କର ଅନୁସରଣ କରି ତିଆରି କରାହୋଇଛି । ଏହି ପ୍ରକାରର ଆଲଗୋରିଦମ ନିଜେ ନିଜେ ଦିଆଯାଇଥିବା ଚିନ୍ହିତ ତଥ୍ୟରୁ ଶିଖିଥାଏ, ଏହାକୁ ପ୍ରୋଗ୍ରାମ ବା ନିୟମ ଦେଇ ଶିଖେଇବାକୁ ପଡ଼ିନଥାଏ । ଡିପ୍ ଲର୍ଣିଂ ଏହାର ଅନ୍ତର୍ଗତ ।
ଡିସିସନ ଟ୍ରି ଲର୍ଣିଂ
ଏହା ହେଉଛି ଏକ ନିର୍ଣ୍ଣୟ ନେବା ପ୍ରଣାଳୀ ଯାହାକି ଏକ ଗଛର ଆକୃତି ଭଳି ନିଜର ଆଲଗୋରିଦମକୁ ଦର୍ଶାଇଥାଏ । ସାଧାରଣ ଏକ ଫ୍ଲୋ ଚାର୍ଟ ପରି ଏହାକୁ କଳନା କରାଯାଇପାରେ । ଯନ୍ତ୍ରକୁ ନିର୍ଣ୍ଣୟ ନେବାରେ ଯେବେ ଅସୁବିଧା ହୁଏ, ଏହା ସାହାର୍ଯ୍ୟରେ ସୁବିଧା ହୋଇପାରିଥାଏ ।
ପ୍ରୟୋଗ
ସଫ୍ଟୱେର
ଆହୁରି ମଧ୍ୟ ଦେଖନ୍ତୁ
ବାହାର ଲିଙ୍କ
- http://www.machinelearning.ai/
- https://www.analyticsvidhya.com/blog/2015/06/machine-learning-basics/
ଆଧାର
- ↑ https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861
- ↑ https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/
- ↑ https://www.kdnuggets.com/2017/11/3-different-types-machine-learning.html
- ↑ https://www.dummies.com/programming/big-data/data-science/3-types-machine-learning/
- ↑ https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861
- ↑ http://qr.ae/TUISZS
- ↑ https://medium.com/simple-ai/classification-versus-regression-intro-to-machine-learning-5-5566efd4cb83
- ↑ https://machinelearningmastery.com/classification-versus-regression-in-machine-learning/
- ↑ https://www.quora.com/What-are-the-different-types-of-Machine-Learning-Algorithms
- ↑ https://medium.com/@sifium/machine-learning-types-of-classification-9497bd4f2e14