मशीन लर्निंग के 7 चरण: स्वचालित भविष्य की तैयारी कैसे करें

चित्र: Sdecoret / Shutterstock

तेजी से बढ़ती डिजिटल अर्थव्यवस्था के लिए बोर्डों और अधिकारियों को तेजी से बदलते डिजिटल परिदृश्य की ठोस समझ होना आवश्यक है। स्वाभाविक रूप से, कृत्रिम बुद्धिमत्ता (एआई) एक महत्वपूर्ण हितधारक है। जो संगठन स्वचालित भविष्य की तैयारी करना चाहते हैं, उन्हें एआई की पूरी समझ होनी चाहिए। हालांकि, एआई एक छाता शब्द है जो कई विषयों को कवर करता है, प्रत्येक व्यवसाय को थोड़ा अलग तरीके से प्रभावित करता है।

जब हम कृत्रिम बुद्धिमत्ता को देखते हैं, तो इसे तीन अलग-अलग डोमेन में विभाजित किया जा सकता है:

  1. रोबोटिक्स, जो भौतिक दुनिया से संबंधित है और यह सीधे मनुष्यों के साथ बातचीत कर सकता है। रोबोटिक्स का उपयोग विभिन्न तरीकों से हमारे काम को बेहतर बनाने के लिए किया जा सकता है। जिसमें फोर्ड के एक्सोस्केलेटन या बोस्टन डायनेमिक्स की मदद करने वाले रोबोट शामिल हैं।
  2. संज्ञानात्मक प्रणालियां, जो मानव दुनिया से निपटती हैं। एआई के हिस्से के रूप में एक संज्ञानात्मक प्रणाली का एक बड़ा उदाहरण चैटबॉट हैं। चैटबॉट एक बहुत ही मूर्त उदाहरण हैं जहां मनुष्य और मशीन एक लक्ष्य को प्राप्त करने के लिए मिलकर काम करते हैं। चैटबॉट एक संचार इंटरफ़ेस है जो व्यक्तियों और संगठनों की बातचीत में मदद करता है।
  3. मशीन लर्निंग, जो सूचना की दुनिया से संबंधित है। मशीनें सीखने के लिए डेटा का उपयोग करती हैं, और मशीन सीखने का उद्देश्य उस डेटा से अर्थ निकालना है। मशीनों के साथ मशीनों को बेहतर बनाने के लिए मशीन लर्निंग सांख्यिकीय तरीकों का उपयोग करता है। मशीन लर्निंग का सबसेट डीप लर्निंग है, जो मल्टी लेयर न्यूरल नेटवर्क को सक्षम बनाता है।

कृत्रिम बुद्धिमत्ता में रोबोटिक्स, संज्ञानात्मक प्रणालियों और मशीन सीखने का सहज एकीकरण होता है।

चित्र 1: आर्टिफिशियल इंटेलिजेंस - गोयल एंड डेविस, 2019 से अनुकूलित

मशीन लर्निंग के लिए 7 कदम

आइए, इनमें से एक डोमेन: मशीन लर्निंग में थोड़ा और गहरा करें। मशीन लर्निंग का उद्देश्य डेटा से अर्थ निकालना है। इसलिए, डेटा मशीन लर्निंग को अनलॉक करने की कुंजी है। मशीन लर्निंग के सात चरण हैं, और प्रत्येक चरण डेटा के आसपास घूमता है:

चित्र 2: मशीन लर्निंग के 7 चरण

1. डेटा संग्रह

मशीन लर्निंग को प्रशिक्षण डेटा की आवश्यकता होती है, इसका बहुत कुछ (या तो लेबल किया जाता है, जिसका अर्थ है पर्यवेक्षित शिक्षण या लेबल नहीं है, जिसका अर्थ है अनचाहे सीखने के लिए)। डेटा संग्रह, या डेटाफ़िकेशन, मेरे नए D2 + A2 मॉडल का पहला चरण भी है।

2. डेटा की तैयारी

अकेले कच्चा डेटा बहुत उपयोगी नहीं है। डेटा को तैयार करने की आवश्यकता है, सामान्यीकृत, डी-डुप्लिकेट और त्रुटियों और पूर्वाग्रह को हटाने की आवश्यकता है। डेटा का विज़ुअलाइज़ेशन का उपयोग पैटर्न और आउटलेयर देखने के लिए किया जा सकता है ताकि यह देखा जा सके कि सही डेटा एकत्र किया गया है या यदि डेटा गायब है।

3. एक मॉडल चुनना

तीसरे चरण में सही मॉडल का चयन करना शामिल है। कई मॉडल हैं जो कई अलग-अलग उद्देश्यों के लिए उपयोग किए जा सकते हैं। मॉडल का चयन करने पर, आपको यह सुनिश्चित करने की आवश्यकता है कि मॉडल व्यावसायिक लक्ष्य को पूरा करता है। इसके अलावा, आपको पता होना चाहिए कि मॉडल को कितनी तैयारी की आवश्यकता है, यह कितना सही है और मॉडल कितना स्केलेबल है। एक अधिक जटिल मॉडल हमेशा बेहतर मॉडल का गठन नहीं करता है। आमतौर पर इस्तेमाल की जाने वाली मशीन लर्निंग एल्गोरिदम में लीनियर रिग्रेशन, लॉजिस्टिक रिग्रेशन, डिसीजन ट्री, के-मीन्स, प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए), सपोर्ट वेक्टर मशीन (एसवीएम), नाओवे बेय्स, रैंडम फॉरेस्ट और न्यूरल नेटवर्क्स शामिल हैं।

4. प्रशिक्षण

अपने मॉडल को प्रशिक्षित करना मशीन लर्निंग का बड़ा हिस्सा है। इसका उद्देश्य आपके प्रशिक्षण डेटा का उपयोग करना और मॉडल की भविष्यवाणियों में वृद्धि करना है। भार और पूर्वाग्रह को अद्यतन करने का प्रत्येक चक्र एक प्रशिक्षण चरण है। पर्यवेक्षित मशीन लर्निंग में, मॉडल को लेबल किए गए नमूना डेटा का उपयोग करके बनाया गया है, जबकि अनपेरिज्ड मशीन लर्निंग गैर-लेबल डेटा (बिना ज्ञात या लेबल किए परिणामों के संदर्भ) से इनवॉइस खींचने की कोशिश करता है।

5. मूल्यांकन

प्रशिक्षण के बाद मॉडल मॉडल का मूल्यांकन करता है। यह एक अप्रयुक्त नियंत्रण डेटासेट के खिलाफ मशीन सीखने का परीक्षण करने के लिए मजबूर करता है यह देखने के लिए कि यह कैसे प्रदर्शन करता है। यह इस बात का प्रतिनिधि हो सकता है कि वास्तविक दुनिया में मॉडल कैसे काम करता है, लेकिन ऐसा होना जरूरी नहीं है। असली दुनिया में जितने बड़े वैरिएबल हैं, ट्रेनिंग और टेस्ट के लिए डेटा उतना ही बड़ा होना चाहिए।

6. पैरामीटर ट्यूनिंग

अपने मॉडल का मूल्यांकन करने के बाद, आपको AI को बेहतर बनाने के लिए मूल रूप से निर्धारित मापदंडों का परीक्षण करना चाहिए। प्रशिक्षण चक्रों की संख्या बढ़ने से अधिक सटीक परिणाम हो सकते हैं। हालाँकि, आपको परिभाषित करना चाहिए कि जब कोई मॉडल पर्याप्त रूप से अच्छा होता है अन्यथा, आप मॉडल को ट्विक करना जारी रखेंगे। यह एक प्रायोगिक प्रक्रिया है।

7. भविष्यवाणी

एक बार जब आप डेटा एकत्र करने, डेटा तैयार करने, मॉडल का चयन करने, प्रशिक्षण और मॉडल का मूल्यांकन करने और मापदंडों को ट्यून करने की प्रक्रिया से गुजर चुके हैं, तो यह भविष्यवाणियों का उपयोग करके प्रश्नों का उत्तर देने का समय है। ये सभी प्रकार की भविष्यवाणियां हो सकती हैं, जिसमें छवि मान्यता से लेकर शब्दार्थ से लेकर भविष्य कहनेवाला विश्लेषण तक शामिल हैं।

अंतिम विचार

मशीन लर्निंग सॉफ्टवेयर को परिणामों की भविष्यवाणी करने में सटीक बनने की अनुमति देता है। यह आने वाले वर्षों में सभी, व्यापार प्रक्रियाओं को नहीं, तो कई को संवर्धित करेगा। जैसे, मशीन लर्निंग कल के स्वचालित संगठन का एक अभिन्न अंग बन जाएगा। तेजी से तेजी से हार्डवेयर के लिए धन्यवाद, हम अधिक शक्तिशाली मॉडल देखेंगे जो बेहतर भविष्यवाणियों की पेशकश करेंगे।

दुर्भाग्य से, पक्षपाती डेटा और पक्षपाती डेटा वैज्ञानिकों के लिए पक्षपाती मॉडल की चुनौती कभी दूर नहीं होती है। इसलिए, संगठनों को एआई से वास्तव में लाभ उठाने के लिए, उन्हें यह सुनिश्चित करना चाहिए कि उनके मॉडल और डेटा पूर्वाग्रह-मुक्त, अच्छी तरह से प्रशिक्षित और मूल्यांकन किए गए और ठीक से ट्यून किए गए हैं। तभी, मशीन सीखने से संगठनों को वास्तव में लाभ होगा।

यदि मैं इस बिंदु पर आपका ध्यान बनाए रखने में कामयाब रहा, तो एक टिप्पणी का वर्णन करें कि इस कहानी ने आपके लिए कैसे अंतर किया या इस सामग्री को अधिक प्राप्त करने के लिए मेरे साप्ताहिक समाचार पत्र की सदस्यता लें:

डॉ। मार्क वैन रिजमेनम डेटाफ्लुक के संस्थापक हैं, वे बड़े डेटा, ब्लॉकचेन और एआई, रणनीतिकार और 3 प्रबंधन पुस्तकों के लेखक: थिंक बिगगर, ब्लॉकचैन और द ऑर्गनाइजेशन ऑफ टुमोरो पर विश्व स्तर पर मान्यता प्राप्त वक्ता हैं। आप यहाँ मेरी नवीनतम पुस्तक का मुफ्त पूर्वावलोकन पढ़ सकते हैं। लिंक्डइन पर मेरे साथ जुड़ें या इस कहानी का उल्लेख करते हुए ट्विटर पर हाय कहें।

यदि आप मुझसे किसी सलाहकार कार्य या बोलने की व्यस्तता के बारे में बात करना चाहते हैं तो आप मुझसे https://vanrijmenam.nl पर संपर्क कर सकते हैं