मशीन लर्निंग (Machine Learning) क्या है?
ऐतिहासिक पृष्ठभूमि
मुख्य प्रावधान
12 points- 1.
मशीन लर्निंग (Machine Learning) का मूल काम है डेटासेट पर एक मॉडल को प्रशिक्षित करना ताकि अनुमान लगाया जा सके या निर्णय लिया जा सके। यह मॉडल असल में डेटा के अंदर के पैटर्न और रिश्तों का गणितीय प्रतिनिधित्व है। उदाहरण के लिए, आप मौसमी बदलाव, प्रमोशन और आर्थिक संकेतकों जैसे कारकों के आधार पर भविष्य की बिक्री का अनुमान लगाने के लिए ऐतिहासिक बिक्री डेटा पर एक मॉडल को प्रशिक्षित कर सकते हैं।
- 2.
मशीन लर्निंग (Machine Learning) इसलिए मौजूद है क्योंकि पारंपरिक प्रोग्रामिंग दृष्टिकोण जटिल और गतिशील समस्याओं से जूझते हैं। स्पैम ईमेल की पहचान करने के लिए तय नियमों का उपयोग करके एक प्रोग्राम लिखने की कल्पना करें। स्पैमर लगातार अपनी रणनीति बदलते रहते हैं, जिससे नियमों को अपडेट रखना मुश्किल हो जाता है। दूसरी ओर, ML एल्गोरिदम नई स्पैम तकनीकों के अनुकूल अपने आप हो सकते हैं।
- 3.
मशीन लर्निंग (Machine Learning) तीन मुख्य प्रकार की होती है: सुपरवाइज्ड लर्निंग (Supervised Learning), अनसुपरवाइज्ड लर्निंग (Unsupervised Learning) और रीइन्फोर्समेंट लर्निंग (Reinforcement Learning)। सुपरवाइज्ड लर्निंग में लेबल किए गए डेटा पर एक मॉडल को प्रशिक्षित करना शामिल है, जहां सही आउटपुट ज्ञात होता है। अनसुपरवाइज्ड लर्निंग में बिना लेबल वाले डेटा में पैटर्न ढूंढना शामिल है। रीइन्फोर्समेंट लर्निंग में एक एजेंट को एक वातावरण में निर्णय लेने के लिए प्रशिक्षित करना शामिल है ताकि इनाम को अधिकतम किया जा सके।
- 4.
सुपरवाइज्ड लर्निंग (Supervised Learning) का एक सामान्य उदाहरण इमेज क्लासिफिकेशन (Image Classification) है। आप छवियों के डेटासेट पर एक मॉडल को प्रशिक्षित कर सकते हैं, जिन्हें उनके संबंधित ऑब्जेक्ट (जैसे, बिल्लियाँ, कुत्ते, कारें) के साथ लेबल किया गया है और फिर मॉडल का उपयोग नई, अनदेखी छवियों को वर्गीकृत करने के लिए कर सकते हैं। इस तरह आपके फोन पर फेशियल रिकॉग्निशन (Facial Recognition) सॉफ्टवेयर काम करता है।
- 5.
अनसुपरवाइज्ड लर्निंग (Unsupervised Learning) का उपयोग अक्सर ग्राहक विभाजन (Customer Segmentation) के लिए किया जाता है। एक कंपनी ग्राहकों को उनकी खरीदारी के व्यवहार, जनसांख्यिकी और अन्य विशेषताओं के आधार पर समूहित करने के लिए क्लस्टरिंग एल्गोरिदम का उपयोग कर सकती है। यह कंपनी को अलग-अलग ग्राहक समूहों के लिए मार्केटिंग अभियान और उत्पाद प्रसाद तैयार करने की अनुमति देता है।
- 6.
रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) का उपयोग रोबोटिक्स और गेम खेलने में किया जाता है। उदाहरण के लिए, Google के AlphaGo प्रोग्राम ने गो (Go) गेम में महारत हासिल करने के लिए रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) का उपयोग किया, यहां तक कि सर्वश्रेष्ठ मानव खिलाड़ियों को भी पीछे छोड़ दिया। प्रोग्राम ने लाखों बार खुद के खिलाफ खेलकर और परिणामों के आधार पर अपनी रणनीति को समायोजित करके सीखा।
- 7.
मशीन लर्निंग (Machine Learning) में एक प्रमुख चुनौती ओवरफिटिंग (Overfitting) है, जहां एक मॉडल प्रशिक्षण डेटा को बहुत अच्छी तरह से सीखता है और नए डेटा पर खराब प्रदर्शन करता है। यह तब हो सकता है जब मॉडल बहुत जटिल हो या प्रशिक्षण डेटा वास्तविक दुनिया का प्रतिनिधि न हो। ओवरफिटिंग (Overfitting) को रोकने के लिए नियमितीकरण (Regularization) और क्रॉस-वैलडेशन (Cross-Validation) जैसी तकनीकों का उपयोग किया जाता है।
- 8.
एक और महत्वपूर्ण अवधारणा फीचर इंजीनियरिंग (Feature Engineering) है, जिसमें मॉडल के प्रदर्शन को बेहतर बनाने के लिए डेटा से प्रासंगिक सुविधाओं का चयन और परिवर्तन करना शामिल है। उदाहरण के लिए, यदि आप घर की कीमतों की भविष्यवाणी करने के लिए एक मॉडल बना रहे हैं, तो आप घर के वर्ग फुटेज, बेडरूम की संख्या और स्थान जैसी सुविधाओं को इंजीनियर कर सकते हैं।
- 9.
मशीन लर्निंग (Machine Learning) का उपयोग तेजी से स्वास्थ्य सेवा में रोग निदान, दवा खोज और व्यक्तिगत चिकित्सा जैसे कार्यों के लिए किया जा रहा है। उदाहरण के लिए, ML एल्गोरिदम ट्यूमर का पता लगाने या किसी मरीज के किसी विशेष बीमारी के विकसित होने के जोखिम की भविष्यवाणी करने के लिए मेडिकल छवियों का विश्लेषण कर सकते हैं।
- 10.
मशीन लर्निंग (Machine Learning) मॉडल की सटीकता को अक्सर प्रेसिजन (Precision), रिकॉल (Recall) और F1-स्कोर (F1-Score) जैसे मेट्रिक्स का उपयोग करके मापा जाता है। ये मेट्रिक्स इस बारे में जानकारी प्रदान करते हैं कि मॉडल सही सकारात्मक (True Positives) की पहचान करने, झूठे सकारात्मक (False Positives) को कम करने और झूठे नकारात्मक (False Negatives) को कम करने के मामले में कितना अच्छा प्रदर्शन कर रहा है।
- 11.
मशीन लर्निंग (Machine Learning) में नैतिक विचार तेजी से महत्वपूर्ण होते जा रहे हैं। ML मॉडल प्रशिक्षण डेटा में मौजूद पूर्वाग्रहों को कायम रख सकते हैं, जिससे अनुचित या भेदभावपूर्ण परिणाम हो सकते हैं। यह सुनिश्चित करना महत्वपूर्ण है कि ML सिस्टम निष्पक्ष, पारदर्शी और जवाबदेह हों।
- 12.
भारत कृषि, स्वास्थ्य सेवा और शिक्षा जैसे क्षेत्रों पर ध्यान केंद्रित करते हुए मशीन लर्निंग (Machine Learning) अनुसंधान और विकास में सक्रिय रूप से निवेश कर रहा है। सरकार की डिजिटल इंडिया (Digital India) पहल का उद्देश्य सार्वजनिक सेवाओं में सुधार और आर्थिक विकास को बढ़ावा देने के लिए ML का लाभ उठाना है।
दृश्य सामग्री
Understanding Machine Learning: Key Concepts
A mind map illustrating the key concepts of machine learning, including its types, applications, and ethical considerations.
Machine Learning (ML)
- ●Types of ML
- ●Applications
- ●Ethical Considerations
- ●Challenges
Evolution of Machine Learning
Key milestones in the development of machine learning, highlighting significant advancements and applications over time.
मशीन लर्निंग पिछले कुछ दशकों में काफी विकसित हुई है, जो कंप्यूटिंग शक्ति में प्रगति, बड़े डेटासेट की उपलब्धता और एल्गोरिदम में सफलता से प्रेरित है। इसने लगभग हर उद्योग में अनुप्रयोग पाए हैं।
- Mid-20th Centuryपैटर्न पहचान और तंत्रिका नेटवर्क में प्रारंभिक कार्य
- 1990sएसवीएम और बूस्टिंग एल्गोरिदम का विकास
- 2000sइंटरनेट का उदय और डेटा का विस्फोट
- 2023भारत सरकार ने आर्टिफिशियल इंटेलिजेंस के लिए राष्ट्रीय रणनीति शुरू की
- 2026सरकारी सेवाओं में एमएल का बढ़ता उपयोग
हालिया विकास
5 विकासIn 2023, the Indian government launched the National Strategy for Artificial Intelligence, which outlines a roadmap for promoting AI research, development, and adoption across various sectors, including machine learning.
Several Indian startups are emerging as leaders in the machine learning space, developing innovative solutions for areas like agriculture, healthcare, and financial services. For example, companies are using ML to predict crop yields, diagnose diseases, and detect fraud.
The use of machine learning in government services is increasing, with applications ranging from traffic management to tax collection. For example, ML algorithms are being used to optimize traffic flow in cities and to identify tax evaders.
Concerns about the ethical implications of machine learning are growing, leading to discussions about the need for regulations to ensure fairness, transparency, and accountability. The government is considering various options for regulating AI, including the establishment of an AI ethics council.
The availability of skilled machine learning professionals in India is increasing, but there is still a significant skills gap. The government and private sector are investing in training programs to address this gap and to prepare the workforce for the future of work.
विभिन्न समाचारों में यह अवधारणा
1 विषयसामान्य प्रश्न
121. मशीन लर्निंग की ज़रूरत क्यों पड़ी? ये कौन सी ऐसी समस्या हल करता है जो पुराने तरीके से प्रोग्रामिंग नहीं कर पाती?
मशीन लर्निंग उन जगहों पर काम आता है जहाँ पुराने तरीके से प्रोग्रामिंग फेल हो जाती है, जैसे कि मुश्किल, बदलने वाले और अनिश्चित हालात। पुराने तरीके से प्रोग्रामिंग में आपको हर चीज़ के लिए नियम बनाने पड़ते हैं। लेकिन मशीन लर्निंग डेटा से सीखता है और बदलते पैटर्न के हिसाब से खुद को ढाल लेता है। उदाहरण के लिए, स्पैम फिल्टरिंग। पुराने तरीके से प्रोग्रामिंग से, आपको स्पैमर्स की तरकीबें बदलने पर नियमों को बार-बार अपडेट करना होगा। मशीन लर्निंग अपने आप नई स्पैम तकनीकों को पहचान लेता है और बिना किसी के बताए ही सीख जाता है।
2. मशीन लर्निंग में क्या कमियाँ हैं? ये कहाँ काम नहीं करता और इसकी आलोचना क्यों होती है?
मशीन लर्निंग कोई जादू की छड़ी नहीं है। ये सिर्फ उस डेटा से सीखता है जिस पर इसे ट्रेन किया गया है। अगर डेटा में भेदभाव है, तो मॉडल भी भेदभाव करेगा। ये उन स्थितियों से भी जूझता है जिनसे ये पहले कभी नहीं मिला। आलोचक इसे 'ब्लैक बॉक्स' कहते हैं - ये समझना मुश्किल हो सकता है कि मॉडल ने कोई खास फैसला क्यों लिया, जिससे जवाबदेही और निष्पक्षता पर सवाल उठते हैं। उदाहरण के लिए, अगर किसी लोन एप्लीकेशन को मशीन लर्निंग एल्गोरिदम ने रिजेक्ट कर दिया, तो आवेदक को इसका स्पष्टीकरण नहीं मिल पाएगा।
3. मशीन लर्निंग असल में कैसे काम करता है? भारत में इसका इस्तेमाल कहाँ हो रहा है, एक उदाहरण दीजिए।
भारत में, मशीन लर्निंग का इस्तेमाल खेती में फसल की पैदावार का अनुमान लगाने के लिए किया जा रहा है। कंपनियाँ मौसम के पैटर्न, मिट्टी की स्थिति और पिछली पैदावार का डेटा इकट्ठा करती हैं। फिर वे मशीन लर्निंग मॉडल को इस डेटा पर ट्रेन करती हैं ताकि खास इलाकों में भविष्य में होने वाली पैदावार का अनुमान लगाया जा सके। इससे किसानों को बुवाई, सिंचाई और कटाई के बारे में सही फैसले लेने में मदद मिलती है, जिससे उनकी उत्पादकता और आय बढ़ सकती है।
4. मशीन लर्निंग के खिलाफ सबसे बड़ा तर्क क्या है, और आप इसका जवाब कैसे देंगे?
सबसे बड़ा तर्क भेदभाव की संभावना है। अगर मॉडल को ट्रेन करने के लिए इस्तेमाल किया गया डेटा समाज में मौजूद भेदभाव को दिखाता है, तो मॉडल उस भेदभाव को बनाए रखेगा और बढ़ा भी सकता है। उदाहरण के लिए, चेहरे की पहचान करने वाले सिस्टम अश्वेत लोगों के लिए कम सटीक पाए गए हैं। जवाब में, मैं डेटा को ध्यान से चुनने, भेदभाव का पता लगाने वाली तकनीकों और निष्पक्षता और जवाबदेही सुनिश्चित करने के लिए लगातार निगरानी रखने की ज़रूरत पर ज़ोर दूँगा। एल्गोरिथम ऑडिट और पारदर्शिता भी ज़रूरी है।
5. भारत को आगे मशीन लर्निंग को सुधारने या मजबूत करने के लिए क्या करना चाहिए?
भारत को कई तरह से काम करना होगा: 1. भेदभाव और निष्पक्षता की चिंताओं को दूर करने के लिए एआई एथिक्स रिसर्च और शिक्षा में निवेश करें। 2. स्वास्थ्य सेवा और वित्त जैसे संवेदनशील क्षेत्रों में एआई के इस्तेमाल के लिए स्पष्ट नियामक दिशानिर्देश विकसित करें, नवाचार और उपभोक्ता संरक्षण के बीच संतुलन बनाए रखें। 3. डेटा सुरक्षा कानूनों के ज़रिए डेटा की गोपनीयता सुनिश्चित करते हुए डेटा की उपलब्धता और शेयरिंग को बढ़ावा दें, डिजिटल पर्सनल डेटा प्रोटेक्शन एक्ट का हवाला दें। 4. एआई और एमएल प्रशिक्षण कार्यक्रमों का विस्तार करके कौशल अंतर को पाटें।
6. मशीन लर्निंग के बारे में एमसीक्यू में, एग्जामिनर आमतौर पर क्या जाल बिछाते हैं?
एक आम जाल है सहसंबंध को कारण मान लेना। एक एमसीक्यू एक ऐसा परिदृश्य पेश कर सकता है जहाँ एक मशीन लर्निंग मॉडल दो चरों के बीच एक मजबूत सहसंबंध की पहचान करता है और गलत तरीके से निष्कर्ष निकालता है कि एक दूसरे का कारण बनता है। उदाहरण के लिए, एक मॉडल आइसक्रीम की बिक्री और अपराध दर के बीच एक सहसंबंध पा सकता है और गलत तरीके से निष्कर्ष निकाल सकता है कि आइसक्रीम अपराध का कारण बनती है। सही उत्तर यह होगा कि सहसंबंध कारण नहीं है और इसमें अन्य कारक भी शामिल हो सकते हैं (जैसे गर्मी)।
परीक्षा युक्ति
याद रखें: सहसंबंध = कारण नहीं। हमेशा अन्य कारणों की तलाश करें।
7. स्टेटमेंट वाले एमसीक्यू के लिए सुपरवाइज्ड और अनसुपरवाइज्ड लर्निंग के बीच एक लाइन का अंतर क्या है?
सुपरवाइज्ड लर्निंग मॉडल को प्रशिक्षित करने और परिणाम का अनुमान लगाने के लिए लेबल किए गए डेटा का उपयोग करता है, जबकि अनसुपरवाइज्ड लर्निंग पहले से तय परिणामों के बिना लेबल रहित डेटा में पैटर्न ढूंढता है।
परीक्षा युक्ति
सोचें: 'सुपरवाइज्ड' = 'लेबल किया हुआ' = 'टीचर को जवाब पता है'
8. छात्र अक्सर ओवरफिटिंग को अंडरफिटिंग से क्यों भ्रमित करते हैं, और सही अंतर क्या है?
छात्र उन्हें इसलिए भ्रमित करते हैं क्योंकि दोनों मॉडल के प्रदर्शन से संबंधित हैं। ओवरफिटिंग तब होती है जब एक मॉडल प्रशिक्षण डेटा को *बहुत* अच्छी तरह से सीख लेता है, शोर को पकड़ लेता है और नए डेटा पर खराब प्रदर्शन करता है। अंडरफिटिंग तब होती है जब एक मॉडल *बहुत* सरल होता है और प्रशिक्षण डेटा में अंतर्निहित पैटर्न को पकड़ने में विफल रहता है, जिससे नए डेटा पर भी खराब प्रदर्शन होता है। ओवरफिटिंग में उच्च विचरण होता है, अंडरफिटिंग में उच्च पूर्वाग्रह होता है।
परीक्षा युक्ति
ओवरफिटिंग: मॉडल बहुत जटिल है, जैसे उत्तरों को याद करना। अंडरफिटिंग: मॉडल बहुत सरल है, जैसे पर्याप्त अध्ययन नहीं करना।
9. आर्टिफिशियल इंटेलिजेंस पर राष्ट्रीय रणनीति 2023 में शुरू की गई थी। मशीन लर्निंग से संबंधित इसके प्रमुख उद्देश्य क्या हैं?
आर्टिफिशियल इंटेलिजेंस पर राष्ट्रीय रणनीति का उद्देश्य है: 1. विभिन्न क्षेत्रों में मशीन लर्निंग सहित एआई अनुसंधान और विकास को बढ़ावा देना। 2. सरकारी सेवाओं और उद्योगों में एआई और एमएल प्रौद्योगिकियों को अपनाना बढ़ाना। 3. प्रशिक्षण कार्यक्रमों में निवेश करके एआई और एमएल में कौशल अंतर को दूर करना। 4. एआई के जिम्मेदार उपयोग के लिए नैतिक दिशानिर्देश और नियम विकसित करना।
- •एआई अनुसंधान और विकास को बढ़ावा देना
- •एआई और एमएल को अपनाना बढ़ाना
- •कौशल अंतर को दूर करना
- •नैतिक दिशानिर्देश विकसित करना
10. भारत का मशीन लर्निंग इकोसिस्टम अन्य लोकतांत्रिक देशों के समान तंत्रों से कैसे बेहतर/खराब है?
अनुकूल रूप से, भारत में इंजीनियरिंग प्रतिभा का एक बड़ा पूल है और एआई और एमएल पर केंद्रित एक बढ़ता हुआ स्टार्टअप इकोसिस्टम है। प्रतिकूल रूप से, भारत डेटा गोपनीयता नियमों और एआई के लिए नैतिक दिशानिर्देशों के मामले में पीछे है। इसके अलावा, डिजिटल बुनियादी ढांचा और उच्च गुणवत्ता वाले डेटा तक पहुंच कुछ अन्य लोकतांत्रिक देशों की तुलना में विकसित नहीं है। यह प्रभावी मशीन लर्निंग समाधानों के विकास और तैनाती में बाधा डाल सकता है।
11. सूचना प्रौद्योगिकी अधिनियम, 2000 के प्रमुख प्रावधान क्या हैं जो मशीन लर्निंग से संबंधित हैं?
आईटी एक्ट, 2000 डेटा गोपनीयता और सुरक्षा को संबोधित करता है, जो मशीन लर्निंग के लिए महत्वपूर्ण हैं। धारा 43ए संवेदनशील व्यक्तिगत डेटा की सुरक्षा में विफलता के लिए मुआवजे से संबंधित है। धारा 66 कंप्यूटर से संबंधित अपराधों, जिसमें डेटा उल्लंघन शामिल हैं, को संबोधित करती है। ये प्रावधान प्रासंगिक हैं क्योंकि मशीन लर्निंग सिस्टम अक्सर बड़ी मात्रा में डेटा को संभालते हैं, जिससे वे सुरक्षा खतरों के प्रति संवेदनशील हो जाते हैं।
परीक्षा युक्ति
मशीन लर्निंग के लिए डेटा सुरक्षा के संदर्भ में आईटी एक्ट, 2000 की धारा 43ए (मुआवजा) और धारा 66 (कंप्यूटर अपराध) को याद रखें।
12. मशीन लर्निंग में फीचर इंजीनियरिंग क्यों महत्वपूर्ण है, और इसका एक उदाहरण क्या है?
फीचर इंजीनियरिंग महत्वपूर्ण है क्योंकि इसमें मॉडल के प्रदर्शन को बेहतर बनाने के लिए डेटा से प्रासंगिक सुविधाओं का चयन और परिवर्तन करना शामिल है। एक अच्छी सुविधा मशीन लर्निंग मॉडल की सटीकता और दक्षता को काफी बढ़ा सकती है। उदाहरण के लिए, घर की कीमतों की भविष्यवाणी करने में, केवल 'बिक्री की तारीख' का उपयोग करने के बजाय, एक फीचर इंजीनियर 'घर की उम्र' या 'अंतिम नवीनीकरण के बाद का समय' जैसी नई सुविधाएँ बना सकता है जो अधिक भविष्य कहनेवाला हो सकती हैं।