ওয়েব অ্যাপস

মেশিন লার্নিং কি?

30 অক্টোবর, 2021

সুচিপত্র

মেশিন লার্নিং এর ভূমিকা

গবেষকরা দীর্ঘকাল ধরে কল্পনাপ্রসূত মেশিন তৈরির স্বপ্ন দেখেছেন। প্রোগ্রামেবল পিসি যখন প্রথম উদ্ভাবিত হয়েছিল তখন লোকেরা ভাবছিল যে এই জাতীয় মেশিনগুলি একদিন মানুষের মতো বুদ্ধিমান হবে এবং মানুষের মতো কাজ করতে সক্ষম হবে কিনা। আজ, কৃত্রিম বুদ্ধিমত্তা হল একটি উদীয়মান প্রযুক্তি যার বিভিন্ন ক্ষেত্রে বিভিন্ন ধরনের অ্যাপ্লিকেশন রয়েছে। AI এর ধারণাটি হল মানুষের বুদ্ধিমত্তাকে কৃত্রিম মেশিনে অনুকরণ করা যাতে মেশিনগুলি মানুষের মতো চিন্তা করতে এবং কাজ করতে সক্ষম হয়।

কেন আমাদের এমন কোনো প্রযুক্তি দরকার যা সব দিক থেকে মানুষের মতো কাজ করে?

মানুষের কাজ করার খুব ভালো নির্ভুলতা আছে কিন্তু কাজের প্রতি দক্ষতা সন্তোষজনক নয় এবং মানুষের দ্বারা কাজের গতি বাড়ানোর একটা সীমা থাকে কিন্তু মেশিনের ক্ষেত্রে তা হয় না এবং মেশিনের দ্বারা করা কাজটি খুবই সুনির্দিষ্ট, অভিন্ন এবং মাপযোগ্য

ঊনবিংশ শতাব্দীতে, এই সমস্যাগুলি কাটিয়ে উঠতে সফ্টওয়্যার বিপ্লব ঘটেছিল তবে এই সমস্যাগুলি মোকাবেলা করার জন্য এটি যথেষ্ট নয়। সফ্টওয়্যার সেই কাজটি সম্পাদন করতে সক্ষম যা আনুষ্ঠানিকভাবে নিয়মগুলির একটি সেটে সংজ্ঞায়িত করা হয় যাতে এটি সেই নিয়মগুলি বিবেচনা করে প্রোগ্রামার দ্বারা একটি প্রোগ্রাম লিখতে সক্ষম হয়।

উদাহরণস্বরূপ, দুটি প্রদত্ত সংখ্যার যোগফল গণনা করা। বর্তমান বিশ্বে, গতি এবং নির্ভুলতার দিক থেকে, কম্পিউটার এই কাজে যে কোন মানুষকে পরাজিত করতে পারে। কিন্তু যেসব সমস্যায় কোনো আনুষ্ঠানিক নিয়ম নেই এবং মানুষের বুদ্ধিমত্তার প্রয়োজন হয়, সেসব সমস্যা কম্পিউটারের দ্বারা সমাধান করা খুবই কঠিন।

উদাহরণস্বরূপ, মুখগুলি চিনতে, মানুষ খুব সহজে মুখগুলি চিনতে সক্ষম হয় কিন্তু কম্পিউটারের পক্ষে চিনতে খুব কঠিন কারণ মুখের আনুষ্ঠানিক নিয়মগুলি লিখতে এটি খুব জটিল। তাই কৃত্রিম বুদ্ধিমত্তার আসল চ্যালেঞ্জ হল এমন কাজগুলি সমাধান করা যা মানুষের দ্বারা সম্পাদন করা সহজ কিন্তু মানুষের পক্ষে আনুষ্ঠানিকভাবে বর্ণনা করা কঠিন।

আইবিএম দ্বারা তৈরি ডিপ ব্লু চেস-প্লেয়িং সিস্টেমের একটি উদাহরণ নেওয়া যাক। দাবা নিয়ম সম্পূর্ণরূপে আনুষ্ঠানিক নিয়ম একটি সেট দ্বারা সংজ্ঞায়িত করা যেতে পারে. তাই এই নিয়মগুলি প্রোগ্রামার দ্বারা সহজেই প্রোগ্রামে রূপান্তরিত হয়েছিল এবং প্রোগ্রামার দ্বারা সময়ের আগে সরবরাহ করা হয়েছিল।

কৃত্রিম বুদ্ধিমত্তা অতুলনীয় গণনা ক্ষমতা সহ মেশিনে মানুষের বুদ্ধি স্থানান্তর করে এই চ্যালেঞ্জ মোকাবেলা করার চেষ্টা করে।

দৈনন্দিন জীবনে, একজন মানুষের তাদের কাজটি সমাধান করার জন্য বিশ্ব সম্পর্কে জ্ঞানের প্রয়োজন এবং এই ধরনের জ্ঞান বিষয়গত এবং স্বজ্ঞাত তাই প্রোগ্রামারের পক্ষে নিয়মের একটি সেটে প্রকাশ করা কঠিন।

সুতরাং এখান থেকে আমরা বুঝতে পারি যে, মানুষের মতো আচরণ করতে বা অন্য কথায় বুদ্ধিমানভাবে আচরণ করার জন্য, কম্পিউটারের অনুরূপ জ্ঞানের প্রয়োজন তাই AI-তে মূল চ্যালেঞ্জ হল এই অনানুষ্ঠানিক বা বিষয়ভিত্তিক তথ্য কম্পিউটারে এবং গবেষকদের কৃত্রিম পদ্ধতিতে রাখা। গোয়েন্দা ক্ষেত্র, মূলত এই উদ্দেশ্য অর্জনের চেষ্টা করে।

গবেষকরা এই উদ্দেশ্য অর্জনের খুব প্রাথমিক উপায় খুঁজে পেয়েছেন। তারা একটি জ্ঞান-ভিত্তিক পদ্ধতি ব্যবহার করেছে। এই পদ্ধতিতে গবেষকরা আনুষ্ঠানিক ভাষায় বিশ্ব সম্পর্কে জ্ঞানকে হার্ড কোড করেন।

যৌক্তিক অনুমান নিয়ম ব্যবহার করে কম্পিউটার এই আনুষ্ঠানিক ভাষায় বিবৃতি সম্পর্কে স্বয়ংক্রিয়ভাবে যুক্তি দিতে পারে। যেহেতু এটি খুবই মৌলিক, সরল এবং সাদাসিধে পদ্ধতি, তাই এই পদ্ধতিটি ব্যবহার করে প্রকল্পটি সফল হয় না কারণ গবেষকরা বিশ্বকে সঠিকভাবে তৈরি করার জন্য যথেষ্ট জটিলতার সাথে আনুষ্ঠানিক নিয়ম তৈরি করতে সংগ্রাম করে। যেমন একটি প্রকল্পের একটি উদাহরণ Cyc. সাইক একটি অনুমান ইঞ্জিন।

উপরের প্রকল্পগুলি (জ্ঞান-ভিত্তিক পদ্ধতির উপর ভিত্তি করে) যে অসুবিধার সম্মুখীন হয় তা হার্ড-কোডেড জ্ঞানের উপর নির্ভর করে। তাই এই অসুবিধা কাটিয়ে উঠতে, AI সিস্টেমের কাঁচা ডেটা থেকে প্যাটার্ন বের করে বিশ্ব থেকে তাদের নিজস্ব জ্ঞান অর্জন করার ক্ষমতা প্রয়োজন। এই ক্ষমতা মেশিন লার্নিং নামে পরিচিত।

মেশিন লার্নিং

মেশিন লার্নিং এর প্রবর্তন কম্পিউটারকে বাস্তব জগতের জ্ঞান অর্জন করার এবং বিষয়ভিত্তিক সিদ্ধান্ত নেওয়ার ক্ষমতা দেয়। এইভাবে, মেশিন লার্নিং জ্ঞান-ভিত্তিক পদ্ধতির সীমাবদ্ধতা কাটিয়ে উঠতে সক্ষম।

উইকিপিডিয়া অনুযায়ী

মেশিন লার্নিং হল কম্পিউটার অ্যালগরিদমের অধ্যয়ন যা অভিজ্ঞতার মাধ্যমে স্বয়ংক্রিয়ভাবে উন্নত হয়।

মিচেলের মতে

একটি কম্পিউটার প্রোগ্রামকে বলা হয় অভিজ্ঞতা E থেকে কিছু শ্রেণীর টাস্ক T এবং কর্মক্ষমতা পরিমাপ P এর সাপেক্ষে, যদি P দ্বারা পরিমাপ করা হিসাবে T-এ এর কর্মক্ষমতা, অভিজ্ঞতা E এর সাথে উন্নত হয়

অনেক ধরনের মেশিন লার্নিং অ্যালগরিদম রয়েছে যা সাহিত্যে বিদ্যমান। এখানে অ্যালগরিদমগুলির গ্রুপিং শেখার শৈলীর ভিত্তিতে করা হয়। মেশিন লার্নিং অ্যালগরিদমের অ্যালগরিদমের বিস্তৃত গ্রুপিং চিত্র 1-এ দেখানো হয়েছে। আসুন একে একে বিস্তারিতভাবে দেখি।

মেশিন লার্নিং

শেখার শৈলীর ভিত্তিতে মেশিন লার্নিং অ্যালগরিদমের গ্রুপিং

তত্ত্বাবধান করা শিক্ষা

সুপারভাইজড লার্নিং হল নাম অনুসারে একজন শিক্ষক হিসাবে একজন সুপারভাইজারের উপস্থিতি। সুপারভাইজড লার্নিং-এ আমরা লেবেলযুক্ত ডেটা ব্যবহার করে আমাদের মেশিনকে প্রশিক্ষণ দিই। লেবেলযুক্ত ডেটা মানে প্রতিটি ইনপুটের জন্য একটি ভাল-লেবেলযুক্ত আউটপুট রয়েছে।

প্রশিক্ষণের প্রক্রিয়ায়, মেশিনগুলি লেবেলযুক্ত ডেটা থেকে বিশ্বের জ্ঞান অর্জন করে। প্রশিক্ষণের পরে, ফলাফলের পূর্বাভাস দেওয়ার জন্য মেশিনটিকে ডেটার একটি নতুন সেট সরবরাহ করা হয়। উদ্দেশ্য হল প্রশিক্ষণ ডেটাসেট থেকে প্রাপ্ত কিছু অনুরূপ নিদর্শন থেকে মেশিনগুলি শিখতে এবং প্রকৃত-মূল্যবান আউটপুট পূর্বাভাস দেওয়ার জন্য পরীক্ষা করা ডেটাসেটে শেখা জ্ঞান প্রয়োগ করা।

আরও ভালভাবে বোঝার জন্য একটি আইরিস ডেটাসেটের উদাহরণ নেওয়া যাক। আইরিস ডেটাসেট হল 150টি আইরিস উদ্ভিদের বিভিন্ন অংশের পরিমাপের একটি সংগ্রহ। একটি ডেটাসেটের প্রতিটি উদাহরণে উদ্ভিদের প্রতিটি অংশের পরিমাপ থাকে যেমন সেপালের দৈর্ঘ্য, সেপালের প্রস্থ, পাপড়ির দৈর্ঘ্য, পাপড়ির প্রস্থ। প্রতিটি উদ্ভিদ কোন প্রজাতির তাও ডেটাসেট রেকর্ড করে। ডেটাসেটে তিনটি ভিন্ন প্রজাতি রয়েছে। তাই আমরা এখানে আইরিস ডেটাসেটে দেখতে পাই, প্রতিটি আইরিস উদ্ভিদ তার প্রজাতির সাথে লেবেলযুক্ত।

আরো দেখুন শীর্ষ 15 সেরা বিক্রয় ব্যবস্থাপনা সফ্টওয়্যার

তত্ত্বাবধানে শেখার অ্যালগরিদমগুলি এই ডেটাসেটটি অধ্যয়ন করতে পারে এবং তাদের পরিমাপের ভিত্তিতে আইরিস উদ্ভিদকে তিনটি ভিন্ন প্রজাতিতে শ্রেণীবদ্ধ করতে শিখতে পারে

তত্ত্বাবধান করা শেখার শব্দটি মূলত বোঝায় যে একজন শিক্ষক দ্বারা প্রদত্ত টার্গেট y যিনি মেশিনকে কী করতে হবে তা দেখান।

তত্ত্বাবধানে শিক্ষাকে অ্যালগরিদমের দুটি বিভাগে শ্রেণীবদ্ধ করা হয়েছে যেমন চিত্রে দেখানো হয়েছে: 2।

তত্ত্বাবধান করা শিক্ষা

রিগ্রেশন

রিগ্রেশন অ্যালগরিদম এক বা একাধিক ইনপুট বা ভবিষ্যদ্বাণীকারী মানের উপর ভিত্তি করে ক্রমাগত ফলাফলের (লক্ষ্য) পূর্বাভাস দেয়। সহজ কথায়, আউটপুট মান ওজনের মতো একটি বাস্তব মান।

রিগ্রেশন অ্যালগরিদম বিভিন্ন ধরনের আছে. বিভিন্ন রিগ্রেশন অ্যালগরিদমের ধরন স্বাধীন ভেরিয়েবলের সংখ্যা, রিগ্রেশন লাইনের আকৃতি এবং নির্ভরশীল ভেরিয়েবলের ধরনের উপর নির্ভর করে। আসুন কিছু ধরণের রিগ্রেশন কৌশল দেখি।

লিনিয়ার রিগ্রেশন হল একটানা মান ভবিষ্যদ্বাণী করার জন্য সবচেয়ে মৌলিক এবং জনপ্রিয় রিগ্রেশন অ্যালগরিদম। এখানে এটি ইনপুট (ভবিষ্যদ্বাণী) এবং আউটপুটের মধ্যে রৈখিক সম্পর্ক অনুমান করে।

লিনিয়ার রিগ্রেশন অ্যালগরিদম

রৈখিক রিগ্রেশন নামগুলি পরামর্শ দেয় যে এটি রিগ্রেশন সমস্যা সমাধান করতে সক্ষম। এই অ্যালগরিদমগুলির উদ্দেশ্য হল এমন একটি সিস্টেম তৈরি করা যা একটি ভেক্টর x নিতে পারে এবং আউটপুট হিসাবে স্কেলার মান y এর পূর্বাভাস দিতে পারে। সহজ কথায়, এই অ্যালগরিদম ইনপুট এবং আউটপুটের মধ্যে সম্পর্ক স্থাপন করে একটি সেরা ফিট সোজা লাইন ব্যবহার করে।

y=wTx

এখানে w পরামিতির ভেক্টর। প্যারামিটার হল সেই মান যা সিস্টেমের আচরণ নিয়ন্ত্রণ করে।

আমরা 'w' কে ওজনের একটি সেট হিসাবে ভাবতে পারি যা নির্ধারণ করে যে প্রতিটি বৈশিষ্ট্য কীভাবে আউটপুটকে প্রভাবিত করে। বৈশিষ্ট্যটি ইনপুটের বৈশিষ্ট্য ছাড়া আর কিছুই নয়।

উদাহরণ স্বরূপ

ধরা যাক আমরা এমন একটি সিস্টেম চাই যা ব্যবহৃত গাড়ির দামের পূর্বাভাস দিতে সক্ষম। এখানে বৈশিষ্ট্যগুলি হল গাড়ির বৈশিষ্ট্য যা আমরা মনে করি একটি গাড়ির মূল্যকে প্রভাবিত করে যেমন ব্র্যান্ড, বছর, ইঞ্জিনের দক্ষতা, ক্ষমতা, মাইলেজ এবং আরও অনেক তথ্য।

y=w0 * ক্ষমতা+w1 * মাইলেজ +w3 * ইঞ্জিন দক্ষতা

যদি এই বৈশিষ্ট্যগুলি ইতিবাচক ওজন পায় wi তাহলে এই ওজন বৃদ্ধি আমাদের ভবিষ্যদ্বাণীর মান বৃদ্ধি করে এবং এর বিপরীতে। যদি ওজন 'wi' মাত্রায় বড় হয় তবে এটি ভবিষ্যদ্বাণীতে একটি বড় প্রভাব ফেলে। যদি একটি ওজন 'wi' 0 হয় তবে এটি ভবিষ্যদ্বাণীতে কোন প্রভাব ফেলবে না।

শ্রেণীবিভাগ

শ্রেণিবিন্যাস হল একটি তত্ত্বাবধানে থাকা শিক্ষার ধারণা যা ইনপুটটি কোন শ্রেণীতে অন্তর্ভুক্ত তা অনুমান করার চেষ্টা করে। শ্রেণিবিন্যাসের সমস্যা সমাধানের জন্য অ্যালগরিদম শেখার চেষ্টা করবে f:R-{1,2,…k} এর মতো কিছু ফাংশন তৈরি করার। সহজ কথায়, যখন আউটপুট পরিবর্তনশীল হয় তখন একটি রোগ বা অ-রোগের মতো একটি বিভাগ যেমন এই সমস্যায় আউটপুটটি বিচ্ছিন্ন। উদাহরণ স্বরূপ, আইরিস ডেটাসেটে, আমাদের একটি ইনপুটে তিনটি বৈশিষ্ট্য (সেপাল দৈর্ঘ্য(এসএল), সেপাল প্রস্থ(sw), পাপড়ির দৈর্ঘ্য(pl), পাপড়ি প্রস্থ(pw)) প্রদত্ত প্রজাতির তিনটি শ্রেণির ভবিষ্যদ্বাণী করতে হবে।

এটি পরিষ্কারভাবে বোঝার জন্য অবজেক্ট রিকগনিশনের আরেকটি উদাহরণ নেওয়া যাক

এখানে ইনপুট হল একটি ইমেজ এবং আউটপুট হল একটি সাংখ্যিক কোড যা ইমেজে থাকা বস্তুটিকে চিহ্নিত করে।

শ্রেণীবিন্যাস অ্যালগরিদম একটি সংখ্যা আছে. শ্রেণিবিন্যাস অ্যালগরিদমগুলির মধ্যে রয়েছে সমর্থন ভেক্টর মেশিন লজিস্টিক রিগ্রেশন, ডিসিশন ট্রি, র্যান্ডম ফরেস্ট ইত্যাদি। আসুন কিছু অ্যালগরিদম বিস্তারিতভাবে দেখি।

ভেক্টর মেশিনকে সাপর্ট কর

একটি সমর্থন ভেক্টর মেশিন হল একটি তত্ত্বাবধানে শেখার অ্যালগরিদম যা শ্রেণীবিভাগ এবং রিগ্রেশন সমস্যা উভয়ের জন্যই ব্যবহার করা যেতে পারে তবে বেশিরভাগই এটি শ্রেণীবিন্যাস সমস্যার জন্য ব্যবহৃত হয়।

একটি প্রশিক্ষণ ডেটাসেট দেওয়া হয়েছে, প্রতিটিকে দুটি শ্রেণীর একটি বা অন্য হিসাবে লেবেল করা হয়েছে, একটি SVM প্রশিক্ষণ অ্যালগরিদম একটি মডেল তৈরি করে যা একটি বিভাগ বা অন্যটিতে নতুন উদাহরণ বরাদ্দ করে, এটিকে একটি অ-সম্ভাব্য বাইনারি লিনিয়ার ক্লাসিফায়ার করে তোলে।

মূলত এই অ্যালগরিদমটি একটি এন-ডাইমেনশনাল জায়গায় সর্বোত্তম হাইপারপ্লেন খুঁজে বের করার চেষ্টা করে যা নতুন উদাহরণকে শ্রেণীবদ্ধ করে। দ্বিমাত্রিক স্থানে (যখন ইনপুট বৈশিষ্ট্যের সংখ্যা দুটি হয়) এই হাইপারপ্লেনটি চিত্র 3-তে দেখানো হিসাবে সমতলকে দুটি অংশে বিভক্ত করা রেখা ছাড়া কিছুই নয়।

অনুসারে উইকিপিডিয়া

একটি SVM মডেল হল স্থানের বিন্দু হিসাবে উদাহরণগুলির একটি উপস্থাপনা, ম্যাপ করা যাতে পৃথক বিভাগের উদাহরণগুলিকে যতটা সম্ভব প্রশস্ত একটি পরিষ্কার ফাঁক দিয়ে ভাগ করা যায়। নতুন উদাহরণগুলি তারপর সেই একই জায়গায় ম্যাপ করা হয় এবং তারা যে ফাঁকে পড়ে তার উপর ভিত্তি করে একটি বিভাগের অন্তর্গত হওয়ার পূর্বাভাস দেওয়া হয়।

img 617dd7d8dd962

চিত্র 3

SVM দুটি শ্রেণীর মধ্যে মার্জিন সর্বাধিক করার চেষ্টা করে। সর্বাধিক মার্জিন হাইপারপ্লেন দ্বারা অর্জিত হয় যা যেকোনো শ্রেণীর নিকটতম প্রশিক্ষণ-ডেটা পয়েন্ট থেকে সবচেয়ে বেশি দূরত্ব রাখে।

এটা বুঝতে খুব স্বজ্ঞাত. আমরা চিত্রটিতে দেখতে পাচ্ছি, লাইনের পাশে যে সমস্ত ডেটা পয়েন্ট পড়ে সেগুলিকে একটি শ্রেণি হিসাবে লেবেল করা হবে এবং লাইনের অন্য পাশে যে বিন্দুগুলি পড়ে সেগুলিকে দ্বিতীয় শ্রেণি হিসাবে লেবেল করা হবে। এখন যেমন আমরা চিত্র 3-এ দেখছি, তাদের মধ্যে অসীম পরিমাণ রেখা রয়েছে।

তাহলে আমরা কিভাবে জানি কোন লাইনটি সবচেয়ে ভালো পারফর্ম করে? এই অ্যালগরিদমটি এমন একটি লাইন নির্বাচন করার চেষ্টা করে যা শুধুমাত্র দুটি শ্রেণীকে আলাদা করে না কিন্তু চিত্র 3-এ দেখানো যতটা সম্ভব নিকটতম নমুনা থেকে দূরে থাকে।

তত্ত্বাবধানহীন শিক্ষা

তত্ত্বাবধানে শিক্ষার উদ্দেশ্য হল ইনপুট থেকে আউটপুটে ম্যাপিং শেখা যার সঠিক মান সুপারভাইজার দ্বারা প্রদান করা হয়। তত্ত্বাবধানহীন শিক্ষায়, শুধুমাত্র ইনপুট ডেটা দেওয়া হয় এবং এই ধরনের কোন সুপারভাইজার নেই। উদ্দেশ্য হল ইনপুটের নিয়মিততা খুঁজে বের করা।

ইনপুট স্পেসের এমন একটি কাঠামো রয়েছে যাতে কিছু প্যাটার্ন অন্যদের চেয়ে বেশি ঘটে।

আরো দেখুন Google Chrome একাধিক প্রক্রিয়া চলমান সমস্যার জন্য 9টি সমাধান

তত্ত্বাবধানহীন শিক্ষায় ব্যবহৃত দুটি প্রধান পদ্ধতি হল ক্লাস্টার বিশ্লেষণ এবং প্রধান উপাদান।

ক্লাস্টার বিশ্লেষণে, উদ্দেশ্য হল ইনপুটের গ্রুপিং খুঁজে বের করা।

স্পষ্টভাবে বোঝার জন্য একটি উদাহরণ দেওয়া যাক

সব কোম্পানির অনেক গ্রাহকের ডেটা থাকে। গ্রাহকের ডেটাতে জনসংখ্যা সংক্রান্ত তথ্যের পাশাপাশি কোম্পানির সাথে অতীতের লেনদেন রয়েছে। কোম্পানি তার কোম্পানির প্রোফাইলের বিতরণ দেখতে আগ্রহী হতে পারে, দেখতে কি ধরনের গ্রাহক প্রায়শই ঘটে। এই ধরনের পরিস্থিতিতে, ক্লাস্টারিং গ্রাহকদের একই গ্রুপে তাদের বৈশিষ্ট্যের অনুরূপ বরাদ্দ করে। এই গুচ্ছ গ্রুপগুলি কোম্পানির কৌশল নির্ধারণে সাহায্য করতে পারে যেমন বিভিন্ন গ্রুপের জন্য নির্দিষ্ট পরিষেবা এবং পণ্য।

এই ক্লাস্টারিং বিশ্লেষণ করার জন্য একটি জনপ্রিয় অ্যালগরিদম হল K- মানে ক্লাস্টারিং। আসুন কে-মানে আরও বিশদে আলোচনা করি।

K- মানে ক্লাস্টারিং

K-মানে ক্লাস্টারিং হল জনপ্রিয় এবং সহজতম অ-তত্ত্বাবধান করা শেখার অ্যালগরিদমগুলির মধ্যে একটি।

K- মানে হল একটি সেন্ট্রোয়েড-ভিত্তিক অ্যালগরিদম, যেখানে আমরা একটি ক্লাস্টারে একটি বিন্দু বরাদ্দ করতে সেন্ট্রোয়েড থেকে প্রদত্ত বিন্দুর দূরত্ব গণনা করি। কে-মিনসে, প্রতিটি ক্লাস্টার একটি সেন্ট্রোয়েডের সাথে যুক্ত।

এই অ্যালগরিদম নিম্নরূপ কাজ করে:

  1. প্রথমে কে পয়েন্টগুলিকে এলোমেলোভাবে শুরু করা হয় যাকে বলা হয় মানে
  2. এর পরে, প্রতিটি আইটেমকে তার নিকটতম গড় হিসাবে শ্রেণীবদ্ধ করুন এবং গড় স্থানাঙ্কগুলি আপডেট করুন, যা এখন পর্যন্ত সেই গড় হিসাবে শ্রেণীবদ্ধ আইটেমগুলির গড়।
  3. একটি নির্দিষ্ট সংখ্যক পুনরাবৃত্তির জন্য এই পদক্ষেপগুলি পুনরাবৃত্তি করুন এবং প্রদত্ত সংখ্যক পুনরাবৃত্তির পরে, আমাদের ক্লাস্টার রয়েছে।
মেশিন লার্নিং

চিত্র: 4

আধা-তত্ত্বাবধানে অ্যালগরিদম

তত্ত্বাবধানে শেখার ক্ষেত্রে, আমরা দেখেছি যে ডেটাসেটকে মানুষের দ্বারা ম্যানুয়ালি লেবেল করতে হবে। এই প্রক্রিয়াটি খুবই ব্যয়বহুল কারণ ডেটাসেটের ভলিউম অনেক বড়। তত্ত্বাবধানহীন শিক্ষায়, একটি লেবেলযুক্ত ডেটাসেটের প্রয়োজন হয় না তবে এর প্রয়োগের বর্ণালী সীমিত।

এই সীমাবদ্ধতাগুলি মোকাবেলা করার জন্য, আধা-তত্ত্বাবধানে শিক্ষার ধারণাটি চালু করা হয়েছে। শেখার এই শৈলীতে, অ্যালগরিদমকে অল্প পরিমাণে লেবেলযুক্ত ডেটা এবং প্রচুর পরিমাণে লেবেলবিহীন ডেটার সংমিশ্রণে প্রশিক্ষণ দেওয়া হয়। আধা-তত্ত্বাবধান করা শিক্ষা তত্ত্বাবধানে থাকা শিক্ষা এবং তত্ত্বাবধানহীন শিক্ষার মধ্যে পড়ে।

লেবেলবিহীন ডেটা ব্যবহার করার জন্য, আধা-তত্ত্বাবধানে থাকা অ্যালগরিদম ডেটা সম্পর্কে নিম্নলিখিত সম্পর্ক অনুমান করে -

    ধারাবাহিকতা:এটি অনুমান করে যে পয়েন্টগুলি একে অপরের কাছাকাছি থাকে একই আউটপুট লেবেল ভাগ করার সম্ভাবনা বেশি।ক্লাস্টার:যদি ডেটা আলাদা ক্লাস্টারে ভাগ করা যায় তবে একই ক্লাস্টারের পয়েন্টগুলি একটি লেবেল ভাগ করার সম্ভাবনা বেশি থাকে।নানাবিধ:তথ্য ইনপুট স্থান থেকে অনেক কম মাত্রার প্রায় বহুগুণ উপর মিথ্যা. এই অনুমানটি দূরত্ব এবং ঘনত্ব ব্যবহার করার অনুমতি দেয় যা a তে সংজ্ঞায়িত করা হয় নানাবিধ .

বাস্তব জগতের সাথে সম্পর্কিত হয়ে আমরা এই তিন ধরনের শেখার শৈলী বুঝতে পারি, যথা তত্ত্বাবধানে শিক্ষা, আন-সুপারভাইজড লার্নিং এবং আধা-তত্ত্বাবধানে শিক্ষা।

শিক্ষকের তত্ত্বাবধানে শিক্ষার্থী যেখানে রয়েছে সেখানে তত্ত্বাবধান করা শিক্ষা। তত্ত্বাবধানহীন শিক্ষায় যেখানে একজন শিক্ষার্থীকে নিজেই একটি ধারণা বের করতে হয়। আধা-তত্ত্বাবধানে শিক্ষা যেখানে একজন শিক্ষক ক্লাসে কয়েকটি ধারণা শেখান এবং হোমওয়ার্ক হিসাবে প্রশ্ন দেন যা একই ধারণার উপর ভিত্তি করে।

শক্তিবৃদ্ধি শিক্ষা

রিইনফোর্সমেন্ট লার্নিং হল পরিবেশের সাথে মিথস্ক্রিয়া করে শেখা। শেখার প্রক্রিয়ায় একজন অভিনেতা, একটি পরিবেশ এবং একটি পুরস্কার সংকেত জড়িত। অভিনেতা এমন পরিবেশে পদক্ষেপ নেওয়া বেছে নেন যার জন্য অভিনেতাকে সেই অনুযায়ী পুরস্কৃত করা হয়। এখানে সিস্টেমের আউটপুট কর্মের একটি ক্রম।

এই ধরনের ক্ষেত্রে, একটি একক পদক্ষেপ গুরুত্বপূর্ণ নয়, এখানে লক্ষ্যে পৌঁছানোর জন্য সংশোধনমূলক কর্মের একটি ক্রম গুরুত্বপূর্ণ। একে নীতিও বলা হয়। অভিনেতা তার প্রাপ্ত পুরষ্কার বাড়াতে চায় এবং তাই পরিবেশের সাথে মিথস্ক্রিয়া করার জন্য তাকে একটি সর্বোত্তম এবং ভাল নীতি শিখতে হবে। একটি ভাল উদাহরণ হল গেমস। খেলায়, নিজে থেকে একটি একক চাল গুরুত্বপূর্ণ নয়, এটির জন্য সঠিক চালগুলির একটি ক্রম প্রয়োজন যা ভাল (যেমন চালগুলি জয়ের দিকে নিয়ে যায়)

শক্তিবৃদ্ধি শেখার সেটআপ

চিত্র 5: শক্তিবৃদ্ধি শেখার সেটআপ

`রিইনফোর্সমেন্ট লার্নিং অন্যান্য ধরনের শেখার থেকে অনেক আলাদা যা আমরা এখন পর্যন্ত কভার করেছি। যেমনটি আমরা তত্ত্বাবধানে শিখতে দেখেছি, আমাদের ডেটা এবং লেবেল দেওয়া হয় এবং আউটপুট দেওয়া ডেটার পূর্বাভাস দেওয়ার দায়িত্ব দেওয়া হয়। তত্ত্বাবধানহীন শিক্ষায়, আমাদের শুধুমাত্র ডেটা দেওয়া হয় এবং ডেটার অন্তর্নিহিত কাঠামো খুঁজে বের করার দায়িত্ব দেওয়া হয়। শক্তিবৃদ্ধিতে, আমাদের ডেটা বা লেবেল দেওয়া হয় না।

শক্তিবৃদ্ধি শেখার অ্যাপ্লিকেশন হয়

  1. স্ব-চালিত গাড়ি
  2. রোবোটিক মোটর নিয়ন্ত্রণ
  3. এয়ার কন্ডিশনার নিয়ন্ত্রণ
  4. অ্যাড-প্লেসমেন্ট অপ্টিমাইজেশান
  5. স্টক মার্কেট ট্রেডিং কৌশল
  6. খেলা খেলা

গভীর জ্ঞানার্জন

যখন আমরা একটি গাড়ির চিত্র বিশ্লেষণ করি, তখন লাল গাড়ির চিত্রের পৃথক পিক্সেল রাতে কালোর খুব কাছাকাছি থাকে। এই উদাহরণটি আপনাকে অনেক কৃত্রিম বুদ্ধিমান অ্যাপ্লিকেশনের সম্মুখীন হওয়া অসুবিধার অন্তর্দৃষ্টি দিতে পারে। এই ধরনের উচ্চ স্তরের এবং বিমূর্ত বৈশিষ্ট্যগুলি বের করা খুব কঠিন কারণ এর জন্য মানব-স্তরের বোঝার প্রয়োজন।

ডিপ লার্নিং সহজ থেকে জটিল বৈশিষ্ট্য তৈরি করে এই সমস্যাটি মোকাবেলা করে। গভীর শিক্ষার মডেলের সবচেয়ে মৌলিক উদাহরণ হল মাল্টিলেয়ার পারসেপ্ট্রন। মাল্টিলেয়ার পারসেপ্ট্রন হল একটি গাণিতিক ফাংশন ম্যাপিং ইনপুট মান আউটপুট মান। এই ফাংশনটি অনেক সহজ ফাংশন নিয়ে গঠিত।

ডিপ লার্নিং হল একটি বিশেষ ধরণের মেশিন লার্নিং যা ধারণার একটি নেস্টেড শ্রেণীবিন্যাস হিসাবে বিশ্বকে উপস্থাপন করে দুর্দান্ত শক্তি এবং নমনীয়তা অর্জন করে। প্রতিটি ধারণা সহজতর ধারণার সাথে সম্পর্কিত, এবং কম বিমূর্তের পরিপ্রেক্ষিতে গণনা করা আরও বিমূর্ত উপস্থাপনা।

ডিপ নিউরাল নেটওয়ার্ক, ডিপ বিলিফ নেটওয়ার্ক, কনভোল্যুশনাল নিউরাল নেটওয়ার্ক, রিকারেন্ট নিউরাল নেটওয়ার্কের মতো ডিপ লার্নিং অ্যালগরিদমগুলি কম্পিউটার ভিশন, স্পিচ রিকগনিশন, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং আরও অনেক ক্ষেত্রে প্রয়োগ করা হয়েছে।

ডিপ নিউরাল নেটওয়ার্ক

ডিপ নিউরাল নেটওয়ার্ক মানব মস্তিষ্কের কাজ এবং এটি যেভাবে কাজ করে তা দ্বারা অনুপ্রাণিত হয়। গভীর নিউরাল নেটওয়ার্কের মৌলিক বিল্ডিং ব্লক হল নোড। নোডগুলি মানুষের মস্তিষ্কের নিউরনের মতোই। যখন উদ্দীপনা তাদের আঘাত করে, তখন একটি প্রক্রিয়া নোডে সঞ্চালিত হয়। সাধারণত, চিত্র 6-এ দেখানো হিসাবে নোডগুলি স্তরগুলিতে বিভক্ত করা হয়।

ডিপ নিউরাল নেটওয়ার্ক

চিত্র 6 : ডিপ নিউরাল নেটওয়ার্ক

বিভিন্ন ধরণের গভীর নিউরাল নেটওয়ার্ক রয়েছে এবং তাদের মধ্যে পার্থক্য তাদের কাজের নীতি, কর্মের স্কিম এবং প্রয়োগের ক্ষেত্রে নিহিত।

    কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন): এটি বেশিরভাগই ইমেজ শনাক্তকরণের জন্য ব্যবহৃত হয় কারণ একে একে সব পিক্সেল চেক করার প্রয়োজন নেই। CNN-এ একটি ইনপুট স্তর, একটি আউটপুট স্তর এবং লুকানো স্তর থাকে। লুকানো স্তরগুলি সাধারণত কনভোলিউশনাল লেয়ার, পুলিং লেয়ার এবং সম্পূর্ণভাবে সংযুক্ত লেয়ার নিয়ে গঠিত। কনভোল্যুশনাল এবং ম্যাক্স-পুলিং লেয়ারগুলি ফিচার এক্সট্র্যাক্টর এবং সম্পূর্ণভাবে সংযুক্ত লেয়ার হিসেবে কাজ করে যা এক্সট্র্যাক্ট করা ফিচারের নন-লিনিয়ার ট্রান্সফর্মেশন করে এবং ক্লাসিফায়ার হিসেবে কাজ করে। কনভোলিউশনাল লেয়ারগুলি ইনপুটে একটি কনভোলিউশন অপারেশন প্রয়োগ করে। স্থানিক আকার (শুধু প্রস্থ এবং উচ্চতা, গভীরতা নয়) কমাতে কনভোলিউশনাল লেয়ারের পরপরই পুলিং লেয়ার ব্যবহার করা হয়। এটি পরামিতিগুলির সংখ্যা হ্রাস করে এবং তাই গণনা হ্রাস করার পাশাপাশি বৈশিষ্ট্য ডিটেক্টরগুলিকে ইনপুটে তার অবস্থানে আরও পরিবর্তনশীল করতে সহায়তা করে। এই অ্যানিমেশনের সাহায্যে কনভোল্যুশন অপারেশন বোঝা সহজ
মেশিন লার্নিং
    পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN):পৌনঃপুনিক নিউরাল নেটওয়ার্ক হল এক শ্রেণীর নিউরাল নেটওয়ার্ক যা পূর্ববর্তী আউটপুটগুলিকে মডেলের ইনপুট হিসাবে ব্যবহার করার অনুমতি দেয়। এটি 1980 এর দশকে প্রথম চালু হয়েছিল। আরএনএনগুলি ফিড-ফরোয়ার্ড নিউরাল নেটওয়ার্ক থেকে আলাদা কারণ তারা একটি বিশেষ ধরণের নিউরাল নেটওয়ার্কের সুবিধা নেয়, যা একটি পুনরাবৃত্ত স্তর হিসাবে পরিচিত। পুনরাবৃত্ত নিউরাল নেটওয়ার্কের পিছনে মূল ধারণাটি হল ক্রমিক তথ্য ব্যবহার করা। CNN-এর মতো একটি প্রথাগত নিউরাল নেটওয়ার্কে, আমরা ধরে নিয়েছি যে সমস্ত ইনপুট এবং আউটপুট একে অপরের থেকে স্বাধীন। কিন্তু অনেক কাজের জন্য যে এটি অনুমান করা খুব ভাল ধারণা নয়। ধরুন, আমরা যদি একটি বাক্যে পরবর্তী শব্দের পূর্বাভাস দিতে চাই তাহলে কোন শব্দের আগে এসেছে তা জেনে নেওয়া ভালো। RNN কে পৌনঃপুনিক বলা হয় কারণ তারা একটি সিকোয়েন্সের প্রতিটি উপাদানের জন্য একই কাজ সম্পাদন করে, আউটপুট পূর্ববর্তী গণনার উপর নির্ভরশীল। সহজ কথায়, আরএনএনগুলির একটি মেমরি রয়েছে যা এখনও পর্যন্ত যা গণনা করা হয়েছে সে সম্পর্কে তথ্য ক্যাপচার করে। তাত্ত্বিকভাবে, RNN দীর্ঘ ক্রমানুসারে তথ্য ব্যবহার করতে সক্ষম, কিন্তু বাস্তবে, তারা শুধুমাত্র কয়েক ধাপ পিছনে তাকানোর মধ্যে সীমাবদ্ধ।
আরো দেখুন আইফোনগুলি কি ভাইরাস পেতে পারে: কীভাবে ভাইরাসগুলি পরীক্ষা করা যায় এবং অপসারণ করা যায়

ভেন ডায়াগ্রাম ব্যবহার করে এআই, মেশিন লার্নিং এবং ডিপ লার্নিং-এর মধ্যে সম্পর্ক দেখি

মেশিন লার্নিং

চিত্র 7 : এই চিত্রটি ডিপ লার্নিং, মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার মধ্যে সম্পর্ক দেখায়।

কৃত্রিম বুদ্ধিমত্তার প্রয়োগ

অনেকগুলি বিভিন্ন ক্ষেত্র রয়েছে যেখানে AI ব্যবহার করা হয়। ক্ষেত্রগুলির মধ্যে রয়েছে বিপণন, ব্যাংকিং, অর্থ, কৃষি, স্বাস্থ্যসেবা, গেমিং, মহাকাশ অনুসন্ধান, স্বায়ত্তশাসিত যান, চ্যাটবট, কৃত্রিম সৃজনশীলতা ইত্যাদি।

আসুন মার্কেটিং এবং ব্যাংকিং ক্ষেত্র অন্বেষণ করি।

মার্কেটিং

প্রারম্ভিক দিনগুলিতে (যখন AI অ্যাপ্লিকেশনে নেই। এটি শুধুমাত্র বইগুলিতে বিদ্যমান), আমরা যদি অনলাইন স্টোর থেকে কিছু পণ্য কিনতে চাই তবে আমাদের পণ্যটির সঠিক নাম দিয়ে অনুসন্ধান করতে হবে। তাই পণ্যটির সঠিক নাম না জানা থাকলে পণ্য খুঁজে পাওয়া খুবই কঠিন।

কিন্তু আজকাল যখন আমরা যেকোনো ই-কমার্স স্টোরে যেকোনো আইটেম অনুসন্ধান করি, তখন আমরা সেই আইটেমের সাথে সম্পর্কিত সমস্ত সম্ভাব্য ফলাফল পাই। পণ্যটি খুঁজে পেতে আমাদের সঠিক বানান বা পণ্যের নাম নিয়ে মাথা ঘামাতে হবে না। আরেকটি উদাহরণ হল Netflix এ সঠিক সিনেমা খুঁজে পাওয়া।

অ্যাপ্লিকেশনটি সঠিক পণ্য খোঁজার মধ্যে সীমাবদ্ধ নয়। AI এর অগ্রগতি আপনার অতীতের লেনদেন এবং জিনিস কেনার স্বাদ বিশ্লেষণ করে আপনার আগ্রহের ভিত্তিতে পণ্যের সুপারিশ করতে সক্ষম। এই তথ্য অনুসারে, AI আপনার জন্য কোন ধরণের পণ্য প্রাসঙ্গিক তা জানতে সক্ষম এবং এর ভিত্তিতে এটি পণ্যটিকে ফিল্টার করবে এবং আপনাকে সুপারিশ করবে।

এইভাবে, AI বিপণন এবং পণ্যগুলির অনলাইন বিক্রয় বৃদ্ধিতে একটি প্রধান ভূমিকা পালন করছে এবং তাই ফ্লিপকার্টের মতো ই-কমার্স সংস্থাগুলি, আমাজন , অথবা Netflix-এর মতো কোম্পানিগুলি তাদের পণ্যগুলি খুব সহজে বিক্রি করতে এবং লাভ করার জন্য AI-এর শক্তিকে কাজে লাগাচ্ছে৷

ব্যাংকিং

ব্যাংকিং ক্ষেত্রে, এআই সিস্টেম দ্রুত বৃদ্ধি পাচ্ছে। অনেক ব্যাঙ্ক ইতিমধ্যেই গ্রাহক সহায়তা, অসঙ্গতি সনাক্তকরণ, ক্রেডিট কার্ড জালিয়াতির মতো বিভিন্ন পরিষেবা প্রদানের জন্য AI সিস্টেম গ্রহণ করেছে।

এইচডিএফসি ব্যাঙ্কের উদাহরণ নেওয়া যাক। তারা ইলেক্ট্রনিক ভার্চুয়াল অ্যাসিস্ট্যান্ট (ইভা) নামে একটি এআই-ভিত্তিক চ্যাটবট তৈরি করেছে। এই চ্যাটবট ইতিমধ্যে 3 মিলিয়ন গ্রাহকের প্রশ্নের সমাধান করেছে। ইভা 0.4 সেকেন্ডেরও কম সময়ে সহজ উত্তর দিতে পারে। ব্যাঙ্ক অফ আমেরিকা তাদের চ্যাটবট নাম এরিকা। আমেরিকান এক্সপ্রেস তাদের গ্রাহকদের উপকার করতে তাদের AmEX চ্যাটবট ব্যবহার করে।

মাস্টারকার্ড এবং আরবিএস ওয়ার্ল্ডপে প্রতারণামূলক লেনদেন সনাক্ত করতে এবং কার্ড জালিয়াতি প্রতিরোধ করতে AI এবং গভীর শিক্ষা ব্যবহার করেছে। এই এআই সিস্টেম মিলিয়ন ডলার সাশ্রয় করেছে। AI-ভিত্তিক জালিয়াতি সনাক্তকরণ অ্যালগরিদম 95% এর বেশি নির্ভুলতার সাথে জালিয়াতি সনাক্ত করতে আরও সঠিক। রিয়েল-টাইমে জালিয়াতির নতুন প্রচেষ্টা সনাক্ত করতে তাদের দ্রুত মানিয়ে নেওয়ার ক্ষমতা রয়েছে।

ব্যাঙ্কিংয়ে AI-এর সবচেয়ে গুরুত্বপূর্ণ প্রয়োগ হল ঝুঁকি ব্যবস্থাপনা কারণ অনুমানগুলি দেখায় যে জালিয়াতির আক্রমণের কারণে ব্যবসায়ীদের গড় ক্ষতি তাদের বার্ষিক আয়ের 1.5%। JPMorgan ম্যালওয়্যার, ট্রোজান এবং ভাইরাস সনাক্ত করে এমন একটি প্রারম্ভিক সতর্কতা ব্যবস্থা তৈরি করতে AI কৌশলগুলিও ব্যবহার করা শুরু করে। প্রতারণামূলক ইমেলগুলি আসলে কর্মীদের কাছে পাঠানোর অনেক আগেই এই শনাক্তকরণ সিস্টেম সন্দেহজনক আচরণ সনাক্ত করে।

প্রস্তাবিত প্রবন্ধ

  • Unsecapp.Exe কি এবং এটা কি নিরাপদUnsecapp.exe কি এবং এটা কি নিরাপদ?
  • 15 সেরা UML ডায়াগ্রাম টুল এবং সফটওয়্যার15 সেরা UML ডায়াগ্রাম টুল এবং সফটওয়্যার
  • [ফিক্সড] উইন্ডোজ নির্দিষ্ট ডিভাইস, পাথ বা ফাইলের ত্রুটি অ্যাক্সেস করতে পারে না[ফিক্সড] উইন্ডোজ নির্দিষ্ট ডিভাইস, পাথ বা ফাইলের ত্রুটি অ্যাক্সেস করতে পারে না
  • উইন্ডোজ আপডেটের জন্য 16 সংশোধনগুলি উইন্ডোজে কাজ করছে নাউইন্ডোজ আপডেটের জন্য 16 সংশোধনগুলি উইন্ডোজে কাজ করছে না
  • AMD Radeon সেটিংসের জন্য 4টি সমাধান জিতেছে৷AMD Radeon সেটিংসের জন্য 4 ফিক্স খুলবে না
  • জুম স্ক্রিনশট টুল: টিপস এবং কৌশলজুম স্ক্রিনশট টুল: টিপস এবং কৌশল