Theory
बताए जाने की बजाय सीखना
मान लीजिए आप predict करना चाहते हैं कौन से students placed होंगे। आप हाथ से rules लिखने की कोशिश कर सकते हैं: अगर marks 70 से ऊपर और projects 2 से ऊपर, तो placed। पर real patterns हाथ से लिखे rules में capture करने के लिए कहीं ज़्यादा complex और subtle होते हैं।
Machine learning (ML) एक अलग path लेता है: rules program करने की बजाय, आप computer को data से इन्हें सीखने देते हैं, past students के examples से और वे placed हुए थे या नहीं इससे। यह lesson introduce करता है ML क्या है, इसका life cycle, और supervised और unsupervised learning के बीच crucial split।
Theory
Machine Learning क्या है
Machine learning एक computer को हर rule से explicitly programmed होने की बजाय data से patterns सीखना सिखाना है। आप इसे examples देते हैं, और यह वे patterns work out करता है जो inputs को outcomes से जोड़ते हैं, फिर इन्हें नए cases पर apply करता है।
Benefits इससे follow करते हैं: ML उन problems को tackle कर सकता है जो hand-code करने के लिए बहुत complex हैं (faces recognise करना, spam filter करना), यह ज़्यादा data देखने पर improve होता है, और यह scale पर predictions automate करता है। जहाँ rules एक human के लिए लिखने के लिए बहुत intricate या hidden हैं, पर बहुत सारा example data exist करता है, वहाँ ML shine करता है। यह real problems की एक huge और growing range describe करता है।
At a glance
| Stage | क्या होता है |
|---|---|
| Data Collect करना | Relevant data gather कीजिए (जैसे past students के records) |
| Data Prepare करना | इसे clean कीजिए: missing values, outliers, formatting handle कीजिए (EDA skills) |
| एक Model Train करना | एक model choose कीजिए और इसे prepared data से patterns सीखने दीजिए |
| Evaluate करना | Test कीजिए यह उस data पर कितना अच्छा predict करता है जो इसने नहीं देखा |
| Deploy और Monitor करना | नए cases पर इसे इस्तेमाल में लाइए, और check करते रहिए यह accurate रहे |
Theory
Supervised vs Unsupervised
ML में सबसे बड़ा split यह है कि आपका data labels, known correct answers, के साथ आता है या नहीं।
Supervised learning labelled data इस्तेमाल करता है: हर example सही output include करता है। आप model को past students की features और हर एक placed हुआ था या नहीं दिखाते हैं, और यह नए students के लिए placement predict करना सीखता है। 'Supervision' known answers हैं जिनसे यह सीखता है।
Unsupervised learning unlabelled data इस्तेमाल करता है: कोई correct output नहीं दिया जाता। इसके बजाय model अपने आप hidden structure ढूँढता है, उदाहरण के लिए students को similarity से natural clusters में group करना, बिना बताए groups क्या हैं। Supervised एक known target predict करना सीखता है; unsupervised वे patterns discover करता है जो आपने specify नहीं किए।
Quiz
आपके पास past students का data है जहाँ हर record में शामिल है student placed हुआ था या नहीं (yes/no), और आप नए students के लिए placement predict करने के लिए एक model train करते हैं। यह machine learning का कौन सा type है?
- Unsupervised, क्योंकि computer इसे figure out करता है
- Supervised, क्योंकि training data known outcome (placed yes/no) से labelled है
- कोई नहीं; prediction machine learning नहीं है
- Unsupervised, क्योंकि सिर्फ़ दो outcomes हैं
Show the answer
Supervised, क्योंकि training data known outcome (placed yes/no) से labelled है
यह supervised learning है: training data LABELLED है, हर past student के record में known correct outcome (placed: yes या no) शामिल है, और model उन labelled examples से नए students के लिए outcome predict करना सीखता है। Option A wrong है: unsupervised learning UNLABELLED data के साथ काम करता है और अपने आप structure ढूँढता है; यहाँ outcomes provided हैं, जो supervised की definition है। Option C wrong है: examples से predict करना सीखना machine learning का एक central kind है। Option D categories को misunderstand करता है: outcomes की number (दो) इसे unsupervised नहीं बनाती; matter यह करता है कि labelled answers learning को guide करते हैं, इसे supervised बनाते हुए। Deciding question: क्या training data में known answers include हैं (supervised) या नहीं (unsupervised)?
Think first
Machine Learning हाथ से Rules लिखने से Better कब है?
कभी-कभी कुछ if-else rules एक problem fine solve करते हैं। ML कब better tool है, और यह कब overkill है? फिर tap कीजिए।
Show the answer
ML अपनी जगह तब earn करता है जब patterns rules की तरह लिखने के लिए बहुत COMPLEX या बहुत HIDDEN हों, पर बहुत सारा EXAMPLE DATA exist करता हो; simple, well-understood problems के लिए, हाथ से लिखे rules simpler और better हैं। Spam filtering सोचिए: वे signals जो एक email को spam बनाते हैं countless, subtle, और constantly changing हैं, कोई human हर trick cover करने वाले rules नहीं लिख और maintain कर सकता, पर labelled examples (spam / not spam) के millions एक ML model को patterns सीखने और spam evolve होने के साथ adapt होने देते हैं। faces recognise करने, products recommend करने, या दर्जनों interacting factors से एक outcome predict करने के लिए भी यही true है: rules effectively हाथ से unknowable हैं, फिर भी data से learnable हैं। दूसरी तरफ, अगर एक problem में clear, stable rules हैं, Celsius को Fahrenheit में convert करना, एक number even है या नहीं check करना, एक fixed tax slab apply करना, तो ordinary code simpler, faster, exact, और ML से trust करना easier है; वहाँ machine learning इस्तेमाल करना needless complexity होगी। तो decision दो questions पर टिकता है: क्या rules hand-code करने के लिए बहुत complex या hidden हैं, और क्या आपके पास सीखने के लिए enough representative data है? अगर दोनों हाँ हैं, ML powerful है; अगर logic simple और known है, rules directly लिखिए। Problem के लिए right tool: rules जब वे knowable हैं, learning जब वे नहीं हैं।
Summary
Key takeaways
- Machine learning एक computer को rules से explicitly programmed होने की बजाय data से patterns सीखना सिखाता है।
- Benefits: यह उन problems को handle करता है जो hand-code करने के लिए बहुत complex हैं, ज़्यादा data से improve होता है, और scale पर prediction automate करता है।
- एक typical ML life cycle: data collect कीजिए, इसे prepare/clean कीजिए, एक model train कीजिए, इसे evaluate कीजिए, फिर deploy और monitor कीजिए।
- Supervised learning labelled data (known outputs) इस्तेमाल करके predict करना सीखता है, जैसे placement yes/no predict करना।
- Unsupervised learning unlabelled data इस्तेमाल करके hidden structure ढूँढता है, जैसे students को groups में cluster करना।
- ML बहुत सारे data के साथ complex, hidden patterns को suit करता है; simple, known rules हाथ से बेहतर लिखे जाते हैं।
- Memory hook: ML data से सीखता है; supervised के पास answers हैं (labels), unsupervised structure ढूँढता है।