ভিতরে , ধারণার শিখনকে ' অনুমানের জন্য সম্ভাব্য হাইপোথিসিসের একটি পূর্বনির্ধারিত স্থান অনুসন্ধান করার সমস্যা যা প্রশিক্ষণের উদাহরণগুলির সাথে সর্বোত্তমভাবে ফিট করে ”- টম মিচেল। এই নিবন্ধে, আমরা ফাইন্ড-এস অ্যালগরিদম হিসাবে পরিচিত এমন একটি ধারণা শেখার অ্যালগরিদমটি দিয়ে যাব। নিম্নলিখিত নিবন্ধগুলি এই নিবন্ধে আলোচনা করা হয়েছে।
- মেশিন লার্নিং-এ ফাইন্ড-এস অ্যালগরিদম কী?
- এটা কিভাবে কাজ করে?
- ফাইন্ড-এস অ্যালগরিদমের সীমাবদ্ধতা
- ফাইন্ড-এস অ্যালগরিদমের বাস্তবায়ন
- ব্যবহারের ক্ষেত্রে
মেশিন লার্নিং-এ ফাইন্ড-এস অ্যালগরিদম কী?
ফাইন্ড-এস অ্যালগরিদম বোঝার জন্য আপনাকে নিম্নলিখিত ধারণাগুলিরও প্রাথমিক ধারণা থাকতে হবে:
- কনসেপ্ট লার্নিং
- সাধারণ অনুমান
- নির্দিষ্ট হাইপোথিসিস
1. কনসেপ্ট লার্নিং
আসুন একটি বাস্তব জীবনের উদাহরণ সহ ধারণা ধারণা শেখার চেষ্টা করি। মানব শিক্ষার বেশিরভাগ অংশ অতীত দৃষ্টান্ত বা অভিজ্ঞতার ভিত্তিতে তৈরি। উদাহরণস্বরূপ, আমরা মেক, মডেল ইত্যাদির মতো নির্দিষ্ট বৈশিষ্ট্যের উপর নির্ভর করে যে কোনও ধরণের যানবাহন সনাক্ত করতে সক্ষম যা বৈশিষ্ট্যগুলির একটি বিশাল সংখ্যার উপর নির্ভর করে।
এই বিশেষ বৈশিষ্ট্যগুলি গাড়ি, ট্রাক ইত্যাদির বৃহত সেট থেকে পৃথক করে। এই বৈশিষ্ট্যগুলি গাড়ি, ট্রাক ইত্যাদির সেট সংজ্ঞায়িত করে ধারণা হিসাবে পরিচিত।
এর অনুরূপ, মেশিনগুলি ধারণাটি থেকে কোনও জিনিস নির্দিষ্ট শ্রেণীর অন্তর্ভুক্ত কিনা তা সনাক্ত করতেও শিখতে পারে। যে কোন কনসেপ্ট লার্নিংয়ের জন্য নিম্নলিখিতগুলির প্রয়োজন:
- প্রশিক্ষণ ডেটা
- লক্ষ্য ধারণা
- আসল ডেটা অবজেক্টস
2. সাধারণ অনুমান
ঝালর মধ্যে একটি পরামিতি তৈরি করুন
হাইপোথিসিস, সাধারণভাবে, কোনও কিছুর ব্যাখ্যা। সাধারণ অনুমান মূলত প্রধান পরিবর্তনশীলগুলির মধ্যে সাধারণ সম্পর্ককে বলে। উদাহরণস্বরূপ, খাদ্য অর্ডার করার জন্য একটি সাধারণ অনুমান হবে আমি বার্গার চাই
জি = {‘?’, ‘?’, ‘?’,… .. ’?’
3. নির্দিষ্ট হাইপোথিসিস
সাধারণ হাইপোথিসিসে প্রদত্ত ভেরিয়েবল সম্পর্কে সমস্ত গুরুত্বপূর্ণ বিশদটিতে নির্দিষ্ট অনুমানটি পূর্ণ হয়। উপরে বর্ণিত উদাহরণের আরও সুনির্দিষ্ট বিবরণ হবে আমি একটি চিজবার্গার চাই একটি চিকেন পেপারোনি দিয়ে প্রচুর লেটুস ভরে দেব।
এস = {'& ফি', 'ও ফি', 'ও ফি', ……, 'ও ফি'
বর্গ কোয়েরিতে বিবৃতি যদি
এখন, মেশিন লার্নিং-এ ফাইন্ড-এস অ্যালগরিদম সম্পর্কে কথা বলা যাক।
ফাইন্ড-এস অ্যালগরিদম নীচে লিখিত পদক্ষেপগুলি অনুসরণ করে:
- ‘H’ সর্বাধিক নির্দিষ্ট অনুমানের সূচনা করুন।
- ফাইন্ড-এস অ্যালগরিদম কেবল ইতিবাচক উদাহরণগুলি বিবেচনা করে এবং নেতিবাচক উদাহরণগুলি সরিয়ে দেয়। প্রতিটি ইতিবাচক উদাহরণের জন্য, অ্যালগরিদম উদাহরণে প্রতিটি বৈশিষ্ট্যের জন্য পরীক্ষা করে। যদি বৈশিষ্ট্যটির মানটি অনুমান মানের মতো হয় তবে অ্যালগরিদম কোনও পরিবর্তন ছাড়াই চলে। তবে যদি বৈশিষ্ট্যটির মানটি অনুমান মানের থেকে আলাদা হয় তবে অ্যালগরিদম এটিকে ‘?’ এ পরিবর্তিত করে।
এখন যেহেতু আমরা ফাইন্ড-এস অ্যালগরিদমের মূল ব্যাখ্যাটি সম্পন্ন করেছি, আসুন এটি কীভাবে কাজ করে তা একবার দেখে নেওয়া যাক।
এটা কিভাবে কাজ করে?
- প্রক্রিয়াটি সুনির্দিষ্ট নির্দিষ্ট অনুমানের সাথে ‘এইচ’ শুরু করার সাথে শুরু হয়, সাধারণত, এটি ডেটা সেটের প্রথম ইতিবাচক উদাহরণ।
- আমরা প্রতিটি ইতিবাচক উদাহরণ পরীক্ষা করি। উদাহরণটি যদি নেতিবাচক হয় তবে আমরা পরবর্তী উদাহরণে চলে যাব তবে এটি যদি ইতিবাচক উদাহরণ হয় তবে আমরা এটি পরবর্তী পদক্ষেপের জন্য বিবেচনা করব।
- উদাহরণে প্রতিটি বৈশিষ্ট্য অনুমান মানের সাথে সমান কিনা তা আমরা পরীক্ষা করব।
- মানটি যদি মেলে তবে কোনও পরিবর্তন করা হবে না।
- মানটি না মিললে মানটি ‘?’ এ পরিবর্তিত হয়।
- আমরা ডেটা সেটে সর্বশেষ ইতিবাচক উদাহরণে না পৌঁছা পর্যন্ত আমরা এটি করি।
ফাইন্ড-এস অ্যালগরিদমের সীমাবদ্ধতা
নীচে নীচে তালিকাবদ্ধ ফাইন্ড-এস অ্যালগরিদমের কয়েকটি সীমাবদ্ধতা রয়েছে:
- অনুমানটি ডেটা জুড়ে সামঞ্জস্যপূর্ণ কিনা তা নির্ধারণের কোনও উপায় নেই।
- অসামঞ্জস্যপূর্ণ প্রশিক্ষণ সেটগুলি আসলে ফাইন্ড-এস অ্যালগরিদমকে বিভ্রান্ত করতে পারে, কারণ এটি নেতিবাচক উদাহরণগুলিকে উপেক্ষা করে।
- ফাইন্ড-এস অ্যালগরিদম ফলাফল অনুমানকে উন্নত করতে পারে এমন সর্বোত্তম সম্ভাব্য পরিবর্তনগুলি নির্ধারণ করার জন্য একটি ব্যাকট্রাকিং কৌশল সরবরাহ করে না।
এখন যেহেতু আমরা ফাইন্ড-এস অ্যালগরিদমের সীমাবদ্ধতা সম্পর্কে অবগত রয়েছি, আসুন আমরা ফাইন্ড-এস অ্যালগরিদমটির ব্যবহারিক বাস্তবায়নের দিকে নজর দেওয়া যাক।
ফাইন্ড-এস অ্যালগরিদমের বাস্তবায়ন
বাস্তবায়নটি বোঝার জন্য, আসুন আমরা কোনও ছোট্ট ডেটা সেটগুলিতে এটি প্রয়োগ করার চেষ্টা করি যাতে কোনও ব্যক্তি হাঁটতে যেতে চান কিনা তা সিদ্ধান্ত নিতে কয়েকটি উদাহরণ সহ একটি সেট সেট করুন।
কোন ব্যক্তি হাঁটতে যেতে কোন দিন পছন্দ করে সে বিষয়ে এই নির্দিষ্ট সমস্যার ধারণাটি থাকবে।
| সময় | আবহাওয়া | তাপমাত্রা | প্রতিষ্ঠান | আর্দ্রতা | বায়ু | যায় |
| সকাল | রোদ | উষ্ণ | হ্যাঁ | হালকা | শক্তিশালী | হ্যাঁ |
| সন্ধ্যা | বৃষ্টি | ঠান্ডা | না | হালকা | সাধারণ | না |
| সকাল | রোদ | মাঝারি | হ্যাঁ | সাধারণ | সাধারণ | হ্যাঁ |
| সন্ধ্যা | রোদ | ঠান্ডা | হ্যাঁ | উচ্চ | শক্তিশালী | হ্যাঁ |
ডেটা সেটটি দেখে, আমাদের ছয়টি বৈশিষ্ট্য এবং একটি চূড়ান্ত বৈশিষ্ট্য যা ইতিবাচক বা নেতিবাচক উদাহরণকে সংজ্ঞায়িত করে। এই ক্ষেত্রে, হ্যাঁ একটি ইতিবাচক উদাহরণ, যার অর্থ ব্যক্তিটি হাঁটতে যাবেন।
সুতরাং এখন, সাধারণ অনুমানটি হ'ল:
এইচ0= {‘সকাল’, ‘সানি’, ‘উষ্ণ’, ‘হ্যাঁ’, ‘মৃদু’, ‘শক্তিশালী’
এটি আমাদের সাধারণ অনুমান, এবং এখন আমরা প্রতিটি উদাহরণকে একে একে বিবেচনা করব, তবে কেবল ইতিবাচক উদাহরণ।
এইচএক= {‘সকাল’, ‘সানি’, ‘?’, ‘হ্যাঁ’, ‘?’, ‘?’ ’
এইচঘ= {‘?’, ‘সানি’, ‘?’, ‘হ্যাঁ’, ‘?’, ‘?’
ফলস্বরূপ অনুমানের জন্য আমরা সাধারণ অনুমানের সমস্ত ভিন্ন মানকে প্রতিস্থাপন করেছি। এখন যেহেতু আমরা জানি যে কীভাবে ফাইন্ড-এস অ্যালগরিদম কাজ করে, আসুন আমরা এটি ব্যবহার করে একটি বাস্তবায়ন ঘুরে দেখি পাইথন ।
ব্যবহারের ক্ষেত্রে
আসুন ব্যবহার করে উপরের উদাহরণটি প্রয়োগ করার চেষ্টা করি । উপরের ডেটা ব্যবহার করে ফাইন্ড-এস অ্যালগরিদম বাস্তবায়নের কোডটি নীচে দেওয়া হয়েছে।
পিডি আমদানি করুন পিডি হিসাবে এনপি হিসাবে আমদানি ন্যামি # সিএসভি ফাইলের ডেটা পড়তে = পিডি.ড্রেড_সিএসভি ('ডেটা সিএসভি') মুদ্রণ (ডেটা, 'এন') # সমস্ত বৈশিষ্ট্যের একটি অ্যারে তৈরি করে ডি = এনপি.আর (ডেটা) [:,: - 1] মুদ্রণ করুন ('n বৈশিষ্ট্যগুলি হ'ল:', d) # সেগ্রেটিটিং যা ইতিবাচক এবং নেতিবাচক উদাহরণগুলি লক্ষ্যযুক্ত করে = এনপি.আররে (ডেটা) [:, - 1] মুদ্রণ ('এন লক্ষ্যটি হ'ল: ', লক্ষ্য) ফাইন্ড-অ্যালগোরিদম ডিফ ট্রেন (সি, টি) বাস্তবায়নের জন্য # প্রশিক্ষণ ফাংশন: i এর জন্য, গণিতে (টি): যদি মান ==' হ্যাঁ ': নির্দিষ্ট_হাইপোথেসিস = সি [i]। অনুলিপি আই, ভলিউম ইন গণিত (সি): যদি টি [আমি] == 'হ্যাঁ': এক্স রেঞ্জের জন্য (লেন (নির্দিষ্ট_হাইপোথেসিস)): যদি ভাল [এক্স]! = নির্দিষ্ট_হাইপোথেসিস [এক্স]: নির্দিষ্ট_হাইপোথেসিস [ x] = '?' অন্যটি: পাসের ফিরতি নির্দিষ্ট_হাইপোথেসিস # চূড়ান্ত অনুমানের মুদ্রণ অর্জন ('n চূড়ান্ত অনুমানটি হ'ল:', ট্রেন (ডি, লক্ষ্য))আউটপুট:
এইচটিএমএল এবং এক্সএমএল মধ্যে পার্থক্য কি
এটি আমাদের এই নিবন্ধের শেষে নিয়ে আসে যেখানে আমরা ম্যাকের মধ্যে ফাইন্ড-এস অ্যালগরিদম শিখেছিits এর বাস্তবায়ন এবং ব্যবহারের ক্ষেত্রে শেখা। আমি আশা করি এই টিউটোরিয়ালে আপনার সাথে যা ভাগ করা হয়েছে তার সাথে আপনি পরিষ্কার হয়ে গেছেন।
আপনি যদি 'মেশিন লার্নিংয়ে ফাইন্ড-এস অ্যালগরিদম' সম্পর্কিত এই নিবন্ধটি খুঁজে পেয়ে থাকেন তবে এটি দেখুন বিশ্বজুড়ে ছড়িয়ে থাকা 250,000 এরও বেশি সন্তুষ্ট শিক্ষার্থীর নেটওয়ার্ক সহ একটি বিশ্বস্ত অনলাইন লার্নিং সংস্থা।
আমরা এখানে আপনার যাত্রার প্রতিটি পদক্ষেপে আপনাকে সহায়তা করতে এবং এমন একটি পাঠ্যক্রম নিয়ে এসেছি যা শিক্ষার্থী এবং পেশাদারদের জন্য ডিজাইন করা হয়েছে । কোথাকারটি আপনাকে পাইথন প্রোগ্রামিংয়ে একটি প্রধান সূচনা দেওয়ার জন্য এবং বিভিন্ন এবং মূল এবং উন্নত পাইথন উভয় ধারণার পাশাপাশি প্রশিক্ষণের জন্য ডিজাইন করা হয়েছে পছন্দ , ইত্যাদি
যদি আপনার কোনও প্রশ্ন আসে তবে নির্দ্বিধায় 'ফাইন্ড-এস অ্যালগরিদম ইন মেশিন লার্নিং' এর মন্তব্য বিভাগে আপনার সমস্ত প্রশ্ন জিজ্ঞাসা করুন এবং আমাদের দলটি উত্তর দিতে পেরে খুশি হবে।