मशीन लर्निंग
कार्यक्रमों को नियम हाथ से लिखने के बजाय डेटा से सीखने देना
OVERVIEW
- सभी प्रविष्टियाँ
- 6
- प्रारंभिक
- 2
- मध्यवर्ती
- 3
- विशेषज्ञ
- 1
Machine learning compresses into a single sentence: given a set of samples, find a function that still works on new ones. Around that sentence grow the divide between supervised and unsupervised learning, the tug-of-war between overfitting and regularisation, and the methodology of measuring — honestly — whether it works at all.
इस क्षेत्र में उत्तर देने वाले प्रश्न
- Q1
What separates “memorising” from “learning”?
- Q2
Why does a model that aces training fail in production?
- Q3
What can unlabelled data still be used for?
इस क्षेत्र की प्रविष्टियाँ
- 01पर्यवेक्षित अधिगमप्रारंभिक‘प्रश्न–उत्तर’ के जोड़े मॉडल को स्वयं उत्तर देना सिखाते हैं
- 02अनुपर्वेक्षित अधिगमप्रारंभिकउत्तर न होने पर संरचना को स्वयं डेटा से उभरना होता है — और ‘अच्छा’ की परिभाषा फिर से तय करनी पड़ती है
- 03हानि फलनमध्यवर्तीहानि फलन तय करता है कि आप वास्तव में किसे दंडित करते हैं — इसे बदलिए, तो सही-गलत की धारणा ही बदल जाती है
- 04अति-अनुकूलन और नियमीकरणमध्यवर्तीमॉडल प्रशिक्षण डेटा को रट लेता है, पर नए डेटा पर बुरी तरह विफल हो जाता है
- 05मॉडल मूल्यांकन और क्रॉस-वैलिडेशनमध्यवर्तीसटीकता सबसे भ्रामक मापदंड है — मूल्यांकन गलत हुआ तो बाकी सब बेकार है
- 06पूर्वाग्रह–प्रसरण संतुलनविशेषज्ञहर पूर्वानुमान त्रुटि तीन भागों में बँटती है — अति-सरल मॉडल, अति-अस्थिर मॉडल, और स्वयं विश्व की यादृच्छिकता