মেশিন লার্নিং (ML) আমাদের ব্যবহৃত সবচেয়ে গুরুত্বপূর্ণ কিছু প্রযুক্তিকে শক্তিশালী করে, অনুবাদ অ্যাপ থেকে শুরু করে স্বায়ত্তশাসিত যানবাহন পর্যন্ত। এই কোর্সটি ML-এর পিছনের মূল ধারণাগুলি ব্যাখ্যা করে।
ML সমস্যা সমাধান, জটিল প্রশ্নের উত্তর এবং নতুন কন্টেন্ট তৈরির একটি নতুন উপায় প্রদান করে। ML আবহাওয়ার পূর্বাভাস দিতে পারে, ভ্রমণের সময় অনুমান করতে পারে, গান সুপারিশ করতে পারে, বাক্য স্বয়ংক্রিয়ভাবে সম্পূর্ণ করতে পারে, নিবন্ধগুলির সারসংক্ষেপ করতে পারে এবং আগে কখনও দেখা না যাওয়া ছবি তৈরি করতে পারে।
মৌলিক অর্থে, ML হল একটি সফ্টওয়্যারকে প্রশিক্ষণ দেওয়ার প্রক্রিয়া, যাকে মডেল বলা হয়, যাতে ডেটা থেকে দরকারী ভবিষ্যদ্বাণী করা যায় বা সামগ্রী (যেমন টেক্সট, ছবি, অডিও বা ভিডিও) তৈরি করা যায়।
উদাহরণস্বরূপ, ধরুন আমরা বৃষ্টিপাতের পূর্বাভাস দেওয়ার জন্য একটি অ্যাপ তৈরি করতে চাই। আমরা একটি ঐতিহ্যবাহী পদ্ধতি অথবা একটি ML পদ্ধতি ব্যবহার করতে পারি। একটি ঐতিহ্যবাহী পদ্ধতি ব্যবহার করে, আমরা পৃথিবীর বায়ুমণ্ডল এবং পৃষ্ঠের একটি পদার্থবিদ্যা-ভিত্তিক উপস্থাপনা তৈরি করব, বিপুল পরিমাণে তরল গতিবিদ্যা সমীকরণ গণনা করব। এটি অবিশ্বাস্যভাবে কঠিন।
একটি ML পদ্ধতি ব্যবহার করে, আমরা একটি ML মডেলকে প্রচুর পরিমাণে আবহাওয়ার তথ্য দেব যতক্ষণ না ML মডেলটি অবশেষে বিভিন্ন পরিমাণে বৃষ্টিপাতের জন্য দায়ী আবহাওয়ার ধরণগুলির মধ্যে গাণিতিক সম্পর্ক শিখে । এরপর আমরা মডেলটিকে বর্তমান আবহাওয়ার তথ্য দেব এবং এটি বৃষ্টিপাতের পরিমাণ পূর্বাভাস দেবে।
তোমার বোধগম্যতা পরীক্ষা করো
এমএল সিস্টেমের প্রকারভেদ
এমএল সিস্টেমগুলি কীভাবে ভবিষ্যদ্বাণী করতে বা কন্টেন্ট তৈরি করতে শেখে তার উপর ভিত্তি করে নিম্নলিখিত এক বা একাধিক বিভাগে পড়ে:
- তত্ত্বাবধানে শেখা
- তত্ত্বাবধানহীন শিক্ষা
- শক্তিবৃদ্ধি শেখা
- জেনারেটিভ এআই
তত্ত্বাবধানে শেখা
তত্ত্বাবধানে থাকা শিক্ষণ মডেলগুলি সঠিক উত্তরের সাথে প্রচুর তথ্য দেখে এবং তারপর সঠিক উত্তর তৈরি করে এমন তথ্যের উপাদানগুলির মধ্যে সংযোগ আবিষ্কার করে ভবিষ্যদ্বাণী করতে পারে। এটি এমন একটি শিক্ষার্থীর মতো যা প্রশ্ন এবং উত্তর উভয়ই ধারণ করে এমন পুরানো পরীক্ষাগুলি অধ্যয়ন করে নতুন উপাদান শেখায়। একবার শিক্ষার্থী যথেষ্ট পুরানো পরীক্ষায় প্রশিক্ষণ নেওয়ার পরে, শিক্ষার্থী একটি নতুন পরীক্ষা দেওয়ার জন্য প্রস্তুত হয়। এই ML সিস্টেমগুলি "তত্ত্বাবধানে" থাকে এই অর্থে যে একজন মানুষ ML সিস্টেমের ডেটা জ্ঞাত সঠিক ফলাফল সহ দেয়।
তত্ত্বাবধানে থাকা শিক্ষার জন্য সবচেয়ে সাধারণ ব্যবহারের দুটি হল রিগ্রেশন এবং শ্রেণীবিভাগ।
রিগ্রেশন
একটি রিগ্রেশন মডেল একটি সংখ্যাসূচক মান ভবিষ্যদ্বাণী করে। উদাহরণস্বরূপ, একটি আবহাওয়া মডেল যা ইঞ্চি বা মিলিমিটারে বৃষ্টির পরিমাণ ভবিষ্যদ্বাণী করে, তাকে একটি রিগ্রেশন মডেল বলা হয়।
রিগ্রেশন মডেলের আরও উদাহরণের জন্য নীচের টেবিলটি দেখুন:
| দৃশ্যকল্প | সম্ভাব্য ইনপুট ডেটা | সংখ্যাসূচক ভবিষ্যদ্বাণী |
|---|---|---|
| ভবিষ্যতের বাড়ির দাম | বর্গক্ষেত্রের ফুটেজ, জিপ কোড, শয়নকক্ষ এবং বাথরুমের সংখ্যা, লটের আকার, বন্ধকের সুদের হার, সম্পত্তি করের হার, নির্মাণ খরচ এবং এলাকায় বিক্রয়ের জন্য বাড়ির সংখ্যা। | বাড়ির দাম। |
| ভবিষ্যতের যাত্রার সময় | ঐতিহাসিক ট্র্যাফিক পরিস্থিতি (স্মার্টফোন, ট্র্যাফিক সেন্সর, রাইড-হেলিং এবং অন্যান্য নেভিগেশন অ্যাপ্লিকেশন থেকে সংগৃহীত), গন্তব্য থেকে দূরত্ব এবং আবহাওয়ার পরিস্থিতি। | গন্তব্যে পৌঁছাতে মিনিট এবং সেকেন্ডে সময়। |
শ্রেণীবিভাগ
শ্রেণিবিন্যাস মডেলগুলি কোনও কিছু কোনও বিভাগের অন্তর্ভুক্ত হওয়ার সম্ভাবনা ভবিষ্যদ্বাণী করে। রিগ্রেশন মডেলগুলির বিপরীতে, যার আউটপুট একটি সংখ্যা, শ্রেণিবিন্যাস মডেলগুলি একটি মান আউটপুট করে যা বলে যে কোনও কিছু কোনও নির্দিষ্ট বিভাগের অন্তর্ভুক্ত কিনা। উদাহরণস্বরূপ, শ্রেণিবিন্যাস মডেলগুলি কোনও ইমেল স্প্যাম কিনা বা কোনও ছবিতে একটি বিড়াল রয়েছে কিনা তা ভবিষ্যদ্বাণী করতে ব্যবহৃত হয়।
শ্রেণিবিন্যাস মডেল দুটি ভাগে বিভক্ত: বাইনারি শ্রেণিবিন্যাস এবং বহু-শ্রেণীবদ্ধ শ্রেণিবিন্যাস। বাইনারি শ্রেণিবিন্যাস মডেলগুলি এমন একটি শ্রেণী থেকে একটি মান আউটপুট করে যার মধ্যে কেবল দুটি মান থাকে, উদাহরণস্বরূপ, একটি মডেল যা rain বা no rain আউটপুট দেয়। বহু-শ্রেণীবদ্ধ শ্রেণিবিন্যাস মডেলগুলি এমন একটি শ্রেণী থেকে একটি মান আউটপুট করে যার মধ্যে দুটির বেশি মান থাকে, উদাহরণস্বরূপ, একটি মডেল যা rain , hail , snow বা sleet উভয়ই আউটপুট করতে পারে।
তোমার বোধগম্যতা পরীক্ষা করো
তত্ত্বাবধানহীন শিক্ষা
একটি তত্ত্বাবধানহীন শিক্ষণ মডেল একটি ডেটাসেটে অর্থপূর্ণ প্যাটার্ন সনাক্ত করার লক্ষ্য রাখে। উদাহরণস্বরূপ, অনেক তত্ত্বাবধানহীন শিক্ষণ মডেল একই ধরণের ডেটাকে ("ক্লাস্টার") গ্রুপে সংগঠিত করার জন্য ক্লাস্টারিং নামক একটি কৌশলের উপর নির্ভর করে।
চিত্র ১। একই রকম ডেটা পয়েন্ট ক্লাস্টার করে একটি এমএল মডেল।
চিত্র ২। প্রাকৃতিক সীমানা সহ গুচ্ছের দল।
ক্লাস্টারিং শ্রেণীবিভাগ থেকে আলাদা কারণ বিভাগগুলি আপনার দ্বারা সংজ্ঞায়িত করা হয় না। উদাহরণস্বরূপ, একটি তত্ত্বাবধানহীন মডেল তাপমাত্রার উপর ভিত্তি করে একটি আবহাওয়া ডেটাসেট ক্লাস্টার করতে পারে, যা ঋতু নির্ধারণকারী বিভাজনগুলি প্রকাশ করে। তারপরে আপনি ডেটাসেট সম্পর্কে আপনার বোধগম্যতার উপর ভিত্তি করে সেই ক্লাস্টারগুলির নামকরণ করার চেষ্টা করতে পারেন।
চিত্র ৩। একই রকম আবহাওয়ার ধরণগুলিকে একত্রিত করে একটি এমএল মডেল।
চিত্র ৪. তুষার, তুষারপাত, বৃষ্টিপাত এবং বৃষ্টিহীনতা হিসাবে চিহ্নিত আবহাওয়ার ধরণগুলির গুচ্ছ।
তোমার বোধগম্যতা পরীক্ষা করো
শক্তিবৃদ্ধি শেখা
রিইনফোর্সমেন্ট লার্নিং মডেলগুলি পরিবেশের মধ্যে সম্পাদিত কর্মের উপর ভিত্তি করে পুরষ্কার বা জরিমানা পেয়ে ভবিষ্যদ্বাণী করে। একটি রিইনফোর্সমেন্ট লার্নিং সিস্টেম এমন একটি নীতি তৈরি করে যা সর্বাধিক পুরষ্কার পাওয়ার জন্য সেরা কৌশল নির্ধারণ করে।
রিইনফোর্সমেন্ট লার্নিং ব্যবহার করা হয় রোবটদের ঘরের চারপাশে ঘোরাঘুরির মতো কাজ সম্পাদনের প্রশিক্ষণ দিতে এবং AlphaGo মতো সফ্টওয়্যার প্রোগ্রামগুলিকে গো গেম খেলার জন্য প্রশিক্ষণ দিতে।
জেনারেটিভ এআই
জেনারেটিভ এআই হলো মডেলের একটি শ্রেণী যা ব্যবহারকারীর ইনপুট থেকে কন্টেন্ট তৈরি করে। উদাহরণস্বরূপ, জেনারেটিভ এআই অনন্য ছবি, সঙ্গীত রচনা এবং রসিকতা তৈরি করতে পারে; এটি নিবন্ধগুলির সারসংক্ষেপ করতে পারে, কোনও কাজ কীভাবে সম্পাদন করতে হয় তা ব্যাখ্যা করতে পারে, অথবা কোনও ছবি সম্পাদনা করতে পারে।
জেনারেটিভ এআই বিভিন্ন ধরণের ইনপুট নিতে পারে এবং টেক্সট, ছবি, অডিও এবং ভিডিওর মতো বিভিন্ন ধরণের আউটপুট তৈরি করতে পারে। এটি এগুলোর সমন্বয়ও নিতে এবং তৈরি করতে পারে। উদাহরণস্বরূপ, একটি মডেল ইনপুট হিসেবে একটি ছবি নিতে পারে এবং আউটপুট হিসেবে একটি ছবি এবং টেক্সট তৈরি করতে পারে, অথবা ইনপুট হিসেবে একটি ছবি এবং টেক্সট নিতে পারে এবং আউটপুট হিসেবে একটি ভিডিও তৈরি করতে পারে।
আমরা জেনারেটিভ মডেলগুলি তাদের ইনপুট এবং আউটপুট দ্বারা আলোচনা করতে পারি, সাধারণত "ইনপুটের ধরণ" থেকে "আউটপুটের ধরণ" হিসাবে লেখা হয়। উদাহরণস্বরূপ, জেনারেটিভ মডেলগুলির জন্য কিছু ইনপুট এবং আউটপুটের একটি আংশিক তালিকা নীচে দেওয়া হল:
- টেক্সট-টু-টেক্সট
- টেক্সট-টু-ইমেজ
- টেক্সট-টু-ভিডিও
- টেক্সট-টু-কোড
- টেক্সট-টু-স্পিচ
- ছবি এবং টেক্সট-টু-ইমেজ
নিম্নলিখিত টেবিলে জেনারেটিভ মডেল, তাদের ইনপুট এবং তাদের সম্ভাব্য আউটপুটের উদাহরণ রয়েছে:
| মডেল | ইনপুট | উদাহরণ আউটপুট |
|---|---|---|
| টেক্সট-টু-টেক্সট | লে ম্যানস জাতি কে আবিষ্কার করেন? | ১৯০৬ সালে প্রতিষ্ঠিত মোটরগাড়ি সংস্থা অটোমোবাইল ক্লাব ডি ল'ওয়েস্ট (ACO) দ্বারা ২৪ ঘন্টা লে ম্যান্স প্রতিষ্ঠা করা হয়েছিল। প্রথম দৌড় প্রতিযোগিতাটি ১৯২৩ সালের ২৬ এবং ২৭ মে ফ্রান্সের লে ম্যান্স শহরের কাছে অবস্থিত ১৩.৪২৬ কিলোমিটার (৮.৩৪৫ মাইল) দীর্ঘ সার্থে সার্কিটে অনুষ্ঠিত হয়েছিল। এই দৌড় প্রতিযোগিতাটি মূলত ACO এবং সার্থে অঞ্চলের প্রচারের জন্য কল্পনা করা হয়েছিল। সূত্র: বার্ড |
| টেক্সট-টু-ইমেজ | একটি ভিনগ্রহী অক্টোপাস সংবাদপত্র পড়ার সময় একটি পোর্টালের মধ্য দিয়ে ভেসে বেড়াচ্ছে। |  সূত্র: ইমেজেন |
| টেক্সট-টু-ভিডিও | সান ফ্রান্সিসকোতে সমুদ্রে সাঁতার কাটছে একটি ফটোরিয়ালিস্টিক টেডি বিয়ার। টেডি বিয়ারটি পানির নিচে চলে যায়। টেডি বিয়ারটি রঙিন মাছের সাথে পানির নিচে সাঁতার কাটতে থাকে। একটি পান্ডা ভালুক পানির নিচে সাঁতার কাটছে। |  সূত্র: ফেনাকি |
| টেক্সট-টু-কোড | একটি পাইথন লুপ লিখুন যা সংখ্যার তালিকার উপর লুপ করে এবং মৌলিক সংখ্যাগুলি প্রিন্ট করে। | for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) সূত্র: বার্ড |
| ছবি থেকে টেক্সট |  | এটি একটি ফ্লেমিঙ্গো। এরা ক্যারিবীয় অঞ্চলে পাওয়া যায়। সূত্র: গুগল ডিপমাইন্ড |
জেনারেটিভ এআই কীভাবে কাজ করে? উচ্চ-স্তরে, জেনারেটিভ মডেলগুলি নতুন কিন্তু অনুরূপ ডেটা তৈরি করার লক্ষ্যে ডেটাতে প্যাটার্ন শিখে। জেনারেটিভ মডেলগুলি নিম্নরূপ:
- কৌতুকাভিনেতারা যারা মানুষের আচরণ এবং কথা বলার ধরণ পর্যবেক্ষণ করে অন্যদের অনুকরণ করতে শেখে
- শিল্পীরা যারা একটি নির্দিষ্ট শৈলীতে ছবি আঁকা শেখেন, সেই শৈলীতে প্রচুর চিত্রকর্ম অধ্যয়ন করে
- যেসব কভার ব্যান্ড একটি নির্দিষ্ট সঙ্গীত দলের মতো শব্দ করতে শেখে, সেই দলের প্রচুর সঙ্গীত শুনে।
অনন্য এবং সৃজনশীল ফলাফল তৈরি করার জন্য, জেনারেটিভ মডেলগুলিকে প্রাথমিকভাবে একটি অতত্ত্বাবধানী পদ্ধতি ব্যবহার করে প্রশিক্ষণ দেওয়া হয়, যেখানে মডেলটি যে ডেটার উপর প্রশিক্ষিত তা অনুকরণ করতে শেখে। মডেলটিকে কখনও কখনও তত্ত্বাবধানে থাকা বা পুনর্বহাল শিক্ষা ব্যবহার করে আরও প্রশিক্ষণ দেওয়া হয় যেগুলি মডেলকে যে কাজগুলি সম্পাদন করতে বলা হতে পারে, উদাহরণস্বরূপ, একটি নিবন্ধের সারসংক্ষেপ তৈরি করা বা একটি ছবি সম্পাদনা করা।
জেনারেটিভ এআই একটি দ্রুত বিকশিত প্রযুক্তি যার নতুন ব্যবহারের কেস ক্রমাগত আবিষ্কৃত হচ্ছে। উদাহরণস্বরূপ, জেনারেটিভ মডেলগুলি ব্যবসাগুলিকে তাদের ই-কমার্স পণ্যের ছবিগুলিকে স্বয়ংক্রিয়ভাবে বিভ্রান্তিকর ব্যাকগ্রাউন্ড অপসারণ করে বা কম-রেজোলিউশনের ছবির মান উন্নত করে পরিমার্জন করতে সহায়তা করছে।