এটি বেশ কয়েকটি খেলার মাঠের অনুশীলনের মধ্যে প্রথম। খেলার মাঠ হল একটি প্রোগ্রাম যা বিশেষ করে এই কোর্সের জন্য মেশিন লার্নিং নীতি শেখানোর জন্য তৈরি করা হয়েছে। এই কোর্সের প্রতিটি খেলার মাঠের অনুশীলনে প্রিসেট সহ একটি এমবেডেড খেলার মাঠের উদাহরণ রয়েছে।
প্রতিটি খেলার মাঠের অনুশীলন একটি ডেটাসেট তৈরি করে। এই ডেটাসেটের লেবেলে দুটি সম্ভাব্য মান রয়েছে। আপনি স্প্যাম বনাম স্প্যাম নয় বা সম্ভবত সুস্থ গাছ বনাম অসুস্থ গাছ হিসাবে এই দুটি সম্ভাব্য মান চিন্তা করতে পারেন। বেশিরভাগ অনুশীলনের লক্ষ্য হল একটি মডেল তৈরি করার জন্য বিভিন্ন হাইপারপ্যারামিটারগুলিকে পরিবর্তন করা যা সফলভাবে একটি লেবেল মানকে অন্যটি থেকে শ্রেণীবদ্ধ করে (বিচ্ছিন্ন বা আলাদা করে)। মনে রাখবেন যে বেশিরভাগ ডেটা সেটগুলিতে একটি নির্দিষ্ট পরিমাণ শব্দ থাকে যা প্রতিটি উদাহরণকে সফলভাবে শ্রেণীবদ্ধ করা অসম্ভব করে তুলবে।
মডেল ভিজ্যুয়ালাইজেশনের ব্যাখ্যার জন্য প্লাস আইকনে ক্লিক করুন।
প্রতিটি খেলার মাঠের অনুশীলন মডেলের বর্তমান অবস্থার একটি ভিজ্যুয়ালাইজেশন প্রদর্শন করে। উদাহরণস্বরূপ, এখানে একটি ভিজ্যুয়ালাইজেশন:
মডেল ভিজ্যুয়ালাইজেশন সম্পর্কে নিম্নলিখিত নোট করুন:
প্রতিটি অক্ষ একটি নির্দিষ্ট বৈশিষ্ট্য উপস্থাপন করে। স্প্যাম বনাম স্প্যামের ক্ষেত্রে, বৈশিষ্ট্যগুলি শব্দ গণনা এবং ইমেল প্রাপকদের সংখ্যা হতে পারে৷
প্রতিটি ডট ডেটার একটি উদাহরণের জন্য বৈশিষ্ট্য মানগুলি প্লট করে, যেমন একটি ইমেল৷
বিন্দুর রঙ সেই শ্রেণীর প্রতিনিধিত্ব করে যেটি উদাহরণটি অন্তর্গত। উদাহরণস্বরূপ, নীল বিন্দুগুলি অ-স্প্যাম ইমেলগুলিকে উপস্থাপন করতে পারে যখন কমলা বিন্দুগুলি স্প্যাম ইমেলগুলিকে উপস্থাপন করতে পারে৷
পটভূমির রঙটি মডেলের ভবিষ্যদ্বাণীকে উপস্থাপন করে যেখানে সেই রঙের উদাহরণগুলি পাওয়া উচিত। একটি নীল বিন্দুর চারপাশে একটি নীল পটভূমির অর্থ হল মডেলটি সেই উদাহরণটি সঠিকভাবে ভবিষ্যদ্বাণী করছে৷ বিপরীতভাবে, একটি নীল বিন্দুর চারপাশে একটি কমলা পটভূমির অর্থ হল মডেলটি সেই উদাহরণটি ভুলভাবে ভবিষ্যদ্বাণী করছে।
ব্যাকগ্রাউন্ড ব্লুজ এবং কমলা মাপা হয়। উদাহরণস্বরূপ, ভিজ্যুয়ালাইজেশনের বাম দিকটি ঘন নীল কিন্তু ধীরে ধীরে ভিজ্যুয়ালাইজেশনের কেন্দ্রে সাদা হয়ে যায়। আপনি মডেলের অনুমানে আস্থার পরামর্শ হিসাবে রঙের শক্তির কথা ভাবতে পারেন। তাই কঠিন নীল মানে মডেলটি তার অনুমান সম্পর্কে খুব আত্মবিশ্বাসী এবং হালকা নীল মানে মডেলটি কম আত্মবিশ্বাসী। (চিত্রে দেখানো মডেল ভিজ্যুয়ালাইজেশন ভবিষ্যদ্বাণীর একটি খারাপ কাজ করছে।)
আপনার মডেলের অগ্রগতি বিচার করতে ভিজ্যুয়ালাইজেশন ব্যবহার করুন। ("চমৎকার—অধিকাংশ নীল বিন্দুর একটি নীল পটভূমি আছে" বা "ওহ না! নীল বিন্দুগুলির একটি কমলা পটভূমি আছে।") রঙের বাইরে, খেলার মাঠ মডেলের বর্তমান ক্ষতিকে সংখ্যাগতভাবে প্রদর্শন করে। ("ওহ না! লস নিচের পরিবর্তে উপরে যাচ্ছে।")
এই অনুশীলনের জন্য ইন্টারফেস তিনটি বোতাম প্রদান করে:
আইকন
নাম
এর মানে কি
রিসেট
পুনরাবৃত্তিগুলিকে 0-এ রিসেট করে। মডেলটি ইতিমধ্যেই শিখেছিল এমন যেকোনো ওজন রিসেট করে।
ধাপ
অগ্রিম এক পুনরাবৃত্তি. প্রতিটি পুনরাবৃত্তির সাথে, মডেলটি পরিবর্তিত হয় - কখনও সূক্ষ্মভাবে এবং কখনও কখনও নাটকীয়ভাবে।
পুনর্জন্ম
একটি নতুন ডেটা সেট তৈরি করে। পুনরাবৃত্তি রিসেট করে না।
এই প্রথম খেলার মাঠের অনুশীলনে, আপনি দুটি কাজ সম্পাদন করে শেখার হার নিয়ে পরীক্ষা করবেন।
টাস্ক 1: খেলার মাঠের উপরের ডানদিকে শেখার হার মেনুটি লক্ষ্য করুন। প্রদত্ত শেখার হার—3—খুব বেশি। 10 বা 20 বার "ধাপ" বোতামে ক্লিক করে সেই উচ্চ শিক্ষার হার কীভাবে আপনার মডেলকে প্রভাবিত করে তা লক্ষ্য করুন। প্রতিটি প্রাথমিক পুনরাবৃত্তির পরে, লক্ষ্য করুন কিভাবে মডেল ভিজ্যুয়ালাইজেশন নাটকীয়ভাবে পরিবর্তিত হয়। মডেলটি একত্রিত হয়েছে বলে মনে হওয়ার পরে আপনি কিছু অস্থিরতাও দেখতে পারেন। এছাড়াও x 1 এবং x 2 থেকে মডেল ভিজ্যুয়ালাইজেশনে চলমান লাইনগুলি লক্ষ্য করুন। এই লাইনগুলির ওজনগুলি মডেলের সেই বৈশিষ্ট্যগুলির ওজন নির্দেশ করে৷ যে, একটি পুরু লাইন একটি উচ্চ ওজন নির্দেশ করে।
কাজ 2: নিম্নলিখিতগুলি করুন:
রিসেট বোতাম টিপুন।
শেখার হার কম করুন।
কয়েকবার স্টেপ বোতাম টিপুন।
কিভাবে নিম্ন শিক্ষার হার অভিসারী প্রভাব ফেলে? মডেলটি একত্রিত হওয়ার জন্য প্রয়োজনীয় ধাপগুলির সংখ্যা এবং মডেলটি কতটা মসৃণ এবং স্থিরভাবে একত্রিত হয় তা পরীক্ষা করুন। শেখার হারের এমনকি কম মান নিয়ে পরীক্ষা করুন। আপনি দরকারী হতে খুব ধীর একটি শেখার হার খুঁজে পেতে পারেন? (আপনি অনুশীলনের ঠিক নীচে একটি আলোচনা পাবেন।)
টাস্ক 2 সম্পর্কে আলোচনার জন্য প্লাস আইকনে ক্লিক করুন।
খেলার মাঠের অনুশীলনের অ-নিয়ন্ত্রক প্রকৃতির কারণে, আমরা সবসময় উত্তর দিতে পারি না যা আপনার ডেটা সেটের সাথে ঠিক মিলবে। এটি বলেছে, 0.1 এর একটি শেখার হার আমাদের জন্য দক্ষতার সাথে একত্রিত হয়েছে। ছোট শেখার হার একত্রিত হতে অনেক বেশি সময় নেয়; অর্থাৎ, ছোট শেখার হার দরকারী হতে খুব ধীর ছিল।