মেশিন লার্নিং (ML) অনুবাদ অ্যাপ থেকে স্বায়ত্তশাসিত যানবাহন পর্যন্ত আমরা ব্যবহার করি এমন কিছু গুরুত্বপূর্ণ প্রযুক্তিকে শক্তি দেয়। এই কোর্সটি ML এর পিছনে মূল ধারণাগুলি ব্যাখ্যা করে।
ML সমস্যা সমাধান, জটিল প্রশ্নের উত্তর এবং নতুন বিষয়বস্তু তৈরি করার জন্য একটি নতুন উপায় অফার করে। ML আবহাওয়ার ভবিষ্যদ্বাণী করতে পারে, ভ্রমণের সময় অনুমান করতে পারে, গানের সুপারিশ করতে পারে, স্বয়ংক্রিয়ভাবে সম্পূর্ণ বাক্য তৈরি করতে পারে, নিবন্ধগুলির সংক্ষিপ্ত বিবরণ দিতে পারে এবং আগে কখনো দেখা যায়নি এমন ছবি তৈরি করতে পারে।
মৌলিক পরিভাষায়, ML হল সফ্টওয়্যারের একটি অংশকে প্রশিক্ষণ দেওয়ার প্রক্রিয়া, যাকে একটি মডেল বলা হয়, দরকারী ভবিষ্যদ্বাণী করতে বা ডেটা থেকে বিষয়বস্তু তৈরি করতে।
উদাহরণস্বরূপ, ধরুন আমরা বৃষ্টিপাতের পূর্বাভাস দেওয়ার জন্য একটি অ্যাপ তৈরি করতে চেয়েছিলাম। আমরা একটি ঐতিহ্যগত পদ্ধতি বা একটি ML পদ্ধতি ব্যবহার করতে পারি। একটি ঐতিহ্যগত পদ্ধতি ব্যবহার করে, আমরা প্রচুর পরিমাণে তরল গতিবিদ্যা সমীকরণ গণনা করে পৃথিবীর বায়ুমণ্ডল এবং পৃষ্ঠের একটি পদার্থবিদ্যা-ভিত্তিক উপস্থাপনা তৈরি করব। এই অবিশ্বাস্যভাবে কঠিন.
একটি ML পদ্ধতি ব্যবহার করে, আমরা একটি ML মডেলকে প্রচুর পরিমাণে আবহাওয়ার ডেটা দেব যতক্ষণ না ML মডেলটি পরিশেষে আবহাওয়ার ধরণগুলির মধ্যে গাণিতিক সম্পর্ক শিখেছে যা বিভিন্ন পরিমাণে বৃষ্টি তৈরি করে। তারপরে আমরা মডেলটিকে বর্তমান আবহাওয়ার ডেটা দেব এবং এটি বৃষ্টির পরিমাণের পূর্বাভাস দেবে।
আপনার বোঝার পরীক্ষা করুন
এমএল সিস্টেমের প্রকার
ML সিস্টেমগুলি কীভাবে ভবিষ্যদ্বাণী করতে বা বিষয়বস্তু তৈরি করতে শেখে তার উপর ভিত্তি করে নিম্নলিখিত এক বা একাধিক বিভাগে পড়ে:
- তত্ত্বাবধানে শিক্ষা
- তত্ত্বাবধানহীন শিক্ষা
- শক্তিবৃদ্ধি শেখার
- জেনারেটিভ এআই
তত্ত্বাবধানে শিক্ষা
তত্ত্বাবধানে শেখার মডেলগুলি সঠিক উত্তর সহ প্রচুর ডেটা দেখার পরে এবং তারপরে সঠিক উত্তরগুলি তৈরি করে এমন ডেটার উপাদানগুলির মধ্যে সংযোগগুলি আবিষ্কার করার পরে ভবিষ্যদ্বাণী করতে পারে। এটি একটি শিক্ষার্থীর মতো পুরানো পরীক্ষা অধ্যয়ন করে নতুন উপাদান শিখছে যাতে প্রশ্ন এবং উত্তর উভয়ই থাকে। একবার ছাত্র যথেষ্ট পুরানো পরীক্ষায় প্রশিক্ষণ নিলে, ছাত্র একটি নতুন পরীক্ষা দেওয়ার জন্য ভালভাবে প্রস্তুত হয়। এই ML সিস্টেমগুলি "তত্ত্বাবধানে" এই অর্থে যে একজন মানুষ জানা সঠিক ফলাফল সহ ML সিস্টেম ডেটা দেয়।
তত্ত্বাবধানে শেখার জন্য সবচেয়ে সাধারণ ব্যবহারের ক্ষেত্রে দুটি হল রিগ্রেশন এবং শ্রেণীবিভাগ।
রিগ্রেশন
একটি রিগ্রেশন মডেল একটি সাংখ্যিক মান ভবিষ্যদ্বাণী করে। উদাহরণস্বরূপ, একটি আবহাওয়া মডেল যা বৃষ্টির পরিমাণ, ইঞ্চি বা মিলিমিটারে ভবিষ্যদ্বাণী করে, এটি একটি রিগ্রেশন মডেল।
রিগ্রেশন মডেলের আরও উদাহরণের জন্য নীচের টেবিলটি দেখুন:
| দৃশ্যকল্প | সম্ভাব্য ইনপুট ডেটা | সংখ্যাসূচক ভবিষ্যদ্বাণী |
|---|---|---|
| ভবিষ্যতের বাড়ির দাম | স্কয়ার ফুটেজ, জিপ কোড, বেডরুম এবং বাথরুমের সংখ্যা, লটের আকার, বন্ধকের সুদের হার, সম্পত্তি করের হার, নির্মাণ খরচ এবং এলাকায় বিক্রির জন্য বাড়ির সংখ্যা। | বাড়ির দাম। |
| ভবিষ্যতের যাত্রার সময় | ঐতিহাসিক ট্রাফিক পরিস্থিতি (স্মার্টফোন, ট্রাফিক সেন্সর, রাইড-হেলিং এবং অন্যান্য নেভিগেশন অ্যাপ্লিকেশন থেকে সংগ্রহ করা হয়েছে), গন্তব্য থেকে দূরত্ব এবং আবহাওয়ার অবস্থা। | একটি গন্তব্যে পৌঁছানোর জন্য মিনিট এবং সেকেন্ডে সময়। |
শ্রেণীবিভাগ
শ্রেণীবিভাগের মডেলগুলি কিছু একটি বিভাগের অন্তর্গত হওয়ার সম্ভাবনার পূর্বাভাস দেয়। রিগ্রেশন মডেলের বিপরীতে, যার আউটপুট একটি সংখ্যা, শ্রেণীবিভাগ মডেলগুলি একটি মান আউটপুট করে যা বলে যে কিছু একটি নির্দিষ্ট বিভাগের অন্তর্গত কিনা। উদাহরণস্বরূপ, একটি ইমেল স্প্যাম কিনা বা একটি ফটোতে একটি বিড়াল আছে কিনা তা অনুমান করতে শ্রেণীবিভাগ মডেলগুলি ব্যবহার করা হয়৷
শ্রেণীবিভাগ মডেল দুটি গ্রুপে বিভক্ত: বাইনারি শ্রেণীবিভাগ এবং মাল্টিক্লাস শ্রেণীবিভাগ। বাইনারি শ্রেণীবিভাগের মডেলগুলি এমন একটি শ্রেণী থেকে একটি মান আউটপুট করে যেখানে শুধুমাত্র দুটি মান রয়েছে, উদাহরণস্বরূপ, একটি মডেল যা rain বা no rain আউটপুট করে। মাল্টিক্লাস শ্রেণীবিভাগ মডেলগুলি এমন একটি শ্রেণী থেকে একটি মান আউটপুট করে যেখানে দুটি মান রয়েছে, উদাহরণস্বরূপ, একটি মডেল যা rain , hail , snow বা sleet আউটপুট করতে পারে৷
আপনার বোঝার পরীক্ষা করুন
তত্ত্বাবধানহীন শিক্ষা
তত্ত্বাবধান না করা শেখার মডেলগুলি এমন ডেটা দিয়ে ভবিষ্যদ্বাণী করে যাতে কোনো সঠিক উত্তর থাকে না। একটি তত্ত্বাবধানহীন শেখার মডেলের লক্ষ্য হল ডেটার মধ্যে অর্থপূর্ণ নিদর্শনগুলি সনাক্ত করা। অন্য কথায়, মডেলটির ডেটার প্রতিটি অংশকে কীভাবে শ্রেণীবদ্ধ করা যায় সে সম্পর্কে কোনও ইঙ্গিত নেই, তবে পরিবর্তে এটির নিজস্ব নিয়ম অনুমান করতে হবে।
একটি সাধারণভাবে ব্যবহৃত তত্ত্বাবধানহীন শেখার মডেল ক্লাস্টারিং নামে একটি কৌশল নিযুক্ত করে। মডেলটি এমন ডেটা পয়েন্ট খুঁজে পায় যা প্রাকৃতিক গ্রুপিংকে সীমাবদ্ধ করে।
চিত্র 1 । অনুরূপ ডেটা পয়েন্ট ক্লাস্টারিং একটি এমএল মডেল।
চিত্র 2 । প্রাকৃতিক সীমানা সহ ক্লাস্টারের গোষ্ঠী।
ক্লাস্টারিং শ্রেণীবিভাগ থেকে আলাদা কারণ বিভাগগুলি আপনার দ্বারা সংজ্ঞায়িত করা হয় না। উদাহরণস্বরূপ, একটি তত্ত্বাবধান না করা মডেল তাপমাত্রার উপর ভিত্তি করে একটি আবহাওয়া ডেটাসেট ক্লাস্টার করতে পারে, যা ঋতুগুলিকে সংজ্ঞায়িত করে এমন বিভাগগুলি প্রকাশ করে। তারপরে আপনি ডেটাসেট সম্পর্কে আপনার বোঝার উপর ভিত্তি করে সেই ক্লাস্টারগুলির নাম দেওয়ার চেষ্টা করতে পারেন।
চিত্র 3 । একটি ML মডেল ক্লাস্টারিং অনুরূপ আবহাওয়া নিদর্শন.
চিত্র 4 । তুষার, তুষার, বৃষ্টি এবং বৃষ্টি নেই বলে লেবেলযুক্ত আবহাওয়ার ধরণগুলির ক্লাস্টার৷
আপনার বোঝার পরীক্ষা করুন
শক্তিবৃদ্ধি শেখার
শক্তিবৃদ্ধি শেখার মডেলগুলি পরিবেশের মধ্যে সম্পাদিত কর্মের উপর ভিত্তি করে পুরষ্কার বা জরিমানা পেয়ে ভবিষ্যদ্বাণী করে। একটি শক্তিবৃদ্ধি শেখার সিস্টেম একটি নীতি তৈরি করে যা সর্বাধিক পুরষ্কার পাওয়ার জন্য সর্বোত্তম কৌশল নির্ধারণ করে।
রিইনফোর্সমেন্ট লার্নিং ব্যবহার করা হয় রোবটকে কাজগুলি সম্পাদন করার জন্য, যেমন একটি রুমের চারপাশে হাঁটা, এবং AlphaGo-এর মতো সফ্টওয়্যার প্রোগ্রামগুলি Go-এর গেম খেলতে।
জেনারেটিভ এআই
জেনারেটিভ এআই হল এক শ্রেণীর মডেল যা ব্যবহারকারীর ইনপুট থেকে সামগ্রী তৈরি করে। উদাহরণস্বরূপ, জেনারেটিভ এআই অনন্য চিত্র, সঙ্গীত রচনা এবং কৌতুক তৈরি করতে পারে; এটি নিবন্ধগুলিকে সংক্ষিপ্ত করতে পারে, কীভাবে একটি কাজ সম্পাদন করতে হয় বা একটি ফটো সম্পাদনা করতে পারে তা ব্যাখ্যা করতে পারে।
জেনারেটিভ এআই বিভিন্ন ধরনের ইনপুট নিতে পারে এবং বিভিন্ন ধরনের আউটপুট তৈরি করতে পারে, যেমন টেক্সট, ইমেজ, অডিও এবং ভিডিও। এটি এগুলির সংমিশ্রণও নিতে এবং তৈরি করতে পারে। উদাহরণস্বরূপ, একটি মডেল ইনপুট হিসাবে একটি ছবি নিতে পারে এবং আউটপুট হিসাবে একটি চিত্র এবং পাঠ্য তৈরি করতে পারে, বা ইনপুট হিসাবে একটি চিত্র এবং পাঠ্য নিতে পারে এবং আউটপুট হিসাবে একটি ভিডিও তৈরি করতে পারে।
আমরা তাদের ইনপুট এবং আউটপুট দ্বারা জেনারেটিভ মডেলগুলি নিয়ে আলোচনা করতে পারি, সাধারণত "ইনপুটের প্রকার"-থেকে-"আউটপুটের প্রকার" হিসাবে লেখা হয়। উদাহরণ স্বরূপ, নিম্নলিখিতটি জেনারেটিভ মডেলের জন্য কিছু ইনপুট এবং আউটপুটগুলির একটি আংশিক তালিকা:
- টেক্সট টু টেক্সট
- টেক্সট টু ইমেজ
- টেক্সট-টু-ভিডিও
- টেক্সট-টু-কোড
- টেক্সট টু স্পিচ
- ইমেজ এবং টেক্সট টু ইমেজ
নিম্নলিখিত টেবিলে জেনারেটিভ মডেলের উদাহরণ, তাদের ইনপুট এবং তাদের সম্ভাব্য আউটপুটের উদাহরণ রয়েছে:
| মডেল | ইনপুট | উদাহরণ আউটপুট |
|---|---|---|
| টেক্সট টু টেক্সট | Le Mans জাতি কে আবিষ্কার করেন? | The 24 Hours of Le Mans প্রতিষ্ঠিত হয়েছিল অটোমোবাইল ক্লাব দে ল'অয়েস্ট (ACO), একটি মোটরিং সংস্থা যা 1906 সালে প্রতিষ্ঠিত হয়েছিল। প্রথম রেসটি 26 এবং 27 মে 1923 তারিখে সার্থে সার্কিটে অনুষ্ঠিত হয়েছিল, একটি 13.426-কিলোমিটার (8.345- মাইল) ফ্রান্সের লে মানস শহরের কাছে অবস্থিত রোড সার্কিট। জাতিটি মূলত ACO এবং সার্থে অঞ্চলের প্রচারের উপায় হিসাবে কল্পনা করা হয়েছিল। সূত্র: বার্ড |
| টেক্সট টু ইমেজ | একটি এলিয়েন অক্টোপাস একটি সংবাদপত্র পড়ার একটি পোর্টালের মাধ্যমে ভেসে বেড়াচ্ছে৷ |  সূত্র: ইমেজেন |
| টেক্সট-টু-ভিডিও | একটি ফটোরিয়ালিস্টিক টেডি বিয়ার সান ফ্রান্সিসকোতে সাগরে সাঁতার কাটছে। টেডি বিয়ার পানির নিচে চলে যায়। টেডি বিয়ার রঙিন মাছ নিয়ে পানির নিচে সাঁতার কাটতে থাকে। একটি পান্ডা ভালুক পানির নিচে সাঁতার কাটছে। |  সূত্রঃ ফেনাকি |
| টেক্সট-টু-কোড | একটি পাইথন লুপ লিখুন যা সংখ্যাগুলির একটি 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 |
| চিত্র থেকে পাঠ্য |  | এটি একটি ফ্লেমিঙ্গো। এগুলো ক্যারিবিয়ান অঞ্চলে পাওয়া যায়। সূত্র: গুগল ডিপমাইন্ড |
জেনারেটিভ এআই কিভাবে কাজ করে? একটি উচ্চ-স্তরে, জেনারেটিভ মডেলগুলি নতুন কিন্তু অনুরূপ ডেটা তৈরি করার লক্ষ্যে ডেটাতে প্যাটার্ন শিখে। জেনারেটিভ মডেলগুলি নিম্নরূপ:
- কৌতুক অভিনেতা যারা মানুষের আচরণ এবং কথা বলার ধরন পর্যবেক্ষণ করে অন্যদের অনুকরণ করতে শেখে
- শিল্পী যারা সেই শৈলীতে প্রচুর চিত্রকর্ম অধ্যয়ন করে একটি নির্দিষ্ট শৈলীতে আঁকা শেখেন
- কভার ব্যান্ডগুলি যেগুলি সেই গোষ্ঠীর প্রচুর সঙ্গীত শুনে একটি নির্দিষ্ট সঙ্গীত গোষ্ঠীর মতো শব্দ করতে শেখে৷
অনন্য এবং সৃজনশীল আউটপুট তৈরি করতে, জেনারেটিভ মডেলগুলিকে প্রাথমিকভাবে একটি তত্ত্বাবধানহীন পদ্ধতি ব্যবহার করে প্রশিক্ষণ দেওয়া হয়, যেখানে মডেলটি প্রশিক্ষণপ্রাপ্ত ডেটা অনুকরণ করতে শেখে। মডেলটিকে কখনও কখনও তত্ত্বাবধানে বা রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে আরও প্রশিক্ষিত করা হয় যে কাজগুলি মডেলটিকে সম্পাদন করতে বলা হতে পারে, উদাহরণস্বরূপ, একটি নিবন্ধ সংক্ষিপ্ত করা বা একটি ফটো সম্পাদনা করা।
জেনারেটিভ এআই একটি দ্রুত বিকশিত প্রযুক্তি যার নতুন ব্যবহারের ক্ষেত্রে ক্রমাগত আবিষ্কৃত হচ্ছে। উদাহরণস্বরূপ, জেনারেটিভ মডেলগুলি স্বয়ংক্রিয়ভাবে বিভ্রান্তিকর ব্যাকগ্রাউন্ডগুলি সরিয়ে বা কম-রেজোলিউশনের চিত্রগুলির গুণমান উন্নত করে ব্যবসাগুলিকে তাদের ইকমার্স পণ্য চিত্রগুলিকে পরিমার্জিত করতে সহায়তা করছে৷