তত্ত্বাবধানে বনাম তত্ত্বাবধানহীন শিক্ষা: মূল পার্থক্য

তত্ত্বাবধানে মেশিন লার্নিং কি?

তত্ত্বাবধানে শেখার ক্ষেত্রে, আপনি মেশিনকে ডেটা ব্যবহার করে প্রশিক্ষণ দেন যা ভাল 'লেবেলযুক্ত । ' এর অর্থ হল কিছু তথ্য ইতিমধ্যে সঠিক উত্তরের সাথে ট্যাগ করা হয়েছে। এটি শিক্ষার সাথে তুলনা করা যেতে পারে যা একজন সুপারভাইজার বা শিক্ষকের উপস্থিতিতে ঘটে।

একটি তত্ত্বাবধানে শেখার অ্যালগরিদম লেবেলযুক্ত প্রশিক্ষণ ডেটা থেকে শিখে, আপনাকে অপ্রত্যাশিত ডেটার ফলাফল সম্পর্কে ভবিষ্যদ্বাণী করতে সহায়তা করে। নির্ভুল তত্ত্বাবধায়ক মেশিন লার্নিং ডেটা সায়েন্স মডেল সফলভাবে নির্মাণ, স্কেলিং এবং মোতায়েন করার জন্য অত্যন্ত দক্ষ ডেটা বিজ্ঞানীদের একটি দল থেকে সময় এবং প্রযুক্তিগত দক্ষতা লাগে। তদুপরি, ডেটা বিজ্ঞানীকে অবশ্যই মডেলগুলি পুনর্নির্মাণ করতে হবে যাতে নিশ্চিত করা যায় যে প্রদত্ত অন্তর্দৃষ্টিগুলি সত্য না থাকে যতক্ষণ না তার ডেটা পরিবর্তন হয়।

এই টিউটোরিয়ালে, আপনি শিখবেন

অনির্বাচিত শিক্ষা কি?

অনির্বাচিত শিক্ষা একটি মেশিন লার্নিং কৌশল, যেখানে আপনাকে মডেল তত্ত্বাবধান করার প্রয়োজন নেই। পরিবর্তে, আপনাকে তথ্য আবিষ্কারের জন্য মডেলটিকে নিজের কাজ করার অনুমতি দিতে হবে। এটি মূলত লেবেলবিহীন ডেটা নিয়ে কাজ করে।

তত্ত্বাবধান না করা শেখার অ্যালগরিদম আপনাকে তত্ত্বাবধানে শেখার তুলনায় আরো জটিল প্রক্রিয়াকরণ কাজ করতে দেয়। যদিও, তত্ত্বাবধান না করা শেখা অন্যান্য প্রাকৃতিক শিক্ষা গভীর শিক্ষা এবং শক্তিবৃদ্ধি শেখার পদ্ধতির তুলনায় অনির্দেশ্য হতে পারে।

কেন তত্ত্বাবধানে শেখা?

  • তত্ত্বাবধানে শেখা আপনাকে পূর্ববর্তী অভিজ্ঞতা থেকে তথ্য সংগ্রহ বা একটি ডেটা আউটপুট উত্পাদন করতে দেয়।
  • অভিজ্ঞতা ব্যবহার করে কর্মক্ষমতা মানদণ্ড অপ্টিমাইজ করতে আপনাকে সাহায্য করে
  • তত্ত্বাবধানে মেশিন লার্নিং আপনাকে বিভিন্ন ধরণের বাস্তব-বিশ্বের গণনার সমস্যা সমাধান করতে সাহায্য করে।

কেন তত্ত্বাবধানহীন শিক্ষা?

এখানে, তত্ত্বাবধানহীন শিক্ষা ব্যবহার করার প্রধান কারণগুলি হল:

  • অননুমোদিত মেশিন লার্নিং ডেটাতে সব ধরনের অজানা নিদর্শন খুঁজে পায়।
  • তত্ত্বাবধান না করা পদ্ধতিগুলি আপনাকে বৈশিষ্ট্যগুলি খুঁজে পেতে সহায়তা করে যা শ্রেণীকরণের জন্য দরকারী হতে পারে।
  • এটি রিয়েল টাইমে সংঘটিত হয়, তাই শিক্ষার্থীদের উপস্থিতিতে সমস্ত ইনপুট ডেটা বিশ্লেষণ এবং লেবেল করা হয়।
  • লেবেলযুক্ত ডেটার চেয়ে কম্পিউটার থেকে লেবেলবিহীন ডেটা পাওয়া সহজ, যার জন্য ম্যানুয়াল হস্তক্ষেপ প্রয়োজন।

তত্ত্বাবধানে শেখা কিভাবে কাজ করে?

উদাহরণস্বরূপ, আপনি একটি মেশিনকে প্রশিক্ষণ দিতে চান যাতে আপনি আপনার কর্মস্থল থেকে বাড়ি চালাতে কত সময় লাগবে তা অনুমান করতে পারেন। এখানে, আপনি লেবেলযুক্ত ডেটার একটি সেট তৈরি করে শুরু করেন। এই তথ্য অন্তর্ভুক্ত

  • আবহাওয়ার অবস্থা
  • দিনের সময়
  • ছুটির দিন

এই সমস্ত বিবরণ আপনার ইনপুট। আউটপুট হল সেই নির্দিষ্ট দিনে বাড়ি ফিরতে যে সময় লাগে।

আপনি সহজাতভাবে জানেন যে যদি বাইরে বৃষ্টি হয়, তাহলে বাড়ি চালাতে আপনার বেশি সময় লাগবে। কিন্তু মেশিনের ডেটা এবং পরিসংখ্যান প্রয়োজন।

আসুন এখন দেখি কিভাবে আপনি এই উদাহরণের তত্ত্বাবধানে শেখার মডেল তৈরি করতে পারেন যা ব্যবহারকারীকে যাতায়াতের সময় নির্ধারণ করতে সাহায্য করে। আপনার তৈরি করার জন্য প্রথম জিনিসটি একটি প্রশিক্ষণ ডেটা সেট। এই ট্রেনিং সেটে মোট যাতায়াতের সময় এবং আবহাওয়া, সময় ইত্যাদির মতো বিষয়গুলো থাকবে।

সুতরাং, এটি নিশ্চিত করে যে যত বেশি বৃষ্টি হবে, ততক্ষণ আপনি আপনার বাড়িতে ফিরে যাওয়ার জন্য গাড়ি চালাবেন। এটি আপনার কাজ ছেড়ে যাওয়ার সময় এবং আপনি রাস্তায় থাকার সময়ের মধ্যে সংযোগ দেখতে পারে।

আপনি সন্ধ্যা to টার কাছাকাছি আপনার বাড়িতে আসতে যত বেশি সময় লাগে। আপনার মেশিন আপনার লেবেলযুক্ত ডেটার সাথে কিছু সম্পর্ক খুঁজে পেতে পারে।

এটি আপনার ডেটা মডেলের সূচনা। বৃষ্টি কীভাবে মানুষের গাড়ি চালানোর উপর প্রভাব ফেলে তা প্রভাবিত করতে শুরু করে। এটি দেখতে শুরু করে যে দিনের একটি নির্দিষ্ট সময়ে আরও বেশি লোক ভ্রমণ করে।

কিভাবে তত্ত্বাবধান না করা শেখা কাজ করে?

আসুন, একটি শিশু এবং তার পারিবারিক কুকুরের ঘটনাটি ধরা যাক।

সে এই কুকুরকে জানে এবং সনাক্ত করে। কয়েক সপ্তাহ পরে একটি পারিবারিক বন্ধু একটি কুকুর নিয়ে আসে এবং শিশুর সাথে খেলার চেষ্টা করে।

বেবি এই কুকুরটিকে আগে দেখেনি। কিন্তু এটি অনেক বৈশিষ্ট্যকে স্বীকৃতি দেয় (2 কান, চোখ, 4 পায়ে হাঁটা) তার পোষা কুকুরের মতো। তিনি কুকুরের মতো একটি নতুন প্রাণীকে চিহ্নিত করেন। এটি তত্ত্বাবধান না করা শেখা, যেখানে আপনাকে শেখানো হয় না কিন্তু আপনি তথ্য থেকে শিখেন (এই ক্ষেত্রে একটি কুকুরের তথ্য।) যদি এটি তত্ত্বাবধান করা শেখা হতো, তাহলে পরিবারের বন্ধু শিশুটিকে বলে যে এটি একটি কুকুর।

তত্ত্বাবধানে মেশিন লার্নিং টেকনিকের ধরন

প্রত্যাবর্তন:

রিগ্রেশন টেকনিক প্রশিক্ষণ ডেটা ব্যবহার করে একক আউটপুট ভ্যালুর পূর্বাভাস দেয়।

উদাহরণ: ট্রেনিং ডেটা থেকে ঘরের মূল্য অনুমান করতে আপনি রিগ্রেশন ব্যবহার করতে পারেন। ইনপুট ভেরিয়েবল হবে এলাকা, বাড়ির আকার ইত্যাদি।

শ্রেণীবিভাগ:

শ্রেণীবিভাগ মানে একটি শ্রেণীর ভিতরে আউটপুটকে গ্রুপ করা। যদি অ্যালগরিদম দুটি স্বতন্ত্র শ্রেণীতে ইনপুট লেবেল করার চেষ্টা করে, তাহলে এটিকে বাইনারি শ্রেণীবিভাগ বলে। দুইটির বেশি শ্রেণীর মধ্যে নির্বাচন করাকে মাল্টিক্লাস শ্রেণীবিভাগ বলা হয়।

উদাহরণ : কেউ theণের খেলাপি হবে কিনা তা নির্ধারণ করা।

শক্তি : আউটপুট সবসময় একটি সম্ভাব্য ব্যাখ্যা আছে, এবং অ্যালগরিদম overfitting এড়াতে নিয়মিত করা যেতে পারে।

দুর্বলতা : যখন একাধিক বা অ-রৈখিক সিদ্ধান্তের সীমানা থাকে তখন লজিস্টিক রিগ্রেশন নিম্নতর হতে পারে। এই পদ্ধতিটি নমনীয় নয়, তাই এটি আরও জটিল সম্পর্ককে ধারণ করে না।

অননুমোদিত মেশিন লার্নিং টেকনিকের ধরন

তত্ত্বাবধান না করা শেখার সমস্যাগুলি আরও ক্লাস্টারিং এবং অ্যাসোসিয়েশনের সমস্যার মধ্যে বিভক্ত।

ক্লাস্টারিং

ক্লাস্টারিং একটি গুরুত্বপূর্ণ ধারণা যখন এটি তত্ত্বাবধানহীন শিক্ষার ক্ষেত্রে আসে। এটি মূলত শ্রেণীবিন্যাসিত ডেটার সংগ্রহে একটি কাঠামো বা প্যাটার্ন খোঁজার বিষয়ে কাজ করে। ক্লাস্টারিং অ্যালগরিদমগুলি আপনার ডেটা প্রক্রিয়া করবে এবং ডেটার মধ্যে বিদ্যমান থাকলে প্রাকৃতিক ক্লাস্টার (গ্রুপ) খুঁজে পাবে। আপনার অ্যালগরিদমগুলি কতগুলি ক্লাস্টার চিহ্নিত করতে পারে তা আপনি সংশোধন করতে পারেন। এটি আপনাকে এই গোষ্ঠীর দানাদারতা সামঞ্জস্য করতে দেয়।

সংঘ

অ্যাসোসিয়েশনের নিয়ম আপনাকে বড় ডেটাবেসের ভিতরে ডেটা অবজেক্টের মধ্যে অ্যাসোসিয়েশন স্থাপন করতে দেয়। এই তত্ত্বাবধান না করা কৌশল হল বড় ডাটাবেসে ভেরিয়েবলের মধ্যে উত্তেজনাপূর্ণ সম্পর্ক আবিষ্কার করা। উদাহরণস্বরূপ, যারা নতুন বাড়ি কিনে তারা নতুন আসবাবপত্র কিনতে পারে।

অন্যান্য উদাহরণ:

  • ক্যান্সার রোগীদের একটি উপগোষ্ঠী তাদের জিন এক্সপ্রেশন পরিমাপ দ্বারা গোষ্ঠীভুক্ত
  • ক্রেতার গ্রুপগুলি তাদের ব্রাউজিং এবং ক্রয়ের ইতিহাসের উপর ভিত্তি করে
  • সিনেমা দর্শকদের দেওয়া রেটিং অনুযায়ী মুভি গ্রুপ

তত্ত্বাবধানে বনাম তত্ত্বাবধানহীন শিক্ষা

পরামিতি তত্ত্বাবধানে মেশিন লার্নিং কৌশল অনির্ধারিত মেশিন লার্নিং কৌশল
প্রক্রিয়াএকটি তত্ত্বাবধানে শেখার মডেল, ইনপুট এবং আউটপুট ভেরিয়েবল দেওয়া হবে।অনির্বাচিত শিক্ষণ মডেলে শুধুমাত্র ইনপুট ডেটা দেওয়া হবে
তথ্য অন্তর্ভুক্তীঅ্যালগরিদমগুলি লেবেলযুক্ত ডেটা ব্যবহার করে প্রশিক্ষিত হয়।অ্যালগরিদমগুলি ডেটার বিরুদ্ধে ব্যবহৃত হয় যা লেবেলযুক্ত নয়
অ্যালগরিদম ব্যবহার করা হয়েছেসাপোর্ট ভেক্টর মেশিন, নিউরাল নেটওয়ার্ক, লিনিয়ার এবং লজিস্টিক রিগ্রেশন, এলোমেলো বন, এবং শ্রেণিবিন্যাস গাছ।অনির্বাচিত অ্যালগরিদমগুলিকে বিভিন্ন শ্রেণীতে ভাগ করা যায়: যেমন ক্লাস্টার অ্যালগরিদম, কে-মানে, হায়ারার্কিকাল ক্লাস্টারিং ইত্যাদি।
গণনীয় জটিলতাতত্ত্বাবধানে শেখা একটি সহজ পদ্ধতি।তত্ত্বাবধান না করা শিক্ষা গণনীয় জটিল
ডেটার ব্যবহারতত্ত্বাবধানে শেখার মডেল ইনপুট এবং আউটপুটের মধ্যে একটি লিঙ্ক শিখতে প্রশিক্ষণ ডেটা ব্যবহার করে।তত্ত্বাবধানহীন শিক্ষা আউটপুট ডেটা ব্যবহার করে না।
ফলাফলের যথার্থতাঅত্যন্ত নির্ভুল এবং বিশ্বাসযোগ্য পদ্ধতি।কম নির্ভুল এবং বিশ্বাসযোগ্য পদ্ধতি।
রিয়েল টাইম লার্নিংশেখার পদ্ধতি অফলাইনে হয়।শেখার পদ্ধতি রিয়েল টাইমে ঘটে।
ক্লাসের সংখ্যাক্লাসের সংখ্যা জানা যায়।ক্লাসের সংখ্যা জানা নেই।
প্রধান ত্রুটিতত্ত্বাবধানে শেখার ক্ষেত্রে বড় তথ্য শ্রেণীবদ্ধ করা একটি বাস্তব চ্যালেঞ্জ হতে পারে।আপনি ডেটা বাছাই সংক্রান্ত সুনির্দিষ্ট তথ্য পেতে পারেন না, এবং তত্ত্বাবধানহীন শিক্ষায় ব্যবহৃত ডেটা হিসাবে আউটপুট লেবেলযুক্ত এবং জানা যায় না।

সারসংক্ষেপ

  • তত্ত্বাবধানে শেখার ক্ষেত্রে, আপনি মেশিনকে ডেটা ব্যবহার করে প্রশিক্ষণ দেন যা ভালভাবে 'লেবেলযুক্ত'।
  • অনির্বাচিত শিক্ষা একটি মেশিন লার্নিং কৌশল, যেখানে আপনাকে মডেল তত্ত্বাবধান করার প্রয়োজন নেই।
  • তত্ত্বাবধানে শেখা আপনাকে পূর্ববর্তী অভিজ্ঞতা থেকে তথ্য সংগ্রহ বা একটি ডেটা আউটপুট উত্পাদন করতে দেয়।
  • অনির্বাচিত মেশিন লার্নিং আপনাকে ডেটাতে সব ধরনের অজানা প্যাটার্ন খুঁজে পেতে সাহায্য করে।
  • উদাহরণস্বরূপ, আপনি আবহাওয়ার অবস্থা, দিনের সময় এবং ছুটির উপর ভিত্তি করে ফিরে আসার জন্য নির্ধারিত সময় নির্ধারণ করতে সক্ষম হবেন।
  • উদাহরণস্বরূপ, বেবি অতীত তত্ত্বাবধানে থাকা শিক্ষার উপর ভিত্তি করে অন্যান্য কুকুর সনাক্ত করতে পারে।
  • রিগ্রেশন এবং ক্লাসিফিকেশন দুই ধরনের তত্ত্বাবধানে মেশিন লার্নিং কৌশল।
  • ক্লাস্টারিং এবং অ্যাসোসিয়েশন দুই ধরনের তত্ত্বাবধানহীন শিক্ষা।
  • একটি তত্ত্বাবধানে শেখার মডেল, ইনপুট এবং আউটপুট ভেরিয়েবল দেওয়া হবে যখন অনির্বাচিত শেখার মডেলের সাথে, শুধুমাত্র ইনপুট ডেটা দেওয়া হবে