पर्यवेक्षित शिक्षा को परिभाषित करें
एक मॉडल को प्रशिक्षित करने की प्रक्रिया या तो पर्यवेक्षित या असुरक्षित हो सकती है। हमारा लक्ष्य इन दृष्टिकोणों के विपरीत है, फिर पर्यवेक्षित सीखने पर ध्यान देने के साथ सीखने की प्रक्रिया में गहरा गोता लगाना है। इस पूरी चर्चा में यह याद रखने योग्य है कि पर्यवेक्षित और असुरक्षित सीखने के बीच एकमात्र अंतर यह है कि उद्देश्य कार्य कैसे काम करता है।
असुरक्षित शिक्षा क्या है?
असुरक्षित शिक्षा में, हम सही उत्तर जाने बिना किसी समस्या को हल करने के लिए एक मॉडल को प्रशिक्षित करते हैं। वास्तव में, असुरक्षित शिक्षा का उपयोग आमतौर पर उन समस्याओं के लिए किया जाता है जहां एक सही उत्तर नहीं होता है, बल्कि इसके बजाय, बेहतर और बदतर समाधान होते हैं।
कल्पना कीजिए कि हम चाहते हैं कि हमारा मशीन-लर्निंग मॉडल हिमस्खलन बचाव कुत्तों की यथार्थवादी तस्वीरें खींचे। आकर्षित करने के लिए एक "सही" ड्राइंग नहीं है। जब तक छवि कुछ हद तक कुत्ते की तरह दिखती है, हम संतुष्ट हैं। लेकिन अगर उत्पादित छवि एक बिल्ली की है, तो यह एक बदतर समाधान है।
याद रखें कि प्रशिक्षण के लिए कई घटकों की आवश्यकता होती है:
असुरक्षित सीखने में, उद्देश्य फ़ंक्शन विशुद्ध रूप से मॉडल के अनुमान पर अपना निर्णय लेता है। इसका मतलब है कि उद्देश्य समारोह को अक्सर अपेक्षाकृत परिष्कृत होने की आवश्यकता होती है। उदाहरण के लिए, ऑब्जेक्टिव फ़ंक्शन को यह आकलन करने के लिए "डॉग डिटेक्टर" शामिल करने की आवश्यकता हो सकती है कि मॉडल द्वारा खींची गई छवियां यथार्थवादी दिखती हैं या नहीं। असुरक्षित सीखने के लिए हमें जिस एकमात्र डेटा की आवश्यकता होती है, वह उन विशेषताओं के बारे में है जो हम मॉडल को प्रदान करते हैं।
पर्यवेक्षित शिक्षा क्या है?
उदाहरण के द्वारा सीखने के रूप में पर्यवेक्षित सीखने के बारे में सोचें। पर्यवेक्षित शिक्षण में, हम इसके अनुमानों की सही उत्तर से तुलना करके मॉडल के प्रदर्शन का आकलन करते हैं। यद्यपि हमारे पास सरल उद्देश्य कार्य हो सकते हैं, हमें दोनों की आवश्यकता है:
- मॉडल के लिए इनपुट के रूप में प्रदान की जाने वाली सुविधाएँ
- लेबल, जो सही उत्तर हैं जो हम चाहते हैं कि मॉडल उत्पादन करने में सक्षम हो
उदाहरण के लिए, यह अनुमान लगाने की हमारी इच्छा पर विचार करें कि किसी दिए गए वर्ष के 31 जनवरी को तापमान क्या होगा। इस भविष्यवाणी के लिए, हमें दो घटकों के साथ डेटा की आवश्यकता है:
- फ़ीचर: दिनांक
- लेबल: दैनिक तापमान (उदाहरण के लिए, ऐतिहासिक रिकॉर्ड से)
परिदृश्य में, हम मॉडल को दिनांक सुविधा प्रदान करते हैं। मॉडल तापमान की भविष्यवाणी करता है, और हम इस परिणाम की तुलना डेटासेट के "सही" तापमान से करते हैं। उद्देश्य फ़ंक्शन तब गणना कर सकता है कि मॉडल ने कितनी अच्छी तरह काम किया, और हम मॉडल में समायोजन कर सकते हैं।
लेबल केवल सीखने के लिए हैं
यह याद रखना महत्वपूर्ण है कि कोई फर्क नहीं पड़ता कि मॉडल कैसे प्रशिक्षित होते हैं, वे केवल सुविधाओं को संसाधित करते हैं। पर्यवेक्षित सीखने के दौरान, उद्देश्य फ़ंक्शन एकमात्र घटक है जो लेबल तक पहुंच पर निर्भर करता है। प्रशिक्षण के बाद, हमें अपने मॉडल का उपयोग करने के लिए लेबल की आवश्यकता नहीं है।