आठवीं कक्षा में गणित का अध्ययन करने वाले सभी लोगों के लिए मशीन लर्निंग

नमस्कार, हेब्र! मैं आपके लिए काइल गैलाटिन के लेख "मशीन लर्निंग फॉर एनी हू हू इट मैथ इन आठवीं कक्षा" का अनुवाद प्रस्तुत करता हूं।

मैं आमतौर पर देखता हूं कि कृत्रिम बुद्धिमत्ता को दो तरीकों में से एक में समझाया जा सकता है: विभिन्न मीडिया के तेजी से सनसनीखेज प्रिज्म के माध्यम से, या अत्यधिक भाषा और क्षेत्र-विशिष्ट शब्दों द्वारा घने वैज्ञानिक साहित्य के माध्यम से।

इन चरम सीमाओं के बीच, एक कम प्रकाशित क्षेत्र है जहां, मुझे लगता है, साहित्य थोड़ा अधिक सक्रिय होना चाहिए। ब्रेकिंग न्यूज़, बेवकूफ सोफिया रोबोट की तरह , कृत्रिम बुद्धिमत्ता के आसपास प्रचार करता है और यह मानव मन की तरह लग सकता है, जबकि वास्तव में सोफिया एओएल इंस्टेंट मैसेंजर के स्मार्टचाइल्ड की तुलना में अधिक चालाक नहीं है।

वैज्ञानिक साहित्य और भी बदतर हो सकता है, यहां तक ​​कि सबसे परिष्कृत शोधकर्ता को अर्थहीन छद्म बौद्धिक कचरा के कुछ पैराग्राफ के बाद अपनी आँखें बंद करने के लिए मजबूर करना। एआई का सही मूल्यांकन करने के लिए, लोगों को आमतौर पर समझना चाहिए कि यह वास्तव में क्या है। और आप सभी को समझने की जरूरत है कि कृत्रिम बुद्धि की मूल बातें थोड़ा हाई स्कूल गणित है।

मुझे ओवरसिम्प्लीफिकेशन का खतरा हो सकता है - और मैं अपने स्पष्टीकरण को सहन करने के लिए गणित, डेटा विज्ञान और इंजीनियरिंग में अपने सभी सहयोगियों से पूछूंगा - कभी-कभी यह कला विज्ञान की जरूरत है।

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के फंडामेंटल

विशिष्ट, क्लासिक कृत्रिम बुद्धि वह सब है जो मानव बुद्धि की नकल करता है। यह वीडियो गेम बॉट्स से लेकर डीपमाइंड अल्फागो जैसे जटिल प्लेटफार्मों तक कुछ भी हो सकता है।

डीप लर्निंग को अनदेखा करें - इस संदर्भ में, यह मशीन लर्निंग के समान है। चित्र: भू-स्थानिक दुनिया

मशीन लर्निंग कृत्रिम बुद्धिमत्ता का सबसेट है। यह मशीनों को पूर्वनिर्धारित नियमों के एक सेट पर अभिनय करने के बजाय वास्तविक डेटा से "सीखने" की अनुमति देता है।

लेकिन सीखने का क्या मतलब है? यह जैसा लगता है वैसा भविष्य नहीं हो सकता है।

मेरा पसंदीदा स्पष्टीकरण: मशीन लर्निंग सिर्फ है $$$य = एमएक्स + बी$ दरार पर। यदि आप ब्लैक मिरर जैसी कोई चीज़ देखते हैं, तो एक सचेत प्राणी के रूप में आधुनिक कृत्रिम बुद्धि की कल्पना करना शुरू करना काफी आसान है - जो सोचता है, महसूस करता है, और कठिन निर्णय लेता है। यह मीडिया में और भी आम है, जहां एआई क्रमिक रूप से व्यक्त किया जाता है और फिर टर्मिनेटर, या फिल्म द मैट्रिक्स से स्काईनेट की तुलना की जाती है।

वास्तव में, ऐसा बिलकुल भी नहीं है। इसकी वर्तमान स्थिति में, कृत्रिम बुद्धि सिर्फ गणित है। कभी-कभी यह जटिल गणित होता है, और कभी-कभी इसे कंप्यूटर विज्ञान, सांख्यिकी और अन्य के क्षेत्र में गहन ज्ञान की आवश्यकता होती है। लेकिन अंत में, इसके मूल में आधुनिक एआई सिर्फ एक गणितीय कार्य है।

अगर आप गणित के कार्यों में मित्र नहीं हैं, तो चिंता न करें क्योंकि आप उन्हें याद नहीं करते या उनका उपयोग नहीं करते हैं। जिस्ट प्राप्त करने के लिए, हमें कुछ सरल चीजों को याद रखने की आवश्यकता है: एक इनपुट है ( $$$x$ ) और एक रास्ता है ( $$$य$ ), और फ़ंक्शन इनपुट और आउटपुट के बीच क्या होता है - उनके बीच का कनेक्शन।

हम कंप्यूटर को इनबॉक्स में देख सकते हैं ( $$$x$ ) और आउटगोइंग ( $$$य$ ) डेटा और पता करें कि उन्हें एक साथ क्या बांधता है।

सुपर-सरलीकृत कृत्रिम बुद्धि का एक उदाहरण के रूप में व्यक्त एक फ़ंक्शन है $$$य = एमएक्स + बी$ । हम पहले से ही जानते हैं $$$x$ और $$$य$ (नीचे दी गई तालिका से); हमें सिर्फ खोजने की जरूरत है $$$एम$ और $$$ब$ समझने के लिए कि क्या संबंध है $$$x$ और $$$य$ ।

तालिका: काइल गैलैटिन

इस टेम्पलेट के लिए $$$य$ से $$$x$ हमें गुणा करने की आवश्यकता है $$$x$ 1 पर ( $$$एम$ ) और 1 जोड़ें ( $$$ब$ )। तो फंक्शन निकलेगा $$$y = 1x + 1$ ।

बहुत बढ़िया! हमने यह निर्धारित किया है $$$m = 1$ और $$$b = 1$ । हमने सिर्फ कुछ डेटा (ऊपर दी गई तालिका से) लिया और एक फ़ंक्शन बनाया जिसमें उनका वर्णन किया गया था। संक्षेप में, यह मशीन लर्निंग है। अब, प्राप्त फ़ंक्शन का उपयोग करके, हम एक धारणा बना सकते हैं कि क्या समान होगा $$$य$ अन्य इनपुट डेटा के लिए $$$x$ ।

दिलचस्प हिस्सा यह है कि आप मशीन को यह कैसे सिखाते हैं कि कौन सा फ़ंक्शन डेटा का सबसे अच्छा वर्णन करता है, लेकिन जब आप इसके साथ किए जाते हैं, तो आपको जो मिलता है वह आमतौर पर होता है $$$य = एमएक्स + बी$ । एक बार जब हमें यह फ़ंक्शन मिल जाता है, तो हम इसे एक ग्राफ पर भी प्लॉट कर सकते हैं:

Tecmath वीडियो से स्क्रीनशॉट

फ़ंक्शंस के अधिक विस्तृत विवरण के लिए, मैथ इज़ फ़न में एक सहज और सरल साइट है (भले ही नाम आपके लिए एक संभावित लाल झंडा हो और साइट 2000 के दशक की शुरुआत में उनके वेब डिज़ाइनर किसी तरह बच गई हो)।

लोग गिन नहीं पाएंगे, कारें कर सकेंगे

जाहिर है, $$$y = 1x + 1$ बहुत सरल उदाहरण है। एकमात्र कारण मशीन लर्निंग मौजूद है, क्योंकि लोग लाखों और अंदर के डेटा बिंदुओं को नहीं देख सकते हैं और परिणामों का वर्णन करने के लिए एक जटिल फ़ंक्शन के साथ आते हैं। इसके बजाय, हम कंप्यूटर को हमारे लिए ऐसा करने के लिए प्रशिक्षित कर सकते हैं।

किसी भी मामले में, सही फ़ंक्शन खोजने के लिए पर्याप्त डेटा होना चाहिए। यदि हमारे पास केवल एक डेटा बिंदु है $$$x$ और $$$य$ न तो हम और न ही मशीन केवल एक सटीक कार्य की भविष्यवाणी कर सकते हैं। मूल उदाहरण में, कहाँ $$$x = 1$ और $$$y = 2$ समारोह हो सकता है $$$y = 2x$ । $$$y = x + 1$ । $$$y = ([x + 1] \ cdot 5 - ९) ^ ५ + १$ या कई अन्य। यदि हमारे पास पर्याप्त डेटा नहीं है, तो मशीन जो खोजती है वह बहुत अधिक त्रुटियों का कारण बन सकती है जब हम इसे अधिक डेटा के लिए उपयोग करने का प्रयास करते हैं।

इसके अलावा, वास्तविक डेटा हमेशा इतना सही नहीं होता है। नीचे दिए गए उदाहरण में, मशीन ने कई फ़ंक्शन की पहचान की है जो अधिकांश डेटा के अनुरूप है, लेकिन लाइन प्रत्येक बिंदु से नहीं गुजरती है। गणितीय वर्ग की एक तालिका के साथ पिछले उदाहरण के विपरीत, वास्तविक दुनिया से एकत्र किए गए डेटा अधिक अप्रत्याशित हैं और कभी भी पूरी तरह से वर्णित नहीं किए जा सकते हैं।

यह मूल उदाहरण दिखाता है कि एक मशीन कैसे प्रस्तुत आंकड़ों का सर्वोत्तम वर्णन करना सीखती है। चित्र: डेटा साइंस की ओर

अंत में, आखिरी चीज जो लोग नहीं कर सकते हैं वह चर का एक गुच्छा है। यह सिर्फ उपयोग कर रहा है $$$x$ और $$$य$ लेकिन क्या होगा अगर अधिक इनपुट चर हैं? क्या हुआ अगर $$$य$ को प्रभावित $$$x ^ 1$ । $$$x ^ 2$ , ... $$$x ^ {100}$ । बहुत जल्दी, फ़ंक्शन अधिक जटिल हो सकते हैं (लोगों के लिए)।

वास्तविक दुनिया मशीन सीखने और कृत्रिम बुद्धि

आइए एक वास्तविक उदाहरण देखें। मैं फार्मास्यूटिकल्स के क्षेत्र में काम करता हूं, तो मान लें कि हमारे पास एक कैंसर-संबंधी डेटा सेट है जिसमें दो इनपुट चर हैं जो ट्यूमर के आकार के अनुरूप हैं - त्रिज्या और परिधि, और आउटपुट, दो संभावित मूल्यों के साथ: चाहे ट्यूमर सौम्य या मेटास्टेटिक हो (संभावित रूप से खतरनाक) जीवन के लिए)। यह जटिल लग सकता है, लेकिन हमें बस एक परिचित अवधारणा को लागू करने की आवश्यकता है $$$य = एमएक्स + बी$ :

• $$$य$ एक निदान है, और 0 (सौम्य) या 1 (मेटास्टैटिक) हो सकता है।
• $$$x_1$ - त्रिज्या।
• $$$x_2$ - परिधि।
• प्रत्येक $$$x$ तुम्हारा अज्ञात है $$$एम$ ; चलो उन्हें बुलाओ $$$कुछ।$ और $$$कुछ $$ ।
• $$$ब$ - अज्ञात स्थिर।

हमारा रेखीय समीकरण अब कैसा दिखता है? उपरोक्त उदाहरण से बहुत अलग नहीं है:

$$

$$निदान = (something_1 \ cdot त्रिज्या) + (something_2 \ cdot परिधि) + अज्ञात$$

जैसा कि मैंने ऊपर बताया, हम मानवीय संभावनाओं के दायरे से बाहर जा रहे हैं। इस प्रकार, डेटा को देखने और यह पता लगाने की कोशिश करने के बजाय कि हमें अपने चर को किस से गुणा करना चाहिए, हम मशीनों का उपयोग करते हैं। वे इसे हमारे लिए करेंगे, और हम निदान का एक सटीक मूल्यांकन प्राप्त करेंगे। और यह मशीन लर्निंग है!

बेशक, यहां तक ​​कि सबसे विस्तृत, मल्टी-फैक्टर डेटा आदर्श नहीं है, इसलिए हमारे मशीन लर्निंग मॉडल भी ऐसा नहीं होगा। लेकिन हमें 100% मामलों में उन्हें सही होने की आवश्यकता नहीं है। हमें बस उन्हें सबसे अच्छे कार्य के साथ आने की आवश्यकता है, जो कि ज्यादातर मामलों के लिए उपयुक्त है।

---

यह टुकड़ा केवल अविश्वसनीय गणित और कंप्यूटर विज्ञान की सतह को खरोंचता है जो मशीन सीखने में जाता है। लेकिन जटिल स्तरों पर भी, अवधारणा समान है। कोई फर्क नहीं पड़ता कि कितना प्रभावशाली या अजीब मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस लग सकता है, यह सभी उन कार्यों से आता है जो मशीन ने डेटा का सबसे अच्छा वर्णन करना सीखा है।