मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक उपशाखा है जिसमें कंप्यूटर सिस्टम हाथ से स्पष्ट रूप से प्रोग्राम किए गए नियमों का पालन करने के बजाय डेटा से सांख्यिकीय पैटर्न सीखकर किसी कार्य पर अपना प्रदर्शन सुधारते हैं। यह अधिकांश समकालीन कृत्रिम बुद्धिमत्ता अनुप्रयोगों को रेखांकित करता है, स्पैम फिल्टर से लेकर बड़े भाषा मॉडल तक।
यह शब्द आम तौर पर आर्थर सैमुअल को श्रेय दिया जाता है, जिन्होंने 1959 में इसका उपयोग एक चेकर्स-खेलने वाले प्रोग्राम का वर्णन करने के लिए किया था जो स्व-खेल के माध्यम से सुधरता था।
प्रतिमान
मशीन लर्निंग को आम तौर पर तीन प्रतिमानों में विभाजित किया जाता है। पर्यवेक्षित शिक्षण में, एक मॉडल सही लेबल के साथ जोड़े गए उदाहरणों से सीखता है, जैसे कि वस्तु श्रेणियों के साथ टैग की गई छवियाँ। अपर्यवेक्षित शिक्षण में, एक मॉडल बिना लेबल वाले डेटा में संरचना पाता है, उदाहरण के लिए समान वस्तुओं को एक साथ समूहित करके। सुदृढीकरण शिक्षण में, एक एजेंट वातावरण में क्रियाएँ करके और पुरस्कार या दंड प्राप्त करके सीखता है, यह एक ऐसा प्रतिमान है जिसने अल्फ़ागो जैसे ऐतिहासिक परिणाम उत्पन्न किए। एक चौथा दृष्टिकोण, स्व-पर्यवेक्षित शिक्षण, बिना लेबल वाले डेटा से अपना स्वयं का प्रशिक्षण संकेत उत्पन्न करता है, उदाहरण के लिए किसी छिपे हुए शब्द को उसके संदर्भ से भविष्यवाणी करके, और यह आधुनिक भाषा मॉडलों के पूर्व-प्रशिक्षण के पीछे की विधि है।
मुख्य विधियाँ
अधिकांश मशीन लर्निंग मॉडल एक हानि-फलन परिभाषित करके प्रशिक्षित किए जाते हैं जो मापता है कि मॉडल की भविष्यवाणियाँ कितनी गलत हैं, फिर ग्रेडिएंट-डिसेंट या संबंधित अनुकूलन प्रक्रिया के माध्यम से उस हानि को कम करने के लिए मॉडल के मापदंडों को समायोजित किया जाता है। गहन शिक्षण युग से पहले की सांख्यिकीय विधियाँ, जैसे कि व्लादिमीर वापनिक और सहकर्मियों द्वारा विकसित सपोर्ट वेक्टर मशीनें, छोटी या अधिक व्याख्या योग्य समस्याओं के लिए उपयोग में बनी हुई हैं। 2010 के दशक से, तंत्रिका-नेटवर्क मॉडल, विशेष रूप से गहन-शिक्षण आर्किटेक्चर, पर्याप्त प्रशिक्षण डेटा और कंप्यूट शक्ति दिए जाने पर छवियों, ऑडियो और पाठ से जुड़े कार्यों के लिए प्रमुख विधि बन गए हैं।
व्यावहारिक चिंताएँ
मशीन लर्निंग में एक केंद्रीय चुनौती अति-अनुकूलन है, जहाँ एक मॉडल अपने प्रशिक्षण डेटा के लिए विशिष्ट पैटर्न को याद करता है, बजाय उन पैटर्नों को सीखने के जो नए उदाहरणों पर सामान्यीकृत होते हैं। व्यवसायी इसका समाधान नियमितीकरण, क्रॉस-वैलिडेशन और परीक्षण डेटा को अलग रखने जैसी तकनीकों के माध्यम से करते हैं। प्रशिक्षण डेटा की गुणवत्ता और पैमाना, साथ ही मॉडल आर्किटेक्चर का चयन, आम तौर पर किसी भी एक एल्गोरिथ्मिक चाल की तुलना में वास्तविक दुनिया के प्रदर्शन के बड़े निर्धारक होते हैं।
अपनाना
मशीन लर्निंग 2010 के दशक में एक शैक्षणिक अनुशासन से मुख्यधारा की इंजीनियरिंग प्रथा में स्थानांतरित हुई, जो आंशिक रूप से सार्वजनिक रूप से उपलब्ध फ्रेमवर्क, क्लाउड कंप्यूटिंग और एंड्रयू एनजी जैसे शिक्षकों द्वारा संचालित थी, जिनके ऑनलाइन पाठ्यक्रमों ने इस क्षेत्र को व्यापक दर्शकों से परिचित कराया। यह अब खोज रैंकिंग, धोखाधड़ी का पता लगाने, चिकित्सा इमेजिंग विश्लेषण, अनुशंसा प्रणाली और आधुनिक संवादी सहायकों को शक्ति देने वाले बड़े भाषा मॉडलों के प्रशिक्षण को रेखांकित करता है।
मशीन लर्निंग और पहले के नियम-आधारित सॉफ्टवेयर के बीच का अंतर व्यवहार में हमेशा स्पष्ट नहीं होता है, क्योंकि कई उत्पादन प्रणालियाँ सीखे गए घटकों को हाथ से लिखे व्यावसायिक तर्क के साथ जोड़ती हैं, लेकिन मशीन लर्निंग प्रणाली की परिभाषित विशेषता यह बनी रहती है कि इसका व्यवहार काफी हद तक उस डेटा द्वारा आकार दिया जाता है जिस पर इसे प्रशिक्षित किया गया था, न कि उन नियमों द्वारा जो एक प्रोग्रामर ने सीधे लिखे थे।