मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक उपशाखा है जिसमें कंप्यूटर सिस्टम डेटा से सांख्यिकीय पैटर्न सीखकर किसी कार्य पर अपना प्रदर्शन सुधारते हैं, न कि उन नियमों का पालन करके जो हाथ से स्पष्ट रूप से प्रोग्राम किए गए 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 छवियां। अपर्यवेक्षित शिक्षण में, एक मॉडल बिना लेबल वाले डेटा में संरचना ढूंढता है, उदाहरण के लिए समान वस्तुओं को एक साथ समूहित करके। सुदृढीकरण शिक्षण में, एक एजेंट वातावरण में क्रियाएं करके और पुरस्कार या दंड प्राप्त करके सीखता है, यह एक प्रतिमान है जिसने AlphaGo 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 उसके संदर्भ से एक छिपे हुए शब्द की भविष्यवाणी करके, और यह आधुनिक भाषा मॉडल के पूर्व-प्रशिक्षण के पीछे की विधि है।
मुख्य विधियाँ
अधिकांश मशीन लर्निंग मॉडल को हानि-फलन परिभाषित करके प्रशिक्षित किया जाता है जो मापता है कि मॉडल की भविष्यवाणियां 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 दृष्टिकोण, जैसे कि व्लादिमीर वापनिक और सहयोगियों 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, छवियों, ऑडियो और पाठ से जुड़े कार्यों के लिए प्रमुख विधि बन गए हैं, बशर्ते पर्याप्त प्रशिक्षण डेटा और कंप्यूट शक्ति उपलब्ध हो।
व्यावहारिक चिंताएँ
मशीन लर्निंग में एक केंद्रीय चुनौती अति-अनुकूलन है, जहां 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। चिकित्सक इसे नियमितीकरण, क्रॉस-वैलिडेशन और परीक्षण डेटा को अलग रखने जैसी तकनीकों के माध्यम से संबोधित करते हैं। प्रशिक्षण डेटा की गुणवत्ता और पैमाना, मॉडल आर्किटेक्चर की पसंद के साथ, 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 हो गई, 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 मॉडल के प्रशिक्षण को रेखांकित करता है।
मशीन लर्निंग और पहले के नियम-आधारित सॉफ्टवेयर के बीच अंतर व्यवहार में हमेशा तीव्र नहीं होता है, क्योंकि कई उत्पादन प्रणालियां 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।
इतिहास
सबसे पहला मशीन लर्निंग प्रोग्राम 1950 के दशक में पेश किया गया था, जब सैमुअल ने एक कंप्यूटर प्रोग्राम का आविष्कार किया जो प्रत्येक पक्ष के लिए चेकर्स में जीतने की संभावना की गणना करता था। मशीन लर्निंग का इतिहास मानव संज्ञानात्मक प्रक्रियाओं का अध्ययन करने के दशकों के प्रयासों में निहित है। 1949 में, कनाडाई मनोवैज्ञानिक डोनाल्ड हेब ने द ऑर्गनाइजेशन ऑफ बिहेवियर प्रकाशित किया, जिसमें उन्होंने तंत्रिका कोशिकाओं के बीच कुछ अंतःक्रियाओं द्वारा गठित एक सैद्धांतिक तंत्रिका संरचना पेश की। न्यूरॉन अंतःक्रिया का हेब्बियन सिद्धांत इस बात की नींव रखता है कि कई मशीन लर्निंग एल्गोरिदम कैसे काम करते हैं, जिसमें जुड़े कृत्रिम न्यूरॉन्स डेटा के आधार पर अपने कनेक्शन की ताकत बदलते हैं। वाल्टर पिट्स और वॉरेन मैककुलोच सहित अन्य शोधकर्ताओं ने तंत्रिका नेटवर्क का पहला गणितीय मॉडल प्रस्तावित किया, जिसमें ऐसे एल्गोरिदम शामिल थे जो मानव विचार प्रक्रियाओं को प्रतिबिंबित करते हैं।
1960 के दशक की शुरुआत तक, पंच्ड टेप मेमोरी वाला एक प्रयोगात्मक "लर्निंग मशीन", जिसे साइबरट्रॉन कहा जाता था, रेथियॉन कंपनी द्वारा सोनार सिग्नल, इलेक्ट्रोकार्डियोग्राम और भाषण पैटर्न का विश्लेषण करने के लिए प्रारंभिक सुदृढीकरण शिक्षण का उपयोग करके विकसित किया गया था। 1960 के दशक के दौरान मशीन लर्निंग पर शोध का एक प्रतिनिधि पुस्तक निल्स निल्सन की पुस्तक लर्निंग मशीन्स थी, जो मुख्य रूप से पैटर्न वर्गीकरण के लिए मशीन लर्निंग से संबंधित थी। 1981 में, शिक्षण रणनीतियों का उपयोग करने पर एक रिपोर्ट दी गई ताकि एक कृत्रिम तंत्रिका नेटवर्क कंप्यूटर टर्मिनल से 40 वर्णों (26 अक्षर, 10 अंक और 4 विशेष प्रतीक) को पहचानना सीख सके।
टॉम एम. मिशेल ने मशीन लर्निंग क्षेत्र में अध्ययन किए गए एल्गोरिदम की एक व्यापक रूप से उद्धृत, अधिक औपचारिक परिभाषा प्रदान की: "एक कंप्यूटर प्रोग्राम को अनुभव E से कार्यों के कुछ वर्ग T और प्रदर्शन माप P के संबंध में सीखने के लिए कहा जाता है, यदि T में कार्यों पर इसका प्रदर्शन, जैसा कि P द्वारा मापा जाता है, अनुभव E के साथ सुधरता है।" यह परिभाषा मौलिक रूप से परिचालनात्मक है, न कि संज्ञानात्मक शब्दों में क्षेत्र को परिभाषित करने वाली। यह एलन ट्यूरिंग के अपने पेपर "कंप्यूटिंग मशीनरी एंड इंटेलिजेंस" में प्रस्ताव का अनुसरण करता है, जिसमें प्रश्न "क्या मशीनें सोच सकती हैं?" को यह पूछकर बदल दिया गया है कि क्या मशीनें मानव-पूछे गए प्रश्नों के उत्तर में मानव को सम्मोहक रूप से अनुकरण कर सकती हैं।
अन्य क्षेत्रों से संबंध
मशीन लर्निंग सांख्यिकी और गणितीय अनुकूलन से संबंधित है, जो इसकी मूलभूत विधियाँ प्रदान करते हैं। डेटा माइनिंग एक संबंधित क्षेत्र है जो अपर्यवेक्षित शिक्षण के माध्यम से खोजपूर्ण डेटा विश्लेषण पर केंद्रित है। सैद्धांतिक दृष्टिकोण से, संभवतः-लगभग-सही शिक्षण मशीन लर्निंग का वर्णन करने के लिए एक गणितीय और सांख्यिकीय ढांचा प्रदान करता है, और अधिकांश पारंपरिक मशीन लर्निंग और गहन शिक्षण एल्गोरिदम को इस ढांचे के तहत अनुभवजन्य जोखिम न्यूनीकरण के रूप में वर्णित किया जा सकता है।
मशीन लर्निंग के इतिहास में एक अवधि शामिल है जब क्षेत्र प्रतीकात्मक दृष्टिकोण से सांख्यिकीय विधियों की ओर स्थानांतरित हुआ। एआई के शुरुआती दिनों में, शोधकर्ताओं ने प्रतीकात्मक विधियों और प्रारंभिक तंत्रिका नेटवर्क का उपयोग किया, लेकिन 1980 तक विशेषज्ञ प्रणालियों ने प्रभुत्व किया और सांख्यिकी पक्ष से बाहर हो गई। प्रतीकात्मक शिक्षण पर काम जारी रहा, लेकिन सांख्यिकीय शोध की रेखा पैटर्न पहचान और सूचना पुनर्प्राप्ति में आगे बढ़ी। तंत्रिका नेटवर्क अनुसंधान, जिसे "कनेक्शनिज्म" कहा जाता है, जॉन हॉपफील्ड, डेविड रुमेलहार्ट और जेफ्री हिंटन जैसे शोधकर्ताओं द्वारा जारी रखा गया, जिनकी मुख्य सफलता 1980 के दशक के मध्य में बैकप्रोपेगेशन के पुनः आविष्कार के साथ आई। मशीन लर्निंग अपने स्वयं के क्षेत्र के रूप में 1990 के दशक में फला-फूला, कृत्रिम बुद्धिमत्ता प्राप्त करने से सांख्यिकी और संभाव्यता की विधियों के साथ व्यावहारिक समस्याओं से निपटने की ओर स्थानांतरित हो गया।
हाल के विकास
2012 में, एलेक्स क्रिज़ेव्स्की, इल्या सुत्स्केवर और जेफ्री हिंटन द्वारा विकसित AlexNet ने ImageNet छवि पहचान प्रतियोगिता में काफी बेहतर परिणाम प्राप्त किए, जिसने गहन तंत्रिका नेटवर्क के व्यापक अपनाने में योगदान दिया। 2013 में, टोमास मिकोलोव और सहयोगियों ने Word2vec पेश किया, जो बड़े पाठ कोष से शब्दों के वितरित वेक्टर प्रतिनिधित्व को कुशलतापूर्वक सीखने की तकनीकें हैं। 2014 में, इयान गुडफेलो और सहयोगियों ने जनरेटिव एडवर्सेरियल नेटवर्क (GANs) पेश किया, जो एक प्रतिकूल प्रक्रिया के माध्यम से जनरेटिव मॉडल को प्रशिक्षित करने का एक ढांचा है। 2016 में, AlphaGo पहला कंप्यूटर प्रोग्राम बन गया जिसने पूर्ण आकार के बोर्ड पर बिना किसी बाधा के एक पेशेवर मानव गो खिलाड़ी को हराया, गहन तंत्रिका नेटवर्क और सुदृढीकरण शिक्षण का उपयोग करके। 2017 में, अशीष वासवानी और सहयोगियों ने ट्रांसफॉर्मर पेश किया, एक तंत्रिका नेटवर्क आर्किटेक्चर जो मुख्य रूप से ध्यान पर आधारित है, न कि पुनरावृत्ति या संवलन पर।
हाल ही में, गहन शिक्षण में प्रगति ने तंत्रिका नेटवर्क को कई पिछले मशीन लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करने की अनुमति दी है, जिससे "मशीन लर्निंग" और "कृत्रिम बुद्धिमत्ता" शब्द अक्सर एक दूसरे के स्थान पर उपयोग किए जाते हैं, भले ही वे पर्यायवाची नहीं हैं।