DocsChapter 2: मशीन लर्निंगचे प्रकार
2.1 वेगवेगळे प्रकार का आहेत
🔹 संक्षिप्त सारांश:
Machine Learning चे प्रकार डेटा आणि मिळणाऱ्या मार्गदर्शनावर अवलंबून असतात.
🔹 सोपं स्पष्टीकरण:
- सर्व समस्यांमध्ये डेटा सारखा नसतो
- कधी योग्य उत्तर (labels) मिळतात
- कधी फक्त डेटा असतो, उत्तर नसतं
- कधी system अनुभवातून शिकतो
- म्हणून ML चे वेगवेगळे प्रकार तयार झाले
मुख्य तीन प्रकार:
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
2.2 Supervised Learning (उत्तरांसह शिकणे)
🔹 संक्षिप्त सारांश:
जिथे input आणि योग्य output दोन्ही दिलेले असतात.
🔹 सोपं स्पष्टीकरण:
- डेटा मध्ये input आणि correct output (labels) असतात
- मॉडेल स्वतःचा अंदाज आणि खरे उत्तर तुलना करते
- चुका सुधारून हळूहळू शिकते
- हा सर्वात जास्त वापरला जाणारा प्रकार आहे
1. Regression
🔹 संक्षिप्त सारांश:
संख्या (continuous value) अंदाज करणे.
🔹 सोपं स्पष्टीकरण:
- output एक संख्या असते
- उदा. घराची किंमत, तापमान
- मूल्य कोणतीही संख्या असू शकते
- म्हणजे निश्चित categories नसतात
2. Classification
🔹 संक्षिप्त सारांश:
डेटाला ठराविक गटात वर्गीकृत करणे.
🔹 सोपं स्पष्टीकरण:
- output categories मध्ये असतो
- उदा. Spam / Not Spam, Fraud / Not Fraud
- प्रत्येक data point एका गटात जातो
- निश्चित पर्यायांमधून निवड केली जाते
कधी वापरायचं
🔹 संक्षिप्त सारांश:
जेव्हा labeled data उपलब्ध असतो.
🔹 सोपं स्पष्टीकरण:
- input + output दोन्ही उपलब्ध आहेत
- भविष्यातील अंदाज करायचा आहे
- स्पष्ट मार्गदर्शन असल्याने शिकणे सोपे होते
2.3 Unsupervised Learning (उत्तरांशिवाय शिकणे)
🔹 संक्षिप्त सारांश:
जिथे फक्त डेटा असतो, पण योग्य उत्तर नसतं.
🔹 सोपं स्पष्टीकरण:
- डेटा मध्ये labels नसतात
- मॉडेल स्वतः patterns शोधते
- similarity आणि रचना (structure) ओळखते
- मुख्य उद्देश: डेटा समजून घेणे
1. Clustering
🔹 संक्षिप्त सारांश:
सारख्या गोष्टींचे गट तयार करणे.
🔹 सोपं स्पष्टीकरण:
- समान data points एकत्र आणले जातात
- उदा. ग्राहकांचे गट बनवणे
- मॉडेल स्वतः गट शोधते
2. Dimensionality Reduction
🔹 संक्षिप्त सारांश:
डेटा साधा करणे (features कमी करणे).
🔹 सोपं स्पष्टीकरण:
- features ची संख्या कमी केली जाते
- महत्त्वाची माहिती ठेवली जाते
- डेटा समजायला आणि process करायला सोपा होतो
कधी वापरायचं
🔹 संक्षिप्त सारांश:
जेव्हा labeled data उपलब्ध नसतो.
🔹 सोपं स्पष्टीकरण:
- फक्त input data आहे
- patterns शोधायचे आहेत
- डेटा समजून घेण्यासाठी उपयोगी
2.4 Reinforcement Learning (अनुभवातून शिकणे)
🔹 संक्षिप्त सारांश:
कृती (actions) आणि बक्षीस (reward) यावरून शिकणे.
🔹 सोपं स्पष्टीकरण:
- मॉडेल environment मध्ये काम करते
- प्रत्येक कृतीनंतर reward किंवा penalty मिळते
- हळूहळू योग्य निर्णय शिकते
- उद्दिष्ट: जास्तीत जास्त reward मिळवणे
मुख्य संकल्पना
🔹 सोपं स्पष्टीकरण:
Agent
- निर्णय घेणारी प्रणाली
Environment
- जिथे agent काम करतो
Action
- agent ने घेतलेली कृती
Reward
- कृतीनंतर मिळणारा परिणाम
उदाहरण
🔹 संक्षिप्त सारांश:
खेळ किंवा robotics मध्ये वापर.
🔹 सोपं स्पष्टीकरण:
- game मध्ये योग्य चाल शिकतो
- चुकीच्या निर्णयांमधून सुधारणा होते
- वेळेनुसार performance सुधारतो
कधी वापरायचं
🔹 संक्षिप्त सारांश:
जेव्हा निर्णय एकमेकांवर परिणाम करतात.
🔹 सोपं स्पष्टीकरण:
- sequential decisions असतात
- आजचा निर्णय भविष्यात परिणाम करतो
- dynamic परिस्थितीत उपयोगी
2.5 तिन्ही प्रकारांची तुलना
🔹 संक्षिप्त सारांश:
प्रत्येक प्रकार वेगळ्या पद्धतीने शिकतो.
🔹 सोपं स्पष्टीकरण:
- Supervised → उत्तरांवरून शिकतो
- Unsupervised → patterns शोधतो
- Reinforcement → reward वरून शिकतो
2.6 सोपी समज
🔹 संक्षिप्त सारांश:
शिकण्याच्या तीन पद्धतींची तुलना.
🔹 सोपं स्पष्टीकरण:
- Supervised → शिक्षकासोबत शिकणे
- Unsupervised → स्वतः निरीक्षण करून शिकणे
- Reinforcement → प्रयत्न आणि चुका करून शिकणे
2.7 हे का महत्त्वाचं आहे
🔹 संक्षिप्त सारांश:
योग्य प्रकार निवडणे आवश्यक आहे.
🔹 सोपं स्पष्टीकरण:
- योग्य पद्धत निवडण्यास मदत होते
- डेटा कसा वापरायचा ते ठरते
- model च्या कामगिरीवर परिणाम होतो
2.8 पुढे काय येणार?
🔹 संक्षिप्त सारांश:
पुढील भागात ML pipeline समजणार आहे.
🔹 सोपं स्पष्टीकरण:
- डेटा पासून prediction पर्यंतचा प्रवास
- प्रत्येक टप्पा कसा काम करतो ते पाहू
Chapter Summary
🔹 संक्षिप्त सारांश:
Machine Learning चे तीन मुख्य प्रकार आहेत.
🔹 सोपं स्पष्टीकरण:
- Supervised → labeled data वापरतो
- Unsupervised → patterns शोधतो
- Reinforcement → reward वरून शिकतो
- योग्य प्रकार निवडणे खूप महत्त्वाचे आहे