मशीन लर्निंग (ML) आर्टिफिशियल इंटेलिजेंस की वह शाखा है जहां एक तंत्र डेटा से पैटर्न सीखकर किसी कार्य पर अपने स्वयं के प्रदर्शन में सुधार करता है, बजाय किसी प्रोग्रामर द्वारा पहले से लिखे गए नियमों के एक निश्चित सेट का पालन करने के।
ML पारंपरिक प्रोग्रामिंग से कैसे भिन्न है
पारंपरिक प्रोग्रामिंग में, एक मानव स्पष्ट नियम लिखता है ("यदि X, तो Y"), व कंप्यूटर उन्हें ठीक-ठीक लागू करता है। मशीन लर्निंग में, एक मानव इसके बजाय उदाहरण डेटा प्रदान करता है, व एल्गोरिदम स्वयं अंतर्निहित पैटर्न को निकालता है — "नियम" सीखे जाते हैं, हाथ से नहीं लिखे जाते। यही कारण है कि ML उन कार्यों पर अच्छा प्रदर्शन करता है (जैसे हस्तलेखन पहचानना या फसल उपज की भविष्यवाणी करना) जहां विस्तृत मैनुअल नियम लिखना अव्यावहारिक होगा।
मशीन लर्निंग के तीन मुख्य प्रकार
| प्रकार | यह कैसे सीखता है | उदाहरण |
|---|---|---|
| सुपरवाइज़्ड लर्निंग | लेबल किए गए डेटा पर प्रशिक्षित — हर उदाहरण के साथ "सही उत्तर" पहले से जुड़ा होता है | स्वस्थ बनाम रोगग्रस्त पत्तियों की लेबल की गई तस्वीरों से फसल रोग की भविष्यवाणी |
| अनसुपरवाइज़्ड लर्निंग | अनलेबल्ड डेटा पर प्रशिक्षित, स्वयं छिपे पैटर्न/समूह खोजना | बिना किसी पूर्व-निर्धारित श्रेणी के भूमि-धारण पैटर्न द्वारा किसानों को समूहित करना |
| रीइन्फोर्समेंट लर्निंग | परीक्षण व त्रुटि से सीखता है, लिए गए कार्यों हेतु इनाम/दंड प्राप्त करते हुए | बार-बार फीडबैक के माध्यम से सिंचाई शेड्यूलिंग को अनुकूलित करना सीखने वाला एक तंत्र |
परीक्षा नोट: मुख्य विभेदक प्रश्न है "क्या प्रशिक्षण डेटा लेबल किए गए सही उत्तरों के साथ आता है?" — हां (सुपरवाइज़्ड), नहीं लेकिन पैटर्न मौजूद हैं (अनसुपरवाइज़्ड), या नहीं लेकिन एक वातावरण के साथ इंटरैक्ट करने से एक इनाम संकेत है (रीइन्फोर्समेंट)।
प्रशिक्षण डेटा व डीप लर्निंग
एक ML मॉडल को एक बड़े प्रशिक्षण डेटासेट पर प्रशिक्षित करके बनाया जाता है, फिर एक अलग परीक्षण डेटासेट पर इसकी सटीकता जांची जाती है जो इसने पहले नहीं देखा — यह विभाजन जांचता है कि क्या मॉडल ने वास्तव में एक सामान्य पैटर्न सीखा है, केवल अपने प्रशिक्षण उदाहरणों को याद करने के बजाय (एक विफलता मोड जिसे ओवरफिटिंग कहा जाता है)। डीप लर्निंग ML का एक विशिष्ट, अधिक शक्तिशाली उपसमुच्चय है जो मस्तिष्क की संरचना से ढीले रूप से प्रेरित बहु-स्तरीय "न्यूरल नेटवर्क" का उपयोग करता है, व आज की सबसे सक्षम AI प्रणालियों (छवि पहचान, भाषा मॉडल, आदि) के अंतर्गत है।
शासन हेतु प्रासंगिक अनुप्रयोग
- कृषि: स्मार्टफोन तस्वीरों से ML-आधारित फसल-रोग पहचान, उपग्रह/मौसम डेटा से उपज भविष्यवाणी।
- स्वास्थ्य: ML-सहायित नैदानिक स्क्रीनिंग (जैसे, डॉक्टर की समीक्षा हेतु चिकित्सा छवियों से संभावित तपेदिक या मधुमेह रेटिनोपैथी मामलों को चिह्नित करना)।
- शासन: कल्याण-योजना वितरण में धोखाधड़ी पहचान, सार्वजनिक सेवाओं हेतु मांग पूर्वानुमान।
प्रमुख संस्थाएँ
- इलेक्ट्रॉनिक्स व सूचना प्रौद्योगिकी मंत्रालय (MeitY) — समग्र डिजिटल/AI नीति समन्वय
- NITI आयोग — भारत की प्रारंभिक #AIforAll रणनीति पत्र (2018) प्रकाशित किया, इस अध्याय की तकनीकी ML अवधारणाओं से अलग एक नीति-स्तरीय दस्तावेज़
छत्तीसगढ़ परिप्रेक्ष्य
कृषि ML अनुप्रयोगों — फसल-रोग पहचान व उपज भविष्यवाणी — की छत्तीसगढ़ जैसे मुख्यतः कृषि-प्रधान राज्य हेतु सबसे सीधी प्रासंगिकता है, भले ही यहां कोई राज्य-विशिष्ट ML क्रियान्वयन दर्ज नहीं है; इसे एक मौजूदा CG-विशिष्ट योजना के बजाय स्पष्ट स्थानीय प्रयोज्यता वाली एक सामान्य क्षमता के रूप में सर्वोत्तम रूप से प्रस्तुत किया जाता है।
CGPSC के लिए यह क्यों महत्वपूर्ण है
इस अध्याय का मूल्य तीन ML प्रकारों को उनकी सटीक प्रशिक्षण-डेटा स्थिति द्वारा स्पष्ट रूप से अलग करने में है — एक अक्सर परखा जाने वाला प्रत्यक्ष-मिलान प्रश्न — जबकि नीति-स्तरीय राष्ट्रीय AI रणनीति तथ्यों (इस खंड में अन्यत्र कवर) को इन तकनीकी मूल सिद्धांतों से अलग रखते हुए।