यह लेख उन तीन मूलभूत दृष्टिकोणों को समझाता है जिनके द्वारा मशीन लर्निंग प्रणालियां डेटा से सीखती हैं।
सुपरवाइज़्ड लर्निंग
उम्मीदवारों को याद रखना चाहिए कि सुपरवाइज़्ड लर्निंग एक मॉडल को लेबल किए गए डेटा पर प्रशिक्षित करती है — इनपुट-आउटपुट जोड़े जहां सही उत्तर पहले से ज्ञात है — मॉडल को इनपुट व आउटपुट के बीच मैपिंग सीखने में सक्षम बनाते हुए ताकि यह नए, अनदेखे इनपुट हेतु परिणामों की भविष्यवाणी कर सके, सामान्य अनुप्रयोगों में वर्गीकरण (वस्तुओं को श्रेणियों में छांटना) व प्रतिगमन (निरंतर संख्यात्मक मूल्यों की भविष्यवाणी करना) शामिल हैं।
अनसुपरवाइज़्ड लर्निंग
उम्मीदवारों को सीखना चाहिए कि अनसुपरवाइज़्ड लर्निंग गैर-लेबल किए गए डेटा के साथ कार्य करती है, जहां मॉडल पहले से सही उत्तर दिए बिना डेटा के भीतर पैटर्न, संरचनाएं, या समूहन की पहचान करता है — सामान्य अनुप्रयोगों में क्लस्टरिंग (समान डेटा बिंदुओं को एक साथ समूहित करना) व विसंगति पहचान (स्थापित पैटर्न से भटकने वाले असामान्य डेटा बिंदुओं की पहचान करना) शामिल हैं।
परीक्षा नोट: उम्मीदवारों को प्रत्येक लर्निंग प्रकार से जुड़े विशिष्ट नामित एल्गोरिदमों को एक निश्चित सूची याद करने के बजाय एक मानक मशीन लर्निंग संदर्भ के विरुद्ध सत्यापन योग्य मानना चाहिए, क्योंकि यह महीन अंतरों के साथ बार-बार परीक्षण किया जाने वाला क्षेत्र है।
रीइन्फोर्समेंट लर्निंग
उम्मीदवारों को पहचानना चाहिए कि रीइन्फोर्समेंट लर्निंग पुरस्कारों व दंडों को शामिल करने वाली एक परीक्षण-व-त्रुटि प्रक्रिया के माध्यम से एक मॉडल को प्रशिक्षित करती है — एक "एजेंट" एक पर्यावरण के भीतर कार्रवाइयां करता है व परिणाम के आधार पर प्रतिक्रिया (पुरस्कार या दंड) प्राप्त करता है, धीरे-धीरे समय के साथ संचयी पुरस्कार को अधिकतम करने वाली एक रणनीति सीखते हुए, गेम-खेलने वाली AI व रोबोटिक नियंत्रण सहित अनुप्रयोगों के साथ।
CGPSC के लिए यह क्यों महत्वपूर्ण है
मशीन लर्निंग प्रकार प्रश्न सुपरवाइज़्ड लर्निंग के लेबल-डेटा दृष्टिकोण, अनसुपरवाइज़्ड लर्निंग के लेबल-रहित पैटर्न-खोज दृष्टिकोण, व रीइन्फोर्समेंट लर्निंग के पुरस्कार-आधारित परीक्षण-व-त्रुटि दृष्टिकोण को सही ढंग से अलग करने को पुरस्कृत करते हैं — प्रतिस्पर्धी परीक्षाओं भर परीक्षण की गई मूलभूत मशीन लर्निंग शब्दावली।