update-translations
localizeflow[bot]
6 days ago
parent
5f990de5b2
commit
5e53e585cd
@ -1,150 +1,157 @@
|
||||
# मशीन लर्निंग का परिचय
|
||||
|
||||
## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ml/)
|
||||
## [पूर्व-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
|
||||
[](https://youtu.be/6mSx_KJxcHI "शुरुआती लोगों के लिए मशीन लर्निंग का परिचय")
|
||||
[](https://youtu.be/6mSx_KJxcHI "शिक्षार्थियों के लिए एमएल - शिक्षार्थियों के लिए मशीन लर्निंग का परिचय")
|
||||
|
||||
> 🎥 ऊपर दी गई छवि पर क्लिक करें इस पाठ को समझने के लिए एक छोटा वीडियो देखने के लिए।
|
||||
> 🎥 इस पाठ में काम करते हुए एक छोटे वीडियो के लिए ऊपर की छवि पर क्लिक करें।
|
||||
|
||||
शुरुआती लोगों के लिए क्लासिकल मशीन लर्निंग पर इस कोर्स में आपका स्वागत है! चाहे आप इस विषय में बिल्कुल नए हों, या एक अनुभवी एमएल प्रैक्टिशनर जो किसी क्षेत्र को फिर से सीखना चाहते हैं, हमें खुशी है कि आप हमारे साथ जुड़ रहे हैं! हम आपके एमएल अध्ययन के लिए एक दोस्ताना शुरुआत प्रदान करना चाहते हैं और आपके [फीडबैक](https://github.com/microsoft/ML-For-Beginners/discussions) का मूल्यांकन, उत्तर और समावेश करने के लिए तैयार हैं।
|
||||
नवीनतमों के लिए इस क्लासिकल मशीन लर्निंग कोर्स में आपका स्वागत है! चाहे आप इस विषय में पूरी तरह नए हों, या किसी अनुभवी ML प्रैक्टिशनर हों जो किसी क्षेत्र को फिर से सीखना चाहते हैं, हमें खुशी है कि आप हमारे साथ जुड़े हैं! हम आपकी एमएल पढ़ाई के लिए एक अनुकूल प्रारंभिक स्थान बनाना चाहते हैं और आपकी [प्रतिक्रिया](https://github.com/microsoft/ML-For-Beginners/discussions) का मूल्यांकन, जवाब देने और उसे शामिल करने के लिए तैयार हैं।
|
||||
|
||||
[](https://youtu.be/h0e2HAPTGF4 "मशीन लर्निंग का परिचय")
|
||||
[](https://youtu.be/h0e2HAPTGF4 "एमएल का परिचय")
|
||||
|
||||
> 🎥 ऊपर दी गई छवि पर क्लिक करें: एमआईटी के जॉन गुट्टाग मशीन लर्निंग का परिचय देते हैं
|
||||
> 🎥 ऊपर की छवि पर क्लिक करें: एमआईटी के जॉन गुटटैग मशीन लर्निंग का परिचय देते हुए
|
||||
|
||||
---
|
||||
## मशीन लर्निंग शुरू करना
|
||||
## मशीन लर्निंग के साथ शुरुआत
|
||||
|
||||
इस पाठ्यक्रम को शुरू करने से पहले, आपको अपने कंप्यूटर को सेटअप करना होगा ताकि आप नोटबुक्स को लोकल रूप से चला सकें।
|
||||
इस पाठ्यक्रम को शुरू करने से पहले, आपको अपने कंप्यूटर को सेटअप करना और लोकल नोटबुक चलाने के लिए तैयार होना आवश्यक है।
|
||||
|
||||
- **अपने सिस्टम को इन वीडियो के साथ कॉन्फ़िगर करें**। [Python इंस्टॉल करने](https://youtu.be/CXZYvNRIAKM) और [टेक्स्ट एडिटर सेटअप करने](https://youtu.be/EU8eayHWoZg) के लिए दिए गए लिंक का उपयोग करें।
|
||||
- **Python सीखें**। यह अनुशंसा की जाती है कि आप [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) की बुनियादी समझ रखें, एक प्रोग्रामिंग भाषा जो डेटा वैज्ञानिकों के लिए उपयोगी है और जिसे हम इस कोर्स में उपयोग करते हैं।
|
||||
- **Node.js और JavaScript सीखें**। हम इस कोर्स में वेब ऐप्स बनाने के लिए कुछ बार JavaScript का उपयोग करते हैं, इसलिए आपको [node](https://nodejs.org) और [npm](https://www.npmjs.com/) इंस्टॉल करना होगा, साथ ही [Visual Studio Code](https://code.visualstudio.com/) को Python और JavaScript विकास के लिए उपलब्ध रखना होगा।
|
||||
- **GitHub अकाउंट बनाएं**। चूंकि आपने हमें [GitHub](https://github.com) पर पाया है, आपके पास पहले से ही एक अकाउंट हो सकता है, लेकिन अगर नहीं है, तो एक बनाएं और फिर इस पाठ्यक्रम को अपने उपयोग के लिए फोर्क करें। (हमें एक स्टार देना न भूलें 😊)
|
||||
- **Scikit-learn का अन्वेषण करें**। [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) के साथ परिचित हों, एमएल लाइब्रेरी का एक सेट जिसे हम इन पाठों में संदर्भित करते हैं।
|
||||
- **इन वीडियोस के साथ अपनी मशीन को कॉन्फ़िगर करें।** अपने सिस्टम में [Python कैसे स्थापित करें](https://youtu.be/CXZYvNRIAKM) और विकास के लिए [टेक्स्ट एडिटर कैसे सेटअप करें](https://youtu.be/EU8eayHWoZg) सीखने के लिए निम्नलिखित लिंक का उपयोग करें।
|
||||
- **Python सीखें।** यह भी अनुशंसित है कि आपके पास [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) की बुनियादी समझ हो, जो इस पाठ्यक्रम में हम उपयोग करते हैं और डेटा वैज्ञानिकों के लिए उपयोगी प्रोग्रामिंग भाषा है।
|
||||
- **Node.js और JavaScript सीखें।** हम इस कोर्स में वेब ऐप बनाने में कभी-कभी JavaScript का उपयोग करते हैं, इसलिए आपके पास [node](https://nodejs.org) और [npm](https://www.npmjs.com/) इंस्टॉल होना चाहिए, साथ ही Python और JavaScript विकास के लिए [Visual Studio Code](https://code.visualstudio.com/) उपलब्ध होना चाहिए।
|
||||
- **GitHub खाता बनाएं।** जब आपने हमें [GitHub](https://github.com) पर पाया है, तो हो सकता है आपके पास पहले से खाता हो, लेकिन यदि नहीं, तो एक बनाएं और फिर इस पाठ्यक्रम को अपने उपयोग के लिए फोर्क करें। (हमें स्टार देना भी न भूलें 😊)
|
||||
- **Scikit-learn का अन्वेषण करें।** हमारे पाठों में संदर्भित एक ML लाइब्रेरियों के सेट [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) के साथ परिचित हों।
|
||||
|
||||
---
|
||||
## मशीन लर्निंग क्या है?
|
||||
|
||||
'मशीन लर्निंग' शब्द आज के सबसे लोकप्रिय और अक्सर उपयोग किए जाने वाले शब्दों में से एक है। यह संभावना है कि आपने इस शब्द को कम से कम एक बार सुना होगा यदि आप किसी भी प्रकार की तकनीक से परिचित हैं, चाहे आप किसी भी क्षेत्र में काम करते हों। हालांकि, मशीन लर्निंग की प्रक्रिया अधिकांश लोगों के लिए एक रहस्य है। एक मशीन लर्निंग शुरुआती के लिए, यह विषय कभी-कभी भारी लग सकता है। इसलिए, यह समझना महत्वपूर्ण है कि मशीन लर्निंग वास्तव में क्या है, और इसे व्यावहारिक उदाहरणों के माध्यम से चरण-दर-चरण सीखना।
|
||||
'मशीन लर्निंग' शब्द आज की सबसे लोकप्रिय और बार-बार उपयोग की जाने वाली शब्दावली में से एक है। यदि आपको तकनीक की कोई न कोई जानकारी है, चाहे आप किसी भी क्षेत्र में काम करते हों, तो इस शब्द को कम से कम एक बार सुनने की अच्छी संभावना है। हालांकि, मशीन लर्निंग की तंत्रिका ज्यादातर लोगों के लिए रहस्य है। एक मशीन लर्निंग शुरुआतकर्ता के लिए, यह विषय कभी-कभी भारी लग सकता है। इसलिए, यह समझना आवश्यक है कि मशीन लर्निंग वास्तव में क्या है, और इसे व्यावहारिक उदाहरणों के माध्यम से धीरे-धीरे सीखना महत्वपूर्ण है।
|
||||
|
||||
---
|
||||
## प्रचार वक्र
|
||||
## प्रचार घुमाव
|
||||
|
||||
|
||||
|
||||
|
||||
> Google Trends 'मशीन लर्निंग' शब्द के हालिया प्रचार वक्र को दिखाता है
|
||||
> गूगल ट्रेंड्स 'मशीन लर्निंग' शब्द का हालिया 'प्रचार घुमाव' दिखाता है
|
||||
|
||||
---
|
||||
## एक रहस्यमय ब्रह्मांड
|
||||
|
||||
हम एक ब्रह्मांड में रहते हैं जो रहस्यों से भरा हुआ है। स्टीफन हॉकिंग, अल्बर्ट आइंस्टीन और कई अन्य महान वैज्ञानिकों ने अपने जीवन को उस जानकारी की खोज में समर्पित किया है जो हमारे चारों ओर की दुनिया के रहस्यों को उजागर करती है। यह सीखने की मानव स्थिति है: एक मानव बच्चा नई चीजें सीखता है और जैसे-जैसे वह वयस्कता तक बढ़ता है, अपने दुनिया की संरचना को साल दर साल उजागर करता है।
|
||||
हम एक ऐसे ब्रह्मांड में रहते हैं जो रहस्यों से भरा है। महान वैज्ञानिक जैसे स्टीफन हॉकिन्ग, अल्बर्ट आइंस्टीन और कई और लोगों ने हमारे चारों ओर की दुनिया के रहस्यों को उजागर करने के लिए सार्थक जानकारी खोजने में अपना जीवन लगाया है। यह मानवीय सीखने की स्थिति है: एक मानव बच्चा नई चीजें सीखता है और साल दर साल उनके विश्व की संरचना को समझता है जब वे वयस्कता की ओर बढ़ते हैं।
|
||||
|
||||
---
|
||||
## बच्चे का मस्तिष्क
|
||||
|
||||
एक बच्चे का मस्तिष्क और उसकी इंद्रियां अपने आस-पास के तथ्यों को महसूस करती हैं और धीरे-धीरे जीवन के छिपे हुए पैटर्न को सीखती हैं जो बच्चे को सीखे गए पैटर्न की पहचान करने के लिए तार्किक नियम बनाने में मदद करती हैं। मानव मस्तिष्क की सीखने की प्रक्रिया मनुष्यों को इस दुनिया का सबसे परिष्कृत जीवित प्राणी बनाती है। छिपे हुए पैटर्न की खोज करके लगातार सीखना और फिर उन पैटर्न पर नवाचार करना हमें अपने जीवनकाल में बेहतर और बेहतर बनाने में सक्षम बनाता है। यह सीखने की क्षमता और विकसित होने की क्षमता एक अवधारणा से संबंधित है जिसे [मस्तिष्क प्लास्टिसिटी](https://www.simplypsychology.org/brain-plasticity.html) कहा जाता है। सतही तौर पर, हम मानव मस्तिष्क की सीखने की प्रक्रिया और मशीन लर्निंग की अवधारणाओं के बीच कुछ प्रेरणादायक समानताएं खींच सकते हैं।
|
||||
एक बच्चे का मस्तिष्क और उसकी इंद्रियां उनके आस-पास की वास्तविकताओं को महसूस करती हैं और धीरे-धीरे जीवन के छिपे हुए पैटर्न सीखती हैं, जो बच्चे को सीखे गए पैटर्न को पहचानने के लिए तार्किक नियम बनाने में मदद करते हैं। मानव मस्तिष्क की सीखने की प्रक्रिया मानवों को इस दुनिया के सबसे परिष्कृत जीव कर देती है। छिपे हुए पैटर्न की खोज करके निरंतर सीखना और फिर उन पैटर्न पर नवाचार करना हमें पूरे जीवनकाल में खुद को निरंतर बेहतर बनाने में सक्षम बनाता है। यह सीखने की क्षमता और विकसित होती योग्यता एक अवधारणा [मस्तिष्क प्लास्टिसिटी](https://www.simplypsychology.org/brain-plasticity.html) से संबंधित है। सतही रूप से, हम मानव मस्तिष्क की सीखने की प्रक्रिया और मशीन लर्निंग की अवधारणाओं के बीच कुछ प्रेरणादायक समानताएं निकाल सकते हैं।
|
||||
|
||||
---
|
||||
## मानव मस्तिष्क
|
||||
|
||||
[मानव मस्तिष्क](https://www.livescience.com/29365-human-brain.html) वास्तविक दुनिया से चीजों को महसूस करता है, प्राप्त जानकारी को संसाधित करता है, तार्किक निर्णय लेता है, और परिस्थितियों के आधार पर कुछ कार्य करता है। इसे हम बुद्धिमानी से व्यवहार करना कहते हैं। जब हम बुद्धिमान व्यवहार प्रक्रिया की नकल को एक मशीन में प्रोग्राम करते हैं, तो इसे कृत्रिम बुद्धिमत्ता (AI) कहा जाता है।
|
||||
[मानव मस्तिष्क](https://www.livescience.com/29365-human-brain.html) वास्तविक दुनिया से चीजों को समझता है, प्राप्त सूचना को संसाधित करता है, तार्किक निर्णय बनाता है, और परिस्थितियों के आधार पर कुछ क्रियाएं करता है। इसे हम बुद्धिमान व्यवहार कहते हैं। जब हम बुद्धिमान व्यवहार की नक़ल एक मशीन में प्रोग्राम करते हैं, तो इसे कृत्रिम बुद्धिमत्ता (AI) कहा जाता है।
|
||||
|
||||
---
|
||||
## कुछ शब्दावली
|
||||
|
||||
हालांकि इन शब्दों को भ्रमित किया जा सकता है, मशीन लर्निंग (ML) कृत्रिम बुद्धिमत्ता का एक महत्वपूर्ण उपसमुच्चय है। **एमएल विशेष एल्गोरिदम का उपयोग करके प्राप्त डेटा से छिपे हुए पैटर्न और सार्थक जानकारी खोजने और तार्किक निर्णय लेने की प्रक्रिया को समर्थन देने के लिए चिंतित है।**
|
||||
हालांकि शब्द भ्रमित हो सकते हैं, मशीन लर्निंग (ML) कृत्रिम बुद्धिमत्ता का एक महत्वपूर्ण उपखंड है। **ML विशिष्ट एल्गोरिदम का उपयोग करके प्रासंगिक जानकारी खोजने और तर्कसंगत निर्णय प्रक्रिया का समर्थन करने के लिए छिपे हुए पैटर्न खोजने पर केंद्रित है।**
|
||||
|
||||
---
|
||||
## एआई, एमएल, डीप लर्निंग
|
||||
## AI, ML, डीप लर्निंग
|
||||
|
||||
|
||||
|
||||
|
||||
> एआई, एमएल, डीप लर्निंग और डेटा साइंस के बीच संबंधों को दिखाने वाला एक आरेख। [जेन लूपर](https://twitter.com/jenlooper) द्वारा इन्फोग्राफिक, [इस ग्राफिक](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) से प्रेरित
|
||||
> AI, ML, डीप लर्निंग, और डेटा साइंस के बीच संबंध दिखाने वाला एक आरेख। सूचना चित्र [Jen Looper](https://twitter.com/jenlooper) द्वारा बनाया गया, जो [इस ग्राफिक](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) से प्रेरित है।
|
||||
|
||||
---
|
||||
## कवर करने के लिए अवधारणाएं
|
||||
|
||||
इस पाठ्यक्रम में, हम केवल मशीन लर्निंग की मुख्य अवधारणाओं को कवर करेंगे जो एक शुरुआती को जानना चाहिए। हम मुख्य रूप से Scikit-learn का उपयोग करके 'क्लासिकल मशीन लर्निंग' को कवर करते हैं, एक उत्कृष्ट लाइब्रेरी जिसे कई छात्र बुनियादी बातों को सीखने के लिए उपयोग करते हैं। कृत्रिम बुद्धिमत्ता या डीप लर्निंग की व्यापक अवधारणाओं को समझने के लिए, मशीन लर्निंग का मजबूत मौलिक ज्ञान अनिवार्य है, और इसलिए हम इसे यहां प्रदान करना चाहते हैं।
|
||||
इस पाठ्यक्रम में, हम केवल मशीन लर्निंग की प्रमुख अवधारणाओं को कवर करेंगे जिन्हें एक शुरुआती को जानना आवश्यक है। हम मुख्य रूप से Scikit-learn का उपयोग करते हुए 'क्लासिकल मशीन लर्निंग' कहते हैं, जो एक उत्कृष्ट लाइब्रेरी है जिसका उपयोग कई छात्र मूल बातें सीखने के लिए करते हैं। कृत्रिम बुद्धिमत्ता या गहरे शिक्षण की व्यापक अवधारणाओं को समझने के लिए, मशीन लर्निंग का मजबूत बुनियादी ज्ञान आवश्यक है, और इसलिए हम इसे यहां प्रदान करना चाहते हैं।
|
||||
|
||||
---
|
||||
## इस कोर्स में आप सीखेंगे:
|
||||
|
||||
- मशीन लर्निंग की मुख्य अवधारणाएं
|
||||
- मशीन लर्निंग के प्रमुख सिद्धांत
|
||||
- एमएल का इतिहास
|
||||
- एमएल और निष्पक्षता
|
||||
- रिग्रेशन एमएल तकनीकें
|
||||
- वर्गीकरण एमएल तकनीकें
|
||||
- क्लस्टरिंग एमएल तकनीकें
|
||||
- प्राकृतिक भाषा प्रसंस्करण एमएल तकनीकें
|
||||
- टाइम सीरीज़ फोरकास्टिंग एमएल तकनीकें
|
||||
- सुदृढीकरण सीखना
|
||||
- एमएल और न्यायसंगतता
|
||||
- प्रतिगमन ML तकनीकें
|
||||
- वर्गीकरण ML तकनीकें
|
||||
- क्लस्टरिंग ML तकनीकें
|
||||
- प्राकृतिक भाषा संसाधन ML तकनीकें
|
||||
- टाइम सीरीज पूर्वानुमान ML तकनीकें
|
||||
- पुनर्बलन सीखना
|
||||
- एमएल के वास्तविक दुनिया के अनुप्रयोग
|
||||
|
||||
---
|
||||
## हम क्या कवर नहीं करेंगे
|
||||
## हम क्या नहीं कवर करेंगे
|
||||
|
||||
- डीप लर्निंग
|
||||
- न्यूरल नेटवर्क्स
|
||||
- एआई
|
||||
- न्यूरल नेटवर्क
|
||||
- AI
|
||||
|
||||
बेहतर सीखने के अनुभव के लिए, हम न्यूरल नेटवर्क्स, 'डीप लर्निंग' - न्यूरल नेटवर्क्स का उपयोग करके कई-स्तरीय मॉडल-निर्माण - और एआई की जटिलताओं से बचेंगे, जिसे हम एक अलग पाठ्यक्रम में चर्चा करेंगे। हम डेटा साइंस पर ध्यान केंद्रित करने के लिए एक आगामी पाठ्यक्रम भी प्रदान करेंगे।
|
||||
बेहतर सीखने के अनुभव के लिए, हम न्यूरल नेटवर्क की जटिलताओं, 'डीप लर्निंग' - न्यूरल नेटवर्क का कई-परत वाला मॉडल-निर्माण, और AI से बचेंगे, जिन्हें हम दूसरे पाठ्यक्रम में चर्चा करेंगे। हम एक आगामी डेटा साइंस पाठ्यक्रम भी प्रदान करेंगे जो इस बड़े क्षेत्र के उस पहलू पर केंद्रित होगा।
|
||||
|
||||
---
|
||||
## मशीन लर्निंग क्यों पढ़ें?
|
||||
## मशीन लर्निंग क्यों सीखें?
|
||||
|
||||
सिस्टम के दृष्टिकोण से, मशीन लर्निंग को स्वचालित सिस्टम बनाने के रूप में परिभाषित किया गया है जो डेटा से छिपे हुए पैटर्न सीख सकते हैं ताकि बुद्धिमान निर्णय लेने में मदद मिल सके।
|
||||
मशीन लर्निंग को एक सिस्टम दृष्टिकोण से इस तरह परिभाषित किया गया है कि यह स्वचालित सिस्टम बनाता है जो डेटा से छिपे हुए पैटर्न सीख सकते हैं ताकि बुद्धिमान निर्णय लेने में सहायता मिल सके।
|
||||
|
||||
यह प्रेरणा ढीले तौर पर इस बात से प्रेरित है कि मानव मस्तिष्क बाहरी दुनिया से प्राप्त डेटा के आधार पर कुछ चीजें कैसे सीखता है।
|
||||
यह प्रेरणा इस बात से ढीले से प्रेरित है कि मानव मस्तिष्क बाहर की दुनिया से प्राप्त डेटा के आधार पर कुछ चीजें कैसे सीखता है।
|
||||
|
||||
✅ एक मिनट के लिए सोचें कि कोई व्यवसाय मशीन लर्निंग रणनीतियों का उपयोग क्यों करना चाहेगा बनाम एक हार्ड-कोडेड नियम-आधारित इंजन बनाना।
|
||||
✅ एक मिनट सोचें कि एक व्यवसाय मशीन लर्निंग रणनीतियों का उपयोग क्यों करना चाहेगा बजाय कड़ी कोड वाली नियम-आधारित इंजन बनाने के।
|
||||
|
||||
---
|
||||
## डेटा गुणवत्ता क्यों महत्वपूर्ण है
|
||||
|
||||
उच्च गुणवत्ता वाला डेटा मॉडल प्रदर्शन में सुधार करता है। खराब या शोरयुक्त डेटा गलत भविष्यवाणियों का कारण बन सकता है, भले ही अत्याधुनिक मशीन लर्निंग एल्गोरिदम का उपयोग किया गया हो।
|
||||
|
||||
---
|
||||
## मशीन लर्निंग के अनुप्रयोग
|
||||
|
||||
मशीन लर्निंग के अनुप्रयोग अब लगभग हर जगह हैं, और हमारे समाजों में बहने वाले डेटा जितने सर्वव्यापी हैं, जो हमारे स्मार्ट फोन, कनेक्टेड डिवाइस और अन्य सिस्टम द्वारा उत्पन्न होते हैं। अत्याधुनिक मशीन लर्निंग एल्गोरिदम की अपार क्षमता को देखते हुए, शोधकर्ता बहु-आयामी और बहु-विषयक वास्तविक जीवन की समस्याओं को सकारात्मक परिणामों के साथ हल करने की उनकी क्षमता का पता लगा रहे हैं।
|
||||
मशीन लर्निंग के अनुप्रयोग अब लगभग हर जगह हैं, और उतने ही व्यापक हैं जितना कि हमारे स्मार्टफोन, कनेक्टेड उपकरणों और अन्य प्रणालियों द्वारा उत्पन्न डेटा जो हमारे समाजों में बह रहा है। अत्याधुनिक मशीन लर्निंग एल्गोरिदम की विशाल क्षमता को देखते हुए, शोधकर्ता उनके बहु-आयामी और बहु-विषयक वास्तविक जीवन समस्याओं को महान सकारात्मक परिणामों के साथ हल करने की क्षमता का अन्वेषण कर रहे हैं।
|
||||
|
||||
---
|
||||
## लागू एमएल के उदाहरण
|
||||
## लागू किए गए ML के उदाहरण
|
||||
|
||||
**आप मशीन लर्निंग का कई तरीकों से उपयोग कर सकते हैं**:
|
||||
**आप मशीन लर्निंग का उपयोग कई तरीकों से कर सकते हैं**:
|
||||
|
||||
- किसी रोगी के मेडिकल इतिहास या रिपोर्ट से बीमारी की संभावना का अनुमान लगाने के लिए।
|
||||
- मौसम डेटा का उपयोग करके मौसम की घटनाओं की भविष्यवाणी करने के लिए।
|
||||
- किसी टेक्स्ट की भावना को समझने के लिए।
|
||||
- फेक न्यूज़ का पता लगाने के लिए ताकि प्रोपेगैंडा के प्रसार को रोका जा सके।
|
||||
- रोगी के चिकित्सा इतिहास या रिपोर्ट से बीमारी की संभावना की भविष्यवाणी करने के लिए।
|
||||
- मौसम डेटा का उपयोग करके मौसम की घटनाओं की भविष्यवाणी के लिए।
|
||||
- किसी पाठ की भावना को समझने के लिए।
|
||||
- प्रचार के प्रसार को रोकने के लिए फेक न्यूज़ का पता लगाने के लिए।
|
||||
|
||||
वित्त, अर्थशास्त्र, पृथ्वी विज्ञान, अंतरिक्ष अन्वेषण, बायोमेडिकल इंजीनियरिंग, संज्ञानात्मक विज्ञान, और यहां तक कि मानविकी के क्षेत्रों ने अपने डोमेन की कठिन, डेटा-प्रोसेसिंग भारी समस्याओं को हल करने के लिए मशीन लर्निंग को अपनाया है।
|
||||
वित्त, अर्थशास्त्र, पृथ्वी विज्ञान, अंतरिक्ष अन्वेषण, बायोमेडिकल इंजीनियरिंग, संज्ञान विज्ञान, और यहां तक कि मानविकी के क्षेत्र भी अपने क्षेत्र की कठिन, डेटा-प्रक्रिया वाली समस्याओं को हल करने के लिए मशीन लर्निंग को अपनाए हैं।
|
||||
|
||||
---
|
||||
## निष्कर्ष
|
||||
|
||||
मशीन लर्निंग वास्तविक दुनिया या उत्पन्न डेटा से सार्थक अंतर्दृष्टि खोजने के लिए पैटर्न-खोज प्रक्रिया को स्वचालित करता है। यह व्यवसाय, स्वास्थ्य, और वित्तीय अनुप्रयोगों सहित अन्य क्षेत्रों में अत्यधिक मूल्यवान साबित हुआ है।
|
||||
मशीन लर्निंग वास्तविक दुनिया या उत्पन्न डेटा से सार्थक अंतर्दृष्टि प्राप्त करके पैटर्न-खोज प्रक्रिया को स्वचालित करता है। यह व्यवसाय, स्वास्थ्य, और वित्तीय अनुप्रयोगों सहित कई क्षेत्रों में अत्यंत मूल्यवान साबित हुआ है।
|
||||
|
||||
निकट भविष्य में, मशीन लर्निंग की बुनियादी बातों को समझना किसी भी क्षेत्र के लोगों के लिए आवश्यक होने जा रहा है क्योंकि इसका व्यापक रूप से अपनाया जा रहा है।
|
||||
निकट भविष्य में, मशीन लर्निंग के मूल सिद्धांतों को समझना हर क्षेत्र के लोगों के लिए आवश्यक होगा क्योंकि इसका व्यापक उपयोग बढ़ रहा है।
|
||||
|
||||
---
|
||||
# 🚀 चुनौती
|
||||
|
||||
कागज पर या [Excalidraw](https://excalidraw.com/) जैसे ऑनलाइन ऐप का उपयोग करके, एआई, एमएल, डीप लर्निंग और डेटा साइंस के बीच के अंतर को समझाने के लिए एक स्केच बनाएं। उन समस्याओं के कुछ विचार जोड़ें जिन्हें इन तकनीकों द्वारा हल किया जा सकता है।
|
||||
कागज पर या [Excalidraw](https://excalidraw.com/) जैसे ऑनलाइन ऐप का उपयोग करके, AI, ML, डीप लर्निंग, और डेटा साइंस के बीच के अंतर की अपनी समझ का स्केच बनाएं। प्रत्येक तकनीक के उन समस्याओं के विचार जोड़ें जिन्हें यह अच्छी तरह से हल करती है।
|
||||
|
||||
# [पोस्ट-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ml/)
|
||||
# [पोस्ट-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
# समीक्षा और स्व-अध्ययन
|
||||
# समीक्षा और आत्म-अध्ययन
|
||||
|
||||
यह जानने के लिए कि आप क्लाउड में एमएल एल्गोरिदम के साथ कैसे काम कर सकते हैं, इस [लर्निंग पाथ](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) का अनुसरण करें।
|
||||
क्लाउड में ML एल्गोरिदम के साथ काम करने के बारे में अधिक जानने के लिए, इस [लर्निंग पाथ](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) का पालन करें।
|
||||
|
||||
एमएल की बुनियादी बातों के बारे में जानने के लिए इस [लर्निंग पाथ](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) को लें।
|
||||
एमएल की बुनियादी बातें सीखने के लिए [लर्निंग पाथ](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) लें।
|
||||
|
||||
---
|
||||
# असाइनमेंट
|
||||
|
||||
[शुरू करें](assignment.md)
|
||||
[शुरू करें और चलाएं](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को आधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**अस्वीकरण**:
|
||||
इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -1,150 +1,157 @@
|
||||
# 머신 러닝 소개
|
||||
# 머신러닝 소개
|
||||
|
||||
## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
|
||||
[](https://youtu.be/6mSx_KJxcHI "초보자를 위한 머신 러닝 소개")
|
||||
[](https://youtu.be/6mSx_KJxcHI "초보자를 위한 머신러닝 소개 - ML for beginners")
|
||||
|
||||
> 🎥 위 이미지를 클릭하면 이 강의를 다루는 짧은 영상을 볼 수 있습니다.
|
||||
> 🎥 위 이미지를 클릭하면 이 수업을 다루는 짧은 영상을 볼 수 있습니다.
|
||||
|
||||
초보자를 위한 고전적인 머신 러닝 과정에 오신 것을 환영합니다! 이 주제에 완전히 처음이든, 아니면 특정 영역을 복습하려는 경험 많은 ML 실무자든, 여러분을 환영합니다! 우리는 여러분의 ML 학습을 시작할 수 있는 친근한 출발점을 제공하고자 하며, 여러분의 [피드백](https://github.com/microsoft/ML-For-Beginners/discussions)을 평가하고, 응답하며, 반영할 준비가 되어 있습니다.
|
||||
초보자를 위한 고전적 머신러닝 강의에 오신 것을 환영합니다! 이 주제가 처음이든 경험 많은 ML 실무자든 이 분야를 복습하고 싶든, 저희와 함께 하게 되어 기쁩니다! 여러분의 ML 학습 출발점을 친근하게 만들고 싶으며, 여러분의 [피드백](https://github.com/microsoft/ML-For-Beginners/discussions)을 평가하고 답변하며 반영하고자 합니다.
|
||||
|
||||
[](https://youtu.be/h0e2HAPTGF4 "ML 소개")
|
||||
|
||||
> 🎥 위 이미지를 클릭하면 MIT의 John Guttag가 머신 러닝을 소개하는 영상을 볼 수 있습니다.
|
||||
> 🎥 위 이미지를 클릭하면 MIT의 John Guttag가 소개하는 머신러닝 영상입니다.
|
||||
|
||||
---
|
||||
## 머신 러닝 시작하기
|
||||
## 머신러닝 시작하기
|
||||
|
||||
이 커리큘럼을 시작하기 전에, 여러분의 컴퓨터를 설정하고 로컬에서 노트북을 실행할 준비를 해야 합니다.
|
||||
이 커리큘럼을 시작하기 전에, 노트북을 로컬에서 실행할 수 있도록 컴퓨터를 준비해야 합니다.
|
||||
|
||||
- **이 비디오를 사용하여 컴퓨터를 설정하세요**. [Python 설치 방법](https://youtu.be/CXZYvNRIAKM)과 [텍스트 편집기 설정 방법](https://youtu.be/EU8eayHWoZg)을 배우기 위해 아래 링크를 사용하세요.
|
||||
- **Python 배우기**. 데이터 과학자에게 유용한 프로그래밍 언어인 [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott)에 대한 기본적인 이해가 필요합니다. 이 과정에서 Python을 사용합니다.
|
||||
- **Node.js와 JavaScript 배우기**. 이 과정에서 웹 앱을 구축할 때 몇 번 JavaScript를 사용하므로 [node](https://nodejs.org)와 [npm](https://www.npmjs.com/)을 설치하고, Python과 JavaScript 개발을 위해 [Visual Studio Code](https://code.visualstudio.com/)를 사용할 수 있어야 합니다.
|
||||
- **GitHub 계정 만들기**. 여러분이 [GitHub](https://github.com)에서 우리를 찾았다면 이미 계정이 있을 수도 있지만, 그렇지 않다면 계정을 만들고 이 커리큘럼을 포크하여 사용하세요. (별을 주는 것도 환영합니다 😊)
|
||||
- **Scikit-learn 탐색하기**. [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)에 익숙해지세요. 이 과정에서 참조하는 ML 라이브러리입니다.
|
||||
- **이 영상들로 기기 설정하기**. 다음 링크에서 [Python 설치 방법](https://youtu.be/CXZYvNRIAKM)과 개발을 위한 [텍스트 편집기 설정 방법](https://youtu.be/EU8eayHWoZg)을 학습하세요.
|
||||
- **Python 배우기**. 이 코스에서 사용하는 데이터 과학자에게 유용한 프로그래밍 언어인 [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott)의 기본 이해도 권장합니다.
|
||||
- **Node.js와 JavaScript 배우기**. 웹 앱 개발 시 JavaScript를 몇 번 사용하므로, [node](https://nodejs.org)와 [npm](https://www.npmjs.com/), 그리고 Python과 JavaScript 개발용 [Visual Studio Code](https://code.visualstudio.com/)가 필요합니다.
|
||||
- **GitHub 계정 만들기**. 이미 [GitHub](https://github.com)에 계정이 있을 수도 있지만, 없다면 생성하고 이 커리큘럼을 포크하여 사용하세요. (별점도 주시면 감사해요 😊)
|
||||
- **Scikit-learn 익히기**. 이 수업에서 참조하는 ML 라이브러리 모음인 [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)을 익숙하게 사용해 보세요.
|
||||
|
||||
---
|
||||
## 머신 러닝이란?
|
||||
## 머신러닝이란?
|
||||
|
||||
'머신 러닝'이라는 용어는 오늘날 가장 인기 있고 자주 사용되는 용어 중 하나입니다. 기술에 대해 어느 정도 친숙하다면, 여러분이 어떤 분야에서 일하든 이 용어를 적어도 한 번은 들어봤을 가능성이 높습니다. 그러나 머신 러닝의 작동 방식은 대부분의 사람들에게는 미스터리입니다. 머신 러닝 초보자에게는 이 주제가 때로는 압도적으로 느껴질 수 있습니다. 따라서 머신 러닝이 실제로 무엇인지 이해하고, 실용적인 예제를 통해 단계적으로 배우는 것이 중요합니다.
|
||||
'머신러닝'이라는 용어는 오늘날 가장 인기 있고 빈번히 사용되는 단어 중 하나입니다. 기술에 어느 정도 익숙하다면 어떤 분야에서든 적어도 한 번 이 용어를 들어봤을 가능성이 큽니다. 하지만 머신러닝의 매커니즘은 대부분의 사람에게 미스터리로 남아 있습니다. 초보자에게는 때로 이 주제가 벅찰 수 있습니다. 그러므로 머신러닝이 실제로 무엇인지 이해하고, 실용적인 예제를 통해 단계별로 배우는 것이 중요합니다.
|
||||
|
||||
---
|
||||
## 유행 곡선
|
||||
## 과대광고 곡선
|
||||
|
||||
|
||||
|
||||
|
||||
> Google Trends에서 '머신 러닝' 용어의 최근 유행 곡선을 보여줍니다.
|
||||
> Google Trends가 보여주는 ‘머신러닝’ 용어의 최근 과대광고 곡선
|
||||
|
||||
---
|
||||
## 신비로운 우주
|
||||
|
||||
우리는 매혹적인 신비로 가득 찬 우주에 살고 있습니다. Stephen Hawking, Albert Einstein 등 위대한 과학자들은 우리 주변 세계의 신비를 밝히는 의미 있는 정보를 찾기 위해 평생을 바쳤습니다. 이것이 바로 인간의 학습 조건입니다. 인간의 아이는 새로운 것을 배우고 성장하면서 자신의 세계 구조를 해마다 밝혀냅니다.
|
||||
우리는 흥미로운 미스터리로 가득한 우주에 살고 있습니다. 스티븐 호킹, 알베르트 아인슈타인 같은 위대한 과학자들이 주변 세계의 미스터리를 밝히기 위해 평생을 바쳤습니다. 이것이 바로 학습이라는 인간의 본성입니다: 인간 아이는 성장하며 매년 새 것을 배우고 자신을 둘러싼 세계의 구조를 밝혀냅니다.
|
||||
|
||||
---
|
||||
## 아이의 뇌
|
||||
## 아이의 두뇌
|
||||
|
||||
아이의 뇌와 감각은 주변 환경의 사실을 인식하고, 점차 삶의 숨겨진 패턴을 배우며, 아이가 배운 패턴을 식별하기 위한 논리적 규칙을 만들도록 돕습니다. 인간 뇌의 학습 과정은 인간을 이 세상에서 가장 정교한 생명체로 만듭니다. 숨겨진 패턴을 발견하고 그 패턴을 혁신함으로써 우리는 평생 동안 더 나아질 수 있습니다. 이러한 학습 능력과 진화 가능성은 [뇌 가소성](https://www.simplypsychology.org/brain-plasticity.html)이라는 개념과 관련이 있습니다. 표면적으로, 인간 뇌의 학습 과정과 머신 러닝 개념 사이에 몇 가지 동기적 유사점을 그릴 수 있습니다.
|
||||
아이의 두뇌와 감각은 주변 환경의 사실을 인지하고 점차 인생의 숨겨진 패턴을 배우며 배운 패턴을 식별할 논리적 규칙을 만듭니다. 인간 두뇌의 학습 과정 덕분에 인간은 이 세상에서 가장 고도로 발달한 생명체가 되었습니다. 숨겨진 패턴을 발견하고 혁신하며 계속 학습하는 능력은 평생 동안 자신을 점점 더 발전시키게 합니다. 이러한 학습 능력과 진화하는 역량은 [뇌 가소성](https://www.simplypsychology.org/brain-plasticity.html)이라는 개념과 관련 있습니다. 표면상으로 인간 두뇌의 학습 과정과 머신러닝 개념 간에 동기 부여 차원의 유사성을 그려볼 수 있습니다.
|
||||
|
||||
---
|
||||
## 인간의 뇌
|
||||
## 인간 두뇌
|
||||
|
||||
[인간의 뇌](https://www.livescience.com/29365-human-brain.html)는 현실 세계에서 정보를 인식하고, 인식한 정보를 처리하며, 합리적인 결정을 내리고, 상황에 따라 특정 행동을 수행합니다. 이것이 우리가 지능적으로 행동한다고 부르는 것입니다. 지능적 행동 과정을 기계에 프로그램하면 이를 인공지능(AI)이라고 합니다.
|
||||
[인간 두뇌](https://www.livescience.com/29365-human-brain.html)는 실제 세계의 사물을 인지하고, 인지한 정보를 처리하며, 합리적 결정을 내리고, 상황에 따라 특정 행동을 수행합니다. 이것이 바로 우리가 지능적으로 행동한다 부르는 것입니다. 이런 지능적 행동 과정을 기계에 프로그래밍 하면 인공지능(AI)이라 합니다.
|
||||
|
||||
---
|
||||
## 몇 가지 용어
|
||||
## 용어 설명
|
||||
|
||||
용어가 혼동될 수 있지만, 머신 러닝(ML)은 인공지능의 중요한 하위 집합입니다. **ML은 특수 알고리즘을 사용하여 인식된 데이터에서 의미 있는 정보를 발견하고 숨겨진 패턴을 찾아 합리적인 의사 결정 과정을 입증하는 데 중점을 둡니다**.
|
||||
용어가 혼동될 수 있지만, 머신러닝(ML)은 인공지능의 중요한 하위 분야입니다. **ML은 인지한 데이터에서 의미 있는 정보를 찾아내고 숨겨진 패턴을 발견하여 합리적 의사결정 과정을 뒷받침하는 데 특화된 알고리즘을 사용하는 것입니다**.
|
||||
|
||||
---
|
||||
## AI, ML, 딥 러닝
|
||||
## AI, ML, 딥러닝
|
||||
|
||||
|
||||
|
||||
|
||||
> AI, ML, 딥 러닝, 데이터 과학 간의 관계를 보여주는 다이어그램. [Jen Looper](https://twitter.com/jenlooper)가 [이 그래픽](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)에서 영감을 받아 제작한 인포그래픽
|
||||
> AI, ML, 딥러닝, 데이터 과학 간 관계를 보여주는 다이어그램. Jen Looper가 만든 인포그래픽으로 [이 그래픽](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)을 기반으로 제작
|
||||
|
||||
---
|
||||
## 다룰 개념
|
||||
|
||||
이 커리큘럼에서는 초보자가 반드시 알아야 할 머신 러닝의 핵심 개념만 다룰 것입니다. 우리는 주로 학생들이 기본을 배우는 데 사용하는 훌륭한 라이브러리인 Scikit-learn을 사용하여 '고전적인 머신 러닝'을 다룹니다. 인공지능이나 딥 러닝의 더 넓은 개념을 이해하려면 머신 러닝에 대한 강력한 기초 지식이 필수적이며, 이를 여기서 제공하고자 합니다.
|
||||
이 커리큘럼에서는 초보자가 반드시 알아야 할 머신러닝 핵심 개념만 다룹니다. 주로 많은 학생이 기본 배우기에 적합한 뛰어난 라이브러리인 Scikit-learn을 사용한 '고전 머신러닝'을 다룹니다. 인공지능이나 딥러닝의 폭넓은 개념을 이해하려면 머신러닝의 탄탄한 기초 지식이 필수이므로, 여기에 제공합니다.
|
||||
|
||||
---
|
||||
## 이 과정에서 배우게 될 내용:
|
||||
## 이 강의에서 배우는 내용:
|
||||
|
||||
- 머신 러닝의 핵심 개념
|
||||
- 머신러닝 핵심 개념
|
||||
- ML의 역사
|
||||
- ML과 공정성
|
||||
- 회귀 ML 기법
|
||||
- 분류 ML 기법
|
||||
- 군집화 ML 기법
|
||||
- 군집 ML 기법
|
||||
- 자연어 처리 ML 기법
|
||||
- 시계열 예측 ML 기법
|
||||
- 강화 학습
|
||||
- ML의 실제 응용 사례
|
||||
- ML의 실세계 응용
|
||||
|
||||
---
|
||||
## 다루지 않을 내용
|
||||
|
||||
- 딥 러닝
|
||||
- 딥러닝
|
||||
- 신경망
|
||||
- AI
|
||||
|
||||
더 나은 학습 경험을 위해, 신경망을 사용하는 다층 모델링인 '딥 러닝'과 AI의 복잡성을 피할 것입니다. 이러한 주제는 다른 커리큘럼에서 다룰 예정입니다. 또한 데이터 과학에 초점을 맞춘 커리큘럼도 곧 제공할 예정입니다.
|
||||
더 나은 학습 경험을 위해 신경망, '딥러닝'(신경망을 여러 겹 쌓는 모델 구축), AI의 복잡성은 이 커리큘럼에서 다루지 않습니다. 이 분야에서 데이터 과학에 초점을 맞춘 향후 데이터 과학 커리큘럼도 제공할 예정입니다.
|
||||
|
||||
---
|
||||
## 왜 머신 러닝을 공부해야 할까?
|
||||
## 왜 머신러닝을 공부해야 하는가?
|
||||
|
||||
시스템 관점에서 머신 러닝은 데이터를 통해 숨겨진 패턴을 학습하여 지능적인 결정을 내리는 데 도움을 주는 자동화 시스템을 만드는 것으로 정의됩니다.
|
||||
시스템 관점에서 머신러닝은 데이터에서 숨겨진 패턴을 학습하여 지능적 의사결정을 돕는 자동화 시스템을 만드는 것이라 정의합니다.
|
||||
|
||||
이 동기는 인간의 뇌가 외부 세계에서 인식한 데이터를 기반으로 특정한 것을 학습하는 방식에서 느슨하게 영감을 받았습니다.
|
||||
이 동기는 인간 두뇌가 외부 세계에서 인지한 데이터를 기반으로 특정 것들을 학습하는 방식을 느슨하게 영감받았습니다.
|
||||
|
||||
✅ 비즈니스가 하드코딩된 규칙 기반 엔진 대신 머신 러닝 전략을 사용하려는 이유를 잠시 생각해 보세요.
|
||||
✅ 왜 비즈니스가 하드코딩된 규칙 기반 엔진 대신 머신러닝 전략을 사용하려 할지 잠시 생각해 보세요.
|
||||
|
||||
---
|
||||
## 머신 러닝의 응용
|
||||
## 데이터 품질이 중요한 이유
|
||||
|
||||
머신 러닝의 응용은 이제 거의 모든 곳에 있으며, 스마트폰, 연결된 장치, 기타 시스템에서 생성되는 데이터만큼이나 널리 퍼져 있습니다. 최첨단 머신 러닝 알고리즘의 엄청난 잠재력을 고려할 때, 연구자들은 다차원적이고 다학문적인 실제 문제를 해결하기 위해 그 능력을 탐구하고 있으며, 긍정적인 결과를 얻고 있습니다.
|
||||
고품질 데이터는 모델 성능을 향상시킵니다. 불량하거나 노이즈가 많은 데이터는 첨단 머신러닝 알고리즘을 사용해도 부정확한 예측을 초래할 수 있습니다.
|
||||
|
||||
---
|
||||
## 적용된 ML의 예
|
||||
## 머신러닝의 응용
|
||||
|
||||
**머신 러닝은 다양한 방식으로 사용할 수 있습니다**:
|
||||
머신러닝 응용은 이제 거의 모든 곳에 있으며, 스마트폰, 연결된 기기, 기타 시스템에서 생성되는 데이터만큼이나 편재합니다. 최신 머신러닝 알고리즘의 방대한 가능성을 감안해, 연구자들은 다차원적이고 다학문적 실제 문제들을 긍정적 결과와 함께 해결할 수 있는 능력을 탐구하고 있습니다.
|
||||
|
||||
- 환자의 병력이나 보고서를 바탕으로 질병 가능성을 예측합니다.
|
||||
- 날씨 데이터를 활용하여 기상 현상을 예측합니다.
|
||||
- 텍스트의 감정을 이해합니다.
|
||||
- 가짜 뉴스를 감지하여 선전의 확산을 막습니다.
|
||||
---
|
||||
## 실제 ML 사례
|
||||
|
||||
**머신러닝은 다양한 방식으로 활용할 수 있습니다**:
|
||||
|
||||
- 환자의 병력이나 검사 결과를 바탕으로 질병 가능성을 예측
|
||||
- 날씨 데이터를 활용해 기상 이벤트 예측
|
||||
- 텍스트의 감성 분석
|
||||
- 가짜 뉴스 탐지 및 선전 확산 방지
|
||||
|
||||
금융, 경제학, 지구과학, 우주 탐사, 생물의학 공학, 인지 과학, 심지어 인문학 분야에서도 머신 러닝을 채택하여 해당 분야의 어려운 데이터 처리 문제를 해결하고 있습니다.
|
||||
금융, 경제, 지구과학, 우주 탐사, 생물의공학, 인지과학, 인문학까지도 머신러닝을 도입해 방대한 데이터 처리 문제를 해결하고 있습니다.
|
||||
|
||||
---
|
||||
## 결론
|
||||
|
||||
머신 러닝은 실제 데이터 또는 생성된 데이터에서 의미 있는 통찰력을 발견하여 패턴 발견 과정을 자동화합니다. 비즈니스, 건강, 금융 응용 분야 등에서 매우 가치가 있음을 입증했습니다.
|
||||
머신러닝은 실제 세계 또는 생성된 데이터에서 의미 있는 통찰을 찾아 패턴 발견 과정을 자동화합니다. 이는 비즈니스, 건강, 금융 분야 등에서 매우 가치 있음을 입증했습니다.
|
||||
|
||||
머지않아 머신 러닝의 기본을 이해하는 것이 모든 분야의 사람들에게 필수적인 요소가 될 것입니다. 이는 머신 러닝의 광범위한 채택 때문입니다.
|
||||
머신러닝 기초 이해는 앞으로 모든 분야 사람에게 필수 사항이 될 것입니다, 그만큼 광범위하게 채택되고 있습니다.
|
||||
|
||||
---
|
||||
# 🚀 도전 과제
|
||||
|
||||
[Excalidraw](https://excalidraw.com/)와 같은 온라인 앱이나 종이를 사용하여 AI, ML, 딥 러닝, 데이터 과학의 차이에 대한 여러분의 이해를 스케치하세요. 각 기술이 해결하기에 적합한 문제에 대한 아이디어를 추가하세요.
|
||||
종이나 [Excalidraw](https://excalidraw.com/) 같은 온라인 앱을 이용해 AI, ML, 딥러닝, 데이터 과학의 차이점을 본인의 이해대로 그려보세요. 각 기술이 잘 해결하는 문제에 대한 아이디어도 추가하세요.
|
||||
|
||||
# [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
# 복습 및 자기 학습
|
||||
# 복습 및 자기 주도 학습
|
||||
|
||||
클라우드에서 ML 알고리즘을 사용하는 방법에 대해 더 알아보려면 이 [학습 경로](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott)를 따라가세요.
|
||||
클라우드에서 ML 알고리즘을 다루는 방법을 더 배우려면 이 [학습 경로](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott)를 따라가세요.
|
||||
|
||||
ML의 기본에 대한 [학습 경로](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott)를 확인하세요.
|
||||
ML 기초를 학습하려면 [학습 경로](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott)를 이용하세요.
|
||||
|
||||
---
|
||||
# 과제
|
||||
|
||||
[시작하기](assignment.md)
|
||||
[실습 시작하기](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
**면책 조항**:
|
||||
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**면책 조항**:
|
||||
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역은 오류나 부정확한 부분이 있을 수 있음을 유의하시기 바랍니다. 원본 문서의 원어본이 권위 있는 자료로 간주되어야 합니다. 중요한 정보의 경우, 전문가의 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in new issue