# पोस्टस्क्रिप्ट: वास्तविक जगात मशीन लर्निंग  > स्केच नोट: [Tomomi Imura](https://www.twitter.com/girlie_mac) या अभ्यासक्रमात, तुम्ही डेटा प्रशिक्षणासाठी तयार करण्याचे अनेक मार्ग आणि मशीन लर्निंग मॉडेल तयार करण्याचे तंत्र शिकले आहे. तुम्ही रिग्रेशन, क्लस्टरिंग, क्लासिफिकेशन, नैसर्गिक भाषा प्रक्रिया, आणि टाइम सिरीज मॉडेल्स तयार केली आहेत. अभिनंदन! आता तुम्हाला कदाचित विचार येत असेल... हे सर्व कशासाठी आहे? या मॉडेल्सचे वास्तविक जगातील उपयोग काय आहेत? उद्योगात AI (जे प्रामुख्याने डीप लर्निंगचा उपयोग करते) बद्दल मोठ्या प्रमाणात रस निर्माण झाला असला तरी, पारंपरिक मशीन लर्निंग मॉडेल्ससाठी अजूनही महत्त्वाचे उपयोग आहेत. तुम्ही कदाचित आज काही उपयोग पाहत असाल! या धड्यात, तुम्ही आठ वेगवेगळ्या उद्योग आणि विषय-विशिष्ट क्षेत्रांमध्ये या प्रकारच्या मॉडेल्सचा उपयोग कसा केला जातो हे शोधाल, ज्यामुळे त्यांच्या अनुप्रयोग अधिक कार्यक्षम, विश्वासार्ह, बुद्धिमान आणि वापरकर्त्यांसाठी मूल्यवान बनतात. ## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ml/) ## 💰 वित्त वित्त क्षेत्रात मशीन लर्निंगसाठी अनेक संधी आहेत. या क्षेत्रातील अनेक समस्या मॉडेलिंग आणि मशीन लर्निंगचा उपयोग करून सोडवता येतात. ### क्रेडिट कार्ड फसवणूक शोधणे आम्ही या अभ्यासक्रमात [k-means क्लस्टरिंग](../../5-Clustering/2-K-Means/README.md) बद्दल शिकले, पण क्रेडिट कार्ड फसवणुकीशी संबंधित समस्या सोडवण्यासाठी याचा उपयोग कसा करता येईल? k-means क्लस्टरिंग क्रेडिट कार्ड फसवणूक शोधण्याच्या तंत्रात **आउटलायर डिटेक्शन** म्हणून उपयुक्त ठरते. आउटलाईर्स, म्हणजे डेटाच्या सेटमधील निरीक्षणांमधील विचलन, आपल्याला क्रेडिट कार्ड सामान्य पद्धतीने वापरले जात आहे की काहीतरी असामान्य घडत आहे हे सांगू शकते. खाली दिलेल्या पेपरमध्ये दाखवल्याप्रमाणे, तुम्ही k-means क्लस्टरिंग अल्गोरिदम वापरून क्रेडिट कार्ड डेटा वर्गीकृत करू शकता आणि प्रत्येक व्यवहाराला आउटलाईर असल्याच्या आधारावर क्लस्टरमध्ये वर्गीकृत करू शकता. नंतर, तुम्ही फसवणूक आणि वैध व्यवहारांसाठी सर्वात जोखमीच्या क्लस्टर्सचे मूल्यांकन करू शकता. [संदर्भ](https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.680.1195&rep=rep1&type=pdf) ### संपत्ती व्यवस्थापन संपत्ती व्यवस्थापनामध्ये, एखादी व्यक्ती किंवा संस्था त्यांच्या ग्राहकांच्या वतीने गुंतवणूक हाताळते. दीर्घकालीन संपत्ती टिकवणे आणि वाढवणे हे त्यांचे काम आहे, त्यामुळे चांगली कामगिरी करणाऱ्या गुंतवणुकीची निवड करणे आवश्यक आहे. एखादी गुंतवणूक कशी कामगिरी करते हे समजून घेण्यासाठी सांख्यिकीय रिग्रेशन एक उपयुक्त साधन आहे. [लिनियर रिग्रेशन](../../2-Regression/1-Tools/README.md) वापरून एखादा फंड काही बेंचमार्कच्या तुलनेत कसा कामगिरी करतो हे समजून घेता येते. तसेच, रिग्रेशनचे परिणाम सांख्यिकीयदृष्ट्या महत्त्वाचे आहेत का, किंवा ते ग्राहकांच्या गुंतवणुकीवर किती परिणाम करतील हे ठरवता येते. तुम्ही मल्टीपल रिग्रेशन वापरून तुमचे विश्लेषण आणखी विस्तृत करू शकता, जिथे अतिरिक्त जोखीम घटकांचा विचार केला जाऊ शकतो. विशिष्ट फंडासाठी हे कसे कार्य करेल याचे उदाहरण पाहण्यासाठी, खाली दिलेला पेपर वाचा. [संदर्भ](http://www.brightwoodventures.com/evaluating-fund-performance-using-regression/) ## 🎓 शिक्षण शैक्षणिक क्षेत्र देखील मशीन लर्निंग लागू करण्यासाठी एक अतिशय मनोरंजक क्षेत्र आहे. परीक्षांमध्ये किंवा निबंधांमध्ये फसवणूक शोधणे किंवा दुरुस्ती प्रक्रियेमध्ये जाणिवपूर्वक किंवा अनवधानाने होणारा पक्षपात व्यवस्थापित करणे यासारख्या समस्यांवर काम करता येते. ### विद्यार्थ्यांच्या वर्तनाचा अंदाज [Coursera](https://coursera.com), एक ऑनलाइन ओपन कोर्स प्रदाता, त्यांच्या तंत्रज्ञान ब्लॉगमध्ये अनेक अभियांत्रिकी निर्णयांवर चर्चा करते. या केस स्टडीमध्ये, त्यांनी कमी NPS (नेट प्रमोटर स्कोअर) रेटिंग आणि कोर्स रिटेन्शन किंवा ड्रॉप-ऑफ यामधील कोणतेही सहसंबंध शोधण्यासाठी रिग्रेशन लाइन प्लॉट केली. [संदर्भ](https://medium.com/coursera-engineering/controlled-regression-quantifying-the-impact-of-course-quality-on-learner-retention-31f956bd592a) ### पक्षपात कमी करणे [Grammarly](https://grammarly.com), एक लेखन सहाय्यक जो स्पेलिंग आणि व्याकरणाच्या चुका तपासतो, त्यांच्या उत्पादनांमध्ये प्रगत [नैसर्गिक भाषा प्रक्रिया प्रणाली](../../6-NLP/README.md) वापरतो. त्यांनी त्यांच्या तंत्रज्ञान ब्लॉगमध्ये मशीन लर्निंगमधील लिंग पक्षपात कसा हाताळला याबद्दल एक मनोरंजक केस स्टडी प्रकाशित केली, ज्याबद्दल तुम्ही आमच्या [प्रारंभिक न्याय धड्यात](../../1-Introduction/3-fairness/README.md) शिकले. [संदर्भ](https://www.grammarly.com/blog/engineering/mitigating-gender-bias-in-autocorrect/) ## 👜 किरकोळ विक्री किरकोळ विक्री क्षेत्र निश्चितपणे मशीन लर्निंगचा उपयोग करून फायदा घेऊ शकते, ग्राहक प्रवास अधिक चांगला बनवण्यापासून ते इन्व्हेंटरी अधिक चांगल्या प्रकारे साठवण्यापर्यंत. ### ग्राहक प्रवास वैयक्तिकृत करणे Wayfair, एक कंपनी जी फर्निचर सारखी घरगुती वस्तू विकते, ग्राहकांना त्यांच्या आवडीनुसार आणि गरजेनुसार योग्य उत्पादने शोधण्यात मदत करणे हे महत्त्वाचे आहे. या लेखात, कंपनीतील अभियंते वर्णन करतात की त्यांनी ग्राहकांसाठी योग्य परिणाम कसे उभे केले यासाठी मशीन लर्निंग आणि NLP कसा वापरला. विशेषतः, त्यांच्या क्वेरी इंटेंट इंजिनने ग्राहक पुनरावलोकनांवर एंटिटी एक्स्ट्रॅक्शन, क्लासिफायर ट्रेनिंग, अ‍ॅसेट आणि मत एक्स्ट्रॅक्शन, आणि सेंटिमेंट टॅगिंग वापरण्यासाठी तयार केले आहे. ऑनलाइन किरकोळ विक्रीमध्ये NLP कसा कार्य करतो याचा हा एक क्लासिक उपयोग आहे. [संदर्भ](https://www.aboutwayfair.com/tech-innovation/how-we-use-machine-learning-and-natural-language-processing-to-empower-search) ### इन्व्हेंटरी व्यवस्थापन [StitchFix](https://stitchfix.com) सारख्या नाविन्यपूर्ण, चपळ कंपन्या, जी ग्राहकांना कपड्यांचे बॉक्स पाठवते, शिफारसी आणि इन्व्हेंटरी व्यवस्थापनासाठी मोठ्या प्रमाणावर मशीन लर्निंगवर अवलंबून असतात. त्यांच्या स्टायलिंग टीम्स त्यांच्या मर्चेंडायझिंग टीम्ससोबत काम करतात. "आमच्या डेटा सायंटिस्टने एक जेनेटिक अल्गोरिदम तयार केला आणि कपड्यांवर लागू केला, जे आज अस्तित्वात नाही अशा कपड्याचा यशस्वी तुकडा काय असेल याचा अंदाज लावण्यासाठी. आम्ही ते मर्चेंडायझिंग टीमकडे आणले आणि आता ते त्याचा एक साधन म्हणून उपयोग करू शकतात." [संदर्भ](https://www.zdnet.com/article/how-stitch-fix-uses-machine-learning-to-master-the-science-of-styling/) ## 🏥 आरोग्य सेवा आरोग्य सेवा क्षेत्र संशोधन कार्ये आणि रुग्णांना पुन्हा भरती करणे किंवा रोगांचा प्रसार थांबवणे यासारख्या लॉजिस्टिक समस्यांचे अनुकूलन करण्यासाठी मशीन लर्निंगचा उपयोग करू शकते. ### क्लिनिकल ट्रायल्स व्यवस्थापन क्लिनिकल ट्रायल्समधील विषारीपणा औषध निर्मात्यांसाठी एक मोठी चिंता आहे. किती विषारीपणा सहनशील आहे? या अभ्यासात, विविध क्लिनिकल ट्रायल्स पद्धतींचे विश्लेषण केल्यामुळे क्लिनिकल ट्रायल्सच्या परिणामांचा अंदाज लावण्यासाठी नवीन दृष्टिकोन विकसित झाला. विशेषतः, त्यांनी रँडम फॉरेस्ट वापरून एक [क्लासिफायर](../../4-Classification/README.md) तयार केला जो औषधांच्या गटांमध्ये फरक करू शकतो. [संदर्भ](https://www.sciencedirect.com/science/article/pii/S2451945616302914) ### रुग्णालय पुन्हा भरती व्यवस्थापन रुग्णालयातील काळजी महाग असते, विशेषतः जेव्हा रुग्णांना पुन्हा भरती करावे लागते. या पेपरमध्ये, एका कंपनीने [क्लस्टरिंग](../../5-Clustering/README.md) अल्गोरिदम वापरून पुन्हा भरती होण्याची शक्यता कशी अंदाज केली यावर चर्चा केली आहे. हे क्लस्टर्स विश्लेषकांना "पुन्हा भरती होण्याचे गट शोधण्यात मदत करतात ज्यांना सामान्य कारण असू शकते." [संदर्भ](https://healthmanagement.org/c/healthmanagement/issuearticle/hospital-readmissions-and-machine-learning) ### रोग व्यवस्थापन अलीकडील महामारीने रोगाचा प्रसार थांबवण्यासाठी मशीन लर्निंग कसा उपयोग होऊ शकतो यावर प्रकाश टाकला आहे. या लेखात, तुम्ही ARIMA, लॉजिस्टिक कर्व्ह, लिनियर रिग्रेशन, आणि SARIMA यांचा उपयोग ओळखाल. "या कामाचा उद्देश या विषाणूचा प्रसार दर मोजणे आणि मृत्यू, बरे होणे, आणि पुष्टी झालेल्या प्रकरणांचा अंदाज लावणे आहे, जेणेकरून आम्हाला चांगल्या प्रकारे तयारी करता येईल आणि टिकून राहता येईल." [संदर्भ](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7979218/) ## 🌲 पर्यावरण आणि हरित तंत्रज्ञान निसर्ग आणि पर्यावरण अनेक संवेदनशील प्रणालींनी बनलेले आहे जिथे प्राणी आणि निसर्ग यांच्यातील परस्परसंवाद केंद्रस्थानी असतो. या प्रणालींचे अचूक मोजमाप करणे आणि काहीतरी घडल्यास योग्य कृती करणे महत्त्वाचे आहे, जसे की जंगलातील आग किंवा प्राण्यांच्या लोकसंख्येत घट. ### जंगल व्यवस्थापन तुम्ही [रिइन्फोर्समेंट लर्निंग](../../8-Reinforcement/README.md) बद्दल मागील धड्यांमध्ये शिकले. निसर्गातील नमुने अंदाज करण्यासाठी हे खूप उपयुक्त ठरू शकते. विशेषतः, जंगलातील आग आणि आक्रमक प्रजातींचा प्रसार ट्रॅक करण्यासाठी याचा उपयोग केला जाऊ शकतो. कॅनडामध्ये, संशोधकांच्या एका गटाने उपग्रह प्रतिमांमधून जंगलातील आग डायनॅमिक्स मॉडेल तयार करण्यासाठी रिइन्फोर्समेंट लर्निंगचा उपयोग केला. "जंगलातील आग एखाद्या ठिकाणी कोणती कृती करू शकते यामध्ये उत्तर, दक्षिण, पूर्व, पश्चिम किंवा न पसरवणे याचा समावेश आहे." या दृष्टिकोनाने सामान्य RL सेटअप उलटवला आहे कारण संबंधित मार्कोव्ह डिसिजन प्रोसेस (MDP) च्या डायनॅमिक्ससाठी तात्काळ जंगलातील आग पसरवण्याचे कार्य एक ज्ञात फंक्शन आहे. या गटाने वापरलेल्या क्लासिक अल्गोरिदम्सबद्दल अधिक वाचा. [संदर्भ](https://www.frontiersin.org/articles/10.3389/fict.2018.00006/full) ### प्राण्यांच्या हालचालींचे सेन्सिंग जरी डीप लर्निंगने प्राण्यांच्या हालचालींचे दृश्य ट्रॅकिंगमध्ये क्रांती घडवली असली तरी (तुम्ही तुमचा स्वतःचा [पोलर बेअर ट्रॅकर](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) येथे तयार करू शकता), पारंपरिक मशीन लर्निंग अजूनही या कार्यात स्थान राखते. शेतीतील प्राण्यांच्या हालचाली ट्रॅक करण्यासाठी सेन्सर्स आणि IoT या प्रकारच्या दृश्य प्रक्रियेचा उपयोग करतात, परंतु डेटा पूर्व-प्रक्रिया करण्यासाठी अधिक मूलभूत मशीन लर्निंग तंत्रे उपयुक्त ठरतात. उदाहरणार्थ, या पेपरमध्ये, विविध क्लासिफायर अल्गोरिदम्स वापरून मेंढ्यांच्या स्थितींचे निरीक्षण आणि विश्लेषण केले गेले. पृष्ठ 335 वर तुम्हाला ROC कर्व ओळखता येईल. [संदर्भ](https://druckhaus-hofmann.de/gallery/31-wj-feb-2020.pdf) ### ⚡️ ऊर्जा व्यवस्थापन [टाइम सिरीज फोरकास्टिंग](../../7-TimeSeries/README.md) धड्यांमध्ये, आम्ही स्मार्ट पार्किंग मीटरचा उपयोग करून शहरासाठी महसूल निर्माण करण्याच्या संकल्पनेचा उल्लेख केला होता. या लेखात, क्लस्टरिंग, रिग्रेशन आणि टाइम सिरीज फोरकास्टिंग एकत्र करून आयर्लंडमधील भविष्यातील ऊर्जा वापराचा अंदाज कसा लावला गेला यावर चर्चा केली आहे, स्मार्ट मीटरिंगच्या आधारे. [संदर्भ](https://www-cdn.knime.com/sites/default/files/inline-images/knime_bigdata_energy_timeseries_whitepaper.pdf) ## 💼 विमा विमा क्षेत्र आणखी एक क्षेत्र आहे जे व्यवहार्य आर्थिक आणि अ‍ॅक्चुअरियल मॉडेल तयार करण्यासाठी आणि अनुकूलित करण्यासाठी मशीन लर्निंगचा उपयोग करते. ### अस्थिरता व्यवस्थापन MetLife, एक जीवन विमा प्रदाता, त्यांच्या आर्थिक मॉडेल्समधील अस्थिरता कशी विश्लेषित आणि कमी केली जाते याबद्दल खुलेपणाने चर्चा करते. या लेखात तुम्हाला बायनरी आणि ऑर्डिनल क्लासिफिकेशन व्हिज्युअलायझेशन्स दिसतील. तुम्हाला फोरकास्टिंग व्हिज्युअलायझेशन्स देखील सापडतील. [संदर्भ](https://investments.metlife.com/content/dam/metlifecom/us/investments/insights/research-topics/macro-strategy/pdf/MetLifeInvestmentManagement_MachineLearnedRanking_070920.pdf) ## 🎨 कला, संस्कृती, आणि साहित्य कलेमध्ये, उदाहरणार्थ पत्रकारितेमध्ये, अनेक मनोरंजक समस्या आहेत. बनावट बातम्या शोधणे ही एक मोठी समस्या आहे कारण हे लोकांच्या मतावर प्रभाव टाकण्यास सिद्ध झाले आहे आणि लोकशाही उलथून टाकण्यास देखील कारणीभूत ठरले आहे. संग्रहालये देखील मशीन लर्निंगचा उपयोग करून फायदे मिळवू शकतात, जसे की वस्तूंमधील दुवे शोधणे किंवा संसाधन नियोजन. ### बनावट बातम्या शोधणे बनावट बातम्या शोधणे आजच्या माध्यमांमध्ये मांजर आणि उंदराचा खेळ बनले आहे. या लेखात, संशोधक सुचवतात की आम्ही अभ्यासलेल्या अनेक मशीन लर्निंग तंत्रांचा उपयोग करून एक प्रणाली तयार केली जाऊ शकते आणि सर्वोत्तम मॉडेल तैनात केले जाऊ शकते: "ही प्रणाली डेटामधून वैशिष्ट्ये काढण्यासाठी नैसर्गिक भाषा प्रक्रिया वापरते आणि नंतर या वैशिष्ट्यांचा उपयोग Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), आणि Logistic Regression (LR) सारख्या मशीन लर्निंग क्लासिफायर्सच्या प्रशिक्षणासाठी केला जातो." [संदर्भ](https://www.irjet.net/archives/V7/i6/IRJET-V7I6688.pdf) या लेखात दाखवले आहे की मशीन लर्निंगच्या वेगवेगळ्या क्षेत्रांचा एकत्रित उपयोग करून बनावट बातम्या थांबवणे आणि वास्तविक नुकसान टाळणे शक्य आहे; या प्रकरणात, COVID उपचारांबद्दल अफवा पसरल्यामुळे झालेल्या हिंसाचाराला रोखण्याचा प्रयत्न होता. ### संग्रहालयातील मशीन लर्निंग संग्रहालये AI क्रांतीच्या उंबरठ्यावर आहेत जिथे संग्रहांचे वर्गीकरण आणि डिजिटायझेशन आणि वस्तूंमधील दुवे शोधणे तंत्रज्ञानाच्या प्रगतीमुळे सोपे होत आहे. [In Codice Ratio](https://www.sciencedirect.com/science/article/abs/pii/S0306457321001035#:~:text=1.,studies%20over%20large%20historical%20sources.) सारखी प्रकल्प व्हॅटिकन संग्रहालयासारख्या दुर्गम संग्रहांचे रहस्य उलगडण्यात मदत करत आहेत. पण, संग्रहालयांच्या व्यवसायाच्या बाजूला मशीन लर्निंग मॉडेल्सचा फायदा होतो. उदाहरणार्थ, शिकागो आर्ट इन्स्टिट्यूटने मॉडेल्स तयार केली ज्यामुळे प्रेक्षकांना काय आवडते आणि ते प्रदर्शनांना कधी उपस्थित राहतील याचा अंदाज लावता येतो. उद्देश प्रत्येक वेळी संग्रहालयाला भेट देणाऱ्या वापरकर्त ## [व्याख्यानानंतरचा प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ml/) ## पुनरावलोकन आणि स्व-अभ्यास Wayfair डेटा सायन्स टीमने त्यांच्या कंपनीत ML कसा वापरतात यावर काही मनोरंजक व्हिडिओ तयार केले आहेत. [पाहण्यासारखे](https://www.youtube.com/channel/UCe2PjkQXqOuwkW1gw6Ameuw/videos) आहे! ## असाइनमेंट [एक ML शोध मोहीम](assignment.md) --- **अस्वीकरण**: हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.