You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
157 lines
22 KiB
157 lines
22 KiB
# मशीन शिक्षणाची ओळख
|
|
|
|
## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "सुरुवातीसाठी एमएल - सुरुवातीसाठी मशीन शिक्षणाची ओळख")
|
|
|
|
> 🎥 या धड्यादरम्यान काम करणाऱ्या लघु व्हिडिओसाठी वरील प्रतिमावर क्लिक करा.
|
|
|
|
नवशिक्यांसाठी पारंपरिक मशीन शिक्षणाविषयी या कोर्समध्ये आपले स्वागत आहे! आपण या विषयावर पूर्णपणे नवीन असाल किंवा एका अनुभवी एमएल व्यावसायिक असाल आणि एका क्षेत्रात सुधारणा करायची असेल, आम्हाला आपल्याला आमच्यात सामील होत पाहून आनंद होतो! आम्हाला आपला एमएल अभ्यास सुरू करण्यासाठी एक मैत्रीपूर्ण ठिकाण तयार करायचे आहे आणि आपला [प्रतिक्रिया](https://github.com/microsoft/ML-For-Beginners/discussions) मूल्यांकन करण्यासाठी, प्रतिसाद देण्यासाठी आणि समाविष्ट करण्यासाठी आम्हाला आनंद होईल.
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "एमएलची ओळख")
|
|
|
|
> 🎥 वरील प्रतिमावर क्लिक करा: एमआयटीचे जॉन गट्टाग मशीन शिक्षणाची ओळख करून देतात
|
|
|
|
---
|
|
## मशीन शिक्षणासह सुरूवात करणे
|
|
|
|
या अभ्यासक्रमास सुरू करण्यापूर्वी, आपल्याला आपल्या संगणकास स्थानिकपणे नोटबुक चालविण्यासाठी सेटअप करणे आवश्यक आहे.
|
|
|
|
- **या व्हिडिओंसह आपल्या मशीनचे कॉन्फिगर करा**. आपल्या प्रणालीमध्ये [Python कसे स्थापित करायचे](https://youtu.be/CXZYvNRIAKM) आणि [विकासासाठी एक टेक्स्ट एडिटर कसे सेट करायचे](https://youtu.be/EU8eayHWoZg) शिकण्यासाठी खालील दुवे वापरा.
|
|
- **Python शिका**. डेटा वैज्ञानिकांसाठी उपयुक्त प्रोग्रामिंग भाषा असलेली [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) याबद्दल मूलभूत समज असणे देखील शिफारसीय आहे, जी आपण या कोर्समध्ये वापरतो.
|
|
- **Node.js आणि JavaScript शिका**. वेब अॅप तयार करताना आपण काही वेळा JavaScript देखील वापरतो, म्हणून आपल्याला [node](https://nodejs.org) आणि [npm](https://www.npmjs.com/) स्थापित करणे आवश्यक आहे, तसेच Python आणि JavaScript विकासासाठी [Visual Studio Code](https://code.visualstudio.com/) उपलब्ध असणे आवश्यक आहे.
|
|
- **GitHub खाते तयार करा**. आपण येथे [GitHub](https://github.com) वर आहात, त्यामुळे आपल्याकडे आधीच एक खाते असू शकते, परंतु जर नाही, तर एक तयार करा आणि नंतर हा अभ्यासक्रम आपल्या वापरासाठी फोर्क करा. (आम्हाला स्टार देण्यास देखील मोकळ्या मनाने पुढे या 😊)
|
|
- **Scikit-learn अभ्यासा**. या धड्यांमध्ये संदर्भित केलेल्या [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) या ML लायब्ररींची आपल्याला माहिती करून घ्या.
|
|
|
|
---
|
|
## मशीन शिक्षण म्हणजे काय?
|
|
|
|
'मशीन शिक्षण' हा सध्याच्या काळातील सर्वात लोकप्रिय आणि वारंवार वापरला जाणारा शब्द आहे. तुम्हाला तंत्रज्ञानाशी थोडीशी ओळख असेल तर हा शब्द तुम्ही किमान कधी ना कधी ऐकला असेल, कोणत्याही क्षेत्रात काम करत असला तरीही. तथापि, मशीन शिक्षणाची यंत्रणा बहुतेक लोकांसाठी अगदी गूढ आहे. एक नवशिक्या म्हणून, हा विषय कधी कधी भलताच जड वाटू शकतो. म्हणून, मशीन शिक्षण प्रत्यक्षात काय आहे हे समजून घेणे महत्त्वाचे आहे आणि ते चरणाने चरणाने, व्यावहारिक उदाहरणांद्वारे शिकणे आवश्यक आहे.
|
|
|
|
---
|
|
## लोकप्रियतेचा वक्र
|
|
|
|
|
|
|
|
> Google Trends 'मशीन शिक्षण' या शब्दाचा अलीकडील 'लोकप्रियता वक्र' दर्शविते
|
|
|
|
---
|
|
## एक रहस्यमय विश्व
|
|
|
|
आपण एका रहस्यमय विश्वात राहतो. स्टिफन हॉकिंग, अल्बर्ट आइनस्टाइन आणि अनेक महान शास्त्रज्ञांनी आपल्या सभोवतालच्या जगाच्या रहस्यांचा शोध लावण्यासाठी आपले जीवन समर्पित केले आहे. हा हा मानव शिक्षणाचा स्थिती आहे: मानव बालक नवीन गोष्टी शिकतो आणि दर वर्षी वाढत जाताना आपल्या जागेची रचना उलगडतो.
|
|
|
|
---
|
|
## बालकाचे मेंदू
|
|
|
|
बालकाचा मेंदू आणि इंद्रिये आपल्या आसपासच्या गोष्टींची माहिती घेतात आणि हळूहळू जीवनातील लपलेले नमुने शिकतात जेणेकरून बालक शिकलेल्या नमुन्यांना ओळखण्यासाठी तर्कशुद्ध नियम तयार करू शकतो. मानवी मेंदूची शिकण्याची प्रक्रिया मानवतेला या जगातील सर्वात प्रगल्भ जीव बनवते. लपलेले नमुने शोधून सतत शिकणे आणि त्यावर नवनिर्मिती करणे आपल्याला आयुष्यभर स्वतःला सुधारत राहण्यास सक्षम करते. ही शिकण्याची क्षमता आणि विकसित होत जाणारी क्षमता [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html) या संकल्पनेशी संबंधित आहे. दिसायला, आपण मानवी मेंदूच्या शिकण्याच्या प्रक्रियेतून आणि मशीन शिक्षणाच्या संकल्पनांमधून काही प्रेरणादायी समानता पाहू शकतो.
|
|
|
|
---
|
|
## मानवी मेंदू
|
|
|
|
[मानवी मेंदू](https://www.livescience.com/29365-human-brain.html) वास्तविक जगातून माहिती ग्रहण करतो, ग्रहण केलेली माहिती प्रक्रिया करतो, तर्कसंगत निर्णय घेतो, आणि परिस्थितीनुसार विशिष्ट क्रिया करतो. याला आम्ही बुद्धिमत्तेने वागणे म्हणतो. जेव्हा आम्ही या बुद्धिमान वर्तन प्रक्रियेचे अनुकरण मशीनमध्ये प्रोग्राम करतो, तेव्हा त्यास कृत्रिम बुद्धिमत्ता (AI) म्हणतात.
|
|
|
|
---
|
|
## काही संज्ञा
|
|
|
|
या संज्ञा गोंधळात टाकणाऱ्या असल्या तरी, मशीन शिक्षण (ML) हे कृत्रिम बुद्धिमत्तेचे महत्त्वपूर्ण उपसमुच्चय आहे. **ML विशिष्ट अल्गोरिदम वापरून अर्थपूर्ण माहिती शोधण्यास आणि ग्रहण केलेल्या डेटामधून लपलेले नमुने शोधण्यास संबंधित आहे जेणेकरून तर्कसंगत निर्णय प्रक्रियेची पुष्टी होऊ शकेल**.
|
|
|
|
---
|
|
## AI, ML, डीप लर्निंग
|
|
|
|
|
|
|
|
> AI, ML, डीप लर्निंग आणि डेटा सायन्स यातील नाते दर्शवणारे आकृती. [Jen Looper](https://twitter.com/jenlooper) कडून प्रेरित [हा ग्राफिक](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)
|
|
|
|
---
|
|
## शिकायच्या संकल्पना
|
|
|
|
या अभ्यासक्रमामध्ये, आपण फक्त मशीन शिक्षणाच्या मुख्य संकल्पना समजून घेणार आहोत ज्या नवशिक्यांनी जाणून घ्यायला हव्यात. आपण 'पारंपरिक मशीन शिक्षण' मुख्यतः Scikit-learn वापरून शिकणार आहोत, ही एक उत्कृष्ट लायब्ररी आहे ज्याचा वापर अनेक विद्यार्थ्यांनी मूलभूत गोष्टी शिकण्यासाठी केला आहे. कृत्रिम बुद्धिमत्ता किंवा डीप लर्निंगच्या विस्तृत संकल्पना समजून घेण्यासाठी, मशीन शिक्षणाची मजबूत मूलभूत ओळख अत्यावश्यक आहे, म्हणून आम्ही ती येथे देण्याचा प्रयत्न करतो.
|
|
|
|
---
|
|
## या कोर्समध्ये आपण काय शिकाल:
|
|
|
|
- मशीन शिक्षणाच्या मूलभूत संकल्पना
|
|
- एमएलचा इतिहास
|
|
- एमएल आणि न्याय
|
|
- रिग्रेशन एमएल तंत्रे
|
|
- वर्गीकरण एमएल तंत्रे
|
|
- क्लस्टरिंग एमएल तंत्रे
|
|
- नैसर्गिक भाषा प्रक्रिया एमएल तंत्रे
|
|
- टाइम सिरीज फोरकास्टिंग एमएल तंत्रे
|
|
- पुनर्बळाचा शिक्षण
|
|
- मशीन शिक्षणासाठी प्रत्यक्ष वापर
|
|
|
|
---
|
|
## जे आपण कव्हर करणार नाहीत
|
|
|
|
- डीप लर्निंग
|
|
- न्यूरल नेटवर्क्स
|
|
- AI
|
|
|
|
शिकण्याचा अनुभव चांगला व्हावा म्हणून, आपण न्यूरल नेटवर्क्स, 'डीप लर्निंग' - न्यूरल नेटवर्क्स वापरून अनेक स्तरांचे मॉडेल-बांधणी - आणि AI या गुंतागुंती टाळणार आहोत, ज्यावर आपण वेगळ्या अभ्यासक्रमात चर्चा करणार आहोत. तसेच आपण या मोठ्या क्षेत्रातील डेटा सायन्सला लक्ष केंद्रित करणारा आगामी अभ्यासक्रम सादर करू.
|
|
|
|
---
|
|
## मशीन शिक्षण का शिकावे?
|
|
|
|
सिस्टम्सच्या दृष्टीने, मशीन शिक्षण म्हणजे असे स्वयंचलित सिस्टम्स तयार करणे जे डेटामधून लपलेले नमुने शिकू शकतात ज्यामुळे बुद्धिमान निर्णय घेण्यास मदत होते.
|
|
|
|
ही प्रेरणा सैलपणे या प्रकारे आहे की मानवी मेंदू बाहेरून मिळालेल्या डेटावरून विशेष गोष्टी शिकतो.
|
|
|
|
✅ काही वेळ विचार करा का एखादा व्यवसाय मशीन शिक्षण धोरणे वापरू इच्छितो, त्याऐवजी कडक कोडवर आधारित नियम बनविण्याच्या इंजिनचा वापर करण्याकडे का जातो.
|
|
|
|
---
|
|
## डेटा गुणवत्ता महत्त्वाची का?
|
|
|
|
उच्च दर्जाचा डेटा मॉडेलची कार्यक्षमता सुधारतो. खराब किंवा आवाज असलेला डेटा अगदी प्रगत मशीन शिक्षण अल्गोरिदम वापरत असतानाही अचूक भाकितामध्ये अडथळा आणू शकतो.
|
|
|
|
---
|
|
## मशीन शिक्षणाचे उपयोग
|
|
|
|
मशीन शिक्षणाचे उपयोग आता जवळजवळ सर्वत्र आहेत, आणि आपल्या समाजाभोवती वाहत असलेल्या डेटा प्रमाणेच सर्वत्र आहेत, जे आपल्या स्मार्टफोन, जोडलेल्या उपकरणे आणि इतर प्रणालींमुळे निर्माण होतो. अत्याधुनिक मशीन शिक्षण अल्गोरिदमच्या भव्य संधी पाहता, संशोधकांनी त्यांचा क्षमतेचा शोध लावताना बहुपरिमाणी आणि बहुविध जीवनातील समस्यांचे समाधान अत्युत्तम सकारात्मक परिणामांसह केले आहे.
|
|
|
|
---
|
|
## लागू केलेल्या ML चे उदाहरणे
|
|
|
|
**आपण अनेक पद्धतींनी मशीन शिक्षण वापरू शकता**:
|
|
|
|
- रुग्णाच्या वैद्यकीय इतिहास किंवा अहवालांवरून रोग होण्याची शक्यता भाकीत करण्यासाठी.
|
|
- हवामान डेटा वापरून हवामान घटना भाकीत करण्यासाठी.
|
|
- टेक्स्टमधील भावना समजण्यासाठी.
|
|
- खोट्या बातम्या शोधण्यासाठी आणि प्रचार थांबवण्यासाठी.
|
|
|
|
वित्त, अर्थशास्त्र, पृथ्वी विज्ञान, अंतराळ संशोधन, जैववैद्यकीय अभियांत्रण, संज्ञानात्मक विज्ञान, आणि मानवतावादाच्या क्षेत्रांनाही त्यांच्या क्षेत्रातील डेटा-प्रक्रिया जड समस्या सोडवण्यासाठी मशीन शिक्षण स्वीकारले आहे.
|
|
|
|
---
|
|
## निष्कर्ष
|
|
|
|
मशीन शिक्षण वास्तविक किंवा निर्माण केलेल्या डेटामधून अर्थपूर्ण अंतर्दृष्टी शोधून नमुना-शोधण्याची प्रक्रिया स्वयंचलित करते. व्यवसाय, आरोग्य आणि आर्थिक अनुप्रयोगांसह अनेक क्षेत्रांमध्ये याने आपली उपयुक्तता सिद्ध केली आहे.
|
|
|
|
लवकरच, कोणत्याही क्षेत्रातील लोकांसाठी मशीन शिक्षणाच्या मूलभूत गोष्टी समजून घेणे आवश्यक होणार आहे कारण ते मोठ्या प्रमाणावर स्वीकारले जात आहे.
|
|
|
|
---
|
|
# 🚀 आव्हान
|
|
|
|
कागदावर किंवा [Excalidraw](https://excalidraw.com/) सारख्या ऑनलाइन अॅपमध्ये AI, ML, डीप लर्निंग, आणि डेटा सायन्स यातील फरकाचा आपल्या समजुतीचा आराखडा तयार करा. या प्रत्येक तंत्रज्ञानांनी समाधान करण्यासाठी कोणत्या समस्या चांगल्या प्रकारे हाताळतात याबद्दल काही कल्पना जोडा.
|
|
|
|
# [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# पुनरावलोकन आणि स्वतःचा अभ्यास
|
|
|
|
क्लाऊडमध्ये ML अल्गोरिदमसह काम कसे करायचे याबद्दल अधिक जाणून घेण्यासाठी, हा [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) वापरा.
|
|
|
|
एमएलच्या मूलभूत तत्त्वांबद्दल एक [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) घ्या.
|
|
|
|
---
|
|
# असाइनमेंट
|
|
|
|
[Get up and running](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**अस्वीकरण**:
|
|
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |