সুপারভাইজড লার্নিং, যা সুপারভাইজড মেশিন লার্নিং নামেও পরিচিত, মেশিন লার্নিং ও কৃত্রিম বুদ্ধিমত্তার একটি উপশ্রেণি
ভূমিকা:
সময়ের সঙ্গে মানুষ তার অভিজ্ঞতা থেকে শেখে এবং সেই অভিজ্ঞতার ভিত্তিতে সিদ্ধান্ত নেয়। মেশিন লার্নিং যেভাবে কাজ করে, অনেকটা সেভাবেই আগের রেকর্ড থেকে প্যাটার্ন ও অ্যালগরিদম ব্যবহার করে একটি কম্পিউটার শিখতে ও মানিয়ে নিতে পারে। আপনার কম্পিউটার সুস্পষ্ট নির্দেশনা ছাড়াই আগের ডেটা বিশ্লেষণ করে সিদ্ধান্তে পৌঁছায় এবং বিদ্যমান রেকর্ডের ভিত্তিতে ভবিষ্যৎ ফলাফল অনুমান করে।
মেশিন লার্নিং কী?
মেশিন লার্নিং হলো ডেটা অনুসন্ধানের এমন একটি শ্রেণি যা ডায়াগনস্টিক মডেল গঠনকে স্বয়ংক্রিয় করে। এটি এমন একটি সিস্টেম যা ডেটা থেকে তথ্য বের করতে, প্যাটার্ন শনাক্ত করতে এবং প্রায় কোনো সামাজিক হস্তক্ষেপ ছাড়াই সিদ্ধান্তে পৌঁছাতে পারে। কৃত্রিম বুদ্ধিমত্তা ব্যবহারের কারণে সিস্টেমটি সুস্পষ্টভাবে কোড না করেও শিখতে ও বিকশিত হতে পারে।
সুপারভাইজড লার্নিং কী?
কৃত্রিম বুদ্ধিমত্তা সুপারভাইজড লার্নিংয়ের মাধ্যমে তৈরি হয়। এই পদ্ধতিতে একটি নির্দিষ্ট ফলাফলের জন্য কম্পিউটারের অ্যালগরিদমকে (যথাযথভাবে লেবেল করা) ডেটা খাইয়ে প্রশিক্ষণ দেওয়া হয়। ডেটা ততক্ষণ প্রশিক্ষিত হয় যতক্ষণ না এটি প্যাটার্ন চিনতে এবং ইনপুট ডেটা ও আউটপুট লেবেলের মধ্যে সংযোগ নির্ধারণ করতে পারে। একটি নির্দিষ্ট লেবেলের জন্য সঠিক ফলাফল নির্ধারণে আমরা এটি ব্যবহার করতে পারি।
সুপারভাইজড লার্নিংয়ের কিছু উদাহরণ কী?
সংক্ষেপে, সুপারভাইজড লার্নিং হলো যখন একজন প্রশিক্ষক সুলেবেলযুক্ত ডেটা দিয়ে একটি যন্ত্রকে প্রশিক্ষণ দেন। সুপারভাইজড লার্নিং পদ্ধতি ব্যবহার করে কম্পিউটারকে বিশ্লেষণের জন্য নতুন একটি গ্রুপ বা সংখ্যক উদাহরণ (ডেটা) দেওয়া হয়, যাতে প্রশিক্ষণ ডেটা (প্রশিক্ষণ বা প্রস্তুতির উদাহরণের সেট) বিশ্লেষণ করে লেবেলযুক্ত ডেটা থেকে উপযুক্ত ফলাফল তৈরি করা যায়।
সুপারভাইজড লার্নিং কীভাবে কাজ করে?
সুপারভাইজড লার্নিংয়ে আমরা লেবেলযুক্ত ডেটা সেট ব্যবহার করে মডেলকে প্রশিক্ষণ দিই। মডেলটি প্রতিটি ধরনের ডেটা অনুযায়ী প্রশিক্ষিত হয়। প্রশিক্ষণ প্রক্রিয়া শেষ হলে আমরা প্রশিক্ষিত মডেলটি টেস্ট ডেটা দিয়ে পরীক্ষা করি। আগের প্রশিক্ষণের ভিত্তিতে যন্ত্র আউটপুট অনুমান করে।
ধরুন আমাদের একটি ডেটাসেট আছে যাতে বর্গ, আয়তক্ষেত্র ও বহুভুজের মতো নানা ধরনের ত্রিভুজাকার আকৃতি রয়েছে। ক্লাসিক্যাল মডেলকে এখন প্রাথমিক পর্যায় হিসেবে প্রতিটি আকৃতির জন্য প্রশিক্ষণ দিতে হবে।
- কোনো নির্দিষ্ট আকৃতির চারটি প্রান্ত বা কোণ থাকলে এবং সবগুলো সমান হলে সেটি বর্গ বলে চিহ্নিত হয়।
- তিনটি বাহু থাকলে পুরো প্রক্রিয়াটি ত্রিভুজ হিসেবে চিহ্নিত হবে।
- প্রবেশ করানো আকৃতির ছয়টি সমান বাহু থাকলে সেটি ষড়ভুজ বলে চিহ্নিত হয়।
প্রশিক্ষণের পর আমরা আমাদের আদর্শ মডেলকে পরীক্ষায় ফেলতে টেস্ট সেট ব্যবহার করি, এবং মডেলের উদ্দেশ্য হলো আকৃতিটি শনাক্ত করা।
সিস্টেমকে আগে বিভিন্ন আকৃতিতে শেখানো হয়েছে, এবং নতুন একটি আকৃতি পেলে সেটি শ্রেণিবদ্ধ করে।[1]
মেশিন লার্নিংয়ে কী কী ধাপ রয়েছে?
- প্রথমে আপনি যে ধরনের প্রশিক্ষণ ডেটাসেট ব্যবহার করবেন তা নির্ধারণ করুন।
- সংগ্রহ ও একত্র করে ট্যাগযুক্ত প্রশিক্ষণ ডেটা সংগ্রহ করুন।
- প্রশিক্ষণ ডেটাসেটকে তিন ভাগে ভাগ করুন: প্রশিক্ষণ, টেস্টিং এবং ভ্যালিডেশন।
- প্রশিক্ষণ ডেটাসেটের ইনপুট বৈশিষ্ট্যগুলো নির্ধারণ করুন, যাতে মডেল সফলভাবে আউটপুট অনুমান করার মতো যথেষ্ট তথ্য থাকে।
- মডেলের জন্য একটি উপযুক্ত অ্যালগরিদম বেছে নিন, যেমন সাপোর্ট ভেক্টর মেশিন বা ডিসিশন ট্রি।
- অ্যালগরিদম চালাতে প্রশিক্ষণ ডেটাসেট ব্যবহার করুন। ভ্যালিডেশন সেট, যা প্রশিক্ষণ ডেটাসেটের একটি উপসেট, কখনও কখনও নিয়ন্ত্রক বা নিয়ন্ত্রণ প্যারামিটার হিসেবে প্রয়োজন হয়।
- টেস্ট সেট দিয়ে আপনি মডেলের সঠিকতা মূল্যায়ন করতে পারেন। মডেল ফলাফল সঠিকভাবে অনুমান করলে আমাদের মডেল নির্ভুল।
সুপারভাইজড লার্নিংয়ের শ্রেণিগুলো কী কী?
সুপারভাইজড লার্নিংয়ের শ্রেণিগুলো নিম্নরূপ।
- রিগ্রেশন
- শ্রেণিবিন্যাস
সুপারভাইজড লার্নিংয়ের সুবিধাগুলো কী কী?
- প্রশিক্ষণ ডেটায় আপনি সময়কালগুলোর একটি বিস্তারিত ধারণা পাবেন।
- সুপারভাইজড লার্নিং কীভাবে কাজ করে তা আপনার বুঝতে পারা উচিত। আনসুপারভাইজড লার্নিংয়ের ক্ষেত্রে আমরা সব সময় বুঝতে পারি না যন্ত্রের ভেতরে কী চলছে, এটি কীভাবে শিখছে ইত্যাদি।
- অনুশীলনের ডেটায় হার মানার আগে আপনি শ্রেণির সুনির্দিষ্ট সংখ্যা নিয়ন্ত্রণ করতে পারেন।
- আপনি শ্রেণিগুলোর অর্থ সম্পর্কে সুনির্দিষ্ট হতে পারেন, অর্থাৎ ক্লাসিফায়ারকে এমনভাবে প্রশিক্ষণ দিতে পারেন যাতে এর সিদ্ধান্তের সীমানা নিখুঁত হয় এবং এটি বিভিন্ন শ্রেণির মধ্যে নির্ভরযোগ্যভাবে পার্থক্য করতে পারে।
- পুরো প্রোগ্রামটি শেষ করার পর প্রশিক্ষণ ডেটা আপনার স্মৃতিতে রাখার প্রয়োজন নেই। এর বদলে সিদ্ধান্তের সীমানা ধরে রাখতে আপনি একটি গাণিতিক সূত্র ব্যবহার করতে পারেন।[2]
সুপারভাইজড লার্নিংয়ের অসুবিধাগুলো কী কী?
- বিভিন্ন দিক থেকে সুপারভাইজড লার্নিং অস্বাভাবিক, এবং মেশিন লার্নিংয়ের কিছু আরও জটিল কাজ এটি দিয়ে সম্ভব নয়।
- আনসুপারভাইজড লার্নিংয়ের বিপরীতে সুপারভাইজড লার্নিং প্রশিক্ষণ ডেটা থেকে অচিহ্নিত তথ্য বের করতে পারে না।
- আনসুপারভাইজড লার্নিংয়ের মতো নয়; নিজে নিজে বৈশিষ্ট্য নির্ধারণ করে ডেটাকে ক্লাস্টার বা শ্রেণিবদ্ধ করতে পারে না।
- শ্রেণিবিন্যাসের ক্ষেত্রে, আমরা যদি প্রশিক্ষণ ডেটার কোনো শ্রেণির অন্তর্ভুক্ত নয় এমন ইনপুট দিই, তাহলে ফলাফল একটি ভুল ক্লাস লেবেল হতে পারে। ধরুন আপনি বিড়াল ও কুকুরের ডেটা দিয়ে একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিয়েছেন। আপনি যদি জিরাফের ছবি দেন, ফলাফল বিড়াল বা কুকুর হতে পারে, যা ভুল।
- ধরুন আপনার শিক্ষা সেটে কিছু উদাহরণ নেই এবং আপনি একটি পাঠ যোগ করতে চান। তখন শেখার পর সেই নমুনাগুলো ব্যবহার করলে আপনি ইনপুট হিসেবে সঠিক ক্লাস লেবেল নাও পেতে পারেন।
উপসংহার:
সুপারভাইজড লার্নিং শ্রেণিবিন্যাস ও রিগ্রেশন সমস্যায় দক্ষ, যেমন একটি সংবাদ নিবন্ধের শ্রেণি নির্ধারণ বা ভবিষ্যৎ তারিখের লেনদেনের সংখ্যা অনুমান করা। সুপারভাইজড প্রক্রিয়ার লক্ষ্য হলো একটি নির্দিষ্ট সমস্যার প্রেক্ষাপটে ডেটার অর্থ শেখা।
- Supervised Machine Learning. এখানে পাওয়া যাবে: https://www.javatpoint.com/supervised-machine-learning.
- Petersson, D.supervised learning. এখানে পাওয়া যাবে: https://www.techtarget.com/searchenterpriseai/definition/supervised-learning.
সুপারভাইজড লার্নিংয়ের দুটি প্রধান ধরন
- শ্রেণিবিন্যাস: একটি ক্যাটাগরি অনুমান করা, যেমন স্প্যাম বা স্প্যাম নয়, অথবা কোনো লেনদেন জালিয়াতি কি না।
- রিগ্রেশন: একটি সংখ্যা অনুমান করা, যেমন বাড়ির দাম বা আগামী মাসের বিক্রি।
প্রচলিত অ্যালগরিদম
লিনিয়ার ও লজিস্টিক রিগ্রেশন, ডিসিশন ট্রি, র্যান্ডম ফরেস্ট, সাপোর্ট ভেক্টর মেশিন, k-নিকটতম প্রতিবেশী এবং নিউরাল নেটওয়ার্ক।
একটি সহজ উদাহরণ
একজন গ্রাহক কিস্তি দেরিতে দেবেন কি না তা অনুমান করতে, আপনি অতীতের এমন গ্রাহকদের ওপর মডেল প্রশিক্ষণ দেন যাদের ফলাফল জানা (সময়মতো বা দেরিতে পরিশোধ), আয়ের স্তর, অগ্রিম পরিশোধ এবং আগের আচরণের মতো ফিচার ব্যবহার করে। এরপর মডেলটি নতুন গ্রাহকদের স্কোর করে। Installment Management System-এর মতো কিস্তি ব্যবস্থাপনা টুলে ঠিক এই ধরনের ডেটাই থাকে।
শক্তি ও সীমাবদ্ধতা
আপনার ভালো লেবেলযুক্ত ডেটা থাকলে সুপারভাইজড লার্নিং নির্ভুল, কিন্তু লেবেল করা ব্যয়বহুল এবং মডেল কেবল লেবেল যা দেখায় তা-ই শেখে। তুলনা করুন আনসুপারভাইজড লার্নিং এবং রিইনফোর্সমেন্ট লার্নিংয়ের সঙ্গে।
দ্রুত উত্তর
ওভারফিটিং কী?
ওভারফিটিং হলো যখন একটি মডেল প্রশিক্ষণ ডেটা মুখস্থ করে নেয় এবং নতুন ডেটায় খারাপ ফল করে। বেশি ডেটা, সরল মডেল এবং ভ্যালিডেশন দিয়ে এটি কমানো যায়।
