ভূমিকা:
একটি কম্পিউটার আগের রেকর্ড থেকে প্যাটার্ন ও অ্যালগরিদম ব্যবহার করে শিখতে ও মানিয়ে নিতে পারে। সুস্পষ্ট নির্দেশনা ছাড়াই আপনার কম্পিউটার আগের ডেটা বিশ্লেষণ করে সিদ্ধান্তে পৌঁছায় এবং বর্তমান রেকর্ডের ভিত্তিতে ভবিষ্যৎ ফলাফলের পূর্বাভাস দেয়। কিন্তু আনসুপারভাইজড লার্নিংয়ে সুপারভাইজড মেশিন লার্নিংয়ের মতো আপনাকে লেবেলযুক্ত ডেটা দিতে বা যন্ত্রকে প্রশিক্ষণ দিতে হয় না।
আনসুপারভাইজড লার্নিং কী?
আনসুপারভাইজড লার্নিং আনসুপারভাইজড মেশিন লার্নিং নামেও পরিচিত। আনসুপারভাইজড লার্নিং ব্যবহার করলে ডেটা প্রশিক্ষণ দিতে হয় না। যন্ত্রকে দেওয়া ডেটা লেবেলযুক্ত নয়। যন্ত্র এই লেবেলবিহীন ডেটা থেকে নিজেই প্যাটার্ন ও বিভিন্ন তথ্য অনুমান করে। সমাধানের জন্য প্রয়োজনীয় লুকানো গ্রুপ ও অন্যান্য তথ্য যন্ত্র অনুমান করে।[1]
সুপারভাইজড লার্নিংয়ের কিছু উদাহরণ কী?
সুপারভাইজড লার্নিংয়ের বিপরীতে আনসুপারভাইজড লার্নিং কৌশল উপযুক্ত হয় যখন ভেরিয়েবল (অর্থাৎ লেবেল) সরবরাহ করা হয় না। K-Means ক্লাস্টারিং, প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস এবং হায়ারার্কিক্যাল ক্লাস্টারিং আনসুপারভাইজড লার্নিং কৌশলের উদাহরণ।
সুপারভাইজড লার্নিং কীভাবে কাজ করে?
উপরে ব্যাখ্যা করা হয়েছে, আনসুপারভাইজড লার্নিংয়ে দেওয়া ডেটাসেট যথাযথভাবে লেবেল করা নয়। অর্থাৎ ডেটা শ্রেণিবদ্ধ নয় এবং ডেটার সংশ্লিষ্ট আউটপুট দেওয়া নেই। যন্ত্র নিজে নিজেই নিজেকে প্রশিক্ষিত করে। প্রথমে এটি কাঁচা ডেটা ব্যাখ্যা করে ডেটার লুকানো প্যাটার্ন খুঁজে বের করে এবং তারপর ডেটায় উপযুক্ত অ্যালগরিদম প্রয়োগ করা হয়। প্রয়োগ করা অ্যালগরিদমগুলো সম্পন্ন হলে ডেটা অবজেক্টগুলো গ্রুপের সাদৃশ্য অনুযায়ী ভাগ করা হয়।[2]
আনসুপারভাইজড লার্নিংয়ের শ্রেণিগুলো কী কী?
আনসুপারভাইজড লার্নিংয়ের শ্রেণিগুলো নিম্নরূপ।
- ক্লাস্টারিং
- অ্যাসোসিয়েশন
সুপারভাইজড লার্নিংয়ের সুবিধাগুলো কী কী?
- এটি এমন কিছু দেখতে সক্ষম যা মানুষের মস্তিষ্ক দেখতে অক্ষম।
- এটি ব্যবসার জন্য গুরুত্বপূর্ণ লুকানো বৈশিষ্ট্য উন্মোচনে ব্যবহৃত হচ্ছে এবং এর নানা বাস্তব প্রয়োগ রয়েছে।
- একটি অনিয়ন্ত্রিত কাজের ফলে সম্পূর্ণ নতুন কোম্পানি সেগমেন্ট বা উদ্যোগ তৈরি হতে পারে।
- সুপারভাইজড লার্নিং সমস্যার তুলনায় এতে জটিলতা কম থাকবে। যেহেতু সংযুক্ত লেবেলগুলো বোঝার প্রয়োজন কারও নেই, তাই জটিলতা কমে যায়।
- ডেটা সেট জোগাড় করা অনেক সহজ।
সুপারভাইজড লার্নিংয়ের অসুবিধাগুলো কী কী?
- এটি বেশি ব্যয়বহুল, কারণ প্রবণতা বুঝতে এবং ডোমেইন দক্ষতা দিয়ে সেগুলো সংযুক্ত করতে মানব সংশ্লিষ্টতা প্রয়োজন হতে পারে।
- যেহেতু এর উপযোগিতা নিশ্চিত করার জন্য কোনো লেবেল বা আউটপুট মেট্রিক নেই, তাই তৈরি হওয়া ফলাফল উপকারী হবে এমন নিশ্চয়তা প্রায়ই থাকে না।
- একটি আনসুপারভাইজড কাজের ধরন ও আউটপুট সুনির্দিষ্টভাবে সংজ্ঞায়িত করা যায় না। এটি নকশার ওপর এবং ফলে কম্পিউটারের ওপর অত্যন্ত নির্ভরশীল।
- ফলাফলের নির্ভুলতা প্রায়ই কম থাকে।
উপসংহার:
আনসুপারভাইজড লার্নিং হলো একটি মেশিন লার্নিং পদ্ধতি, যেখানে মডেলের তত্ত্বাবধানের প্রয়োজন হয় না। আনসুপারভাইজড মেশিন লার্নিং ডেটায় আগে অনাবিষ্কৃত প্যাটার্ন আবিষ্কারে সহায়তা করে।
- Pratt, M.K. unsupervised learning. এখানে পাওয়া যাবে: https://www.techtarget.com/searchenterpriseai/definition/unsupervised-learning.
- Unsupervised Machine Learning. এখানে পাওয়া যাবে: https://www.javatpoint.com/unsupervised-machine-learning.
সাধারণ আনসুপারভাইজড লার্নিং কাজ
- ক্লাস্টারিং: একই ধরনের আইটেম গ্রুপ করা, যেমন মার্কেটিংয়ের জন্য গ্রাহক সেগমেন্ট। জনপ্রিয় অ্যালগরিদম: k-means, হায়ারার্কিক্যাল ক্লাস্টারিং এবং DBSCAN।
- ডাইমেনশনালিটি রিডাকশন: PCA-এর মতো পদ্ধতি ব্যবহার করে কাঠামো অক্ষুণ্ণ রেখে অনেক ফিচারকে অল্প কয়েকটিতে সংকুচিত করা।
- অ্যাসোসিয়েশন রুল: প্রায়ই একসঙ্গে কেনা পণ্য খুঁজে বের করা, যেমন মার্কেট-বাস্কেট বিশ্লেষণে।
- অসঙ্গতি শনাক্তকরণ: অস্বাভাবিক লেনদেন বা সেন্সর রিডিং চিহ্নিত করা।
ব্যবসায়িক উদাহরণ
একজন খুচরা বিক্রেতা কেনাকাটার আচরণ অনুযায়ী গ্রাহকদের ক্লাস্টার করে অফার সাজাতে পারে, একটি দোকান একসঙ্গে বিক্রি হওয়া পণ্য খুঁজে পাশাপাশি রাখতে পারে, এবং একটি ব্যাংক অস্বাভাবিক কার্ড কার্যকলাপ চিহ্নিত করতে পারে। এ ধরনের রিটেইল অ্যানালিটিক্স আমাদের এআই অ্যানালিটিক্স সেবার অংশ।
আনসুপারভাইজড বনাম সুপারভাইজড লার্নিং
সুপারভাইজড লার্নিংয়ে লেবেলযুক্ত ডেটা লাগে এবং একটি জানা উত্তর অনুমান করা হয়; আনসুপারভাইজড লার্নিংয়ে কোনো লেবেল নেই এবং লুকানো কাঠামো খোঁজা হয়। পার্থক্য বুঝতে পড়ুন সুপারভাইজড লার্নিং এবং সেমি-সুপারভাইজড লার্নিং।
দ্রুত উত্তর
ক্লাস্টারিং কি সুপারভাইজড নাকি আনসুপারভাইজড?
ক্লাস্টারিং আনসুপারভাইজড, কারণ গ্রুপগুলো আবিষ্কৃত হয়, দেওয়া হয় না।
