मशीन लर्निंग

👶 पारंपरिक तरीका (सामान्य प्रोग्रामिंग)

हम बच्चे को नियम समझाते हैं:

• "कुत्ता 4 पैरों वाला जानवर है"
• "उसके बाल होते हैं"
• "उसके कान होते हैं"
• "उसकी पूँछ होती है"

❌ समस्याएँ:

• बिल्लियों के भी 4 पैर, बाल, कान और पूँछ होते हैं
• कुछ कुत्तों की पूँछ नहीं होती
• कुछ के कान नुकीले, कुछ के लटकते
• छोटे और विशाल कुत्ते
• सभी नियम लिखे नहीं जा सकते!

🧒 मशीन लर्निंग का तरीका

हम बच्चे को हज़ारों चित्र दिखाते हैं:

• "यह कुत्ता है" (1000 चित्र दिखाकर)
• "यह कुत्ता नहीं है" (बिल्लियों, खरगोशों आदि के 1000 चित्र दिखाकर)

✅ क्या होता है:

• बच्चा खुद पैटर्न सीख लेता है
• वह ठीक-ठीक नहीं बता सकता कि उसे कैसे पता—लेकिन उसे पता है
• वह नए कुत्तों को पहचान सकता है जिन्हें उसने कभी नहीं देखा

📊 चरण 1: डेटा इकट्ठा करें

कई उदाहरण एकत्र करें। आमतौर पर जितने ज़्यादा, उतना बेहतर।

उदाहरण: कुत्तों के 10,000 चित्र और 10,000 ऐसे चित्र जिनमें कुत्ता नहीं है

🏷️ चरण 2: लेबलिंग (कभी-कभी)

डेटा को लेबल करें—प्रत्येक उदाहरण के लिए सही उत्तर क्या है।

उदाहरण: हर चित्र पर "कुत्ता" या "कुत्ता नहीं" का लेबल लगाया जाता है

🏋️ चरण 3: प्रशिक्षण (Training)

कंप्यूटर सभी उदाहरणों से गुज़रता है, उनका विश्लेषण करता है, और पैटर्न ढूँढता है।

यह "परीक्षा की तैयारी" जैसा है—कंप्यूटर बार-बार अभ्यास करता है जब तक सफल न हो जाए।

समय: जटिलता के अनुसार मिनटों से हफ़्तों तक लग सकता है

🎯 चरण 4: मॉडल

परिणाम एक "मॉडल" है—एक गणितीय संरचना जो दर्शाती है कि कंप्यूटर ने क्या सीखा।

मॉडल सीखने से बने "मस्तिष्क" जैसा है।

🔮 चरण 5: अनुमान (Inference)

अब आप मॉडल को नया इनपुट दे सकते हैं और वह उत्तर का "अनुमान" लगाता है।

उदाहरण: नया चित्र → मॉडल कहता है "93% संभावना कि यह कुत्ता है"

📈 चरण 6: मूल्यांकन और सुधार

जाँचें कि मॉडल कितनी बार सही है। अगर वह बहुत गलतियाँ करता है—तो उसे सुधारें और बदलाव करें।

यह बार-बार दोहराई जाने वाली, लगातार सुधार की प्रक्रिया है।

यह कैसे काम करता है:

यह ऐसे शिक्षक से सीखने जैसा है जो हल सहित अभ्यास-प्रश्न देता है:

• कंप्यूटर देखता है: इनपुट (X) → उत्तर (Y)
• कंप्यूटर सीखता है: X और Y के बीच क्या संबंध है?
• अब जब नया X आता है → कंप्यूटर Y का अनुमान लगाता है

वास्तविक दुनिया के उदाहरण:

• स्पैम पहचान: "स्पैम" / "स्पैम नहीं" लेबल वाले हज़ारों ईमेल → मॉडल उन्हें अलग करना सीखता है
• घर की कीमत की भविष्यवाणी: बेचे गए घरों और कीमतों का डेटा → मॉडल नए घर की कीमत बताता है
• चिकित्सा निदान: "स्वस्थ" / "रोग" लेबल वाले X-रे → मॉडल बीमारियाँ पहचानता है
• चेहरा पहचान: नामों से लेबल किए चित्र → मॉडल पहचानता है कि फ़ोटो में कौन है
• अनुवाद: लाखों अनुवादित वाक्य → मॉडल अनुवाद करना सीखता है

यह कैसे काम करता है:

• कंप्यूटर को बिना लेबल वाला डेटा मिलता है
• डेटा बिंदुओं के बीच समानता ढूँढता है
• समूह बनाता है या छिपी संरचना खोजता है

वास्तविक दुनिया के उदाहरण:

• ग्राहक विभाजन: सिस्टम खरीदारी व्यवहार का विश्लेषण करके समूह बनाता है (VIP, कभी-कभार, निष्क्रिय...)
• विसंगति (anomaly) पहचान: असामान्य क्रेडिट कार्ड लेनदेन ढूँढना
• डेटा संपीड़न (compression): जानकारी का अधिक कुशल प्रतिनिधित्व ढूँढना
• सिफ़ारिश इंजन: समान उत्पाद/उपयोगकर्ताओं को समूहित करना
• सोशल नेटवर्क विश्लेषण: समुदाय ढूँढना

यह कैसे काम करता है:

यह कुत्ते को प्रशिक्षित करने जैसा है:

• एजेंट: जो सीखता है (कुत्ता / सॉफ़्टवेयर)
• परिवेश (Environment): जिस दुनिया में वह काम करता है
• कार्रवाइयाँ: एजेंट क्या कर सकता है
• इनाम: कार्रवाइयों पर प्रतिक्रिया (+1 सफलता, -1 विफलता)

एजेंट धीरे-धीरे सीखता है कि कौन-सी कार्रवाइयाँ सबसे अधिक इनाम देती हैं।

वास्तविक दुनिया के उदाहरण:

• AlphaGo: Go (एक प्राचीन बोर्ड गेम) को विश्व-चैंपियन स्तर पर खेलना सीखा
• रोबोट: चलना, वस्तुएँ पकड़ना सीखना
• सेल्फ-ड्राइविंग: ड्राइविंग अनुभव से सीखना
• वीडियो गेम: मानव खिलाड़ियों को हराने वाला AI
• अनुकूलन (Optimization): डेटा सेंटर में बिजली प्रबंधन

यह कैसे काम करता है:

• न्यूरॉन: छोटी कंप्यूटिंग इकाइयाँ जो इनपुट लेती हैं और आउटपुट देती हैं
• परतें: न्यूरॉन परतों में व्यवस्थित होते हैं
• कनेक्शन: प्रत्येक न्यूरॉन अगली परत के न्यूरॉन से जुड़ा होता है
• वेट (Weights): प्रत्येक कनेक्शन का "वेट" होता है जो उसका प्रभाव तय करता है

सीखने के दौरान सिस्टम परिणाम सुधारने के लिए वेट समायोजित करता है।

उदाहरण—चेहरा पहचान:

• शुरुआती परतें: किनारे और बुनियादी वक्र पहचानती हैं
• मध्य परतें: आकार पहचानती हैं (आँखें, नाक, मुँह)
• गहरी परतें: पूरे चेहरे पहचानती हैं और बताती हैं कि व्यक्ति कौन है

हर अगली परत पहले से ज़्यादा अमूर्त (abstract) जानकारी पहचानना सीखती है।

CNN - Convolutional Neural Networks

चित्रों और वीडियो के लिए विशेष रूप से बने हैं। चेहरा पहचान, वस्तु पहचान और मेडिकल इमेज विश्लेषण में उपयोग होते हैं।

RNN / LSTM - Recurrent Neural Networks

क्रम में आने वाले डेटा (जैसे टेक्स्ट या समय के साथ बदलते आँकड़े) के लिए बने हैं। अनुवाद, भावना विश्लेषण (sentiment analysis) और पूर्वानुमान में उपयोग होते हैं।

Transformers

2017 में आया क्रांतिकारी आर्किटेक्चर (न्यूरल नेटवर्क की बनावट—बिजली वाला ट्रांसफ़ॉर्मर नहीं)। GPT, BERT और अधिकांश आधुनिक भाषा मॉडल इसी पर आधारित हैं। यह लंबे इनपुट को प्रोसेस कर सकता है और टेक्स्ट में दूर-दूर मौजूद शब्दों के बीच संबंध समझ सकता है।

🏥 चिकित्सा - कैंसर निदान

समस्या: डॉक्टर कभी-कभी स्कैन में छोटे ट्यूमर चूक जाते हैं

समाधान:

• लाखों लेबल किए स्कैन पर प्रशिक्षण
• मॉडल ट्यूमर पैटर्न पहचानना सीखता है
• डॉक्टर को "संदिग्ध क्षेत्र" दिखाता है

परिणाम: 95%+ पहचान दर, कभी-कभी विशेषज्ञ डॉक्टरों से बेहतर

🏦 बैंकिंग - धोखाधड़ी पहचान

समस्या: प्रति दिन लाखों लेनदेन, मैन्युअल जाँच संभव नहीं

समाधान:

• मॉडल सीखता है कि हर ग्राहक के लिए "सामान्य" क्या है
• विसंगतियाँ पहचानता है: असामान्य स्थान, राशि, खरीदारी पैटर्न
• अलर्ट भेजता है या लेनदेन रोकता है

परिणाम: हर साल अरबों डॉलर की बचत

🎵 Spotify - संगीत सिफ़ारिशें

समस्या: करोड़ों गाने—आपको क्या पसंद आएगा, कैसे ढूँढें?

समाधान (दृष्टिकोणों का संयोजन):

• Collaborative Filtering: "जिन्हें X पसंद आया उन्हें Y भी पसंद आया"
• Content-Based: संगीत विश्लेषण (ताल, वाद्य, शैली)
• NLP: गानों के बोल और विवरण का विश्लेषण
• Audio Analysis: ध्वनि का विश्लेषण

परिणाम: Discover Weekly—हर हफ़्ते आपको चौंकाने वाली पर्सनल प्लेलिस्ट

🚗 Tesla - सेल्फ-ड्राइविंग

समस्या: ड्राइविंग के लिए जटिल परिवेश को समझना और रियल-टाइम में प्रतिक्रिया देना ज़रूरी है

समाधान:

• कैमरे: कार के चारों ओर 8 कैमरे
• Computer Vision: कार, पैदल यात्री, संकेत, लेन पहचानना
• भविष्यवाणी: अन्य सड़क उपयोगकर्ताओं के व्यवहार की भविष्यवाणी
• पथ योजना: गाड़ी किस रास्ते पर चलानी है, यह तय करना
• Fleet learning: हर Tesla की हर ड्राइव से पूरा सिस्टम सीखता है

परिणाम: अरबों किलोमीटर ड्राइविंग डेटा

💬 ChatGPT - भाषा मॉडल

समस्या: कंप्यूटर के साथ स्वाभाविक बातचीत संभव बनाना

समाधान:

• Pre-training: इंटरनेट से खरबों शब्दों पर प्रशिक्षण
• कार्य: टेक्स्ट में अगले शब्द का अनुमान लगाना
• Fine-tuning: अच्छी बातचीत के उदाहरणों से मॉडल को और निखारना
• RLHF: इंसानों की प्रतिक्रिया (फ़ीडबैक) से प्रबलन सीखना

परिणाम: एक मॉडल जो लगभग किसी भी प्रश्न का प्राकृतिक भाषा में उत्तर दे सकता है

📊 1. डेटा - ईंधन

डेटा के बिना मशीन लर्निंग संभव नहीं। आपको चाहिए:

• मात्रा: आमतौर पर जितना ज़्यादा, उतना बेहतर (हज़ारों से अरबों तक)
• गुणवत्ता: साफ़, सटीक डेटा बिना त्रुटियों के
• विविधता: सभी संभावित मामलों का प्रतिनिधित्व करने वाला डेटा
• लेबलिंग: पर्यवेक्षित सीखने में—हर उदाहरण का सही उत्तर चिह्नित होना चाहिए

💻 2. कंप्यूटिंग शक्ति (Compute)

मॉडल को प्रशिक्षित करने के लिए बहुत ज़्यादा प्रोसेसिंग शक्ति चाहिए:

• GPU: ग्राफ़िक्स प्रोसेसर जो समानांतर गणना में माहिर
• TPU: ML के लिए Google के विशेष चिप
• Cloud: AWS, Google Cloud, Azure शक्तिशाली हार्डवेयर देते हैं

लागत: GPT-5 स्तर के मॉडल के प्रशिक्षण की अनुमानित लागत दसियों से सैकड़ों मिलियन डॉलर है।

🧮 3. एल्गोरिदम

गणितीय विधि जिससे कंप्यूटर सीखता है:

• आर्किटेक्चर चुनना (CNN, Transformer, आदि)
• उद्देश्य फ़ंक्शन यानी objective function (मॉडल किस चीज़ को बेहतर करने की कोशिश कर रहा है?)
• अनुकूलन (वेट कैसे अपडेट करें?)
• Hyperparameters—सीखने की सेटिंग्स (learning rate, batch size, आदि)

👨‍💻 4. विशेषज्ञता

ऐसे लोग चाहिए जो समझें:

• Data Scientists—डेटा विश्लेषण और मॉडल बनाना
• ML Engineers—सिस्टम लागू और तैनात करना
• Domain Experts—विशिष्ट क्षेत्र समझना

⏰ 5. समय

प्रशिक्षण में समय लगता है:

• छोटा मॉडल: मिनटों से घंटों
• मध्यम मॉडल: घंटों से दिनों
• बड़ा मॉडल (जैसे GPT-5): हफ़्तों से महीनों

🎯 ओवरफ़िटिंग (Overfitting)

जब मॉडल सामान्य पैटर्न सीखने के बजाय प्रशिक्षण डेटा (training data) को "रट" लेता है।

उदाहरण: एक छात्र जिसने अभ्यास परीक्षा के सारे उत्तर रट लिए—लेकिन असली परीक्षा में फेल हो गया।

समाधान: अधिक डेटा, regularization (मॉडल को ज़रूरत से ज़्यादा जटिल होने से रोकने की तकनीक), नए डेटा पर परीक्षण।

📉 अंडरफ़िटिंग (Underfitting)

जब मॉडल बहुत सरल होता है और पैटर्न सीख नहीं पाता।

समाधान: अधिक जटिल मॉडल, अधिक features (डेटा की विशेषताएँ), अधिक प्रशिक्षण।

🔄 Training / Validation / Test Sets

डेटा को तीन सेटों में बाँटें:

• Training (70%): मॉडल प्रशिक्षण के लिए
• Validation (15%): समायोजन और कैलिब्रेशन के लिए
• Test (15%): अंतिम मूल्यांकन के लिए—अंत तक छुएँ नहीं!

📊 Accuracy, Precision, Recall

मॉडल की गुणवत्ता मापने के पैमाने (मेट्रिक्स):

• Accuracy: कुल मिलाकर कितनी बार सही थे
• Precision: जब "हाँ" कहा—कितनी बार सही थे?
• Recall: सभी वास्तविक "हाँ" में से कितने मिले?

⚖️ पक्षपात (Bias)

जब मॉडल व्यवस्थित रूप से भेदभाव करता है। असंतुलित डेटा के कारण होता है।

उदाहरण: मौजूदा कर्मचारियों (ज़्यादातर पुरुष) पर प्रशिक्षित भर्ती मॉडल महिलाओं के खिलाफ भेदभाव करता है।