मॉड्यूल 1A · The Big Picture — पूरा खाका

5 मिनट में Machine Learning

आसान शब्दों में

machine learning है data से prediction। आप computer को हज़ारों examples दिखाते हैं, और वह ऐसे examples के लिए answer predict करना सीख जाता है जो उसने कभी देखे नहीं। email spam filters, photo tagging, weather forecasts, product recommendations — यह सब एक ही idea के अलग-अलग कपड़े हैं।

गणितीय रूप से ML 2 चीज़ों का जोड़ है: function approximation plus optimization। कोई unknown true function होता है — "यह email देखते हुए, spam है या नहीं?" — और आप एक flexible model चुनते हैं (support vector machine, neural network) जिसमें parameters नाम के knobs होते हैं। फिर आप knobs को तब तक घुमाते हैं जब तक model के answers training data से match न करने लगें। हर datapoint एक example है जिससे model सीखता है।

field problems को families में बाँटती है। Classification: answer एक छोटे fixed menu से आता है — क्या यह picture में बिल्ली है या नहीं, क्या यह email spam है या नहीं? Regression: answer एक number होता है जो कुछ भी हो सकता है — कल का temperature, अगले quarter की sales growth। दोनों supervised learning हैं: आप ऐसे examples पर train करते हैं जिनमें सही answers पहले से होते हैं।

Clustering: categories आपको पहले से कोई नहीं बताता — आप machine को data का ढेर देते हैं और कहते हैं similar items को group कर दो, जैसे customers को buying habits से sort करना, बिना predefined labels के। Recommendation systems: predict करना कि आप आगे क्या देखेंगे या खरीदेंगे — human taste effectively limitless है, इसलिए "menu" कभी fixed नहीं होता। Dimensionality reduction: हज़ारों features वाले data को कुछ essential features तक squeeze करना — जो मायने रखता है वह रखना, noise हटाना — जैसे photo को compress करना बिना चेहरा खोए। ये unsupervised learning हैं: machine बिना labels वाले data में structure खोजती है।

आम ग़लतफ़हमी: "machine learning" का मतलब है computer समझता है। नहीं — यह data पर एक flexible function fit करता है और उम्मीद करता है कि fit generalize करेगा। 4 families, 1 engine: function approximate करो, fit optimize करो। अगले lesson की हर चीज़ इसी vocabulary पर बनी है।

गहरे उतरें — गणित और सटीकता

"Function approximation plus optimization" को खोलना चाहिए। आप एक model family चुनते हैं — मान लीजिए neural network — जो असल में एक parameterized function है \(f(x; \theta)\), जहाँ \(x\) input है और \(\theta\) सारे knobs को इकट्ठा करता है। आप एक loss function \(L(\theta)\) define करते हैं जो मापता है कि model training data पर कितना खराब करता है — जैसे predictions और true answers के बीच average squared error। Optimization उस \(\theta\) की खोज है जो \(L\) को minimize करे। Training वही खोज है।

supervised बनाम unsupervised labels की बात है। supervised learning में हर training example एक pair \((x, y)\) होता है: input plus सही answer, और loss prediction को answer से compare करता है। unsupervised learning में आपको सिर्फ \(x\)'s मिलते हैं — कोई answers नहीं — इसलिए loss को कुछ intrinsic मापना पड़ता है, जैसे हर cluster कितना tightly जुड़ा है या compressed representation original को कितनी faithfully reconstruct करता है। कोई labels नहीं, कोई answer key नहीं: machine अपना homework खुद grade करती है।

एक subtlety जो course के quantum half में साथ ले जानी चाहिए: ML models उतने ही अच्छे होते हैं जितनी उनकी assumptions। जो model training data पर perfectly fit हो लेकिन नए data पर fail करे, वह overfitting है — उसने सीखने के बजाय रट लिया। पूरा game generalization है: ऐसे data पर अच्छा perform करना जो model ने कभी देखा नहीं। machine learning में हर quantum speedup claim को इसी standard पर judge किया जाएगा — अगले lesson की cautionary tale समेत।

(आगे: quantum machine learning कहाँ fit होता है — और उसके 4 flavors।)

मुख्य बातें

machine learning है data से prediction — गणितीय रूप से, function approximation plus optimization।
model एक parameterized function होता है; parameters को training data पर loss function minimize करने के लिए tune किया जाता है।
classification और regression supervised learning हैं: training examples में सही answers होते हैं।
clustering, recommendation और dimensionality reduction unsupervised हैं: machine बिना labels के structure खोजती है।
असली goal generalization है — overfitting का मतलब है सीखने के बजाय training data को रट लेना।

अपनी समझ परखें

Q1.गणितीय रूप से 'model को train करना' का क्या मतलब है?

Q2.पिछले मौसम से कल के temperature को predict करना किसका example है…

Q3.clustering को 'unsupervised' क्या बनाता है?

सुझाव: पेज बदलने के लिए ← / → दबाएँ।