10.2 কৃত্ৰিম ইণ্টেলজেনচ আৰু মেকজিন লাৰ্ণিং
Another popular topic of today’ s era is artificial intelligence (AI) and machine learning. Let us discuss these terms whether a machine can learn from its own or it has a problem solving ability machine. This includes whether a machine can learn from own or it has a problem solving ability or not.
আজিৰ যুগৰ আন এটা জনপ্ৰিয় বিষয় হৈছে কৃত্ৰিম বুদ্ধিমত্তা (এআই) আৰু যন্ত্ৰ শিক্ষণ। যন্ত্ৰ এটাই নিজৰ পৰা শিকিব পাৰে নে ইয়াৰ সামৰ্থ্য সমাধানৰ যন্ত্ৰ এটা আছে এই চৰ্তাৱলীবোৰ আলোচনা কৰোঁ আহক। ইয়াত অন্তৰ্ভুক্ত থাকে যন্ত্ৰ এটাই নিজৰ পৰা শিকিব পাৰে নে ইয়াৰ সমাধানৰ ক্ষমতাত সমস্যা আছে নে নাই।
Leading textbooks define Al as the field of study of a device that perceiving its environment and takes actions that maximize its chance of successfully achieving its goals. The field of study was founded in 1955 but it did not receive much attention.
আগশাৰীৰ পাঠ্যপুথিবোৰে আলক এটা সঁজুলিৰ অধ্যয়নৰ ক্ষেত্ৰ হিচাপে সংজ্ঞায়িত কৰে যি ইয়াৰ পৰিৱেশ অনুভৱ কৰে আৰু এনে পদক্ষেপ লয় যি ইয়াৰ লক্ষ্যবোৰ সফলতাৰে প্ৰাপ্ত কৰাৰ সম্ভাৱনা সৰ্বাধিক কৰে। অধ্যয়নৰ ক্ষেত্ৰখন ১৯৫৫ চনত প্ৰতিষ্ঠা কৰা হৈছিল কিন্তু ই বিশেষ মনোযোগ লাভ কৰা নাছিল।
After AlphaGo (it is a computer program that plays the board game G0) successfully defeated a professional Go player in 2015, artificial intelligence has gained the attention of the research com-munity. AI consists of many sub-field of study and machine learning is one of them.
আলফাগো (ই হৈছে এক কম্পিউটাৰ প্ৰ’গ্ৰাম যি য়ে বোৰ্ড গেম জি0 খেলে) 2015 চনত এজন পেছাদাৰী গো খেলুৱৈক সফলতাৰে পৰাজিত কৰাৰ পিছত, কৃত্ৰিম বুদ্ধিমত্তাই গৱেষণা কম-মিউনিটিৰ দৃষ্টি আকৰ্ষণ কৰিছে। এ.আই.-ত অধ্যয়নৰ বহুতো উপ-ক্ষেত্ৰ থাকে আৰু যন্ত্ৰ শিক্ষণ সেইবোৰৰ ভিতৰত এটা।
In simple terms machine learning (ML) means a technique where a machine can learn from its experience. Here machine imlicitly means a computer. Machine learning algorithms are based on some models and the model is to be trained first using a large dataset its actual use.
সৰল ভাষাত মেচিন লাৰ্ণিং (এমএল)ৰ অৰ্থ হৈছে এক কৌশল য’ত যন্ত্ৰ এটাই ইয়াৰ অভিজ্ঞতাৰ পৰা শিকিব পাৰে। ইয়াত যন্ত্ৰৰ অৰ্থ হৈছে কম্পিউটাৰ। মেচিন লাৰ্ণিং এলগৰিথমবোৰ কিছুমান মডেলৰ ওপৰত আধাৰিত আৰু মডেলটোপ্ৰথমে এটা ডাঙৰ ডাটাছেট ব্যৱহাৰ কৰি ইয়াৰ প্ৰকৃত ব্যৱহাৰ ব্যৱহাৰ কৰি প্ৰশিক্ষণ দিব লাগিব।
Suppose we want to build a handwriting recognition system. Now one person may write a letter very differently from another. But the machine should be able to correctly identify that. To do so we should first feed the system with many sample writings with the correct answers.
ধৰি লওক আমি এটা হস্তাক্ষৰ চিনাক্তকৰণ প্ৰণালী নিৰ্মাণ কৰিব বিচাৰো। এতিয়া এজন ব্যক্তিয়ে আন এজনতকৈ বহুত বেলেগধৰণে এখন চিঠি লিখিব পাৰে। কিন্তু যন্ত্ৰটোৱে সেইটো সঠিকভাৱে চিনাক্ত কৰিবলৈ সক্ষম হ’ব লাগে। এনে কৰিবলৈ আমি প্ৰথমে সঠিক উত্তৰৰ সৈতে বহুতো নমুনা লিখনিৰ সৈতে প্ৰণালীটো কঢ়িয়াই অনা উচিত।
The model will go through it and learn. Learning essentially means to extract to extract some features (or characteristics) from the dataset so that it can correctly take decision depending on the values of these features. The training is a computationally expensive task and requires a huge amount of time.
মডেলটোৱে ইয়াৰ মাজেৰে যাব আৰু শিকিব। শিকাৰ অৰ্থ হৈছে ডাটাছেটৰ পৰা কিছুমান বিশেষত্ব (বা বৈশিষ্ট) আহৰণ কৰা যাতে ই এই সুবিধাবোৰৰ মূল্যৰ ওপৰত নিৰ্ভৰ কৰি সঠিকভাৱে সিদ্ধান্ত ল’ব পাৰে। প্ৰশিক্ষণটো এটা গণনামূলকভাৱে ব্যয়বহুল কাম আৰু ইয়াৰ বাবে বৃহৎ পৰিমাণৰ সময়ৰ প্ৰয়োজন।
One special class of ML is deep learning (DL) that is based on an artificial neural network (ANN) and used multiple layers to extract higher-level features from the input. An ANN is based on a huge amount of time. An ANN is based on a collection of conneted units or nodes called artificial neurons, which loosely model the neurons in an animal brain.
এমএল-ৰ এটা বিশেষ শ্ৰেণী হৈছে গভীৰ শিক্ষণ (ডিএল) যি কৃত্ৰিম নিউৰাল নেটৱৰ্কৰ (এএনএন) ওপৰত আধাৰিত আৰু ইনপুটৰ পৰা উচ্চ-স্তৰৰ সুবিধাবোৰ আহৰণ কৰিবলৈ একাধিক স্তৰ ব্যৱহাৰ কৰে। এএন এন বৃহৎ পৰিমাণৰ সময়ৰ ওপৰত আধাৰিত। এ.এন.এন. কৃত্ৰিম নিউৰন নামৰ কনেটেড একক বা নোডৰ সংগ্ৰহৰ ওপৰত আধাৰিত, যি প্ৰাণীৰ মগজুত নিউৰনবোৰ ঢিলাকৈ আৰ্হি প্ৰস্তুত কৰে।
Each connection, like the synapsed in a biological brain can transmit a signal to other neurons. An artificial neuron that receives a signal then processes it and can signal neurons connected to it. The signal in case of an ANN is a real number, and the output of each neuron is computed by some non-linear function of its inputs. Figure 10.3 shows an ANN with one hidden layer.
প্ৰতিটো সংযোগ, যেনে জৈৱিক মগজুত চিনেপচ কৰা, আন নিউৰনলৈ সংকেত প্ৰেৰণ কৰিব পাৰে। এটা আৰ্টিফিকেল নিউৰন যি সংকেত প্ৰাপ্ত কৰে তাৰ পিছত ইয়াক প্ৰক্ৰিয়া কৰে আৰু ইয়াৰ সৈতে সংযোজিত নিউৰনবোৰক সংকেত দিব পাৰে। এএন-ৰ ক্ষেত্ৰত সংকেত হৈছে এক প্ৰকৃত সংখ্যা, আৰু প্ৰতিটো নিউৰনৰ আউটপুট ইয়াৰ ইনপুটৰ কিছুমান অ-ৰৈখিক কাৰ্যৰ দ্বাৰা গণনা কৰা হয়। চিত্ৰ 10.3-ত এটা লুকুৱা স্তৰৰ সৈতে এএন দেখুওৱা হৈছে।
A paradigm of ML where we do not have any labelled training data (labelled data means data having output)and the machine completely learns from the environment is known as reinforcement learning (RL). Upon taking a decision, the cumulative reward. Because of the availability of high performance computers, these learning based techniques are being used almost in every field including opertions reserch, game theory information theory control theory simulation-based optimization, product recommendation, self-driving cars, language translators and others.
এম.এল.-ৰ এক দৃষ্টান্ত য’ত আমাৰ ওচৰত কোনো লেবেল যুক্ত প্ৰশিক্ষণ ডাটা নাই (লেবেল যুক্ত ডাটা মানে ডাটা আউটপুট থকা)আৰু যন্ত্ৰটোৱে পৰিৱেশৰ পৰা সম্পূৰ্ণৰূপে শিকে যাক ৰিইনফৰ্চমেণ্ট লাৰ্ণিং (আৰ.এল.) বুলি কোৱা হয়। সিদ্ধান্ত লোৱাৰ পিছত, একত্ৰিত পুৰষ্কাৰ। উচ্চ প্ৰদৰ্শন কম্পিউটাৰ উপলব্ধ হোৱাৰ বাবে, এই শিক্ষণ আধাৰিত কৌশলবোৰ প্ৰায় প্ৰতিটো ক্ষেত্ৰতে ব্যৱহাৰ কৰা হৈছে যাৰ ভিতৰত আছে অপাৰেচন ৰেচাৰ্চ, গেম থিয়ৰী তথ্য তত্ত্ব নিয়ন্ত্ৰণ তত্ত্ব অনুকৰণ-আধাৰিত অনুকূলন-আধাৰিত অনুকূলন, সামগ্ৰীৰ পৰামৰ্শ, স্ব-চালিত গাড়ী, ভাষা অনুবাদক আৰু অন্যান্য।