Machine Learning

उपलब्ध स्रोत **मशीन लर्निंग (ML)**, विशेषकर **लीनियर रिग्रेशन**, की अवधारणा पर केंद्रित हैं। पहला स्रोत **लीनियर रिग्रेशन एल्गोरिथम** के व्यावहारिक कार्यान्वयन को दर्शाता है, जिसमें हाउस प्राइस प्रेडिक्शन के लिए **पायथन लाइब्रेरीज़** जैसे **नंपाई, पांडा, साइकिट-लर्न** का उपयोग शामिल है। इसमें **सुपरवाइज़्ड मशीन लर्निंग**, डेटा तैयारी, **फ़ीचर स्केलिंग**, मॉडल प्रशिक्षण और **भविष्यवाणियों का मूल्यांकन** जैसे प्रमुख चरणों को समझाया गया है। दूसरा स्रोत **Google for Developers** से है और **रेखीय प्रतिगमन** के सैद्धांतिक पहलुओं को रेखांकित करता है, जिसमें **फ़ीचर, लेबल, वज़न और पूर्वाग्रह** जैसे शब्द शामिल हैं, और यह भी बताया गया है कि मॉडल विभिन्न **फ़ीचरों** के साथ कैसे काम करता है। तीसरा स्रोत एक पॉडकास्ट को संदर्भित करता है जो **डॉ. चिन्मय पॉल** द्वारा मशीन लर्निंग पर केंद्रित है। अंत में, अंतिम स्रोत **मशीन लर्निंग एल्गोरिदम** के व्यापक अवलोकन के रूप में कार्य करता है, जिसमें **पर्यवेक्षित, अनपर्यवेक्षित और रीइन्फोर्समेंट लर्निंग** के प्रकारों की पहचान की जाती है, और **वास्तविक दुनिया के अनुप्रयोगों** पर प्रकाश डाला जाता है।

ML-EP-1: Linear Regression_लीनियर रिग्रेशन_ मशीन लर्निंग का आधार

प्रस्तुत पाठ **लॉजिस्टिक रिग्रेशन** नामक एक सांख्यिकीय पद्धति का विस्तृत विवरण प्रस्तुत करता है, जिसका उपयोग मुख्य रूप से बाइनरी वर्गीकरण समस्याओं के लिए किया जाता है। यह उन सिद्धांतों की व्याख्या करता है जिन पर यह आधारित है, जैसे कि **सिग्मॉइड फ़ंक्शन** का उपयोग करके संभावनाओं की गणना करना, और **निर्णय सीमा** एवं **लॉग-लॉस फ़ंक्शन** जैसे प्रमुख घटकों को स्पष्ट करता है। दस्तावेज़ में **बाइनरी**, **मल्टीनोमियल**, और **ऑर्डिनल लॉजिस्टिक रिग्रेशन** सहित विभिन्न प्रकारों पर चर्चा की गई है, साथ ही इसके अनुप्रयोगों, लाभों और सीमाओं को भी रेखांकित किया गया है। अंत में, यह **डॉ. चिन्मय पाल** के संभावित योगदान का भी उल्लेख करता है, हालांकि उनके विशिष्ट कार्यों का कोई स्पष्ट संदर्भ नहीं मिलता है।

ML-EP-2_ Logistic Regression_ लॉजिस्टिक रिग्रेशन_ एक व्यापक मार्गदर्शिका

एक पॉडकास्ट ट्रांसक्रिप्ट **ग्रेडिएंट बूस्टिंग मशीन (GBM)** नामक एक शक्तिशाली मशीन लर्निंग तकनीक का विस्तृत अवलोकन प्रस्तुत करता है, जिसे **डॉ. चिन्मय पाल** द्वारा प्रस्तुत किया गया है। यह स्रोत बताता है कि **GBM** कैसे काम करते हैं, **कमजोर शिक्षार्थियों को संयोजित** करके और **ग्रेडिएंट डिसेंट** का उपयोग करके **क्रमिक रूप से त्रुटियों को सुधारते** हुए। इसमें उनके **गणितीय आधार**, साथ ही उनके **लाभ और नुकसान** का भी उल्लेख किया गया है, जैसे कि उनकी **उच्च सटीकता** और **उच्च कम्प्यूटेशनल लागत**। अंत में, यह **व्यावहारिक अनुप्रयोगों** और **XGBoost** और **LightGBM** जैसी लोकप्रिय कार्यान्वयनों पर प्रकाश डालता है, और **डॉ. पाल के विशिष्ट लेख** को खोजने के लिए सुझाव प्रदान करता है।

ML-EP-3_Gradient Boosting Machines (GBMs)_ग्रेडिएंट बूस्टिंग मशीन_ एक गहन अवलोकन

यह स्रोत **डिसीजन ट्री** नामक एक पर्यवेक्षित मशीन लर्निंग एल्गोरिथम का विस्तृत विवरण प्रदान करता है, जिसका उपयोग वर्गीकरण और प्रतिगमन दोनों कार्यों के लिए किया जाता है। यह **डिसीजन ट्री** की संरचना, जैसे नोड्स, शाखाएं और पत्तियां, और यह कैसे काम करता है, इसकी व्याख्या करता है। स्रोत गणितीय ढांचे पर भी प्रकाश डालता है, जिसमें वर्गीकरण के लिए **गिनी अशुद्धता** और प्रतिगमन के लिए **माध्य वर्ग त्रुटि** (MSE) शामिल है, साथ ही यह भी बताता है कि **डिसीजन ट्री** **ग्रेडिएंट बूस्टिंग मशीनों** (GBMs) में कमजोर शिक्षार्थियों के रूप में कैसे कार्य करते हैं। इसके अतिरिक्त, यह **डिसीजन ट्री** के फायदे और नुकसान, उनके व्यावहारिक अनुप्रयोगों, विभिन्न संवर्द्धनों और वेरिएंट्स, और **पायथन** में उनके कार्यान्वयन को दर्शाता है। यह स्रोत डॉ. चिन्मय पाल द्वारा **डिसीजन ट्री** पर किसी विशिष्ट लेख को खोजने में असमर्थता को भी स्वीकार करता है, जबकि उनसे संबंधित **जीबीएम** लेखों का उल्लेख करता है।

ML-EP-4_ Overview of Decision Trees_ निर्णय वृक्ष_ एक विस्तृत अवलोकन

यह लेख **रैंडम फ़ॉरेस्ट** नामक एक **पर्यवेक्षित मशीन लर्निंग एल्गोरिथम** का विस्तृत विवरण प्रस्तुत करता है। यह लियो ब्रेमन द्वारा 2001 में प्रस्तुत की गई एक **समूह विधि** है जो भविष्यवाणी की सटीकता और मजबूती में सुधार के लिए **एकाधिक निर्णय वृक्षों को जोड़ती** है। लेख में बताया गया है कि यह एल्गोरिथम **बैगिंग और फ़ीचर रैंडमनेस** का लाभ कैसे उठाता है, इसकी **गणितीय रूपरेखा** क्या है, और यह **ग्रेडिएंट बूस्टिंग मशीनों (GBMs)** से कैसे भिन्न है। इसमें **रैंडम फ़ॉरेस्ट के फायदे और नुकसान**, इसके **व्यावहारिक अनुप्रयोग**, और **हाइपरपैरामीटर ट्यूनिंग** के तरीके भी शामिल हैं, साथ ही **स्किकिट-लर्न** का उपयोग करके **कोड कार्यान्वयन** का एक उदाहरण भी दिया गया है।

ML-EP-5_ Overview of Random Forests_ रैंडम फ़ॉरेस्ट_ एक सिंहावलोकन

यह स्रोत **मशीन लर्निंग में XGBoost के व्यापक अवलोकन** पर केंद्रित है, जिसे डॉ. चिन्मय पाल ने लिखा है। इसमें XGBoost की **सैद्धांतिक नींव**, जिसमें इसका उद्देश्य फ़ंक्शन और अनुकूलन तकनीकें शामिल हैं, और इसकी **मुख्य विशेषताओं**, जैसे नियमितीकरण और समानांतरकरण पर चर्चा की गई है। स्रोत **XGBoost के अनुप्रयोगों** को भी बताता है, जिसमें वित्त और स्वास्थ्य सेवा जैसे विभिन्न क्षेत्रों में इसके उपयोग को दर्शाया गया है। इसके अतिरिक्त, यह **XGBoost के फायदे और नुकसान** का विश्लेषण करता है, और इसे **अन्य मशीन लर्निंग एल्गोरिदम** जैसे KNN, Naive Bayes, और Random Forests के साथ तुलना करता है। अंत में, यह **व्यावहारिक कार्यान्वयन उदाहरण** और **डॉ. चिन्मय पाल के संबंधित साहित्य** को खोजने के लिए रणनीतियों को भी शामिल करता है।

ML-EP-9_मशीन लर्निंग में XGBoost का गहन अवलोकन

Chinmoy Pal