प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

एआइ लर्निंग गाइड मशीन लर्निंग - के-अर्थात् क्लस्टरिंग मॉडल प्रशिक्षणं भविष्यवाणी च

अद्यत्वे विश्वस्य उष्णतमविषयेषु कृत्रिमबुद्धिः (AI) एकः विषयः अस्ति, अस्माकं जीवनस्य कार्यस्य च मार्गं परिवर्तयति । एआइ इत्यस्य महत्त्वपूर्णशाखारूपेण यन्त्रशिक्षणेन विभिन्नक्षेत्रेषु महती क्षमता मूल्यं च दर्शितम् अस्ति । यन्त्रशिक्षणे क्लस्टरिंग् एकः महत्त्वपूर्णः एल्गोरिदम् अस्ति, तथा च के-मीन्स क्लस्टरिंग् इति शास्त्रीयविधिषु अन्यतमम् अस्ति । अस्मिन् ब्लोग् मध्ये वयं K-means clustering model इत्यस्य प्रशिक्षणप्रक्रियायाः भविष्यवाणीप्रक्रियायाः च विस्तरेण परिचयं करिष्यामः, तथा च K-means clustering इत्यस्य उपयोगः कथं करणीयः इति दर्शयितुं उदाहरणानि प्रदास्यामः यत् आँकडासु क्लस्टरविश्लेषणं कर्तुं शक्यते।

के-अर्थात् समूहीकरणप्रतिरूपम्

K-means clustering इति एकः अनिरीक्षितः शिक्षण-अल्गोरिदम् अस्ति यः आँकडा-समूहे नमूनानां K-समूहेषु विभजति यत् एकस्मिन् समूहे नमूनानां मध्ये दूरं यथासम्भवं लघु भवति तथा च भिन्न-भिन्न-समूहानां मध्ये दूरं यथासम्भवं बृहत् भवति K-means clustering इत्यस्मिन् प्रत्येकं समूहं केन्द्रबिन्दुना प्रतिनिधित्वं भवति, तथा च समूहे नमूनानां केन्द्रबिन्दुस्य च मध्ये न्यूनतमं दूरं न्यूनीकृत्य समूहीकरणं पुनरावर्तनीयरूपेण क्रियते

K-means clustering इत्यस्य प्रक्रियां मोटेन निम्नलिखितपदेषु विभक्तुं शक्यते ।

1. K प्रारम्भिककेन्द्रबिन्दून् चयनं कुर्वन्तु
2. प्रत्येकं नमूना समीपस्थकेन्द्रबिन्दुयुक्ते समूहे नियुक्तं कुर्वन्तु
3. प्रत्येकस्य समूहस्य केन्द्रकं अद्यतनं कुर्वन्तु
4. यावत् क्लस्टर्-आवंटनं न परिवर्तते अथवा पुनरावृत्तीनां संख्यायाः उच्चसीमा न प्राप्यते तावत् यावत् चरणं 2 तथा 3 पुनः कुर्वन्तु ।

K-means clustering model इत्यस्य पूर्वानुमानप्रक्रिया समीपस्थकेन्द्रयुक्तेन समूहाय नूतनानां नमूनानां नियुक्तिः भवति ।

के-अर्थात् समूहीकरणप्रतिरूपस्य प्रशिक्षणप्रक्रिया

अस्मिन् भागे वयं K-means clustering model इत्यस्य प्रशिक्षणप्रक्रियायाः विस्तरेण परिचयं करिष्यामः । व्याख्यानस्य सुगमतायै वयं प्रदर्शनार्थं Python इत्यस्य scikit-learn पुस्तकालयस्य उपयोगं करिष्यामः ।

प्रथमं अस्माभिः प्रासंगिकपुस्तकालयाः आयातव्याः : १.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
1
2
3
4

तदनन्तरं वयं प्रदर्शयितुं केचन अनुकरणीयदत्तांशः जनयामः :

X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
1

ततः वयं दत्तांशस्य प्रशिक्षणार्थं K-means clustering model इत्यस्य उपयोगं कर्तुं शक्नुमः:

kmeans = KMeans(n_clusters=4)
kmeans.fit(X)
1
2

अन्ते वयं प्रशिक्षणपरिणामानां कल्पनां कर्तुं शक्नुमः, तथैव समूहानां केन्द्रबिन्दुनाम् अपि :

plt.scatter(X[:, 0], X[:, 1], s=50, c="lightblue", marker="o", edgecolor="black")
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=250, marker="*", c="red", edgecolor="black")
plt.show()
1
2
3

उपर्युक्तपदार्थानाम् माध्यमेन वयं K-means clustering model इत्यस्य प्रशिक्षणप्रक्रियाम् सम्पन्नवन्तः, प्रशिक्षणपरिणामानां दृश्यप्रतिबिम्बं अपि प्राप्तवन्तः।

के-अर्थात् समूहीकरणप्रतिरूपस्य पूर्वानुमानप्रक्रिया

तदनन्तरं K-means clustering model इत्यस्य prediction process इत्यस्य परिचयं कुर्मः । K-means clustering model इत्यस्मिन् पूर्वानुमानप्रक्रिया समीपस्थकेन्द्रयुक्तेन समूहाय नूतनानां नमूनानां नियुक्तिः भवति ।

प्रथमं वयं नूतनानां नमूनानां पूर्वानुमानार्थं प्रशिक्षितस्य K-means clustering model इत्यस्य उपयोगं कर्तुं शक्नुमः:

new_samples = np.array([[0, 0], [4, 4]])
predicted_labels = kmeans.predict(new_samples)
print(predicted_labels)
1
2
3

उपरिष्टाद् कोड् मध्ये वयं द्वौ नूतनौ नमूनानि रचयामः[0, 0]तथा[4, 4], प्रयोगं चpredict विधिः तस्य पूर्वानुमानं कर्तुं । अन्ते नूतननमूनानां कृते पूर्वानुमानितक्लस्टरलेबल् प्राप्नुमः ।

उदाहरण

K-means clustering model इत्यस्य प्रशिक्षणं भविष्यवाणीं च अधिकतया सहजतया अवगन्तुं वयं तस्य चित्रणं विशिष्टेन उदाहरणेन करिष्यामः ।

मानातु अस्माकं कृते त्रीणि विशेषतानि युक्तः दत्तांशसमूहः अस्तिX , वयं तत् ३ समूहेषु विभक्तुं इच्छामः । प्रथमं वयं K-means clustering model इत्यस्य उपयोगेन दत्तांशं प्रशिक्षितुं शक्नुमः:

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
1
2

तदनन्तरं वयं प्रशिक्षितं प्रतिरूपं नूतननमूनानां कृते प्रयोजयामः :

new_samples = np.array([[1, 1, 1], [2, 2, 2]])
predicted_labels = kmeans.predict(new_samples)
print(predicted_labels)
1
2
3

उपर्युक्त उदाहरणानां माध्यमेन वयं K-means clustering model इत्यस्य प्रशिक्षणं भविष्यवाणीं च स्पष्टतया द्रष्टुं शक्नुमः ।

सारांशं कुरुत

अस्य ब्लोगस्य परिचयस्य माध्यमेन अस्माकं K-means clustering model इत्यस्य प्रशिक्षणप्रक्रियायाः भविष्यवाणीप्रक्रियायाः च विस्तृता अवगतिः अस्ति, तथा च K-means clustering कर्तुं Python इत्यस्य scikit-learn पुस्तकालयस्य उपयोगः कथं करणीयः इति उदाहरणानां माध्यमेन प्रदर्शयामः। के-मीन्स क्लस्टरिंग् इति सरलं कुशलं च क्लस्टरिंग् एल्गोरिदम् अस्ति यत् विभिन्नक्षेत्रेषु प्रयोक्तुं शक्यते, यत्र आँकडाविश्लेषणं, चित्रसंसाधनम् इत्यादयः सन्ति । आशासे यत् एषः ब्लोग् भवद्भ्यः यन्त्रशिक्षणं कृत्रिमबुद्धिः च ज्ञातुं साहाय्यं करिष्यति!