পাইথন ব্যবহার করে মেশিন লার্নিং এর ভূমিকা

এই প্রবন্ধে, আমরা পাইথন 3.x ব্যবহার করে মেশিন লার্নিং এর মূল বিষয়গুলি সম্পর্কে জানব। অথবা আগে।

প্রথমত, মেশিন লার্নিং এনভায়রনমেন্ট সেট আপ করতে আমাদের বিদ্যমান লাইব্রেরি ব্যবহার করতে হবে

>>> pip install numpy>>> pip install scipy>>> pip install matplotlib>>> pip install scikit-learn

মেশিন লার্নিং অভিজ্ঞতা এবং তথ্যের অধ্যয়নের সাথে সম্পর্কিত এবং প্রদত্ত উদ্দেশ্যের ভিত্তিতে ভবিষ্যদ্বাণী দেওয়া হয়। ডাটাবেস যত বড় হবে মেশিন লার্নিং মডেল তত ভালো।

মেশিন লার্নিং এর প্রবাহ

ডেটা পরিষ্কার করা
ডেটাসেট খাওয়ানো
মডেল প্রশিক্ষণ
ডেটাসেট পরীক্ষা করা হচ্ছে
মডেলটি বাস্তবায়ন করা হচ্ছে

পাইথন ব্যবহার করে মেশিন লার্নিং এর ভূমিকা

এখন শনাক্ত করা যাক কোন লাইব্রেরি কোন উদ্দেশ্যে ব্যবহৃত হয় -

নম্পি - এই ইনপুট অ্যারেগুলিতে কাজ করার জন্য গাণিতিক ফাংশনের বিস্তৃত সংগ্রহের সাথে বিশাল, বহুমাত্রিক তালিকা এবং ম্যাট্রিক্সের জন্য সমর্থন যোগ করে৷

SciPy - একটি বিনামূল্যের এবং ওপেন সোর্স পাইথন লাইব্রেরি যা বৈজ্ঞানিক/গাণিতিক কম্পিউটিং এর জন্য ব্যবহৃত হয়। এটিতে অ্যালগরিদমের অপ্টিমাইজেশন, ডেটা ইন্টিগ্রেশন, ইন্টারপোলেশন, কিছু বিশেষ ফাংশন এবং রৈখিক বীজগণিতের জন্য মডিউল রয়েছে

ম্যাটপ্লটলিব - চার্ট এবং পরিসংখ্যান গঠনের জন্য ব্যবহৃত একটি লাইব্রেরি। এটি ডেটা প্লট করার অনুমতি দেয় যাতে মডেলটিতে আরও ভাল অন্তর্দৃষ্টি লাভ করা যায়

স্কিট-লার্ন − এটিতে বিভিন্ন শ্রেণিবিন্যাস, ক্লাস্টারিং এবং রিগ্রেশন অ্যালগরিদম রয়েছে যাতে একটি সু-সংজ্ঞায়িত পদ্ধতিতে ডেটা বিতরণ এবং সংগঠিত হয়

এখন স্কিকিটের সাহায্যে একটি মৌলিক মেশিন লার্নিং মডেল তৈরি করা যাক - শিখুন। এখানে আমরা অন্তর্নির্মিত ডেটাসেটগুলি নেব, যেমন আইরিস এবং ডিজিট ডেটাসেটগুলি স্কি-কিট শিখতে উপলব্ধ৷

 sklearn import datasetsiris থেকে =datasets.load_iris()digits =datasets.load_digits()

এখন আমরা যে ডেটাসেটগুলি ব্যবহার করি সেগুলি থেকে ডেটা দেখতে

৷

প্রিন্ট(digits.data)

<পূর্ব>[[ 0. 0. 5. ... 0. 0. 0.][ 0. 0. 0. ... 10. 0. 0. [ 0. 0. 0. ... 16। 9. 0.]...[ 0. 0. 1. ... 6. 0. 0.][ 0. 0. 2. ... 12. 0. 0.][ 0. 0. 10। .. 12. 1. 0।]]

.target ফাংশন আমাদেরকে সেই জিনিসগুলি দেখতে দেয় যা আমরা আমাদের মডেল শিখতে চাই

digits.target

অ্যারে([0, 1, 2, ..., 8, 9, 8])

আমরা যে সংখ্যা ডেটাসেটগুলি ব্যবহার করি তার আকার অ্যাক্সেস করার জন্য

digits.images[0]

<প্রি>অ্যারে([[ 0., 0., 5., 13., 9., 1., 0., 0.], [ 0., 0., 13., 15., 10., 15। , 5., 0.], [ 0., 3., 15., 2., 0., 11., 8., 0.], [ 0., 4., 12., 0., 0., 8., 8., 0.], [ 0., 5., 8., 0., 0., 9., 8., 0.], [ 0., 4., 11., 0., 1 ., 12., 7., 0.], [ 0., 2., 14., 5., 10., 12., 0., 0.], [ 0., 0., 6., 13। , 10., 0., 0., 0.]])

এখন আসুন শিখন এবং ভবিষ্যদ্বাণী অংশে চলে যাই

 sklearn import svmclf =svm.SVC(gamma=0.001, C=100.) থেকে

এখানে SVC হল সমর্থন ভেক্টর শ্রেণীবিভাগ যা আমাদের মডেলের জন্য একটি অন্তর্নির্মিত অনুমানকারী হিসাবে কাজ করে

clf.fit(digits.data[:-1], digits.target[:-1])SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', ডিগ্রি =3, gamma=0.001,kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)

প্রথমে আমাদের ফিট পদ্ধতি ব্যবহার করে ডেটাসেট সহ মডেলটিকে ফিড করতে হবে যাতে আমাদের মডেল শিখতে পারে এখানে আমরা পরীক্ষার উদ্দেশ্যে ব্যবহার করা শেষ চিত্রটি ছাড়া সমস্ত চিত্রকে প্রশিক্ষণ ডেটা হিসাবে ফিড করি৷

এখন আমাদের মডেল প্রশিক্ষিত হওয়ায় আমরা .predict ফাংশন

ব্যবহার করে পরীক্ষার ডেটার আউটপুট অনুমান করতে পারি

clf.predict(digits.data[-1:])array([8])

এখন আমাদের মডেল প্রশিক্ষিত হওয়ায় আমরা আমাদের মডেলের কার্যকারিতা এবং সময়-চক্র গণনা করতে পারি

উপসংহার

এই প্রবন্ধে, আমরা মেশিন লার্নিং এর কিছু মৌলিক বিষয় এবং পাইথনে এটি বাস্তবায়নের জন্য ব্যবহৃত কিছু মৌলিক লাইব্রেরি সম্পর্কে শিখেছি।