16:44
Instance-Based Vs Model-Based Learning | Types of Machine Learning
CampusX
Overview
यह वीडियो मशीन लर्निंग के दो मुख्य प्रकारों, इंस्टैंस-बेस्ड लर्निंग (Instance-Based Learning) और मॉडल-बेस्ड लर्निंग (Model-Based Learning) के बीच अंतर को समझाता है। यह बताता है कि कैसे मशीन लर्निंग मॉडल डेटा से सीखते हैं, या तो डेटा को सीधे याद करके (इंस्टैंस-बेस्ड) या डेटा के पीछे के अंतर्निहित पैटर्न और सिद्धांतों को समझकर (मॉडल-बेस्ड)। वीडियो दोनों दृष्टिकोणों के फायदे, नुकसान और उपयोग के मामलों पर प्रकाश डालता है, और यह पहचानने के महत्व पर जोर देता है कि एक नया एल्गोरिथम किस श्रेणी में आता है।
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- मशीन लर्निंग मॉडल दो मुख्य तरीकों से सीखते हैं: डेटा को याद करके (मेमोराइजिंग) या डेटा के पीछे के सिद्धांत को समझकर (जनरलाइजिंग)।
- यह इंसानों के सीखने के तरीकों के समान है, जहां कुछ लोग चीजों को रट लेते हैं और कुछ लोग कॉन्सेप्ट को समझते हैं।
- इंस्टैंस-बेस्ड लर्निंग डेटा को सीधे याद रखने पर केंद्रित है।
- मॉडल-बेस्ड लर्निंग डेटा के अंतर्निहित पैटर्न या सिद्धांत को निकालने पर केंद्रित है।
यह समझना कि मॉडल कैसे सीखते हैं, यह जानने के लिए महत्वपूर्ण है कि वे भविष्य में विभिन्न एल्गोरिदम के साथ कैसे काम करेंगे और उन्हें कैसे वर्गीकृत किया जाएगा।
कॉलेज में, कुछ छात्र परीक्षा के लिए जानकारी को रट लेते हैं (इंस्टैंस-बेस्ड), जबकि अन्य विषय के पीछे के कॉन्सेप्ट को समझने की कोशिश करते हैं (मॉडल-बेस्ड)।
- इस प्रकार की लर्निंग में, मॉडल ट्रेनिंग डेटा को सीधे स्टोर करता है और नए डेटा पॉइंट के बारे में भविष्यवाणी करने के लिए उसका उपयोग करता है।
- भविष्यवाणी करने के लिए, यह नए डेटा पॉइंट की तुलना ट्रेनिंग डेटा में मौजूद पॉइंट्स से करता है और सबसे समान (निकटतम) पॉइंट्स के आधार पर निर्णय लेता है।
- इसमें कोई स्पष्ट 'मॉडल' नहीं बनता है; लर्निंग तब होती है जब एक नया पॉइंट आता है और उसकी तुलना मौजूदा डेटा से की जाती है।
- उदाहरण के लिए, K-Nearest Neighbors (KNN) एल्गोरिथम इस दृष्टिकोण का उपयोग करता है।
इंस्टैंस-बेस्ड लर्निंग नए डेटा पॉइंट्स को तुरंत प्रोसेस करने के लिए उपयोगी है, लेकिन इसके लिए पूरे ट्रेनिंग डेटासेट को स्टोर करने की आवश्यकता होती है।
एक छात्र के प्लेसमेंट की भविष्यवाणी करने के लिए, इंस्टैंस-बेस्ड मॉडल उस छात्र के आईक्यू और सीजीपीए की तुलना पिछले छात्रों के डेटा से करेगा और उन छात्रों के प्लेसमेंट के आधार पर भविष्यवाणी करेगा जो उसके सबसे करीब हैं।
- मॉडल-बेस्ड लर्निंग में, एल्गोरिथम ट्रेनिंग डेटा का विश्लेषण करके एक 'मॉडल' बनाता है।
- यह मॉडल डेटा के अंतर्निहित पैटर्न को दर्शाता है, अक्सर एक गणितीय फ़ंक्शन या निर्णय सीमा (decision boundary) के रूप में।
- नए डेटा पॉइंट्स की भविष्यवाणी करने के लिए, मॉडल इस सीखे हुए मॉडल का उपयोग करता है, न कि सीधे ट्रेनिंग डेटा का।
- एक बार मॉडल बन जाने के बाद, भविष्यवाणी के लिए मूल ट्रेनिंग डेटा की आवश्यकता नहीं होती है।
मॉडल-बेस्ड लर्निंग भविष्यवाणियों के लिए कम स्टोरेज की आवश्यकता होती है और यह डेटा के पीछे के सामान्य नियमों को समझने में मदद करता है।
एक मॉडल-बेस्ड एल्गोरिथम छात्र के आईक्यू और सीजीपीए के बीच एक निर्णय सीमा (जैसे एक रेखा) सीख सकता है। जब एक नया छात्र आता है, तो मॉडल बस यह देखता है कि वह छात्र उस रेखा के किस तरफ आता है और भविष्यवाणी करता है कि उसका प्लेसमेंट होगा या नहीं।
- मॉडल-बेस्ड लर्निंग में एक मॉडल (जैसे पैरामीटर्स या फ़ंक्शन) बनता है, जबकि इंस्टैंस-बेस्ड लर्निंग में कोई स्पष्ट मॉडल नहीं बनता है; डेटा ही मॉडल होता है।
- मॉडल-बेस्ड लर्निंग भविष्यवाणी के लिए सीखे हुए नियमों का उपयोग करता है, जबकि इंस्टैंस-बेस्ड लर्निंग भविष्यवाणी के लिए सीधे ट्रेनिंग डेटा का उपयोग करता है।
- मॉडल-बेस्ड लर्निंग में ट्रेनिंग डेटा को हटाने पर भी मॉडल काम करता रहता है, जबकि इंस्टैंस-बेस्ड लर्निंग के लिए हमेशा ट्रेनिंग डेटा की आवश्यकता होती है।
- इंस्टैंस-बेस्ड लर्निंग को अधिक स्टोरेज की आवश्यकता होती है क्योंकि उसे पूरा ट्रेनिंग डेटा रखना पड़ता है, जबकि मॉडल-बेस्ड लर्निंग को कम स्टोरेज की आवश्यकता होती है।
इन अंतरों को समझने से आपको यह तय करने में मदद मिलती है कि किसी विशेष समस्या के लिए कौन सा दृष्टिकोण अधिक उपयुक्त हो सकता है, खासकर स्टोरेज और कम्प्यूटेशनल संसाधनों के आधार पर।
यदि आपके पास बहुत बड़ा ट्रेनिंग डेटासेट है और सीमित मेमोरी है, तो मॉडल-बेस्ड लर्निंग बेहतर हो सकती है क्योंकि यह केवल सीखे हुए मॉडल को स्टोर करती है, न कि पूरे डेटा को।
Key takeaways
- मशीन लर्निंग मॉडल डेटा से दो मुख्य तरीकों से सीखते हैं: डेटा को याद करके (इंस्टैंस-बेस्ड) या डेटा के पैटर्न को समझकर (मॉडल-बेस्ड)।
- इंस्टैंस-बेस्ड लर्निंग में, नए डेटा की तुलना सीधे ट्रेनिंग डेटा से की जाती है, जैसे K-Nearest Neighbors (KNN)।
- मॉडल-बेस्ड लर्निंग में, डेटा से एक सामान्य मॉडल (जैसे एक फ़ंक्शन या निर्णय सीमा) सीखा जाता है, जिसका उपयोग भविष्यवाणियों के लिए किया जाता है।
- मॉडल-बेस्ड लर्निंग में, एक बार मॉडल बन जाने के बाद, भविष्यवाणी के लिए मूल ट्रेनिंग डेटा की आवश्यकता नहीं होती है।
- इंस्टैंस-बेस्ड लर्निंग को अधिक स्टोरेज की आवश्यकता होती है क्योंकि उसे पूरा ट्रेनिंग डेटा रखना पड़ता है।
- मॉडल-बेस्ड लर्निंग को कम स्टोरेज की आवश्यकता होती है क्योंकि वह केवल सीखे हुए मॉडल को स्टोर करता है।
- यह पहचानना महत्वपूर्ण है कि एक नया मशीन लर्निंग एल्गोरिथम इंस्टैंस-बेस्ड है या मॉडल-बेस्ड।
Key terms
Instance-Based LearningModel-Based LearningMemorizingGeneralizingTraining DataPredictionK-Nearest Neighbors (KNN)Decision BoundaryModel Parameters
Test your understanding
- इंस्टैंस-बेस्ड लर्निंग और मॉडल-बेस्ड लर्निंग के बीच मुख्य अंतर क्या है कि वे नए डेटा पॉइंट्स को कैसे प्रोसेस करते हैं?
- मॉडल-बेस्ड लर्निंग में, भविष्यवाणी करने के लिए सीखे गए 'मॉडल' का क्या मतलब है और यह ट्रेनिंग डेटा से कैसे अलग है?
- इंस्टैंस-बेस्ड लर्निंग को 'मेमोराइजिंग' क्यों कहा जाता है, और यह मॉडल-बेस्ड लर्निंग के 'जनरलाइजिंग' से कैसे भिन्न है?
- किन परिस्थितियों में इंस्टैंस-बेस्ड लर्निंग मॉडल-बेस्ड लर्निंग की तुलना में अधिक स्टोरेज की मांग करेगा, और क्यों?
- जब आप कोई नया मशीन लर्निंग एल्गोरिथम सीखते हैं, तो आपको यह पहचानने की आवश्यकता क्यों है कि वह इंस्टैंस-बेस्ड है या मॉडल-बेस्ड?