তত্ত্বাবধান করা শিক্ষা
নীচের বিকল্পগুলি অন্বেষণ করুন.
ধরুন আপনি প্রদত্ত ইমেল "স্প্যাম" বা "স্প্যাম নয়" কিনা তা ভবিষ্যদ্বাণী করার জন্য একটি তত্ত্বাবধানে মেশিন লার্নিং মডেল তৈরি করতে চান। নিম্নলিখিত বিবৃতি কোনটি সত্য?
"স্প্যাম" বা "স্প্যাম নয়" হিসাবে চিহ্নিত ইমেলগুলি লেবেলবিহীন উদাহরণ৷
যেহেতু আমাদের লেবেলে "স্প্যাম" এবং "স্প্যাম নয়" মানগুলি রয়েছে, তাই যে কোনো ইমেল এখনও স্প্যাম হিসাবে চিহ্নিত বা স্প্যাম নয় একটি লেবেলবিহীন উদাহরণ৷
বিষয় শিরোনামের শব্দগুলি ভাল লেবেল তৈরি করবে।
বিষয় শিরোনামের শব্দগুলি চমৎকার বৈশিষ্ট্য তৈরি করতে পারে, কিন্তু তারা ভাল লেবেল তৈরি করবে না।
আমরা মডেলটি প্রশিক্ষণের জন্য লেবেলবিহীন উদাহরণ ব্যবহার করব।
আমরা মডেলটি প্রশিক্ষণের জন্য লেবেলযুক্ত উদাহরণ ব্যবহার করব। তারপরে লেবেলবিহীন ইমেল বার্তাগুলি স্প্যাম নাকি স্প্যাম নয় তা অনুমান করতে আমরা লেবেলবিহীন উদাহরণগুলির বিরুদ্ধে প্রশিক্ষিত মডেল চালাতে পারি৷
কিছু উদাহরণে প্রয়োগ করা লেবেলগুলি অবিশ্বস্ত হতে পারে।
স্পষ্টভাবে. আপনার ডেটা কতটা নির্ভরযোগ্য তা পরীক্ষা করা গুরুত্বপূর্ণ৷ এই ডেটাসেটের লেবেলগুলি সম্ভবত ইমেল ব্যবহারকারীদের কাছ থেকে আসে যারা নির্দিষ্ট ইমেল বার্তাগুলিকে স্প্যাম হিসাবে চিহ্নিত করে৷ যেহেতু বেশিরভাগ ব্যবহারকারী প্রতিটি সন্দেহজনক ইমেল বার্তাকে স্প্যাম হিসাবে চিহ্নিত করেন না, তাই আমাদের ইমেল স্প্যাম কিনা তা জানতে সমস্যা হতে পারে। উপরন্তু, স্প্যামাররা ত্রুটিপূর্ণ লেবেল প্রদান করে ইচ্ছাকৃতভাবে আমাদের মডেলকে বিষাক্ত করতে পারে।
বৈশিষ্ট্য এবং লেবেল
নীচের বিকল্পগুলি অন্বেষণ করুন.
ধরুন একটি অনলাইন জুতার দোকান একটি তত্ত্বাবধানে থাকা ML মডেল তৈরি করতে চায় যা ব্যবহারকারীদের ব্যক্তিগতকৃত জুতার সুপারিশ প্রদান করবে। অর্থাৎ, মডেলটি মার্টিকে নির্দিষ্ট জোড়া জুতা এবং জ্যানেটকে বিভিন্ন জোড়া জুতা সুপারিশ করবে। প্রশিক্ষণ ডেটা তৈরি করতে সিস্টেমটি ব্যবহারকারীর অতীতের আচরণের ডেটা ব্যবহার করবে। নিম্নলিখিত বিবৃতি কোনটি সত্য?
"জুতার আকার" একটি দরকারী বৈশিষ্ট্য।
"জুতার আকার" হল একটি পরিমাপযোগ্য সংকেত যা ব্যবহারকারীর প্রস্তাবিত জুতা পছন্দ করবে কিনা তার উপর সম্ভবত একটি শক্তিশালী প্রভাব রয়েছে৷ উদাহরণস্বরূপ, যদি মার্টি সাইজ 9 পরেন, তাহলে মডেলটির সাইজ 7 জুতা সুপারিশ করা উচিত নয়।
"জুতা সৌন্দর্য" একটি দরকারী বৈশিষ্ট্য।
ভাল বৈশিষ্ট্যগুলি কংক্রিট এবং পরিমাপযোগ্য। সৌন্দর্য একটি দরকারী বৈশিষ্ট্য হিসাবে পরিবেশন একটি ধারণা খুব অস্পষ্ট. সৌন্দর্য সম্ভবত নির্দিষ্ট নির্দিষ্ট বৈশিষ্ট্যের মিশ্রণ, যেমন শৈলী এবং রঙ। শৈলী এবং রঙ প্রতিটি সৌন্দর্য থেকে ভাল বৈশিষ্ট্য হবে.
"ব্যবহারকারী জুতার বিবরণে ক্লিক করেছে" একটি দরকারী লেবেল।
ব্যবহারকারীরা সম্ভবত শুধুমাত্র তাদের পছন্দের জুতা সম্পর্কে আরও পড়তে চান। ব্যবহারকারীদের দ্বারা ক্লিকগুলি, তাই, একটি পর্যবেক্ষণযোগ্য, পরিমাপযোগ্য মেট্রিক যা একটি ভাল প্রশিক্ষণ লেবেল হিসাবে কাজ করতে পারে। যেহেতু আমাদের প্রশিক্ষণের ডেটা অতীতের ব্যবহারকারীর আচরণ থেকে প্রাপ্ত হয়, তাই আমাদের লেবেলগুলিকে ব্যবহারকারীর পছন্দগুলির সাথে দৃঢ়ভাবে সম্পর্কযুক্ত ক্লিকের মতো বস্তুনিষ্ঠ আচরণ থেকে আহরণ করতে হবে।
"একজন ব্যবহারকারী পছন্দ করে এমন জুতা" একটি দরকারী লেবেল।
উপাসনা একটি পর্যবেক্ষণযোগ্য, পরিমাপযোগ্য মেট্রিক নয়। আমরা যা করতে পারি তা হল উপাসনার জন্য পর্যবেক্ষণযোগ্য প্রক্সি মেট্রিক্স অনুসন্ধান করা।