प्रश्न:
संतुलन की अवधारणा मशीन शिक्षण परियोजनाओं को कैसे सूचित कर सकती है?
ए:सामान्य तौर पर, एक संतुलन मशीन सीखने के वातावरण को स्थिर करने और नियतात्मक और संभाव्य घटकों के एक सुसंगत मिश्रण के साथ परिणाम बनाने की कोशिश करके मशीन सीखने को सूचित करेगा।
विशेषज्ञों ने एक "संतुलन" का वर्णन एक ऐसी स्थिति के रूप में किया है, जिसमें मशीन लर्निंग सिस्टम में तर्कसंगत अभिनेता रणनीतिक कार्रवाई पर आम सहमति तक पहुंचते हैं - विशेष रूप से, खेल सिद्धांत में नैश संतुलन में दो या अधिक इन तर्कसंगत अभिनेताओं को शामिल करना है जो किसी खिलाड़ी को पहचानने से रणनीतियों को समेकित करते हैं। एक विशेष रणनीति को बदलना अगर अन्य खिलाड़ी अपना नहीं बदलते हैं।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
नैश संतुलन के एक विशेष रूप से लोकप्रिय और सरल प्रदर्शन में एक सरल मैट्रिक्स शामिल है जहां दो खिलाड़ी प्रत्येक एक द्विआधारी परिणाम चुनते हैं।
ऊपर संतुलन का वर्णन करने के लिए एक बहुत ही तकनीकी तरीका है और यह कैसे काम करता है। संतुलन की अवधारणा का वर्णन करने के लिए एक अधिक अनौपचारिक तरीका, विशेष रूप से द्विआधारी विकल्प वाले प्रत्येक दो तर्कसंगत अभिनेताओं के उपरोक्त उदाहरण, यह सोचना है कि आप "हाई स्कूल हॉलवे में एक दूसरे की ओर चलना" क्या कह सकते हैं।
मान लीजिए कि दो लोग अलग-अलग दिशाओं में एक हाई स्कूल दालान (या किसी अन्य प्रकार के क्षेत्र) में चलते हैं, जिसमें केवल दो लोगों के लिए चौड़ाई है। दो खुले रास्ते द्विआधारी परिणाम हैं। यदि दो तर्कसंगत अभिनेता अलग-अलग द्विआधारी परिणाम चुनते हैं जो एक-दूसरे के साथ संघर्ष नहीं करते हैं, तो वे एक-दूसरे से गुजरेंगे और नमस्ते कहेंगे। यदि वे दो परस्पर विरोधी बाइनरी परिणाम चुनते हैं - वे एक ही स्थान पर चल रहे हैं, और उनमें से एक को उपज की आवश्यकता होगी।
उपरोक्त उदाहरण में, यदि दो तर्कसंगत अभिनेता दो संगत और गैर-परस्पर विरोधी परिणामों का चयन करते हैं, तो आम सहमति यह है कि न तो अपनी रणनीति को बदलने से कोई लाभ होता है - इस मामले में उनके चलने के निर्देश - यदि दूसरा व्यक्ति अपना परिवर्तन नहीं करता है।
ऊपर एक संतुलन का गठन किया गया है जिसे किसी भी मशीन सीखने के निर्माण में मॉडल किया जा सकता है। इस सरल उदाहरण को देखते हुए, परिणाम हमेशा दो तर्कसंगत अभिनेताओं का सहयोग करेगा, या दूसरे शब्दों में, दो लोग एक-दूसरे से आगे निकलेंगे।
विपरीत को "असमानता" कहा जा सकता है - यदि दो तर्कसंगत अभिनेता परस्पर विरोधी परिणाम चुनते हैं, जैसा कि उल्लेख किया गया है, उनमें से एक को उपज देना होगा। हालांकि, यह मॉडलिंग करने वाले एमएल कार्यक्रम को एक अनंत लूप में फेंक दिया जा सकता है अगर दोनों उपज का फैसला करते हैं - दो लोगों की तरह एक दूसरे को समायोजित करने की कोशिश करने के लिए आगे बढ़ना और अभी भी टकराव की ओर चलना जारी है।
आम तौर पर एक के ऊपर एक जैसे संतुलन का उपयोग आम तौर पर आम सहमति बनाने और मॉडल को स्थिर करने के लिए मशीन लर्निंग में किया जाएगा। इंजीनियर और डेवलपर्स उन परिदृश्यों और स्थितियों की तलाश करेंगे जो संतुलन से लाभान्वित होते हैं, और उन लोगों को बदलने या संभालने के लिए काम करते हैं जो नहीं करते हैं। एमएल-संतुलन के अनुरूप वास्तविक दुनिया के उदाहरणों को देखते हुए, यह देखना आसान है कि कैसे मशीन लर्निंग सिस्टम में इस तरह का विश्लेषण तर्कसंगत अभिनेताओं और एजेंटों को बनाकर मानव व्यवहार को मॉडल बनाने के लिए विशिष्ट निर्देश है। यह सिर्फ एक उत्कृष्ट उदाहरण है कि कैसे मशीन लर्निंग सिस्टम के अनुप्रयोग में प्रगति करने के लिए एक संतुलन का उपयोग किया जा सकता है।
