आगेअगली गाइड
शुरुआती लोगों के लिए निःशुल्क एआई पाठ्यक्रम
बुनियादी बातें
बुनियादी गाइड
नो फ्री लंच परिणाम दिखाते हैं कि, विशिष्ट मान्यताओं के तहत, एक निश्चित परिमित डोमेन पर संभावित उद्देश्य कार्यों के एक पूरे सेट पर समान रूप से औसत करने पर एल्गोरिदम का औसत प्रदर्शन समान होता है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
वे मायने रखते हैं क्योंकि किसी वास्तविक कार्य पर प्रदर्शन इस बात पर निर्भर करता है कि उसका डेटा और मूल्यांकन समस्याएं कैसे संरचित हैं, इसलिए मॉडल विकल्प को डोमेन ज्ञान और कार्य-विशिष्ट सत्यापन का उपयोग करना चाहिए।
1997 में डेविड वोल्पर्ट और विलियम मैकरेडी द्वारा औपचारिक रूप से तैयार नो फ्री लंच (एनएफएल) प्रमेय, बाद में पर्यवेक्षित शिक्षण पर लागू किए गए अनुकूलन और खोज सिद्धांत के परिणाम हैं। क्लासिक परिमित अनुकूलन सेटिंग के लिए, परिणाम एक समान भार के साथ उद्देश्य कार्यों के पूर्ण सेट पर खोज एल्गोरिदम की तुलना करता है; प्रमेय यह दावा नहीं करता है कि एक यादृच्छिक अनुमानक किसी विशेष वास्तविक दुनिया के कार्य पर प्रतिस्पर्धी है। किसी एल्गोरिदम को अपनी अंतर्निहित मान्यताओं से मेल खाने वाली समस्याओं पर जो भी बढ़त मिलती है, वह उन मान्यताओं का उल्लंघन करने वाली समस्याओं पर एक नुकसान से पूरी तरह से ऑफसेट होती है, जब वही पूर्ण फ़ंक्शन स्थान समान रूप से औसत होता है। यह सभी गणितीय रूप से संभावित समस्याओं के स्थान के बारे में एक बयान है, न कि उन समस्याओं के बारे में जिनका लोग वास्तव में सामना करते हैं, जो कि भ्रम का एक सामान्य बिंदु है। वास्तविक दुनिया का डेटा समस्या प्रकारों में समान रूप से वितरित नहीं होता है; यह अत्यधिक संरचित है, यही कारण है कि व्यवहार में कुछ एल्गोरिदम लगातार दूसरों से बेहतर प्रदर्शन करते हैं, जैसे सारणीबद्ध डेटा पर ग्रेडिएंट बूस्टिंग या भाषा पर ट्रांसफार्मर। प्रमेय का व्यावहारिक सबक यह नहीं है कि एल्गोरिदम का चुनाव मनमाना है, बल्कि इसके विपरीत है: क्योंकि कोई भी एल्गोरिदम हर जगह नहीं जीतता है, किसी एक को चुनने का मतलब है कि आपके डेटा के बारे में धारणाओं पर दांव लगाना, जैसे कि चिकनाई, विरलता, या स्थानिक स्थानीयता, और यह दांव जानबूझकर क्रॉस-वैलिडेशन और डोमेन ज्ञान के माध्यम से लगाया जाना चाहिए न कि जो भी विधि वर्तमान में फैशनेबल है उसे डिफ़ॉल्ट करने के बजाय। प्रमेय की धारणाएँ मायने रखती हैं: यह कार्यों के एक निर्दिष्ट वर्ग और उस संपूर्ण वर्ग पर एक समान औसत से संबंधित है, न कि किसी विशेष क्षेत्र में समस्याओं की कितनी संभावना है, इसके आधार पर औसत। एक बार जब वास्तविक कार्य वितरण, डेटा स्रोत, या मूल्यांकन मीट्रिक चुना जाता है, तो एल्गोरिदम काफी भिन्न हो सकते हैं।
एक निर्णय वृक्ष ऋण-डिफ़ॉल्ट डेटा पर एक रैखिक मॉडल को तीव्र सीमा प्रभाव के साथ मात देता है, लेकिन वही वृक्ष एक सुचारू, रैखिक रूप से अलग करने योग्य मूल्य निर्धारण डेटासेट पर खराब प्रदर्शन करता है, यह दर्शाता है कि प्रदर्शन डेटा की संरचना के साथ मॉडल की मान्यताओं के मिलान पर निर्भर करता है।
एक दृढ़ नेटवर्क प्राकृतिक छवियों पर हावी होता है क्योंकि यह मानता है कि आस-पास के पिक्सेल संबंधित हैं, लेकिन वही अंतर्निहित धारणा इसे बिना किसी स्थानिक लेआउट के फेरबदल वाले सारणीबद्ध स्प्रेडशीट डेटा पर एक कमजोर डिफ़ॉल्ट विकल्प बनाती है।
कागल प्रतियोगिताएं बार-बार ग्रेडिएंट-बूस्टेड पेड़ों को संरचित व्यावसायिक डेटा पर जीतती हुई दिखाती हैं, जबकि गहरे नेटवर्क छवियों और पाठ पर जीतते हैं, जो समस्या के प्रकार के साथ सर्वोत्तम विधि परिवर्तनों की पुष्टि करता है।
एक अस्पताल जो पुन: प्रवेश-जोखिम मॉडल चुनता है, वह अपने स्वयं के रोगी रिकॉर्ड पर कई एल्गोरिदम का परीक्षण करता है, बजाय यह मानने के कि प्रकाशित बेंचमार्क जीतने वाली विधि कहीं और स्थानांतरित हो जाएगी, क्योंकि उस बेंचमार्क के डेटा की संरचना अलग थी।
प्रमेय स्वयं नहीं बदलेगा; यह आदर्शीकृत समस्या स्थानों के बारे में एक गणितीय तथ्य है। डेटा के साथ मॉडल पूर्वाग्रह के मिलान पर व्यावहारिक मार्गदर्शन विकसित होना जारी है: स्वचालित मशीन लर्निंग और मेटा-लर्निंग सिस्टम तेजी से डेटासेट की संरचना का अनुमान लगाने और उसके अनुसार एल्गोरिदम का चयन या मिश्रण करने का प्रयास कर रहे हैं। उन बेंचमार्क में निरंतर वृद्धि की उम्मीद करें जो एक लोकप्रिय डेटासेट के बजाय अधिक विविध, यथार्थवादी समस्या प्रकारों में एल्गोरिदम का परीक्षण करते हैं, क्योंकि एनएफएल का तात्पर्य है कि कोई भी एकल बेंचमार्क लीडरबोर्ड सार्वभौमिक श्रेष्ठता के बजाय संभावित समस्याओं का एक संकीर्ण टुकड़ा दर्शाता है।
मुफ़्त न्यूज़लेटर
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
नो फ्री लंच परिणाम दिखाते हैं कि, विशिष्ट मान्यताओं के तहत, एक निश्चित परिमित डोमेन पर संभावित उद्देश्य कार्यों के एक पूरे सेट पर समान रूप से औसत करने पर एल्गोरिदम का औसत प्रदर्शन समान होता है। वे मायने रखते हैं क्योंकि किसी वास्तविक कार्य पर प्रदर्शन इस बात पर निर्भर करता है कि उसका डेटा और मूल्यांकन समस्याएं कैसे संरचित हैं, इसलिए मॉडल विकल्प को डोमेन ज्ञान और कार्य-विशिष्ट सत्यापन का उपयोग करना चाहिए।
क्लासिक परिणाम एक समान औसत के तहत पूर्ण परिमित उद्देश्य-फ़ंक्शन वर्ग पर समान औसत प्रदर्शन स्थापित करता है; यह किसी चयनित वास्तविक दुनिया के कार्य पर प्रदर्शन की भविष्यवाणी नहीं करता है।
वास्तविक छवि डेटा सभी संभावित समस्याओं का एक यादृच्छिक निष्कर्ष नहीं है; इसमें स्थानिक संरचना है जो निकटवर्ती-पिक्सेल संबंधों के प्रति सीएनएन के पूर्वाग्रह से मेल खाती है।
वोल्पर्ट और मैकरेडी ने मूल रूप से अनुकूलन और खोज समस्याओं के लिए 1997 में एनएफएल प्रमेयों को औपचारिक रूप दिया।
एनएफएल सभी गणितीय रूप से संभावित समस्याओं पर समान रूप से औसत करने के बारे में है, न कि व्यवहार में देखी गई संरचित समस्याओं पर, इसलिए यह वास्तविक दुनिया में एल्गोरिदम की पसंद को मनमाना नहीं बनाता है।
पूर्वाग्रह उन समस्याओं में मदद करता है जिनकी संरचना उसकी धारणाओं के अनुकूल होती है और संरचना भिन्न होने पर नुकसान पहुंचा सकती है; यह कोई सार्वभौमिक लाभ नहीं है.
सीखते रहो
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
शुरुआती लोगों के लिए निःशुल्क एआई पाठ्यक्रम
बुनियादी बातें