কখন কোন মেশিন লার্নিং অ্যালগোরিদম ব্যবহার করব? পর্ব-৫

• Principal Component Analysis: প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস, বা PCA হল একটি dimensionality-reduction পদ্ধতি যা প্রায়ই বৃহৎ ডেটা সেটের dimensionality কমাতে ব্যবহৃত হয়, বৃহৎ সেটের ভেরিয়েবলগুলোকে একটি একটি ছোট সেটে রূপান্তরিত করে যা বৃহৎ সেটের অধিকাংশ তথ্য ধারণ করে। facial recognition, computer vision and image compression, machine learning, deep learning এ এটি অনেক ব্যাবহার হয়।
• Factor Analysis: ফ্যাক্টর অ্যানালাইসিস হল একটি পরিসংখ্যানগত কৌশল যা ভেরিয়েবলের সেট কমিয়ে তাদের সকল উপাদান কে অল্প সংখ্যক ফ্যাক্টরের মধ্যে নিয়ে আসে। একে ডেটা হ্রাসও বলা যেতে পারে। এটি ৩ ধরনের হতে পারে। যথা;

Exploratory factor analysis

Confirmatory factor analysis

Structural equation modeling

• Ensemble Learning: এ পদ্ধতিতে অনেক গুলো মেথডের সমন্বয়ে ভাল প্রিডিক্টিভ মডেল দাড় করানো সম্ভব। Ensemble Learning এ তিন ক্লাসের হতে পারে যথা; bagging, stacking, and boosting। এছাড়া Ensemble Learning যে জিনিসগুলোর উপর বেস করে গঠিত হয় তা হল;

Bagged Decision Trees (canonical bagging)

Random Forest

Extra Trees

• Active Learning: একটিভ লার্নিং হলো এমন একটি মেশিন লার্নিং টেকনিক যেখানে মডেলটি স্বয়ংক্রিয়ভাবে সমস্যা নির্ণয় করে এবং একটি প্রশ্নের সাথে সংযোগ প্রদান করে। প্রতিটি প্রশ্নের সাথে মডেল এক্সপেক্টেশন বের করে এবং প্রশ্নটির ব্যাপারে সে শিখতে পারে। সংগ্রহকৃত উত্তরগুলি মডেলের লার্নিং প্রক্রিয়াতে উপযোগী হিসেবে ব্যবহৃত হয় এবং এর ফলে মডেল নির্দিষ্ট সীমার মধ্যে সবচেয়ে ভাল ফলাফল প্রস্তুত করতে পারে। একটি একটিভ লার্নিং মডেল মূলত কিছু জিনিসের উপর ভিত্তি করে কাজ করে। সেগুলি হলো: প্রশ্ন ফর্মুলেশন, উত্তর সংগ্রহ এবং মডেল ফিটিং।
• Transfer Learning: ট্রান্সফার লার্নিং হলো একটি মেশিন লার্নিং টেকনিক যেখানে একটি মডেল একটি টাস্ক থেকে অন্য একটি টাস্কে ডাটা এবং জ্ঞান ট্রান্সফার করে। এই টেকনিকটি মডেল ট্রেনিং এবং প্রস্তুত করা ডাটা সম্পর্কে প্রযোজ্য। ট্রান্সফার লার্নিং দুই প্রকার হতে পারে — একটি হলো ফাইন টিউনিং এবং অন্যটি হলো প্রিট্রেইন্ড মডেল ব্যবহার।

পরবর্তী পর্বে আমরা আর ও অন্য অ্যালগোরিদম গুলো সম্পর্কে জানব। Stay with me.