मशीन को सिखाएँ कि बिखरे डेटा से सबसे अच्छी सीधी रेखा खींचे।
पठन प्रगति0%
कार्ड 1 — मूल विचारकार्ड 1 / 5
मशीन लर्निंग उदाहरणों से नियम का अनुमान लगाती है
आप उत्तर प्रोग्राम नहीं करते। डेटा को नियम ज़ाहिर करने देते हैं।
Analogy
बिल की उपमा
मित्र बताते हैं «4 लोग, 80 रुपये» और «6 लोग, 120 रुपये»। कोई नियम बताए बिना ही आप तुरंत अनुमान लगाते हैं «10 लोग, लगभग 200 रुपये»। आपने नियम पा लिया: प्रति व्यक्ति लगभग 20 रुपये। रैखिक प्रतिगमन यही काम करता है — बस सटीकता से और अपने आप।
मॉडल एक नॉब वाली मशीन है। उसे उदाहरण देना — इनपुट और सही उत्तर — और उत्तर सही आने तक नॉब घुमाना प्रशिक्षण कहलाता है। नॉब घुमाने वाली पहली मशीन रैखिक प्रतिगमन है।
यह मानता है कि दुनिया उत्तर = भार × इनपुट + बायस जैसी दिखती है। भार बताता है संबंध कितना तीव्र है; बायस (अंतःखंड) बताता है कि इनपुट शून्य होने पर रेखा कहाँ से शुरू होती है। दो नॉब, एक रेखा, अनगिनत संभव फ़िट।
ŷ = w · x + b
ŷ पूर्वानुमान है, x इनपुट, w भार (ढलान) और b बायस (अंतःखंड)।
?
अगले कार्ड से पहले एक छोटी जाँच
एक मॉडल क्षेत्रफल से घर का मूल्य बताता है। w और b का क्या अर्थ है?
5 जाँचें
🔒
प्रयोगशाला बंद है
इस सिमुलेशन को खोलने के लिए सभी 5 कार्ड और उनकी जाँचें पूरी करें।
Read the full stage transcript (all 5 cards, no JavaScript required)
कार्ड 1 — मूल विचार
1. मशीन लर्निंग उदाहरणों से नियम का अनुमान लगाती है
आप उत्तर प्रोग्राम नहीं करते। डेटा को नियम ज़ाहिर करने देते हैं।
Analogy
बिल की उपमा
मित्र बताते हैं «4 लोग, 80 रुपये» और «6 लोग, 120 रुपये»। कोई नियम बताए बिना ही आप तुरंत अनुमान लगाते हैं «10 लोग, लगभग 200 रुपये»। आपने नियम पा लिया: प्रति व्यक्ति लगभग 20 रुपये। रैखिक प्रतिगमन यही काम करता है — बस सटीकता से और अपने आप।
मॉडल एक नॉब वाली मशीन है। उसे उदाहरण देना — इनपुट और सही उत्तर — और उत्तर सही आने तक नॉब घुमाना प्रशिक्षण कहलाता है। नॉब घुमाने वाली पहली मशीन रैखिक प्रतिगमन है।
यह मानता है कि दुनिया उत्तर = भार × इनपुट + बायस जैसी दिखती है। भार बताता है संबंध कितना तीव्र है; बायस (अंतःखंड) बताता है कि इनपुट शून्य होने पर रेखा कहाँ से शुरू होती है। दो नॉब, एक रेखा, अनगिनत संभव फ़िट।
ŷ = w · x + b
ŷ पूर्वानुमान है, x इनपुट, w भार (ढलान) और b बायस (अंतःखंड)।
Knowledge check: एक मॉडल क्षेत्रफल से घर का मूल्य बताता है। w और b का क्या अर्थ है?
a. w पहले घर का मूल्य है और b औसत मूल्य
b. w हर अतिरिक्त वर्ग मीटर पर जुड़ने वाला मूल्य है और b शून्य क्षेत्रफल पर आधार मूल्य← correct
c. w प्रशिक्षण की गति है और b प्रशिक्षण की अवधि
भार एक दर है (प्रति वर्ग मीटर मूल्य) और बायस एक स्थानांतरण (आरंभिक मूल्य)। दोनों मिलकर सीधी रेखाओं का पूरा परिवार बताते हैं।
कार्ड 2 — स्कोरबोर्ड
2. हम कितना ग़लत हैं? मिलिए वर्ग त्रुटि से
जिसे आप माप नहीं सकते, उसे सुधार नहीं सकते।
हर डेटा बिंदु के लिए पूर्वानुमान से सत्य घटाइए, और आपको अवशेष मिलता है — बिंदु से रेखा तक की ऊर्ध्वाधर दूरी। धनात्मक का अर्थ है रेखा बहुत नीचे है, ऋणात्मक का अर्थ बहुत ऊपर।
अवशेषों को जोड़ दें तो एक जगह 100 ऊपर और दूसरी जगह 100 नीचे जाने वाली रेखा भी पूरा अंक पा लेती। इसलिए हम पहले हर अवशेष का वर्ग करते हैं। वर्ग चिह्न हटा देता है और बड़ी ग़लतियों को छोटी ग़लतियों से कहीं कठोरता से दंडित करता है। इन वर्गों का औसत माध्य वर्ग त्रुटि (MSE) है — स्कोरबोर्ड।
MSE(w, b) = (1/n) · Σ (yᵢ − (w·xᵢ + b))²
सदैव ≥ 0। बड़ी ग़लतियाँ वर्ग रूप में दंडित होती हैं; पूर्ण फ़िट पर ही 0 होता है।
Analogy
वर्ग करना कठोर रेफ़री क्यों है
केवल «ग़लतियाँ» गिनने वाला रेफ़री यह नहीं देखता कि आप 1 सेमी ऑफ़साइड थे या 10 मीटर। वर्ग करने वाला रेफ़री कई गुना तेज़ आवाज़ में चिल्लाता है। मशीन लर्निंग प्रायः कठोर रेफ़री ही चुनती है, क्योंकि वह चिकना स्कोरबोर्ड देता है जिस पर चला जा सके।
Knowledge check: निरपेक्ष मान जोड़ने के बजाय अवशेषों का वर्ग क्यों करते हैं?
a. क्योंकि वर्ग किए गए अंक कम जगह लेते हैं
b. क्योंकि इससे चिह्न हट जाता है, बड़ी ग़लतियाँ कठोरता से दंडित होती हैं और सतह चिकनी व अवकलनीय रहती है← correct
c. क्योंकि अवशेष सदैव ऋणात्मक होते हैं
धनात्मक योगदान, विनाशकारी ग़लतियों का प्रभुत्व और हर जगह अवकलनीयता — अगले कार्ड को इसी अंतिम गुण की ज़रूरत है।
कार्ड 3 — भूदृश्य
3. हर (w, b) जोड़ी का एक अंक है, और अंक एक कटोरी बनाते हैं
त्रुटि को नॉब के सामने आलेखित कीजिए और आपको ऐसा भूभाग मिलेगा जिस पर आँख बंद करके भी चल सकते हैं।
एक विशाल स्प्रेडशीट की कल्पना कीजिए: पंक्तियाँ भार हैं, स्तंभ बायस हैं, और हर खाने में उस जोड़ी की MSE है। इन खानों को भूदृश्य की तरह देखिए — ऊँचाई त्रुटि है, धरातल नॉब के मान — और रैखिक प्रतिगमन सदैव एक चिकनी उत्तल कटोरी देता है जिसका ठीक एक निचला बिंदु होता है।
Analogy
धुंध में पैदल यात्री
आपको धुंध भरी घाटी में छोड़ा गया है और तल दिखाई नहीं देता। पर आप महसूस कर सकते हैं कि पैरों के नीचे ज़मीन किस ओर झुकी है। बार-बार नीचे चलते रहिए और आँख बंद होने पर भी सबसे निचले बिंदु तक पहुँच जाएँगे। मॉडल इसी तरह सीखते हैं।
पैरों के नीचे की ढलान का नाम है ग्रेडिएंट। यह ऊपर की ओर संकेत करता है, इसलिए आप उलटी दिशा में कदम रखते हैं। कदम का आकार लर्निंग रेट (α) है। बहुत छोटा हो तो प्रशिक्षण रेंगता है; बहुत बड़ा हो तो आप घाटी पार कर दूसरी दीवार से टकराकर उछल पड़ते हैं।
w ← w − α · ∂MSE/∂w b ← b − α · ∂MSE/∂b
दोहराइए जब तक ग्रेडिएंट लगभग शून्य हो जाए: आप कटोरी के तल पर पहुँच गए।
Watch outशुरुआती लोगों की जाल
यदि आप ग्रेडिएंट को उदाहरणों की संख्या से भाग देना भूल जाएँ, तो डेटासेट बढ़ने के साथ ग्रेडिएंट बढ़ता जाता है और वही लर्निंग रेट अचानक फट पड़ता है। सदैव जानिए कि आपकी हानि किस पर औसत ले रही है।
Knowledge check: आपकी हानि तेज़ी से उछलती है और कभी स्थिर नहीं होती। सबसे संभावित कारण?
a. लर्निंग रेट बहुत बड़ा है, कदम न्यूनतम से आगे निकल जाते हैं← correct
b. डेटासेट बहुत छोटा है
c. रैखिक प्रतिगमन के लिए GPU ज़रूरी है
न्यूनतम से आगे निकलना क्लासिक लक्षण है। ग्रेडिएंट डिसेंट एकमात्र वैश्विक न्यूनतम तक तभी पहुँचता है जब कदम पर्याप्त छोटा हो।
कार्ड 4 — पैदल यात्रा
4. एक छोटे लूप में ग्रेडिएंट डिसेंट
अरबों डॉलर के मॉडल का प्रशिक्षण लूप, लघु रूप में।
ts
let w = 0, b = 0;
const lr = 0.01;
for (let epoch = 0; epoch < 400; epoch++) {
let gradW = 0, gradB = 0;
for (const { x, y } of data) {
const residual = (w * x + b) - y; // prediction - truth
gradW += 2 * residual * x; // dMSE/dw
gradB += 2 * residual; // dMSE/db
}
gradW /= data.length; // average over the batch
gradB /= data.length;
w -= lr * gradW; // step downhill
b -= lr * gradB;
}
1पूर्वानुमान: हर उदाहरण को मौजूदा नॉब से गुज़ारिए।
2माप: अवशेष निकालिए और उन्हें एक हानि संख्या में बदलिए।
3दोष: देखिए कि हर नॉब ने कितना योगदान दिया (ग्रेडिएंट)।
4सुधार: दोनों नॉब को ग्रेडिएंट के विपरीत थोड़ा खिसकाइए।
5दोहराइए जब तक हानि सुधरना बंद न कर दे।
यह पाँच-चरणीय लूप फिर कभी नहीं बदलता। 400 अरब पैरामीटर वाला भाषा मॉडल भी वही लूप चलाता है — बस नॉब और हानि अधिक जटिल हो जाती है।
Good to knowरोचक बात
रैखिक प्रतिगमन का बंद-रूप हल भी है: w = (XᵀX)⁻¹Xᵀy। ग्रेडिएंट डिसेंट महत्वपूर्ण है क्योंकि यह तब भी काम करता है जब कोई बंद रूप न हो — और इस चरण के बाद का हर मॉडल वही स्थिति है।
Knowledge check: कौन-सा चरण बताता है कि हर नॉब को कैसे बदलना है?
a. पूर्वानुमान का चरण
b. हानि से निकाला गया ग्रेडिएंट← correct
c. परीक्षण सेट पर अंतिम मूल्यांकन
ग्रेडिएंट ही वह एकमात्र चरण है जो हानि से जानकारी पैरामीटरों तक पहुँचाता है। इसके बाद की पूरी कहानी इसे सस्ता करने की है।
कार्ड 5 — वास्तविकता की जाँच
5. जब सीधी रेखा झूठ बोलती है
मॉडल दुनिया के आकार के बारे में एक वादा है। वादा तोड़िए और वह ज़ोर से विफल होता है।
रैखिक प्रतिगमन चार बातें मान लेता है: संबंध लगभग सीधा है, त्रुटियाँ स्वतंत्र हैं, उनका प्रसार स्थिर है और कोई एक बिंदु हावी नहीं है। एक भी तोड़िए और फ़िट आत्मविश्वासी दिखते हुए भी ग़लत हो सकता है।
बाहरी मान: त्रुटियाँ वर्ग में होने के कारण एक विशाल मान पूरी रेखा को अपनी ओर खींच लेता है।
वक्रता: बिक्री बनाम मूल्य एक सीधी रेखा नहीं है। मॉडल को x और x² दीजिए और यह वक्र फ़िट कर देगा — यह अभी भी «रैखिक» प्रतिगमन है, अपने पैरामीटरों में रैखिक।
बहिर्वेशन: 50–200 वर्ग मीटर के घरों पर फ़िट की गई रेखा 5,000 वर्ग मीटर की हवेली के बारे में भरोसेमंद कुछ नहीं कहती।
सहसंबंध ≠ कारण: रेखा उत्तम हो सकती है और उसके पीछे की कहानी बेतुकी।
Analogy
जूते के नाप की जाल
4 से 12 वर्ष के बच्चों में जूते का नाप पढ़ने की क्षमता का बहुत अच्छा पूर्वानुमान करता है। असली कारक आयु है। मॉडल ने असली पैटर्न और ग़लत कारण पकड़ा। सदैव पूछिए कि सहसंबंध के पीछे क्या छिपा है।
Noteआगे क्या
रेखा केवल «कितना?» का उत्तर दे सकती है। «हाँ या नहीं?» के लिए ऐसा नॉब चाहिए जो मुड़ सके: कृत्रिम न्यूरॉन।
Knowledge check: डेटा प्रविष्टि की एक ग़लती एक घर का मूल्य 1000 गुना कर देती है। फ़िट की गई रेखा का क्या होता है?
a. कुछ नहीं, रैखिक प्रतिगमन बाहरी मानों के प्रति मज़बूत है
b. वह बाहरी मान की ओर खिंच जाती है क्योंकि वर्ग त्रुटि बड़ी ग़लतियों को बढ़ा देती है← correct
c. लर्निंग रेट अपने आप घट जाता है
MSE के अंतर्गत 1000 गुना त्रुटि की कीमत 10,00,000 गुना है। Huber हानि, RANSAC और क्वांटाइल प्रतिगमन इसी से लड़ने के लिए हैं।