🧮
AI Sprouts • शुरुआती⏱️ 30 मिनट पढ़ने का समय
एल्गोरिदम समझाए गए — AI की रेसिपी
डेटा से निर्णय तक 👋
पिछले पाठ में आपने सीखा कि डेटा AI का ईंधन है। लेकिन ईंधन अकेले कार नहीं चलाता — आपको इंजन चाहिए। AI में उस इंजन को एल्गोरिदम कहते हैं।
एल्गोरिदम क्या है? 🤔
एल्गोरिदम बस एक स्टेप-बाय-स्टेप निर्देशों का सेट है किसी समस्या को हल करने के लिए।
आप पहले से ही रोज़ एल्गोरिदम फॉलो करते हैं:
- 🍳 खाने की रेसिपी — "तेल गरम करें, प्याज़ डालें, 3 मिनट चलाएं..."
- 🗺️ स्कूल जाने का रास्ता — "सीधे जाएं, पार्क पर बाएं मुड़ें..."
- 🔢 भागफल — गणित में सीखी गई स्टेप-बाय-स्टेप प्रक्रिया
🤔
Think about it:
सोचिए कि आप हर सुबह क्या पहनना है कैसे तय करते हैं। आप मौसम देखते हैं, अपने प्लान के बारे में सोचते हैं, देखते हैं क्या साफ है — यह एक एल्गोरिदम है! AI एल्गोरिदम भी ऐसा ही करते हैं, बस डेटा के साथ।
एल्गोरिदम 1: डिसीज़न ट्री 🌳
डिसीज़न ट्री हाँ/नहीं सवाल पूछकर निर्णय लेता है — जैसे "20 सवाल" खेल।
यह कैसे काम करता है
कल्पना करें कि आप तय कर रहे हैं बाहर खेलना है या नहीं:
बारिश हो रही है?
├── हाँ → अंदर रहो 🏠
└── नहीं → तापमान 15°C से ऊपर?
├── हाँ → बाहर खेलो! ⚽
└── नहीं → जैकेट पहनो और बाहर खेलो 🧥
हर नोड एक सवाल पूछता है, हर ब्रांच एक जवाब फॉलो करती है, हर लीफ अंतिम निर्णय देता है।
डिसीज़न ट्री क्यों बढ़िया हैं
- ✅ समझने में आसान — कागज़ पर बना सकते हैं
- ✅ व्याख्या योग्य — पता चलता है निर्णय क्यों लिया गया
- ✅ संख्या और श्रेणी दोनों के साथ काम करते हैं
कब मुश्किल होती है
- ❌ ओवरफिट कर सकते हैं — ट्रेनिंग डेटा याद कर लेना
- ❌ एक अकेला ट्री जटिल समस्याओं में गलत हो सकता है
🤯
Random Forests सैकड़ों डिसीज़न ट्री को मिलाकर उन्हें "वोट" करवाते हैं। यह ऐसा है जैसे 500 लोगों से रास्ता पूछना और बहुमत के साथ जाना। इस सरल विचार से सटीकता बहुत बढ़ जाती है!
एल्गोरिदम 2: K-Nearest Neighbors (KNN) 🏘️
KNN "अपने पड़ोसियों से पूछो" एल्गोरिदम है। समान चीज़ें पास-पास होती हैं।
अंतर्ज्ञान
कल्पना करें आप नए शहर में जाते हैं और अच्छा रेस्तरां ढूंढना है। आप अपने नज़दीकी पड़ोसियों से पूछते हैं! अगर 5 में से 3 इटैलियन खाना सुझाएं, तो आप शायद इटैलियन ट्राई करेंगे।
KNN बिल्कुल ऐसे ही काम करता है:
- एक नया, अज्ञात डेटा पॉइंट लें
- ट्रेनिंग डेटा में K सबसे नज़दीकी पॉइंट खोजें
- उन पड़ोसियों को वोट करने दें
- बहुमत के साथ जाएं
K चुनना
- K बहुत छोटा (जैसे K=1) → शोर के प्रति संवेदनशील
- K बहुत बड़ा (जैसे K=100) → बहुत सामान्य
- सही जगह → K=3, 5 या 7 आमतौर पर अच्छा काम करता है। हमेशा विषम संख्या!
from sklearn.neighbors import KNeighborsClassifier
# K=5 के साथ KNN मॉडल बनाएं और ट्रेन करें
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# नए डेटा पर प्रेडिक्ट करें
prediction = knn.predict(X_test)
print(f"सटीकता: {knn.score(X_test, y_test):.2%}")
💡
KNN एक "आलसी लर्नर" है — यह ट्रेनिंग के दौरान कुछ नहीं सीखता! यह सारा डेटा याद रखता है और असली काम प्रेडिक्शन के समय दूरी गणना करके करता है।
एल्गोरिदम 3: लीनियर रिग्रेशन 📈
लीनियर रिग्रेशन डेटा पॉइंट्स से एक लाइन खींचने की कला है। संख्या (श्रेणी नहीं) प्रेडिक्ट करने के लिए उपयोग होता है।
अंतर्ज्ञान
जितने ज़्यादा घंटे पढ़ाई, उतने ज़्यादा नंबर। ग्राफ पर यह ऊपर जाता दिखता है। लीनियर रिग्रेशन उन पॉइंट्स से सबसे अच्छी लाइन खींचता है।
समीकरण
y = mx + b
- y = जो हम प्रेडिक्ट कर रहे हैं (टेस्ट स्कोर)
- x = इनपुट (पढ़ाई के घंटे)
- m = ढलान (लाइन कितनी तिरछी है)
- b = इंटरसेप्ट (लाइन y-अक्ष को कहाँ काटती है)
from sklearn.linear_model import LinearRegression
import numpy as np
# पढ़ाई के घंटे और टेस्ट स्कोर
hours = np.array([1, 2, 3, 4, 5, 6, 7, 8]).reshape(-1, 1)
scores = np.array([20, 35, 45, 55, 65, 75, 82, 90])
# मॉडल फिट करें
model = LinearRegression()
model.fit(hours, scores)
# 5.5 घंटे के लिए स्कोर प्रेडिक्ट करें
predicted = model.predict([[5.5]])
print(f"5.5 घंटे के लिए प्रेडिक्टेड स्कोर: {predicted[0]:.1f}")
कब काम करता है — और कब नहीं
- ✅ बढ़िया जब रिश्ता लगभग सीधी रेखा हो
- ✅ तेज़, सरल और समझने में आसान
- ❌ खराब जब रिश्ता वक्र या जटिल हो
- ❌ आउटलायर्स के प्रति संवेदनशील
कौन सा एल्गोरिदम चुनें? 🧭
| सवाल | डिसीज़न ट्री | KNN | लीनियर रिग्रेशन | |------|:---:|:---:|:---:| | श्रेणी प्रेडिक्ट करना? | ✅ | ✅ | ❌ | | संख्या प्रेडिक्ट करना? | ✅ | ✅ | ✅ | | निर्णय समझाना? | ✅✅ | ❌ | ✅ | | बहुत बड़ा डेटासेट? | ✅ | ❌ | ✅ | | लीनियर संबंध? | ❌ | ❌ | ✅✅ |
🤔
Think about it:
कोई एक "सबसे अच्छा" एल्गोरिदम नहीं है। सही चुनाव आपके डेटा और समस्या पर निर्भर करता है। डॉक्टर बीमारी डायग्नोस करने के लिए डिसीज़न ट्री पसंद कर सकता है क्योंकि यह बता सकता है क्यों वह डायग्नोसिस किया गया।
इंटरैक्टिव: फिल्म रिकमेंडर बनाएं 🎬
फिल्म रिकमेंड करने के लिए एक सरल डिसीज़न ट्री बनाएं!
क्या आपको कुछ मज़ेदार चाहिए?
├── हाँ → क्या आपको एनिमेटेड फिल्में पसंद हैं?
│ ├── हाँ → देखें "Inside Out 2" 🎭
│ └── नहीं → देखें "The Grand Budapest Hotel" 🏨
└── नहीं → क्या आपको एक्शन पसंद है?
├── हाँ → सुपरहीरो पसंद हैं?
│ ├── हाँ → देखें "Spider-Man: Across the Spider-Verse" 🕷️
│ └── नहीं → देखें "Top Gun: Maverick" ✈️
└── नहीं → सच्ची कहानी चाहिए?
├── हाँ → देखें "Hidden Figures" 🚀
└── नहीं → देखें "Interstellar" 🌌
def recommend_movie(funny, animated, action, superhero, true_story):
if funny:
if animated:
return "Inside Out 2 🎭"
else:
return "The Grand Budapest Hotel 🏨"
else:
if action:
if superhero:
return "Spider-Man: Across the Spider-Verse 🕷️"
else:
return "Top Gun: Maverick ✈️"
else:
if true_story:
return "Hidden Figures 🚀"
else:
return "Interstellar 🌌"
print(recommend_movie(funny=False, animated=False,
action=True, superhero=True,
true_story=False))
सारांश 🎯
- एल्गोरिदम समस्या हल करने की स्टेप-बाय-स्टेप प्रक्रिया है
- डिसीज़न ट्री हाँ/नहीं सवाल पूछते हैं — व्याख्या योग्य और दृश्य
- KNN K नज़दीकी पड़ोसियों से वोट करवाकर वर्गीकृत करता है
- लीनियर रिग्रेशन संख्या प्रेडिक्ट करने के लिए लाइन खींचता है
- कोई एल्गोरिदम सार्वभौमिक रूप से सबसे अच्छा नहीं — डेटा के अनुसार चुनें
- असली AI सिस्टम अक्सर कई एल्गोरिदम मिलाते हैं
आगे क्या? 🚀
आपने अब तीन क्लासिक एल्गोरिदम से मुलाकात की। अगले पाठ में हम न्यूरल नेटवर्क जानेंगे — मस्तिष्क से प्रेरित एल्गोरिदम जो आधुनिक AI सफलताओं के पीछे हैं! 🧠
Lesson 2 of 30 of 3 completed