🧮
AI Sprouts • ప్రారంభకుడు⏱️ 30 నిమిషాల పఠన సమయం
అల్గారిథమ్లు వివరించబడ్డాయి — AI యొక్క రెసిపీలు
డేటా నుండి నిర్ణయాల వరకు 👋
గత పాఠంలో మీరు డేటా AI యొక్క ఇంధనం అని నేర్చుకున్నారు. కానీ ఇంధనం మాత్రమే కారును నడపదు — మీకు ఇంజిన్ కావాలి. AI లో ఆ ఇంజిన్ను అల్గారిథమ్ అంటారు.
అల్గారిథమ్ అంటే ఏమిటి? 🤔
అల్గారిథమ్ అంటే సమస్యను పరిష్కరించడానికి స్టెప్-బై-స్టెప్ సూచనల సమూహం.
మీరు ఇప్పటికే రోజూ అల్గారిథమ్లు అనుసరిస్తున్నారు:
- 🍳 వంట రెసిపీ — "నూనె వేడి చేయండి, ఉల్లిపాయలు వేయండి, 3 నిమిషాలు కలపండి..."
- 🗺️ స్కూల్కు దారి — "ముందుకు వెళ్ళండి, పార్క్ దగ్గర ఎడమకు తిరగండి..."
- 🔢 భాగహారం — గణితంలో నేర్చుకున్న స్టెప్-బై-స్టెప్ ప్రక్రియ
🤔
Think about it:
ప్రతి ఉదయం ఏమి ధరించాలో మీరు ఎలా నిర్ణయిస్తారో ఆలోచించండి. మీరు వాతావరణం చూస్తారు, మీ ప్లాన్ల గురించి ఆలోచిస్తారు, ఏమి శుభ్రంగా ఉందో చూస్తారు — అది ఒక అల్గారిథమ్! AI అల్గారిథమ్లు కూడా అలాగే చేస్తాయి, కానీ డేటాతో.
అల్గారిథమ్ 1: డెసిషన్ ట్రీలు 🌳
డెసిషన్ ట్రీ అవును/కాదు ప్రశ్నలు అడగడం ద్వారా నిర్ణయాలు తీసుకుంటుంది — "20 ప్రశ్నలు" ఆట లాగా.
ఇది ఎలా పనిచేస్తుంది
బయట ఆడాలా వద్దా అని నిర్ణయిస్తున్నట్లు ఊహించుకోండి:
వర్షం పడుతోందా?
├── అవును → లోపల ఉండు 🏠
└── కాదు → ఉష్ణోగ్రత 15°C కంటే ఎక్కువా?
├── అవును → బయట ఆడు! ⚽
└── కాదు → జాకెట్ వేసుకుని బయట ఆడు 🧥
ప్రతి నోడ్ ఒక ప్రశ్న అడుగుతుంది, ప్రతి శాఖ ఒక సమాధానాన్ని అనుసరిస్తుంది, ప్రతి ఆకు తుది నిర్ణయం ఇస్తుంది.
డెసిషన్ ట్రీలు ఎందుకు బాగుంటాయి
- ✅ అర్థం చేసుకోవడం సులువు — కాగితంపై గీయవచ్చు
- ✅ వివరించగలిగేవి — నిర్ణయం ఎందుకు తీసుకున్నారో ట్రేస్ చేయవచ్చు
- ✅ సంఖ్యలు మరియు వర్గాలు రెండింటితో పనిచేస్తాయి
ఎప్పుడు కష్టపడతాయి
- ❌ ఓవర్ఫిట్ కావచ్చు — ట్రైనింగ్ డేటా గుర్తుపెట్టుకోవడం
- ❌ ఒక ట్రీ సంక్లిష్ట సమస్యల్లో తప్పు కావచ్చు
🤯
Random Forests వందల డెసిషన్ ట్రీలను కలిపి వాటిని "ఓటు" వేయిస్తాయి. 500 మందిని దారి అడగడం మరియు మెజారిటీని అనుసరించడం లాంటిది. ఈ సాధారణ ఆలోచన ఖచ్చితత్వాన్ని చాలా మెరుగుపరుస్తుంది!
అల్గారిథమ్ 2: K-Nearest Neighbors (KNN) 🏘️
KNN "మీ పొరుగువాళ్ళను అడగండి" అల్గారిథమ్. సారూప్యమైన విషయాలు దగ్గరగా ఉంటాయి.
అంతర్దృష్టి
మీరు కొత్త నగరానికి వెళ్ళి మంచి రెస్టారెంట్ కావాలనుకుంటే ఏం చేస్తారు? మీ సమీపంలోని పొరుగువాళ్ళను అడుగుతారు! 5 లో 3 మంది ఇటాలియన్ సూచిస్తే, మీరు ఇటాలియన్ ట్రై చేస్తారు.
KNN అదే విధంగా పనిచేస్తుంది:
- కొత్త, తెలియని డేటా పాయింట్ తీసుకోండి
- ట్రైనింగ్ డేటాలో K సమీపంలోని పాయింట్లు కనుగొనండి
- ఆ పొరుగువాళ్ళను ఓటు వేయనివ్వండి
- మెజారిటీని అనుసరించండి
K ఎంచుకోవడం
- K చాలా చిన్నది (ఉదా. K=1) → శబ్దానికి సున్నితం
- K చాలా పెద్దది (ఉదా. K=100) → చాలా సాధారణం
- సరైన చోటు → K=3, 5 లేదా 7 సాధారణంగా బాగా పనిచేస్తుంది. ఎల్లప్పుడూ బేసి సంఖ్య!
from sklearn.neighbors import KNeighborsClassifier
# K=5 తో KNN మోడల్ సృష్టించి ట్రైన్ చేయండి
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# కొత్త డేటాపై అంచనా వేయండి
prediction = knn.predict(X_test)
print(f"ఖచ్చితత్వం: {knn.score(X_test, y_test):.2%}")
💡
KNN ఒక "సోమరి విద్యార్థి" — ట్రైనింగ్ సమయంలో ఏమీ నేర్చుకోదు! మొత్తం డేటా గుర్తుపెట్టుకుని, అంచనా సమయంలో దూరాలు లెక్కించి నిజమైన పని చేస్తుంది.
అల్గారిథమ్ 3: లీనియర్ రిగ్రెషన్ 📈
లీనియర్ రిగ్రెషన్ డేటా పాయింట్ల ద్వారా ఒక రేఖ గీయడం. సంఖ్యను (వర్గం కాదు) అంచనా వేయడానికి ఉపయోగిస్తారు.
అంతర్దృష్టి
ఎంత ఎక్కువ గంటలు చదివితే, సాధారణంగా అంత ఎక్కువ మార్కులు. గ్రాఫ్పై ఇది పైకి వెళ్తున్నట్లు కనిపిస్తుంది. లీనియర్ రిగ్రెషన్ ఆ పాయింట్ల ద్వారా అత్యుత్తమ రేఖ గీస్తుంది.
సమీకరణం
y = mx + b
- y = మనం అంచనా వేస్తున్నది (టెస్ట్ స్కోర్)
- x = ఇన్పుట్ (చదివిన గంటలు)
- m = వాలు (రేఖ ఎంత వాలుగా ఉంది)
- b = ఇంటర్సెప్ట్ (రేఖ y-అక్షాన్ని ఎక్కడ కలుస్తుంది)
from sklearn.linear_model import LinearRegression
import numpy as np
# చదివిన గంటలు మరియు టెస్ట్ స్కోర్లు
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])
# మోడల్ ఫిట్ చేయండి
model = LinearRegression()
model.fit(hours, scores)
# 5.5 గంటలకు స్కోర్ అంచనా
predicted = model.predict([[5.5]])
print(f"5.5 గంటలకు అంచనా స్కోర్: {predicted[0]:.1f}")
ఎప్పుడు పనిచేస్తుంది — మరియు ఎప్పుడు పనిచేయదు
- ✅ సంబంధం దాదాపు నేరుగా రేఖ అయినప్పుడు బాగుంటుంది
- ✅ వేగవంతమైనది, సరళమైనది, అర్థం చేసుకోవడం సులువు
- ❌ సంబంధం వక్రమైనది లేదా సంక్లిష్టమైనప్పుడు చెడ్డది
- ❌ అవుట్లయర్లకు సున్నితం
ఏ అల్గారిథమ్ ఎంచుకోవాలి? 🧭
| ప్రశ్న | డెసిషన్ ట్రీ | KNN | లీనియర్ రిగ్రెషన్ | |--------|:---:|:---:|:---:| | వర్గం అంచనా? | ✅ | ✅ | ❌ | | సంఖ్య అంచనా? | ✅ | ✅ | ✅ | | నిర్ణయం వివరించాలా? | ✅✅ | ❌ | ✅ | | చాలా పెద్ద డేటాసెట్? | ✅ | ❌ | ✅ | | లీనియర్ సంబంధం? | ❌ | ❌ | ✅✅ |
🤔
Think about it:
ఒకే "అత్యుత్తమ" అల్గారిథమ్ లేదు. సరైన ఎంపిక మీ డేటా మరియు సమస్యపై ఆధారపడుతుంది. డాక్టర్ వ్యాధిని నిర్ధారించడానికి డెసిషన్ ట్రీని ఇష్టపడవచ్చు ఎందుకంటే ఎందుకు ఆ నిర్ధారణ చేసిందో వివరించగలదు.
ఇంటరాక్టివ్: సినిమా రికమెండర్ నిర్మించండి 🎬
సినిమాలు సిఫార్సు చేయడానికి సాధారణ డెసిషన్ ట్రీ నిర్మించండి!
మీకు ఫన్నీగా ఏదైనా కావాలా?
├── అవును → యానిమేషన్ సినిమాలు ఇష్టమా?
│ ├── అవును → చూడండి "Inside Out 2" 🎭
│ └── కాదు → చూడండి "The Grand Budapest Hotel" 🏨
└── కాదు → యాక్షన్ ఇష్టమా?
├── అవును → సూపర్హీరోలు ఇష్టమా?
│ ├── అవును → చూడండి "Spider-Man: Across the Spider-Verse" 🕷️
│ └── కాదు → చూడండి "Top Gun: Maverick" ✈️
└── కాదు → నిజమైన కథ కావాలా?
├── అవును → చూడండి "Hidden Figures" 🚀
└── కాదు → చూడండి "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))
సారాంశం 🎯
- అల్గారిథమ్ సమస్యను పరిష్కరించే స్టెప్-బై-స్టెప్ ప్రక్రియ
- డెసిషన్ ట్రీలు అవును/కాదు ప్రశ్నలు అడుగుతాయి — వివరించగలిగేవి మరియు దృశ్యమానం
- KNN K సమీపంలోని పొరుగువాళ్ళను ఓటు వేయించి వర్గీకరిస్తుంది
- లీనియర్ రిగ్రెషన్ సంఖ్యలు అంచనా వేయడానికి రేఖ గీస్తుంది
- ఏ అల్గారిథమ్ సార్వత్రికంగా అత్యుత్తమం కాదు — మీ డేటా ఆధారంగా ఎంచుకోండి
- నిజమైన AI సిస్టమ్లు తరచుగా అనేక అల్గారిథమ్లను కలుపుతాయి
తదుపరి ఏమిటి? 🚀
మీరు ఇప్పుడు మూడు క్లాసిక్ అల్గారిథమ్లను కలిశారు. తదుపరి పాఠంలో మనం న్యూరల్ నెట్వర్క్లు అన్వేషిస్తాం — ఆధునిక AI విజయాల వెనుక ఉన్న మెదడు-ప్రేరిత అల్గారిథమ్లు! 🧠
Lesson 2 of 30 of 3 completed