Challenges in Machine Learning | Problems in Machine Learning

Summary

The video script discusses the intricacies of machine learning, emphasizing the importance of data collection, the challenges of feature selection, and the potential pitfalls of overfitting. It delves into the practical aspects of deploying machine learning models, including the complexities of software integration and the need for continuous learning and adaptation. The speaker also touches on the future of machine learning, suggesting that it will become more accessible and integrated into various platforms, highlighting the importance of understanding both the technical and practical sides of machine learning projects.

Takeaways

• 📘 Data Collection: The importance of collecting data for machine learning projects cannot be overstated. It's the foundation upon which models learn and make predictions.
• 🔍 Data Quality: Ensuring the quality of data is crucial as it directly impacts the performance of machine learning algorithms. Time spent on cleaning and preparing data is often significant in a project's lifecycle.
• 🔧 Feature Engineering: The process of selecting and transforming features from the raw data to make it more informative for the model is highlighted as a key aspect of machine learning.
• 🔄 Overfitting: The script discusses the challenge of overfitting, where a model learns the training data too well and fails to generalize to new data.
• 📉 Underfitting: The opposite of overfitting, underfitting occurs when a model is too simple and doesn't capture the underlying pattern of the data.
• 🔗 Model Interpretability: The ability to understand and explain how a machine learning model makes its predictions is discussed as an important yet often overlooked aspect.
• 🛠️ Software Integration: The script touches on the complexities of integrating machine learning models into existing software systems and the challenges of ensuring compatibility across different platforms.
• 🌐 Online Learning and Deployment: The concept of deploying models in a way that they can be updated continuously as new data comes in, without needing to retrain from scratch, is mentioned.
• 🔍 Representative Data: The necessity of having representative data that accurately reflects the problem space to avoid biased or incorrect model predictions is emphasized.
• 🛡️ Ethical Considerations: While not explicitly stated, the script implies the importance of considering ethical implications when collecting and using data for machine learning.
• 🚀 Continuous Learning: The idea of treating machine learning as an ongoing process of learning and improvement, rather than a one-off task, is suggested by the discussion on model updates and maintenance.

Q & A

What is the main topic of the video script?

The main topic of the video script is machine learning, focusing on various aspects such as data collection, the challenges faced in machine learning projects, and the importance of proper data representation and software integration.

What are some of the initial steps mentioned in a machine learning project?

Some initial steps mentioned in a machine learning project include understanding what machine learning is, the difference between machine learning and deep learning, and the types of machine learning.

Why is data collection an important aspect of machine learning?

Data collection is important in machine learning because the quality and relevance of the data directly impact the performance of the machine learning models. Without good data, even the best algorithms cannot produce accurate results.

What are some challenges faced when collecting data for machine learning?

Challenges faced when collecting data for machine learning include obtaining a representative sample of the data, dealing with missing values, and converting data into the correct format for analysis.

What does the script suggest about the relationship between the amount of data and the effectiveness of machine learning models?

The script suggests that having a large amount of data does not necessarily mean better results if the data is not properly sampled and representative of the problem space. It also mentions the concept of 'unreliable effectiveness of data' where too much data can be overwhelming and not always beneficial.

What is the importance of feature engineering in machine learning?

Feature engineering is important in machine learning as it involves selecting and transforming the features or columns in the dataset to improve the performance of the machine learning models. It helps in creating meaningful representations of the data that contribute to better predictions.

Why is it necessary to consider software integration when developing machine learning models?

Software integration is necessary because machine learning models need to be incorporated into existing software systems to be useful in real-world applications. This involves ensuring that the models work well across different platforms and operating systems.

What is the potential issue with overfitting in machine learning models?

Overfitting occurs when a machine learning model learns the training data too well, including its noise and outliers, which can negatively impact the model's performance on new, unseen data.

What is the script's stance on the future of machine learning deployment?

The script suggests that the future of machine learning deployment will involve more accessible libraries for various platforms, making it easier to deploy machine learning models. However, it also acknowledges the current challenges and the need for improvement in this area.

What advice does the script give regarding the practical implementation of machine learning models?

The script advises that after learning and developing machine learning models, one should focus on converting these models into a proper software product and deploying them on servers to be used by actual users, ensuring both development and operational experience.

What is the importance of understanding the entire workflow in machine learning projects as mentioned in the script?

Understanding the entire workflow in machine learning projects is crucial as it helps in identifying potential bottlenecks and challenges, from data collection to model deployment, which can ultimately lead to more efficient and effective machine learning solutions.

Outlines

00:00

🚀 Introduction to Machine Learning Challenges

In this paragraph, the host welcomes viewers to the YouTube channel focused on machine learning. They outline the video content, mentioning that it will cover ten key challenges faced in machine learning projects. The host emphasizes the importance of data collection and the difficulties of acquiring and preparing high-quality data for machine learning models.

05:01

📊 Data Collection Difficulties

This section delves deeper into the first challenge of machine learning: data collection. The host discusses the difficulties in gathering adequate and relevant data, especially for real-world applications. They explain that while it is easy to obtain data for small projects, collecting data for larger projects or companies can be challenging due to data privacy and acquisition issues.

10:03

🔍 Data Representation and Bias

Here, the host addresses the problem of insufficient and non-representative data. They explain how biased data can lead to inaccurate models and predictions. The host uses examples to illustrate how collecting data from a single source, such as one country, can skew results. The importance of having a representative sample to ensure model accuracy is highlighted.

15:05

🛠 Data Quality and Cleaning

The host discusses the extensive effort required to clean and preprocess data. They note that a significant portion of a machine learning project is dedicated to improving data quality. Issues like missing values, incorrect formats, and inconsistent data can severely impact the performance of machine learning models, making data cleaning a critical step.

20:06

🔄 Feature Engineering

This paragraph covers the challenge of feature selection and engineering. The host explains how irrelevant or redundant features can affect model performance. They stress the importance of choosing meaningful features and transforming existing ones to improve model accuracy. The concept of 'garbage in, garbage out' in machine learning is emphasized.

🔍 Overfitting and Underfitting

The host explains the issues of overfitting and underfitting in machine learning models. Overfitting occurs when a model learns the training data too well, including noise, making it perform poorly on new data. Underfitting happens when a model is too simple to capture the underlying pattern in the data. Both problems can severely affect model performance.

🧠 Model Interpretability

In this section, the host talks about the challenge of making machine learning models interpretable. They explain that understanding how a model makes decisions is crucial, especially in critical applications like healthcare and finance. The host discusses the balance between model complexity and interpretability.

🔧 Software Integration

The host addresses the challenge of integrating machine learning models into software applications. They explain that deploying models in different environments and platforms (e.g., web, mobile, desktop) requires careful consideration and adaptation. The complexity of ensuring compatibility and smooth integration is highlighted.

⚙️ Offline Learning and Deployment

This paragraph covers the difficulties of updating and deploying machine learning models. The host discusses offline learning, where models are periodically updated with new data. They highlight the logistical challenges involved in bringing models offline for retraining and then redeploying them to production.

💰 Cost and Resource Management

In the final paragraph, the host discusses the hidden costs and resource requirements of deploying machine learning models at scale. They talk about the financial and computational resources needed to maintain and operate models in production environments. The host stresses the importance of considering these factors in project planning.

Keywords

💡Machine Learning

Machine Learning is an artificial intelligence technique that enables computers to learn from and make decisions based on data. In the context of the video, it is the central theme, with discussions around its types, differences between machine learning and deep learning, and its applications in various projects. The script mentions machine learning in relation to data collection and coding, indicating its practical use in projects.

💡Deep Learning

Deep Learning is a subset of machine learning that uses neural networks with many layers to analyze and learn from complex patterns in large amounts of data. The script differentiates it from machine learning, suggesting a deeper level of data analysis and the use of algorithms that mimic the human brain's structure to solve more complex problems.

💡Data Collection

Data Collection is the process of gathering and assembling data required for analysis or decision-making. The video script emphasizes the importance of data collection in machine learning, mentioning various sources like CSV files, PSB files, and web scraping. It also discusses the challenges of data collection, such as the need for clean and representative data.

💡Feature Engineering

Feature Engineering involves selecting and transforming raw data into features that better represent the underlying problem to the predictive models, thus improving their performance. The script touches on the importance of feature engineering in machine learning, where it discusses the process of converting multiple features into a single, more meaningful feature that can contribute to the model's accuracy.

💡Overfitting

Overfitting occurs when a machine learning model learns the training data too well, including its noise and outliers, which negatively impacts the model's performance on new, unseen data. The script warns about overfitting, indicating that it's a common problem when models are too complex relative to the simplicity of the data patterns.

💡Data Representation

Data Representation refers to how data is structured and presented in a format that can be easily understood and processed by machine learning algorithms. The video script mentions the importance of proper data representation, as it is crucial for the model to learn effectively and generalize well to new data.

💡Algorithms

In the context of machine learning, Algorithms are the mathematical processes used to analyze data and make predictions or decisions. The script discusses different types of algorithms and their applications, emphasizing the need to choose the right algorithm based on the nature of the data and the problem at hand.

💡Data Quality

Data Quality refers to the overall integrity and reliability of the data, which includes accuracy, completeness, consistency, and timeliness. The script highlights the importance of ensuring high data quality in machine learning, as poor quality data can lead to incorrect conclusions and ineffective models.

💡Software Integration

Software Integration is the process of combining different software components or systems into a single, coherent system. The video script discusses the challenges of integrating machine learning models into existing software platforms, emphasizing the need for compatibility and seamless interaction between the model and the software.

💡Online Learning

Online Learning in machine learning refers to the ability of a model to continue learning from new data over time, updating its knowledge base without the need for retraining from scratch. The script touches on the concept of online learning as an approach to keep models current and responsive to new information.

💡Deployment

Deployment in the context of machine learning involves the process of putting a trained model into a production environment where it can be used to make predictions or decisions. The video script addresses the challenges of deployment, such as ensuring the model works correctly in the target environment and is updated as needed.

Highlights

Introduction to the YouTube channel focusing on machine learning and deep learning.

Discussion on the difference between machine learning and deep learning.

Exploring the types of machine learning and their applications.

Importance of data collection in machine learning projects and the challenges involved.

Data representation and the problems that can arise from improper data collection methods.

The role of data quality in machine learning and how it impacts model performance.

Strategies for dealing with missing data and data in different formats.

Feature engineering techniques to improve machine learning model outcomes.

The concept of overfitting in machine learning and how to avoid it.

Importance of model interpretability and understanding the decision-making process of machine learning models.

Challenges in software integration when deploying machine learning models.

The need for continuous learning and updating models in production environments.

Ethical considerations and responsible use of machine learning technologies.

Practical examples of machine learning applications in various industries.

Discussion on the future of machine learning and its potential impact on society.

The importance of a collaborative approach in machine learning projects for better results.

Tips for beginners in machine learning to enhance their learning and development.

Conclusion and summary of key points discussed in the video.

Transcripts

हैं हेलो गाइस वेलकम टू माय YouTube चैनल

जरुर डे सोप मशीन लर्निंग एंड टुडे 700

अभी तक हमने काफी चीजों के बारे में बात

किया मशीन लर्निंग क्या होता है यह मशीन

लर्निंग डीप लर्निंग के बीच में क्या

डिफ्रेंस होता है टाइप्स ऑफ मशीन लर्निंग

क्या है अब हम सेंस आगे बढ़ रहे हैं और

फिर हम लोग व कोडिंग और डाटा को कैसे यूज

करके मशहूर इंवॉल्वेस बनाने इस की तरफ मूव

करें बट आई डोंट लाइक कि आपको एक चीज बताओ

पहले से और वह है कि आपको क्या-क्या

चेंजेस आगे मिलेंगे ठीक है तो टू डेज

वीडियो बिल भी ऑल अबाउट चैलेंजिस इन मशीन

लर्निंग ठीक है मैं आपको 10 इंपोर्टेंट

पॉइंट बताऊंगा जॉब आगे के वीडियोस या फिर

अपने करियर में आगे फ्रेश करोगे जब भी

आपको मशीन लर्निंग प्रोजेक्ट पर काम कर

रहे होंगे ठीक है तो नेक्स्ट डे भी हो सो

लेट्स स्टार्ट द फर्स्ट प्वाइंट इस डाटा

कलेक्शन शोल्ड नो मशीन लर्निंग आईएस ऑल

अबाउट लर्निंग फ्रॉम डू राइड अगर डेटा ही

नहीं आपके पास तो

को व्हाट्सएप प्वाइंट आफ डूइंग मशीन

लर्निंग ब्राइट सुन जो तू मशीन लर्निंग

आपके पास डीटॉक्स एक चीज आप यह कोर्स कर

रहे हो या फिर आप छोटे-छोटे प्रोजेक्ट बना

रहे हो कॉलेज लेवल पर तो आपको डाटा बहुत

इजीली मिल जाता है आपको सीएसवी फाइल्स के

पीएसबी फ़ाइल फ़ॉर्मेट के फॉर्म में डाटा

अलग-अलग सोते समय जाएगा ट्रायंगल से मिल

जाएगा या फिर किसी और वेबसाइट से मिल

जाएगा या फिर भाभी आपके टीचर से आप किसी

ने आपको डाटा दे देंगे बट व्हेन ई वास

डूइंग ए अक्षर मशीन लर्निंग आफ मौसम कंपनी

डैम डाटा आइटम रिलेशन या फिर डाटा

ग्याद्रिंग इस अक्षर ए क्वाइट डिफिकल्ट इन

थिस सॉर्ट आफ डूइंग थिस यू कैन ऐिदर यू नो

योर हेल्थ डिपार्मेंट चीफ

है और यू कैन डू वेब स्क्रेपिंग

कि यह 2 p.m. अप्रोचोड वो कलेक्ट करने के

लिए बट यहां पर भी जब आप डाटा कलेक्ट करते

तो कुछ चेंजेस रहते हैं क्योंकि आप एक

कॉर्ड को यूज करके खूब सारा डाटा किसी और

के समक्ष अपने वश में ला रहे हो बहुत तरह

के गड़बड़ हो सकते हैं हम यह दोनों तरीके

से डाटा योद्धाओं सीखेंगे फ्यूचर में वहां

पर मैं आपको बताऊंगा कि क्या प्रॉब्लम हो

सकती है बट या दिस टैप इस प्रॉब्लम इन

मशीन लर्निंग इफ यू डोंट हैव रेडिमेंट

डाटा दिन यात्री डाटा इसे डिफिकल्ट पीस आफ

आर्ट आफ वैज्ञानिक स्टीफन हस इंसफिशिएंट

डाटा लेवल डाटा सोए

यह मशीन लर्निंग में एक चीज आप ग्रैजुअली

सीखोगे कि मान लो अगर आप केवल दो

एल्गोरिदम सेल्यूलर क्या बताना चाह मिर्च

2 एल्गोरिथम्स हेल्प वर्कर मेज़ एल्गोरिदम

बिल एंड ए ग्रेट अमेज़न अधेरों पीछे बट हे

गवे थम ए ग्रेट जस्ट 120 डेज टो वेयर ए

सेलिब्रेशन आफ बट टैनिंग ब्लैक रोटा सिम

प्रॉब्लम यह काम करने का मतलब है और अब तो

डाटा लगे बट प्रॉब्लम सॉल्व कर रहे हैं

व्हाट यू थिंक थिस इन दोनों में से कौन सा

मॉडल इन इनके कलेक्शन को एल्कोहल एंड वन

और इसके कलेक्शन को ऑयल एंड यू व्हाट यू

थिंक इन थे फॉर्म करें का यह इनटू बैटल

फॉर करेगा डांसर sm2 बेटर फॉर करेगा इवन

दो एल्गोरिदम बी इज नॉट इट्स नॉट एस गुड

एस एल्गोरिथ्म टैब्स पेपर

यह सिम का बारकोड दादा यहां पर हमारा

एल्गोरिथ्म भी का परफॉर्मेंस विल ट्रंप

एल्गोरिदम एक ऑफ बट इसके ऊपर एक बहुत ही

इंट्रेस्टिंग स्टडी है दिखाओ एक पेपर कुछ

बहुत समझदार लोगों ने पब्लिश किया था वो

केवल पिचों पर काम कर रहे हैं और ML पीने

दे व ट्राइंग टू बिल्ड मॉडल्स जो 21 इस

तरह के वर्ड्स को मतलब यहां पर टू यूज

होना चाहिए कि डब्लू यू सो मच इस तरह के

वर्ड्स कहां पर यूज होने चाहिए इसके ऊपर

एक मॉडल बनाने थे और उन्होंने बहुत बड़ा

एक डाटा से क्रिएट किया यह चीज करवाने के

लिए एम उसके बाद उन्होंने उस डाटा शीट पर

अलग अलग एल्गोरिदम को ट्राय किया कुचाल

गर्म बहुत ही अच्छे से डीप लर्निंग चौक

कुछ एल्गोरिथम्स बहुत अच्छे नहीं थे लाइक

एनी टाइप के उन्हें लाइब्स भी उसकी होने

लगा युद्ध में यूज कीजिए एंड गेस व्हाट

ठेर लाइव्स कि अगर आप यह बहुत ज्यादा डाटा

है बहुत ज्यादा डाटा है तो वह फर्क नहीं

पड़ता बहुत ज्यादा कि आप कौन फाल्गुन

में यूज कर रहे हो तो इसको बोला जाता है

अनरीजनेबल इफेक्टिवेनेस आफ डाटा मतलब अगर

आपके पास यूजर नेम और डाटा है तो यह निशान

लगा होता मैटर नहीं करता पर गैस वोट उतना

डाटा सभी के पास नहीं होता हमारे पास

माल्या मीडियम लेवल पर डाटा रहता है डाट

इस वड़े अच्छे गोल्डन बॉर्डर करता है बट द

पॉइंट डिस्कस इस देश की इंटरमीडिएट अगर

आपके पास है तो आप लैंग्वेज प्रॉब्लम

करोगे और डाटा सच में युद्ध करना और सही

फॉर्मेट में युद्ध करना कि जब सही ट्रैक

की चार इंच राइट सेकंड है कि अक्षय को

लेवल डाटा नहीं मिलेगा रिलैक्स रफ

प्रिडिक्शन का कोई खास करके अलग से आप

इमेज क्लासिफाई प्रयोग किया एंड

क्लासिफाइड बना रहे हो तो आप डाटा कलेक्शन

तो बिजली कर सकते अलग से आप एपीआई किसी का

इतिहास यूज कर लें इससे आपको बहुत सारे

क्लिक कर बोल की वेबसाइट है वहां पर आपको

फ्री में इमेजेस मिल जाते हैं आप वहां से

खूब सारे इमेजेस डाउनलोड कर रहे हो या फिर

आप Google से वैक्स बैटिंग कर रहे हो आपके

पास

अनुसार हमें इस आगे बढ किसी को यहां पर

बैठना पड़ेगा लेवल करने के लिए यह करंट

मैच में कैट है यह कौन इमेज में डॉग है वह

टीडीएस काम फ्राइड तो अगेन अभी तक दोनों

पॉइंट मिनट्स के लिए देवर रिलेटेड टो डाटा

और आगे भी काफी कुछ डाटा से रिलेटेड है

क्योंकि जो भी चैलेंज सुनकर या तो वह डाटा

के फॉर्म में होंगे या तो एल्गोरिदम के

फॉर्म में होंगे तो पहला वॉच डाटा का

कलेक्शन विकास कितना इजी अवेलेबल नहीं है

डाटा से कंट्री वगेरह डाटा आ भी गया तो

क्या वह सफेद है और अगर सफिशिएंट है तो

क्या वह लेवल है इस तरह के क्वेश्चंस आपको

बहुत परेशान करेंगे फ्यूचर में ठीक है

थर्ड पॉइंट इज नॉट रिप्रेजेंट थे डेट आफ

तो कभी-कभी क्या होता है कि लहसुन आप

सीनियर रिग्रेशन का प्रॉब्लम सॉल्व करो

पापा के लिए रिलेशन पढ़ोगे बाय लें जहां

पर आप यूज करते हैं आपके पास अगर कुछ डाटा

होता है और ओनली ए स्मॉल डाटा होता है तो

अगर आपको और एंड गिविंग मैलनिंग वापिस

प्रवेश करना है तो आप कैसे करते हो आप

यहां पर एक लाइन ड्रा कर दे तो जो इस

रॉबस्ट फिट करता है अब इस लाइन रहो रहा है

वह पॉइंट्स को देख करके ही किया जा रहा है

ड्राइड बड़े मासूम करो आपने जो डाटा युद्ध

किया था यह कंप्लीट डाटा नहीं था कंप्लीट

डाटा कुछ ऐसा था अब कुछ सोचो अगर आपके पास

कंप्लीट डाटा होता तो आपका लाइन आफ एसिड

ऐड करते हैं यह इतना डाटा ना होने की वजह

से आपने यह मॉडल चूज किया बट अक्षर मॉडल

यह होना चाहिए था कि आपके पास यह डाटा

नहीं है इस प्रॉब्लम को बोला चाहते हैं

नॉट रिप्रेजेंटेड शख्स मतलब यह सिंपल

वर्ड्स लें कि आप एक मशीन लर्निंग

प्रॉब्लम सॉल्व करने जा रहे हो बट आपके

पास डाटा है वह आगे की कहानी बोल रहा है

और अपराधी कहानी को सुनकर कि अगर आपको कुछ

कंफ्यूजन देना है तो आप इस व्यापार

कंफ्यूजन गलत हुआ है कि नहीं दी और मेरी

ड्यूटी एक्सांपल टिप से हम इंडिया में से

हमने सर्वे कराना है कि 20 का T20 वर्ल्ड

कप कौन सी टीम जीतेगी एंड गेस व्हाट मैनर

सर्वे इंडिया में कराया अगर मैं इंडिया

में सर्वे कराएगा

टॉप 10 की मौ त पीपल गोट से इंडिया जीतेगी

विकास हम थोड़े बाय दर्स ओं इंडियन टीम की

तरफ वाइट तो कभी-कभी क्या होता है कि आप

जब डाटा ज्यादा पर में चाहते हो तो आप सभी

जगह से ना गा करके इसे एक जगह से उठा लेते

हो तो प्रॉपर रिप्रेजेंटेशन नहीं होता

प्रॉब्लम का अगर आपको यह पता करना है

सर्वे करना है कि कौन सी टीम क्रिकेट

वर्ल्ड कप जीतेगी तो आप को सैलरी हर उस

एंट्री में करना चाहिए टीम खेल रही है तभी

तो आपके पास वैलिडेट आएगा बट आपने सिर्फ

इंडिया में किया बुद्धेश्वर रिप्रेजेंटेशन

आफ डाटा और यह आपको परेशान कर सकता है अगर

आपके पास सही से रिप्रेजेंटेटिव डाटा नहीं

है इट विल हैंपर योर इनफॉरमेशन इसको बोला

जाता है सैंपल इन लॉ एस ए

तो फिर तू सारी टीम रही थी बट क्वेश्चन

कैसे किया सिर्फ इंडिया से डिसेसेंबलिंग

9ice

तो कभी क्या करते हो आप सभी जगह से डाटा

लाते भी हो फिर भी गड़बड़ा जाता है कि

वृक्षों पर आपने सारी कंट्री इसमें 200

फंड से पूछा कौन क्रिकेट वर्ल्ड कप जीतेगा

फिर भी सबने इंडिया ही बोला उसका रिजल्ट

क्या है कि बाहर की कंट्री इसमें भी

इंडिया वाले बहुत रहते हैं तो फिर से

गड़बड़ हो गई इसको बोला जाता सैंपलिंग

बायस कि जब बहुत बड़े डाटा के ऊपर भी काम

कर रहे हो तब भी आपने सही से सैंपलिंग

नहीं किया रीप्रजेंट एक्सांप्ल नहीं किया

सबको बराबर मौका नहीं कि आपको क्या करना

चाहिए था आपको हंड्रेड इंडियन से पूछना

चाहिए था आ कंठ पाकिस्तानी से पूछना चाहिए

था हंड्रेड ऑस्ट्रेलियन से भिजवा देता हूं

फिर कोई भी बंदा बाहर वाला इंडियन नहीं

होना चाहिए तो फिर आपके पास सही

रिप्रेजेंटेशन आटा आगे मैं एक्सांपल देता

हूं आप जब प्रैक्टिकली चीज़ों करोगे तो आप

और बैटरी को समझ पाओगे बट यस अगर आपके पास

डाटा का रिप्रेजेंटेशन में गड़बड़ है तो

बहुत गड़बड़ है आपका एग्जाम तो आपका जो

रिजल्ट है वह सही नहीं आएगा ठीक है तो

पॉइंट पॉजिटिव डाटा ओं

है अब इसको भी अ लॉट ऑफ थैंक्स डाटा में

बहुत सारा ग्लास है डाटा मिसिंग वैल्यूज

है डाटा में अगर अप्रैल यूज है डाटा में

अलग-अलग फॉर्मेट मुगलों है और इन सारी

चीजों को सही करने में उपयोग बहुत मेहनत

लगती है इन फैक्ट बोला जाता है अगर आप

मशीन लेकिन प्रॉफिट कर रहे हो तो उसमें

60% टाइम अगर आप एक साल और किसी प्रोजेक्ट

को देर हो तो आप लगभग आठ महीने सिर्फ डाटा

को डाटा का क्वालिटी सही करने में गुजार

देते हो क्योंकि अगर आपके डेटा का

क्वालिटी सही नहीं है आपका मशीन लर्निंग

एल्गोरिथम्स कुछ भी नहीं कर सकता इट इज

रिलाइड अपऑन डाटा पे डाटा इज नॉट एंटर

करेक्ट फॉरमैट इन क्वालिटी अपडेट आस्क यू

आर यू रिजल्ट्स फॉर गोइंग टू कुंवर ठीक है

आई होप यह तो सॉफ्ट और वेस्ट इंडीज और

इसके ऊपर हम लोग काफी टाइम्स एंड करेंगे

हम अलग-अलग तरीके से कचरा वाला डाटा लेंगे

और उसको रिसाइकिल करके प्रॉपर पियो डाटा

में कन्वर्ट करें यह बहुत इंपोर्टेंट

पार्ट होता है

अपनी डाटा साइंटिस्ट तय जो प्रोटीन का और

यह आपको बहुत अच्छे से आना चाहिए सूर्य आप

ए प्रॉपर चैलेंज टयूलिप फील्ड्स इन फ्यूचर

ठीक है नेक्स्ट सिर एलिमेंट फीचर्स फीचर्स

मतलब प्रॉब्लम्स सॉफ्ट ना बहुत सिंपल है

कि आपके पास कुछ ऐसे कॉलम्स है जो

कंट्रीब्यूट ही नहीं कर रहा है आपके फेस

में उनका कुछ मीनिंग ही नहीं है वह फालतू

में वहां पर एक्सेस कर रहे हैं वह भी

प्रॉब्लम है इन फैक्ट मशीन लर्निंग में एक

फेमस डायलॉग है डायलॉग है मतलब प्रॉपर

फ्रेश किसने बोला था मुझे पता नहीं किसने

बोला था उसने बोला था गार्डर ब्रिज

कि इन गार्बेज

कि अ बट अगर मशीन लर्निंग ऑडिट कंडक्टेड

लोगे कछुए टाइम मिलेगा तो अगर आप ऐसे

फीचर्स डाल रहे हो जो आपको किसी काम के

नहीं है तो फिर आपको कड़ाही बार मिलेगा

आपके आउटफिट में बेसिकली आपका मोरल सपोर्ट

नहीं करेगा गिव वन एग्जांपल लेफ्ट से आप

क्या कर रहे हो आप यह परीक्षण कर रहे हो

कि आप एक-एक मेहरा थोक नाइस करो लेट से एक

रनिंग यह थायराइड कर रहे हो और आप ने बहुत

सारे लोगों को मैसेजेस किए उसमें अर्थों

में पार्टिसिपेट करने के लिए उंट आपके पास

उन लोगों को काफी सारे डाटा है लाइक कॉल

का वेट कितना उनका हाइट कितना अहम का मैच

कितना अहम का लोकेशन क्या है और उसके बीच

इसका प्रिंटेड करना चाहता हूं कि कौन

मैराथन में आएगा कौन नसों में नहीं आएगा

सॉफ्ट टॉयज फिटनेस फॉलो करता है हल्दी

लेना चाहता हूं वरना अपने हाथों में

पार्टिसिपेट करेगा सचान हियर है इन

कंपैरिजन टो समवन जो थोड़ा सा कम फिटनेस

की तरफ व

लॉग इन ब्लेंडर प्राइड तो अब यहां पर आपके

पास प्रिंट कॉलम से वह क्या है एच यह

फेवरेट यू हैव अ हाइट यह लोकेशन है

कि अब लोकेशन टू बी जो अपने फ़िटनेस के

बारे में कुछ बोल नहीं रहा है मतलब आप

मतलब ऐसा नहीं हो सकता मैं कि मतलब साउथ

इंडिया के लोग नोएडा से ज्यादा फिट रहते

हैं ऐसा नहीं बोलते रहेगी एक चीज बोल भी

दोगे तो कंजूस अपडेट आप रुक नहीं सकते तो

यहां पर यह जो लोकेशन वाला है ना जिस नॉट

गोइंग टू ऐड एनी वैल्यू टो योर ऐड्रेस तो

उसको हटा देना ही बेहतर है यह वेलवेट फीचर

कभी-कभी आप क्या करते हो कि दो फीचर्स को

मिला करके एक सिंगल फीचर में कंवर्ट कर दे

तो लाइक पीएम आए मतलब ग्रेट और ही डोल

फीचर्स यू रखोगे पीएम बना दो उसको टाइट एक

सिंगल चीज दो चीजों की कहानी बोल दे वह और

इसको यह बोलते फीचर इंजीनियरिंग है

कि यदि आप बहुत करने वाले होंगे ठीक है तो

इधर वेस्टीज अब एक बहुत बड़ा प्रॉब्लम है

आपको फ्यूचर में बहुत सारा कॉलम्स मिलेगा

आपके डेटा में किसको रखना चाहिए किसको

नहीं रखना चाहिए यह बड़ा तगड़ा चार्ज होता

है और यह एक्सपीरियंस के साथ सीखते हुए

ठीक है तो यह आपको बताना था नेक्स्ट ओवर

फटे तो व फिटिंग का फंडा क्या है कि आपने

एक मशीन लर्निंग मॉडल को एक डाटा के लोकल

ट्रेन किया और उस मशीन लर्निंग मॉडल ने उस

डाटा को अरेस्ट किया और अपने का मतलब उसने

कि उसे बेसिकली कौन सी है उसके पीछे कि

स्टोरी नहीं समझी बस्यौ चीजों को रख लिया

तो अगर आप उस माइक नया डाटा दोगे तो उसका

परफॉर्मेंस अच्छा नहीं रहेगा नए डाटा है

क्योंकि उसको सिर्फ पुराना डाटा के ऊपर ही

काम करना आता है दिस थैंक यू नो नेटवर्क

सैटिंग्स और यह मशीन गर्मी के स्पेस में

बहुत बड़ा चैलेंज है कोई भी आयोडीन जब

पढ़ोगे आपको हमेशा यह कंडीशन पकड़कर पढ़ना

पड़ेगा कि अगर फिटिंग कब होगा क्योंकि ओवर

फिटिंग होता जरूर है गिव वन एग्जांपल आफ

और सेटिंग आप लक्ष्य किसी सिटी में उसे

मार डालूंगा आया और मैं किसी मूवी ऑल मूवी

देखने गया और मैंने पूछा भैया टिकट कितने

का है उसने बोला ₹500 का मैंने बोला भाई

यह तो बहुत महल मैं बाहर आ गया और मेरे

दिमाग में बिठा लिया कि गुड़गांव में तो

हर चीज महंगी है ऐसा जरूरी नहीं है ऐसा

बिल्कुल भी सही नहीं है मैंने सिर्फ मूवी

देखा बट मैंने जनरलाइज्ड कर दिया कि सब

कुछ महंगा तो दिस्कोवर सेटिंग हम ह्यूमन

बींग पैसा बहुत कहते हैं हर चीज के बारे

में करते हैं वह

उड़द यह कहते हैं डाटा के पाठों को पकड़कर

दिल से लगा लेते करवट लेते एंड ए थिंग की

सब कुछ ऐसा ही है जबकि ऐसा होता नहीं है

मैं आपको एक्सांपल देता हूं जैसे कि आपके

पास इस तरीके से कुछ डाटा ऑन

अच्छा ठीक है आ इस तरीके से कुंठा अब आप

पर मशीन लर्निंग मॉडल है उसने यह फंक्शन

कैलकुलेट किया

कि यह ट्रेनिंग देता था उसके ऊपर उसने यह

फंक्शन कैलकुलेट किया और यज्ञ सी यह हर

ट्रेनिंग पॉइंट को टच करने का टाइगर है

विच क्लीयरली इंडिकेट यहां पर व फिटिंग हो

रहा है कायदे से एक्चुअली डाटा कुछ ऐसा

लिखना चाहिए था

फोटो कुछ इस तरीके वर्क

के अंतिम क्षणों इलेक्ट्रॉनिक क्या बट यह

इसका प्रॉपर कर होता ठीक है बट हमारा जो

मॉडल है दारूवाला वह ट्रेनिंग डाटा को

लेकर सीरियस हो गया और एकदम से चिपक के

काम करने लग गया जिसकी वजह से अगर आप इसको

नए ट्रेन प्वाइंट्स होंगे अच्छा रिजल्ट

नहीं आएगा ठीक है तो वह फिटिंग एक बहुत

बड़ा प्रॉब्लम है और इसको रिमूव करने के

पोषक तरीका पढ़ोगे बट मेरे को आज भी बताना

था कि ऐसा कुछ आपकी लाइफ में आने वाले हैं

ठीक है फिर नेक्स्ट इस इंटरप्रिटिंग अंदर

फिटिंग इस जस्ट ऑपोजिट आफ ओवर सेटिंग्स

जहां पर आप कुछ ज्यादा सोचते ही नहीं हो

और बस एक छोटा सा अपनी बना ले तो लाइक

मशीन लर्निंग सिस्टम्स मगर बोला जाए तो

अगर आपके पास इस तरीके से पॉइंट्स है

कि इस तरीके से पॉइंट्स थे तो आपके मशीन

लर्निंग मॉडल ने बोला यह मेरा मॉडल वैली

सिंपलेस्ट 19 टक यह ट्रेनिंग में टॉप

अच्छा रिजल्ट देगा नए डाटा के ऊपर जो आपको

परेशान करने वहां पर अच्छे रिजल्ट्स आएंगे

यह भी बहुत खराब बात है तो मशीन लाइटिंग

और उसके ऊपर जब यह काम कर रहे हो आपको

हमेशा दिमाग लगाना क्योंकि मैं जब फर्स्ट

टाइम कर रहा था मशीन लर्निंग मेरा प्लेसेस

आखिर उसकी वेरी हैप्पी अरे यार मेरा

हंड्रेड परसेंट ब्याज पर चैनल यह ट्यूशन आ

रहा है इट्स मोस्ट पॉवरफुल किंग ओर है

प्राइड स्टोर इन सब चीजों को बेचना पड़ेगा

पूर्व चेयरमैन ठीक है बदलाव कमिंग 285

कमिंग 8.8 सॉफ्टवेयर इंटिग्रेशन एक तय जब

मशीन लर्निंग प्रॉब्लम पर काम कर रहे हो

तो एंड गोल्स कि वह एक सॉफ्टवेयर का पाठ

बंद करके यूजर को हेल्प करने वाला बीपी

अरे कमेंट सिस्टम या फिर और नमक आधा

जो कुछ भी आप चल परीक्षण का अल्गोरिदम हो

गया लोन डिफॉल्ट अपडेट करने का एल्गोरिदम

हो गया या आई एम डिफरेंस रिलेटेड कोई

प्रोजेक्ट हो गया एडवेंट वह किसी यूज़र को

हेल्प करने के लिए बनाया जा रहा है टाइट

और वह किसी ना किसी सॉफ्टवेयर का पाठ बंद

करके ही हेल्प करेगा मशीन लर्निंग अलग से

नहीं आता उस आपके अंदर ही रहता है अब जब

मशीन लर्निंग ड्रेस बनाते हो उसके बाद फिर

सेकंड इंपोर्टेंट काम होता है वह है उस पर

सॉफ्टवेयर के अंदर घुसा ना इंटिग्रेट करना

ट्राइड एंड क्योंकि आने से इतना इजी काम

नहीं होता क्योंकि सॉफ्ट में का प्रॉब्लम

क्या है कि सॉफ्टवेयर में अलग-अलग

प्लेटफार्म को हैं विंडो इस है Android है

लिनक्स है वाशिंग मशीन का जावाला ओवैस है

पुराने ऑपरेटिंग सिस्टम्स है डेस्कटॉप के

लिए अलग ऑपरेटिंग सिस्टम्स हैं सर्वर के

अलग ऑपरेटिंग सिस्टम्स हैं तेरा शो में ही

प्लेटफार्म राइट अब यू हाउ टू मेक और 10

आप नहीं करते हैं बट आपको भी कंट्रीब्यूट

करना पड़ता है इस चीज में कि आप सॉफ्टवेयर

में इस पूरे अपने मशीन लर्निंग मॉड

अधिक रेट करो अब आज के डेट में शोषण मैंने

इस नोट अ वेरी ओल्ड टेक्नोलॉजी लिमिटेड

टेक्नोलॉजी में अभी भी सिली फेमस है तो

बहुत सारे सौंपकर प्लेटफॉर्म उस तरीके से

सपोर्ट नहीं करते जैसे जावा जावा सच्चा

फेमस प्रोग्रामिंग लैंग्वेज बट अभी भी

बहुत स्टेबल तरीके से जावा में मशीन

लर्निंग नहीं हो पाता जावास्क्रिप्ट पूरा

का पूरा फ्रंट एंड वेब डेवलपमेंट

जावास्क्रिप्ट के बेडशीट है अभी रिसेंटली

जाकर टेंसरफ्लो ने अपना जैसा लाइब्रेरी

निकाल है तो अगर आप इसे वाश में वाशिंग

मशीन में या फिर इसी ट्रेन में मशीन

लर्निंग गुस्सा होना चाहिए ऑडियो में मशीन

हरिकृष्ण चार्ट तो उसके लिए आपको काफी

हैडिंग करना पड़ेगा तो आपको मॉडल काम करें

टेबल चीजें नहीं है अभी तो सॉफ्टवेयर

इंटिग्रेशन डिफिकल्ट काम है और एक मशीन

लर्निंग मॉडल हर तरह के प्लेटफॉर्म पर सही

से काम करें बहुत ही चैलेंज इन गांवों में

स्कूल इन जंगली मशीनरी मौजूद बनाकर खुश हो

जाते हैं बट मैं हमेशा को बोलता है एंड

प्रोडक्ट सुनाओ प्रोडक्ट मतलब यूजर्स को

यूज कर पाए आपके मो

यूज कर पाए तो उसको वेबसाइट पर करवट करो

Android ऐप में कंवर्ट करो इस पॉसिबल उसको

ऑडियो में चलाते रहें को दुखी जो आपकी

यूज्ड डायरेक्टली यूज कर पाएं और यह बहुत

चेंज गांव में आज के डेट मशीन लर्निंग

मेरा शोर कि अब यह पांच-दस सालों में

थोड़ा इजी हो जाएगा विकास हर प्लेटफार्म

के लिए लाइब्रेरी सामने लग जाएगी तो आपस

में कंफर्टेबल लोग यह भी बहुत प्रॉब्लम है

कि वह लाइब्रेरी आपस में कंफर्टेबल नहीं

होती तो आपको हर चीज के लिए अलग-अलग काम

करना पड़ता है कोई लेफ्ट राइट है नेक्स्ट

टेंस ऑफलाइन लर्निंग एंड डेप्लॉयमेंट आफ

लर्निंग मैं आपको बताया था कि दिल्ली कहते

हैं इसको मतलब कि आपका मॉडल एक बार

ट्रेनों के सर्वर पर समा जाता है और उसके

बाद अपडेट नहीं होता उसको अगर आपको अपडेट

करना है तो वापस नीचे लाओ ऑफलाइन लाओ नहीं

बेटा फिर से प्रेम करो और फिर से सर्वर पर

अपलोड करो

कि अब यह पूरा प्रोसेस है यह कई

परेशानियां इसमें मैं लास्ट डांस वीडियोस

किया था क्योंकि आप चाहते हो कि कांटेक्ट

या का मॉडल अपडेट होता है साइबर पर उसको

ऑनलाइन लर्निंग बोलते हैं वह थोड़ा सा

डिफिकल्ट 120 में देखा था टेक एंड

डेप्लॉयमेंट में बड़ा कूल लगता है और बहुत

मुश्किल होती है डिप्लॉयमेंट एनीवेज बहुत

डिफिकल्ट काम इट्स और आज के इस विशेष के

लीडिंग प्रोवाइडर है इडब्ल्यूएस व गिफ्ट

फॉर बॉयज और व दे और प्रोवाइडिंग सर्विस

जहां पर आपको मशीन लर्निंग यह सॉफ्ट

एप्लाई कर सकते हो अपने यूजर्स को दे सकते

हो बटुए ऑनेस्ट तब भी वह उतना से बल नहीं

है जितना सॉफ्टवेयर के लिए चीज़े अच्छे से

काम करती हैं अभी भी nation-states है और

चार इंच के मतलब आप प्रोडक्शन पर जाकर सब

डिपार्टमेंट वगैरह करोगे रियल टाइम में

मॉनिटरिंग वगैरह करोगे चीजों को जरूर लिया

इसकी हां थोड़ा सा मेहनत लग रहा है और

शायद थोड़ा इंप्रूवमेंट का जरूरत है इन

कंप्यूटर की साइड से तो यह भी

हजूर प्रोबेबली पांच-दस सालों में कृषि

ठीक होने का चांस घृत लास्ट चेंजेस

कॉस्ट्यूम बोल्ट और यह मैंने तब तक नहीं

समझा था जब तक मेरे खुद के मॉडल्स और

डिप्लॉय जेड प्लांट पर ट्रस्ट नहीं गाइस

अगर आप थोड़े भी बड़े स्केल पर चीजें कर

रहे हो मतलब किसी बड़ी कंपनी के लिए अगर

आप प्रोजेक्ट बना रहे हो और प्रोडक्ट बना

रहे हो और इसको डिप्लॉय कर रहे और टिप्स

इससे आपके 10,000 1 लाख व्युअर्स आपके उस

सॉफ्टवेयर को यूज कर रहे हैं आपका मशीन

लर्निंग और रन कर रहा है आपको अंदाजा भी

नहीं लगेगा कि किस तरह की जगह से आपके 65

अपने लगेंगे ठीक है मैं इस वीडियो के लिंक

में एक पेपर का लिंक सबमिट मतलब डालूंगा

जहां पर एक बंदे ने प्रॉपर ऐड्रेस किया है

उस प का नाम है द कॉस्ट ऑफ कई लोग जब मशीन

लर्निंग रिसर्च करते हैं तो वह बहुत बह

जाते हैं और खुशी-खुशी में मौजूद बनाते

हैं नाइट्रिक से टेक्निक्स फॉर बनाते हैं

बट जब उनको उठाकर के सर्वर पर लाया जाता

है मैं तो इतने सारे हिडेन कॉस्ट निकाल

देना कि

कि आपका कंपनी आपको बहुत सारी चीजों के

लिए अलाउद्दीन नहीं करेगा फ्राइड तो आज की

डेट में सिम्स मशीन लर्निंग सरवर परिसर

में से टेक्नोलॉजी नया है तो सब कुच्छ भी

ऑप्टिमाइज्ड नहीं है और वह अपनी माइल्स

करना भी एक बहुत बड़ा चैलेंज है तो इस

पूरे वीडियो को देखने के बाद एक चीज जो

बताऊंगा सीखो तो यह है कि जब भी आप उसी

में उसी ग्रह हो और पंचमेश और की सीखने के

बाद एग स्टेप आप और करो और वह यह है कि

मशीन लर्निंग मॉडल को एक प्रॉपर सॉफ्टवेयर

प्रोडक्ट में कंवर्ट करो और उस प्रोडक्ट

को सर्वर पर डिप्लॉय करके एक्टिव यूजर्स

को भेजो सो लेट्स को यूज करें तो पेन टूल

प्रोडक्ट को चलाना बनाना और चलाना दोनों

का एक्सपीरियंस आपके पास हो और यह सबसे

बड़ा चैलेंज मशीन लर्निंग में आज की डेट

में चिकन क्विक बहुत डेडिकेटेड फील भी

निकलकर आ गई है अब इसको बोला जाता है ईमेल

ऑफ यह बहुत फेमस फ्रीडम धीरे-धीरे

में बन रही है मशीन लर्निंग पेज सेटअप

बॉक्स होता है जहां पर आप फिर प्रोडक्ट्स

को सर्वर पर डाल कर उनका खर्चा वगैरह सब

कुछ हैंडल करते हो उसका लौट आई एम सिंगल

तो उससे डेढ़ गुना डेवलपमेंट कॉर्पोरेशन

वैसे ही सेम चीज मशीन लर्निंग सॉफ्टवेयर

को जवाब सॉफ्टवेयर पर्वत पर रखते हो चलाते

हो तो उसको ML आपको लगता है मशीन लर्निंग

ऑपरेशन से लिखित में आरिफ बहुत

ग्रोएनफील्ड है तो इसलिए आपको सजेस्ट कर

हूं कि थोड़ा सा इन सब चीजों के ऊपर भी

आपका ध्यान होना चाहिए ठीक है कि दैट

डिस्कशन खत्म होता है और कुछ 34 हम लोग और

पॉइंट्स डिस्कस करेंगे अगले दो-तीन दिनों

में और उसके बाद वाइब्स स्टार्ट द

प्रैक्टिकल पार्ट आफ थिस कोर्स सोया टैक्स

सेट अप फॉर वॉचिंग दिस सीरीज प्लीज कंसीडर

सब्सक्राइब इंग इस पॉसिबल जो आपके

फ्रेंड्स मशीन लर्निंग सीखना चाहते हैं आप

उनके साथ शेयर कर सकते हो अब हम यह बैक

साइड को थोड़े वीडियो थैंक्स फॉर वाचिंग