সুপারভাইজড (Supervised) বনাম আনসুপারভাইজড (Unsupervised) বনাম রিইনফোর্সমেন্ট (Reinforcement) লার্নিং : মেশিন লার্নিংয়ের ৩টি স্তম্ভ

মেশিন লার্নিং (Machine Learning) আধুনিক প্রযুক্তির এক অবিচ্ছেদ্য অংশ, যা আমাদের দৈনন্দিন জীবন থেকে শুরু করে জটিল বৈজ্ঞানিক গবেষণা পর্যন্ত বিস্তৃত। এই বিশাল ক্ষেত্রে, ডেটা থেকে শেখার পদ্ধতি এবং মডেল তৈরির কৌশল অনুযায়ী মেশিন লার্নিংকে প্রধানত তিনটি ভাগে ভাগ করা যায়: সুপারভাইজড লার্নিং (Supervised Learning), আনসুপারভাইজড লার্নিং (Unsupervised Learning) এবং রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning)।

এই পোস্টে আমরা এই তিনটি পদ্ধতির মৌলিক ধারণা, কাজের প্রক্রিয়া এবং বাস্তব উদাহরণ নিয়ে আলোচনা করব।

১. সুপারভাইজড লার্নিং (Supervised Learning): “শিক্ষকের তত্ত্বাবধানে শেখা”

সুপারভাইজড লার্নিং (Supervised Learning) হলো মেশিন লার্নিংয়ের সবচেয়ে সাধারণ এবং বহুল ব্যবহৃত পদ্ধতি। এখানে মডেলকে “লেবেলড ডেটা” (Labeled Data) দিয়ে প্রশিক্ষণ দেওয়া হয়। এর অর্থ হলো, প্রতিটি ইনপুট ডেটার জন্য আমরা তার সঠিক আউটপুট (বা লেবেল) আগে থেকেই জানি। মডেল এই ইনপুট-আউটপুট জোড়া থেকে একটি সম্পর্ক শেখে, যাতে সে নতুন, অজানা ইনপুট ডেটার জন্য সঠিক আউটপুট অনুমান করতে পারে। এটি অনেকটা একজন শিক্ষকের তত্ত্বাবধানে শেখার মতো, যেখানে শিক্ষক (লেবেল) শিক্ষার্থীদের (মডেল) ভুল ধরিয়ে দেন।

ধরুন, আপনি একটি ইমেল ফিল্টার তৈরি করতে চান যা ইনকামিং ইমেলগুলিকে “স্প্যাম” (Spam) বা “নন-স্প্যাম” (Non-Spam) হিসাবে শ্রেণীবদ্ধ করতে পারে।

• প্রশিক্ষণ: আপনি মডেলকে হাজার হাজার ইমেলের একটি ডেটাসেট দেবেন, যেখানে প্রতিটি ইমেলের সাথে স্পষ্টভাবে লেবেল করা থাকবে যে কোনটি “স্প্যাম” এবং কোনটি “নন-স্প্যাম”। মডেল শিখবে কোন শব্দ, বাক্য গঠন বা বৈশিষ্ট্যগুলি একটি ইমেলকে স্প্যাম হিসাবে চিহ্নিত করে।
• অনুমান: যখন একটি নতুন ইমেল আসবে, তখন মডেল তার শেখা জ্ঞান ব্যবহার করে অনুমান করবে যে ইমেলটি স্প্যাম নাকি নন-স্প্যাম।

কীভাবে কাজ করে?

• ডেটা সংগ্রহ: ইনপুট ডেটা এবং তার সংশ্লিষ্ট সঠিক আউটপুট (লেবেল) সংগ্রহ করা হয়।
• প্রশিক্ষণ: মডেলকে এই লেবেলড ডেটাসেট ব্যবহার করে প্রশিক্ষণ দেওয়া হয়। মডেল ইনপুট ডেটার বৈশিষ্ট্য এবং আউটপুট লেবেলের মধ্যে সম্পর্ক খুঁজে বের করে।
• অনুমান: প্রশিক্ষিত মডেল তখন নতুন, অজানা ইনপুট ডেটা গ্রহণ করে এবং তার শেখা জ্ঞানের ভিত্তিতে আউটপুট অনুমান করে।

ব্যবহারের ক্ষেত্র:

• ইমেজ ক্লাসিফিকেশন (যেমন: ছবি দেখে কুকুর না বিড়াল চেনা)
• স্প্যাম ডিটেকশন
• স্টক মার্কেটের দামের পূর্বাভাস (Prediction)
• রোগ নির্ণয়

২. আনসুপারভাইজড লার্নিং (Unsupervised Learning): “নিজের পথ নিজে খোঁজা”

আনসুপারভাইজড লার্নিং (Unsupervised Learning)সুপারভাইজড লার্নিংয়ের বিপরীত। এখানে মডেলকে “আনলেবেলড ডেটা” (Unlabeled Data) দেওয়া হয়। অর্থাৎ, ইনপুট ডেটার সাথে কোনো সঠিক আউটপুট বা লেবেল দেওয়া থাকে না। মডেলকে নিজেই ডেটার মধ্যে লুকানো প্যাটার্ন, গঠন বা সম্পর্ক খুঁজে বের করতে হয়। এটি এমন একজন শিক্ষার্থী যে কোনো শিক্ষক ছাড়াই নিজের মতো করে জ্ঞান অর্জন করে এবং ডেটার অন্তর্নিহিত কাঠামো উন্মোচন করে।

ধরুন, আপনি আপনার গ্রাহকদেরকে তাদের ক্রয় আচরণ বা পছন্দের ভিত্তিতে বিভিন্ন গ্রুপে ভাগ করতে চান।

• প্রশিক্ষণ: আপনি মডেলকে আপনার গ্রাহকদের ডেটা দেবেন (যেমন: বয়স, লিঙ্গ, বিগত ক্রয়, ব্রাউজিং ইতিহাস), কিন্তু কোন গ্রাহক কোন গ্রুপের অন্তর্ভুক্ত হবে তা আপনি বলে দেবেন না।
• অনুমান: মডেল ডেটার মধ্যে মিল-অমিল খুঁজে বের করে গ্রাহকদের বিভিন্ন গ্রুপে (যেমন: যারা প্রায়ই বই কেনেন, যারা ইলেকট্রনিক্স পছন্দ করেন) বিভক্ত করবে। মডেল নিজেই এই ক্লাস্টারগুলো তৈরি করবে, যেখানে একই ক্লাস্টারের গ্রাহকদের মধ্যে মিল বেশি থাকবে।

কীভাবে কাজ করে?

• ডেটা সংগ্রহ: শুধুমাত্র ইনপুট ডেটা সংগ্রহ করা হয়, কোনো আউটপুট লেবেল থাকে না।
• প্রশিক্ষণ: মডেল ডেটার মধ্যে মিল, অমিল বা গোষ্ঠীকরণ (Grouping) করার চেষ্টা করে।
• প্যাটার্ন আবিষ্কার: মডেল ডেটার মধ্যে স্বতঃস্ফূর্তভাবে ক্লাস্টার (Cluster) বা পারস্পরিক সম্পর্ক খুঁজে বের করে।

ব্যবহারের ক্ষেত্র:

• গ্রাহক সেগমেন্টেশন (Customer Segmentation)
• অ্যানোমালি ডিটেকশন (Anomaly Detection)
• ডেটা কম্প্রেশন (Data Compression)
• সোশ্যাল মিডিয়ার ডেটা বিশ্লেষণ করে ট্রেন্ডিং টপিক খুঁজে বের করা

৩. রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning): “চেষ্টা এবং ভুলের মাধ্যমে শেখা”

রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning) হলো এক ভিন্ন ধরনের মেশিন লার্নিং পদ্ধতি যেখানে একটি “এজেন্ট” (Agent) একটি “পরিবেশ” (Environment) এর সাথে ইন্টারঅ্যাক্ট করে শেখে। এজেন্ট তার নেওয়া পদক্ষেপের (Action) ভিত্তিতে পরিবেশ থেকে “পুরস্কার” (Reward) বা “শাস্তি” (Penalty) পায়। এজেন্টের লক্ষ্য থাকে সময়ের সাথে সাথে সর্বাধিক পুরস্কার অর্জন করা। এটি অনেকটা ছোটবেলায় সাইকেল চালানো শেখার মতো: যতবার আপনি ভারসাম্য রাখতে ব্যর্থ হন, ততবার আপনি একটি “শাস্তি” পান (পড়ে যান); যতবার আপনি সফল হন, ততবার একটি “পুরস্কার” পান (সামনে এগিয়ে যান)।

ধরুন, আপনি একটি রোবট তৈরি করতে চান যা একটি গোলকধাঁধাঁ (Maze) থেকে বের হওয়ার পথ খুঁজে বের করবে।

• পরিবেশ (Environment): গোলকধাঁধাঁটি হলো পরিবেশ।
• এজেন্ট (Agent): রোবটটি হলো এজেন্ট।
• শেখার প্রক্রিয়া: রোবট গোলকধাঁধার মধ্যে চলতে শুরু করে। যদি সে সঠিক পথে এগোয়, তাহলে তাকে ইতিবাচক পুরস্কার (যেমন +১ পয়েন্ট) দেওয়া হয়। যদি সে ভুল পথে যায় বা কোনো বাধার সম্মুখীন হয়, তাহলে তাকে নেতিবাচক পুরস্কার (যেমন -১ পয়েন্ট) দেওয়া হয়। রোবট বারবার চেষ্টা করে এবং পুরস্কার ও শাস্তির মাধ্যমে শেখে কোন পথে গেলে সে সবচেয়ে দ্রুত গোলকধাঁধা থেকে বের হতে পারবে।

কীভাবে কাজ করে?

• এজেন্ট ও পরিবেশ: একটি এজেন্ট নির্দিষ্ট একটি পরিবেশে কাজ করে।
• অবস্থা ও পদক্ষেপ: পরিবেশের বর্তমান অবস্থার (State) ভিত্তিতে এজেন্ট একটি পদক্ষেপ (Action) নেয়।
• পুরস্কার/শাস্তি: গৃহীত পদক্ষেপের ফলাফলের ভিত্তিতে পরিবেশ এজেন্টকে একটি পুরস্কার বা শাস্তি প্রদান করে।
• শেখা: এজেন্ট পুরস্কার/শাস্তির মাধ্যমে শেখে কোন পদক্ষেপগুলো নিলে তার দীর্ঘমেয়াদী পুরস্কার বাড়ে। এজেন্টের লক্ষ্য থাকে একটি সর্বোত্তম কৌশল (Optimal Policy) তৈরি করা যা তাকে প্রতিটি অবস্থায় সবচেয়ে ভালো পদক্ষেপ নিতে সাহায্য করে।

ব্যবহারের ক্ষেত্র:

• স্বায়ত্তশাসিত গাড়ি চালানো (Self-driving cars)
• গেমিং (যেমন: দাবা, গো-এর মতো জটিল গেমসে AI তৈরি করা)
• রোবোটিক্স (Robot navigation)
• সম্পদ ব্যবস্থাপনা (Resource management)

সংক্ষিপ্ত পার্থক্য (Key Differences):

মেশিন লার্নিংয়ের এই তিনটি প্রধান শাখা – সুপারভাইজড, আনসুপারভাইজড এবং রিইনফোর্সমেন্ট লার্নিং – প্রত্যেকেই ডেটা থেকে শেখার অনন্য উপায় সরবরাহ করে। কোন পদ্ধতিটি ব্যবহার করা হবে তা মূলত ডেটার ধরন, সমস্যার প্রকৃতি এবং কাঙ্ক্ষিত ফলাফলের উপর নির্ভর করে। এই পদ্ধতিগুলি প্রায়শই একে অপরের পরিপূরক হিসাবে কাজ করে, এবং আধুনিক AI সিস্টেমে এদের সংমিশ্রণও (Hybrid approach) দেখা যায়। মেশিন লার্নিংয়ের এই বৈচিত্র্যই একে এতটাই শক্তিশালী এবং বহুমুখী করে তুলেছে।