एल्गोरिदम समझाए गए

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:

1. एक नया, अज्ञात डेटा पॉइंट लें
2. ट्रेनिंग डेटा में K सबसे नज़दीकी पॉइंट खोजें
3. उन पड़ोसियों को वोट करने दें
4. 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%}")

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? | ❌ | ❌ | ✅✅ |

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 🎯

1. एल्गोरिदम समस्या हल करने की स्टेप-बाय-स्टेप प्रक्रिया है
2. डिसीज़न ट्री हाँ/नहीं सवाल पूछते हैं - व्याख्या योग्य और दृश्य
3. KNN K नज़दीकी पड़ोसियों से वोट करवाकर वर्गीकृत करता है
4. लीनियर रिग्रेशन संख्या प्रेडिक्ट करने के लिए लाइन खींचता है
5. कोई एल्गोरिदम सार्वभौमिक रूप से सबसे अच्छा नहीं - डेटा के अनुसार चुनें
6. 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! 🧠