Introduction to Machine Learning Completed

Name: Summarizer.tube
Author: Summarizer.tube

By Introduction to Machine Learning IITM · more summaries from this channel

15 min video·bn·December 27, 2017·217543 views

This is an AI-generated summary of “Introduction to Machine Learning Completed” — a 15 min YouTube video by Introduction to Machine Learning IITM, published December 27, 2017. It condenses the full transcript into 9 key takeaways with clickable timestamps.

Summary

এই ভিডিওতে লিনিয়ার রিগ্রেশনের উদ্ভূত দিকনির্দেশ পদ্ধতিগুলির মধ্যে পার্শিয়াল লিস্ট স্কোয়ারস (PLS) রিগ্রেশন বিস্তারিতভাবে ব্যাখ্যা করা হয়েছে, যা প্রিন্সিপাল কম্পোনেন্ট রিগ্রেশন (PCR) এর সীমাবদ্ধতা কাটিয়ে আউটপুট ভ্যারিয়েবল Y-এর সাথে ইনপুট ডেটার সম্পর্ককে গুরুত্ব দেয়।

Key Points

—ভিডিওটি লিনিয়ার রিগ্রেশনের উদ্ভূত দিকনির্দেশ পদ্ধতিগুলির ধারাবাহিকতা, যেখানে প্রিন্সিপাল কম্পোনেন্ট রিগ্রেশন (PCR) এর পর পার্শিয়াল লিস্ট স্কোয়ারস (PLS) আলোচনা করা হয়েছে।
—পার্শিয়াল লিস্ট স্কোয়ারস (PLS) এর মূল ধারণা হলো Y-কে ব্যবহার করে X-এর এমন দিকনির্দেশ খুঁজে বের করা যা Y-এর সাথে উচ্চ সম্পর্কযুক্ত এবং ইনপুট স্পেসে উচ্চ ভিন্নতাও বজায় রাখে।
—প্রিন্সিপাল কম্পোনেন্ট রিগ্রেশন (PCR) শুধুমাত্র ইনপুট ডেটার (X) ভিন্নতার দিকে নজর দেয় এবং আউটপুট (Y) এর সাথে তার সম্পর্ককে উপেক্ষা করে, যা কখনও কখনও ভুল দিকনির্দেশ দিতে পারে।
—PLS পদ্ধতিতে, প্রথমে ইনপুট ডেটা (X) স্ট্যান্ডার্ডাইজ করা হয় এবং আউটপুট (Y) কেন্দ্রীভূত করা হয় যাতে আউটপুটের উপর মাত্রার কোনো প্রভাব না পড়ে।
—প্রথম উদ্ভূত দিক (Z1) তৈরি করতে, প্রতিটি XJ-এর উপর Y-এর প্রজেকশন গণনা করা হয় এবং সেগুলিকে একত্রিত করে একটি একক দিক হিসাবে ব্যবহার করা হয়।
—PLS পদ্ধতিটি ইনপুট স্পেসে Y-এর সাথে পারস্পরিক সম্পর্ক এবং ভিন্নতার মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে, যা PCR শুধুমাত্র ভিন্নতার উপর মনোযোগ দেওয়ার চেয়ে বেশি কার্যকর।
—PLS-এর মাধ্যমে প্রাপ্ত ZK-এর উপর Y-কে রিগ্রেস করে কোএফিশিয়েন্ট পাওয়া যায় এবং ভবিষ্যদ্বাণীর জন্য এই Z-গুলি থেকে সরাসরি X-এর কোএফিশিয়েন্ট গণনা করা সম্ভব।
—পরবর্তী Z2, Z3 ইত্যাদি দিকগুলি খুঁজে বের করার জন্য, পূর্ববর্তী Z-এর সাপেক্ষে XJ-কে অর্থোগোনালাইজ করা হয় এবং এই প্রক্রিয়াটি পুনরাবৃত্তি করা হয়, যার ফলে Z গুলি একে অপরের সাথে অর্থোগোনাল হয়।
—যদি ইনপুট ভ্যারিয়েবলগুলি (X) মূলত অর্থোগোনাল হয়, তবে PLS প্রথম ধাপেই সাধারণ লিস্ট স্কোয়ারস (OLS) এর মতো একই ফিট প্রদান করে।

Introduction to Machine Learning Completed

Key Points

—ভিডিওটি লিনিয়ার রিগ্রেশনের উদ্ভূত দিকনির্দেশ পদ্ধতিগুলির ধারাবাহিকতা, যেখানে প্রিন্সিপাল কম্পোনেন্ট রিগ্রেশন (PCR) এর পর পার্শিয়াল লিস্ট স্কোয়ারস (PLS) আলোচনা করা হয়েছে।

—পার্শিয়াল লিস্ট স্কোয়ারস (PLS) এর মূল ধারণা হলো Y-কে ব্যবহার করে X-এর এমন দিকনির্দেশ খুঁজে বের করা যা Y-এর সাথে উচ্চ সম্পর্কযুক্ত এবং ইনপুট স্পেসে উচ্চ ভিন্নতাও বজায় রাখে।

—প্রিন্সিপাল কম্পোনেন্ট রিগ্রেশন (PCR) শুধুমাত্র ইনপুট ডেটার (X) ভিন্নতার দিকে নজর দেয় এবং আউটপুট (Y) এর সাথে তার সম্পর্ককে উপেক্ষা করে, যা কখনও কখনও ভুল দিকনির্দেশ দিতে পারে।

—PLS পদ্ধতিতে, প্রথমে ইনপুট ডেটা (X) স্ট্যান্ডার্ডাইজ করা হয় এবং আউটপুট (Y) কেন্দ্রীভূত করা হয় যাতে আউটপুটের উপর মাত্রার কোনো প্রভাব না পড়ে।

—প্রথম উদ্ভূত দিক (Z1) তৈরি করতে, প্রতিটি XJ-এর উপর Y-এর প্রজেকশন গণনা করা হয় এবং সেগুলিকে একত্রিত করে একটি একক দিক হিসাবে ব্যবহার করা হয়।

—PLS পদ্ধতিটি ইনপুট স্পেসে Y-এর সাথে পারস্পরিক সম্পর্ক এবং ভিন্নতার মধ্যে ভারসাম্য বজায় রাখার চেষ্টা করে, যা PCR শুধুমাত্র ভিন্নতার উপর মনোযোগ দেওয়ার চেয়ে বেশি কার্যকর।

—PLS-এর মাধ্যমে প্রাপ্ত ZK-এর উপর Y-কে রিগ্রেস করে কোএফিশিয়েন্ট পাওয়া যায় এবং ভবিষ্যদ্বাণীর জন্য এই Z-গুলি থেকে সরাসরি X-এর কোএফিশিয়েন্ট গণনা করা সম্ভব।

—পরবর্তী Z2, Z3 ইত্যাদি দিকগুলি খুঁজে বের করার জন্য, পূর্ববর্তী Z-এর সাপেক্ষে XJ-কে অর্থোগোনালাইজ করা হয় এবং এই প্রক্রিয়াটি পুনরাবৃত্তি করা হয়, যার ফলে Z গুলি একে অপরের সাথে অর্থোগোনাল হয়।

—যদি ইনপুট ভ্যারিয়েবলগুলি (X) মূলত অর্থোগোনাল হয়, তবে PLS প্রথম ধাপেই সাধারণ লিস্ট স্কোয়ারস (OLS) এর মতো একই ফিট প্রদান করে।

Summarize any video — free

Summarizer.tube

Copy All

Share Link

Bookmark