কোন্ ধরনের মেশিন লার্নিংয়ে কোনো ইনপুট ও আউটপুট ডেটা প্রয়োজন হয় না?

মেশিন লার্নিংয়ের যে পদ্ধতিতে কোনো পূর্বনির্ধারিত ইনপুট ও আউটপুট ডেটা সেটের প্রয়োজন হয় না, তা হলো রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning)।

• রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning): এই পদ্ধতিতে একটি এজেন্ট (Agent) একটি পরিবেশের (Environment) সাথে মিথস্ক্রিয়া (Interaction) করে শেখে। এজেন্ট পরিবেশ থেকে স্টেট (State) বা অবস্থা গ্রহণ করে (যা এক প্রকার ইনপুট), একটি অ্যাকশন (Action) বা কাজ সম্পাদন করে, এবং এর ফলস্বরূপ একটি রিওয়ার্ড (Reward) বা পুরস্কার/পেনাল্টি (যা এক প্রকার আউটপুট ফিডব্যাক) পায়। এখানে শেখার জন্য আলাদা করে ডেটা সেট তৈরি করে দেওয়ার প্রয়োজন হয় না; বরং এজেন্ট নিজেই মিথস্ক্রিয়ার মাধ্যমে ডেটা তৈরি করে এবং সেই ডেটার ওপর ভিত্তি করে শেখে।
• সুপারভাইজড লার্নিং (Supervised Learning): এই পদ্ধতিতে মডেলকে শেখানোর জন্য ইনপুট ডেটা এবং তার সাথে সংশ্লিষ্ট সঠিক আউটপুট লেবেল (Labeled Output) উভয়ই প্রয়োজন হয়। অর্থাৎ, এটি ডেটার ইনপুট ও আউটপুট উভয়ই ব্যবহার করে শেখে।
• আনসুপারভাইজড লার্নিং (Unsupervised Learning): এই পদ্ধতিতে শেখার জন্য শুধুমাত্র ইনপুট ডেটা প্রয়োজন হয়, কোনো পূর্বনির্ধারিত আউটপুট লেবেল প্রয়োজন হয় না। অ্যালগরিদম ইনপুট ডেটার মধ্যে লুকানো প্যাটার্ন বা কাঠামো খুঁজে বের করে। তবে, এটি অবশ্যই ইনপুট ডেটার উপর নির্ভর করে।
• ডিপ লার্নিং (Deep Learning): ডিপ লার্নিং হলো মেশিন লার্নিংয়ের একটি উপশাখা যা গভীর নিউরাল নেটওয়ার্ক (Deep Neural Network) ব্যবহার করে। এটি সুপারভাইজড, আনসুপারভাইজড অথবা রিইনফোর্সমেন্ট লার্নিংয়ের যেকোনো পদ্ধতিতেই ব্যবহার করা যেতে পারে। তাই ডেটা প্রয়োজনের নিরিখে এটি স্বতন্ত্র কোনো প্রকারভেদ নয়, বরং একটি কৌশল।

সুতরাং, যে ধরনের মেশিন লার্নিংয়ে শেখার জন্য কোনো পূর্বনির্ধারিত ইনপুট ও আউটপুট ডেটা সেট প্রয়োজন হয় না, বরং এজেন্ট নিজেই মিথস্ক্রিয়ার মাধ্যমে ডেটা তৈরি করে শেখে, সেটি হলো রিইনফোর্সমেন্ট লার্নিং।