विषय - सूची[छिपाना][प्रदर्शन]
यह अवधारणा कि रोबोट इंसानों से ज्यादा स्मार्ट हैं, हमारी सामूहिक कल्पना पर तब तक कब्जा कर लिया है जब तक कि साइंस फिक्शन रहा है।
हालाँकि, जबकि आर्टिफिशियल इंटेलिजेंस (AI) अभी तक उस स्तर तक नहीं पहुँचा है, हमने मशीन इंटेलिजेंस बनाने में महत्वपूर्ण सफलताएँ हासिल की हैं, जैसा कि Google, टेस्ला और सेल्फ-ड्राइविंग कारों के साथ उबर परीक्षण द्वारा सिद्ध किया गया है।
डीप लर्निंग की मापनीयता और उपयोगिता, मशीन लर्निंग दृष्टिकोण जो इस तकनीकी प्रगति को सक्षम बनाता है, एआई के विश्वविद्यालयों और अनुसंधान प्रयोगशालाओं से उत्पादों के सफल संक्रमण के लिए आंशिक रूप से जिम्मेदार है।
अगली कंप्यूटर क्रांति आर्टिफिशियल इंटेलिजेंस, डीप लर्निंग और . पर आधारित होगी यंत्र अधिगम.
ये प्रौद्योगिकियां पैटर्न को समझने और फिर अतीत में एकत्र किए गए आंकड़ों के आधार पर भविष्य की घटनाओं की भविष्यवाणी करने की क्षमता पर बनाई गई हैं। यह बताता है कि जब आप ऑनलाइन खरीदारी करते हैं तो अमेज़ॅन विचार क्यों करता है या नेटफ्लिक्स आपको 1980 के दशक की भयानक फिल्मों की तरह कैसे जानता है।
हालांकि एआई अवधारणाओं का उपयोग करने वाले कंप्यूटरों को कभी-कभी "स्मार्ट" कहा जाता है, लेकिन इनमें से अधिकांश सिस्टम अपने आप नहीं सीखते हैं; मानव संपर्क की आवश्यकता है।
डेटा वैज्ञानिक उन चरों को चुनकर इनपुट तैयार करते हैं जिन्हें लागू किया जाएगा भविष्य बतानेवाला विश्लेषक. दूसरी ओर, डीप लर्निंग इस कार्य को स्वचालित रूप से कर सकता है।
यह पोस्ट किसी भी डेटा प्रेमी के लिए एक फील्ड गाइड के रूप में कार्य करता है जो गहन शिक्षण, इसकी चौड़ाई और भविष्य की क्षमता के बारे में अधिक जानने में रुचि रखता है।
डीप लर्निंग क्या है?
डीप लर्निंग को मशीन लर्निंग का सबसेट माना जा सकता है।
यह एक ऐसा क्षेत्र है जो कंप्यूटर एल्गोरिदम की जांच के माध्यम से स्व-शिक्षण और सुधार पर बनाया गया है।
डीप लर्निंग, मशीन लर्निंग के विपरीत, कृत्रिम के साथ काम करती है तंत्रिका जाल, जो नकल करने वाले हैं कि लोग कैसे सोचते और सीखते हैं। कुछ समय पहले तक, कंप्यूटर शक्ति की कमी के कारण तंत्रिका नेटवर्क जटिलता में प्रतिबंधित थे।
हालांकि, बिग डेटा एनालिटिक्स में प्रगति ने बड़े, अधिक शक्तिशाली तंत्रिका नेटवर्क को सक्षम किया है, जिससे कंप्यूटर लोगों की तुलना में जटिल परिस्थितियों की निगरानी, समझने और प्रतिक्रिया देने में सक्षम हो गए हैं।
हम पढ़ने की सलाह देते हैं - टेस्ला न्यूरल नेटवर्क आर्किटेक्चर समझाया गया
छवि वर्गीकरण, भाषा अनुवाद और वाक् पहचान सभी को गहन शिक्षण से लाभ हुआ है। यह मानव संपर्क की आवश्यकता के बिना किसी भी पैटर्न पहचान मुद्दे से निपट सकता है।
यह अनिवार्य रूप से तीन- या अधिक-स्तरित है तंत्रिका नेटवर्क. ये तंत्रिका नेटवर्क मानव मस्तिष्क की गतिविधि की नकल करना चाहते हैं, हालांकि सीमित सफलता के साथ, इसे डेटा की भारी मात्रा से "सीखने" के लिए सक्षम करके।
जबकि एक तंत्रिका नेटवर्क की एक परत अभी भी अनुमानित भविष्यवाणियां कर सकती है, अधिक छिपी हुई परतें सटीकता के लिए अनुकूलन और ट्यूनिंग में मदद कर सकती हैं।
तंत्रिका नेटवर्क क्या है?
कृत्रिम तंत्रिका नेटवर्क मानव मस्तिष्क में देखे जाने वाले तंत्रिका जाल पर आधारित होते हैं। आमतौर पर, एक तंत्रिका नेटवर्क तीन परतों से बना होता है।
तीन स्तर इनपुट, आउटपुट और छुपा हैं। कार्रवाई में एक तंत्रिका नेटवर्क नीचे दिए गए चित्र में देखा गया है।
जैसा कि ऊपर दिखाए गए तंत्रिका नेटवर्क में केवल एक छिपी हुई परत होती है, इसे "उथला तंत्रिका नेटवर्क" कहा जाता है।
अधिक परिष्कृत संरचनाएं बनाने के लिए ऐसी प्रणालियों में अधिक छिपी हुई परतें जोड़ी जाती हैं।
डीप नेटवर्क क्या है?
एक गहरे नेटवर्क में, कई छिपी हुई परतें जोड़ी जाती हैं।
न केवल नेटवर्क को ठीक से प्रशिक्षित करने के लिए आवश्यक समय के संबंध में, बल्कि आवश्यक संसाधनों के संदर्भ में, नेटवर्क में छिपी परतों की संख्या बढ़ने के साथ-साथ ऐसे डिजाइनों का प्रशिक्षण तेजी से जटिल हो जाता है।
एक इनपुट के साथ एक गहरा नेटवर्क, चार छिपी हुई परतें, और एक आउटपुट नीचे दिखाया गया है।
डीप लर्निंग कैसे काम करती है?
तंत्रिका नेटवर्क नोड्स की परतों से बने होते हैं, ठीक उसी तरह जैसे न्यूरॉन्स मानव मस्तिष्क को बनाते हैं। व्यक्तिगत परत नोड्स पड़ोसी परतों में नोड्स से जुड़े होते हैं।
नेटवर्क में परतों की संख्या इसकी गहराई को इंगित करती है। में एक एकल न्यूरॉन मानव मस्तिष्क हजारों संदेश प्राप्त करता है।
सिग्नल एक कृत्रिम तंत्रिका नेटवर्क में नोड्स के बीच चलते हैं, जो उन्हें भार प्रदान करता है।
अधिक वजन वाले नोड का उसके नीचे के नोड्स पर अधिक प्रभाव पड़ता है। अंतिम परत एक आउटपुट प्रदान करने के लिए भारित इनपुट को जोड़ती है।
बड़ी मात्रा में डेटा को संभालने और कई परिष्कृत गणितीय संगणनाओं के कारण डीप लर्निंग सिस्टम को मजबूत हार्डवेयर की आवश्यकता होती है।
इस तरह की परिष्कृत तकनीक के साथ भी गहन शिक्षण प्रशिक्षण गणना में सप्ताह लग सकते हैं।
डीप लर्निंग सिस्टम को सही निष्कर्ष प्रदान करने के लिए महत्वपूर्ण मात्रा में डेटा की आवश्यकता होती है; इसलिए, जानकारी को बड़े पैमाने पर डेटासेट के रूप में फीड किया जाता है।
डेटा को संसाधित करते समय, कृत्रिम तंत्रिका नेटवर्क बाइनरी हाँ या झूठे प्रश्नों के अनुक्रम के आधार पर जानकारी को वर्गीकृत कर सकते हैं जिसमें बहुत जटिल गणितीय गणना शामिल होती है।
एक चेहरे की पहचान एल्गोरिथ्म, उदाहरण के लिए, चेहरे के किनारों और रेखाओं को पहचानना और पहचानना सीखता है।
फिर चेहरों के अधिक महत्वपूर्ण तत्व, और अंततः चेहरों के संपूर्ण निरूपण।
एल्गोरिथ्म समय के साथ खुद को प्रशिक्षित करता है, जिससे सही उत्तरों की संभावना बढ़ जाती है।
इस स्थिति में, चेहरे की पहचान एल्गोरिथ्म समय के साथ चेहरों को अधिक सही ढंग से पहचान लेगा।
डीप लर्निंग बनाम मशीन लर्निंग
मशीन लर्निंग से डीप लर्निंग कैसे अलग है अगर यह इसका सबसेट है?
डीप लर्निंग पारंपरिक मशीन लर्निंग से डेटा के प्रकार और सीखने के लिए उपयोग की जाने वाली विधियों में भिन्न होती है।
पूर्वानुमान बनाने के लिए, मशीन लर्निंग एल्गोरिदम संरचित, लेबल किए गए डेटा का उपयोग करते हैं, जिसका अर्थ है कि कुछ विशेषताओं को मॉडल के इनपुट डेटा से निर्दिष्ट किया जाता है और तालिकाओं में समूहीकृत किया जाता है।
यह जरूरी नहीं है कि यह असंरचित डेटा को नियोजित नहीं करता है; इसके बजाय, यदि ऐसा होता है, तो आमतौर पर इसे संरचित प्रारूप में डालने के लिए कुछ पूर्व-प्रसंस्करण के माध्यम से जाता है।
डीप लर्निंग डेटा प्री-प्रोसेसिंग के उस हिस्से को दूर कर देता है जो मशीन लर्निंग में आम तौर पर होता है।
ये एल्गोरिदम टेक्स्ट और चित्रों जैसे असंरचित डेटा को निगलना और व्याख्या कर सकते हैं, साथ ही साथ फीचर निष्कर्षण को स्वचालित कर सकते हैं, मानव विशेषज्ञों पर निर्भरता को कम कर सकते हैं।
आइए कल्पना करें कि हमारे पास विभिन्न पालतू जानवरों की छवियों का एक संग्रह था जिसे हम "बिल्ली," "कुत्ता," "हम्सटर," और इसी तरह की श्रेणियों में व्यवस्थित करना चाहते थे।
डीप लर्निंग एल्गोरिदम यह पता लगा सकता है कि एक जानवर को दूसरे जानवर से अलग करने के लिए कौन से लक्षण (जैसे कान) सबसे जरूरी हैं। यह सुविधा पदानुक्रम मशीन लर्निंग में मानव विशेषज्ञ द्वारा मैन्युअल रूप से निर्धारित किया जाता है।
गहन शिक्षण प्रणाली फिर बदल जाती है और सटीकता के लिए खुद को फिट कर लेती है ढतला हुआ वंश और बैकप्रॉपैगेशन, इसे किसी जानवर के ताज़ा स्नैपशॉट के बारे में अधिक सटीक भविष्यवाणियाँ उत्पन्न करने की अनुमति देता है।
डीप लर्निंग एप्लीकेशन
1। chatbots
चैटबॉट कुछ ही सेकंड में क्लाइंट की समस्याओं को ठीक कर सकते हैं। एक चैटबॉट एक है कृत्रिम बुद्धिमत्ता (एआई) टूल जो आपको टेक्स्ट या टेक्स्ट-टू-स्पीच के माध्यम से ऑनलाइन संवाद करने की अनुमति देता है।
यह उसी तरह संचार और आचरण कर सकता है जैसे मनुष्य करते हैं। चैटबॉट का व्यापक रूप से ग्राहक सेवा, सोशल मीडिया मार्केटिंग और क्लाइंट इंस्टेंट मैसेजिंग में उपयोग किया जाता है।
यह स्वचालित उत्तरों के साथ आपके इनपुट का जवाब देता है। यह मशीन लर्निंग और डीप लर्निंग तकनीकों का उपयोग करके कई तरह के जवाब तैयार करता है।
2. सेल्फ ड्राइविंग कार
सेल्फ-ड्राइविंग कारों के वास्तविकता बनने के पीछे डीप लर्निंग प्राथमिक कारक है।
एक मॉडल बनाने के लिए एक लाख डेटा सेट सिस्टम में लोड किए जाते हैं, सीखने के लिए मशीनों को प्रशिक्षित करें, और फिर एक सुरक्षित वातावरण में निष्कर्षों का मूल्यांकन करें।
उबेर Artificial Intelligence पिट्सबर्ग में लैब न केवल चालक रहित कारों को अधिक सामान्य बनाने की कोशिश कर रही है, बल्कि चालक रहित कारों के उपयोग के साथ खाद्य वितरण संभावनाओं जैसी कई स्मार्ट सुविधाओं को एकीकृत करने का भी प्रयास कर रही है।
सेल्फ-ड्राइविंग वाहन विकास के लिए सबसे अधिक दबाव वाली चिंता अप्रत्याशित घटनाओं से निपटना है।
गहन शिक्षण एल्गोरिदम के विशिष्ट परीक्षण और कार्यान्वयन का एक निरंतर चक्र, सुरक्षित ड्राइविंग सुनिश्चित करता है क्योंकि यह अधिक से अधिक लाखों परिदृश्यों के संपर्क में है।
3. आभासी सहायक
वर्चुअल असिस्टेंट क्लाउड-आधारित प्रोग्राम हैं जो प्राकृतिक भाषा के वॉयस कमांड को पहचानते हैं और आपकी ओर से काम करते हैं।
वर्चुअल असिस्टेंट जैसे Amazon Alexa, Cortana, Siri और Google Assistant इसके सामान्य उदाहरण हैं।
अपनी क्षमता का पूरी तरह से उपयोग करने के लिए, उन्हें इंटरनेट से जुड़े उपकरणों की आवश्यकता होती है। जब सहायक को एक आदेश दिया जाता है, तो यह डीप लर्निंग एल्गोरिदम का उपयोग करते हुए पिछले मुठभेड़ों के आधार पर बेहतर अनुभव प्रदान करता है।
4। मनोरंजन
नेटफ्लिक्स, अमेज़ॅन, यूट्यूब और स्पॉटिफ़ जैसी कंपनियां अपने ग्राहकों को उनके अनुभव को बेहतर बनाने के लिए उपयुक्त मूवी, गीत और वीडियो सुझाव प्रदान करती हैं।
इन सबके लिए डीप लर्निंग जिम्मेदार है।
ऑनलाइन स्ट्रीमिंग फर्म किसी व्यक्ति के ब्राउज़िंग इतिहास, रुचियों और गतिविधि के आधार पर उत्पाद और सेवा अनुशंसाएं प्रदान करती हैं।
गहन शिक्षण एल्गोरिदम स्वचालित रूप से उपशीर्षक बनाने और मूक फिल्मों में ध्वनि जोड़ने के लिए भी उपयोग किया जाता है।
5. रोबोटिक्स
डीप लर्निंग व्यापक रूप से ऐसे रोबोट विकसित करने में कार्यरत है जो मानव जैसे काम कर सकते हैं।
डीप लर्निंग-संचालित रोबोट अपने मार्ग में बाधाओं का पता लगाने और अपने पाठ्यक्रम को जल्दी से व्यवस्थित करने के लिए रीयल-टाइम अपडेट का उपयोग करते हैं।
इसका उपयोग अस्पतालों, कारखानों, गोदामों, इन्वेंट्री प्रबंधन, उत्पाद निर्माण आदि में चीजों के परिवहन के लिए किया जा सकता है।
बोस्टन डायनेमिक्स रोबोट इंसानों को तब प्रतिक्रिया देते हैं जब उन्हें धक्का दिया जाता है। वे डिशवॉशर खाली कर सकते हैं, गिरने पर वे उठ सकते हैं, और वे कई अन्य गतिविधियों को पूरा कर सकते हैं।
6। स्वास्थ्य सेवा
डॉक्टर चौबीसों घंटे अपने मरीजों के साथ नहीं रह सकते हैं, लेकिन एक चीज जो हम सभी के पास हमेशा रहती है, वह है हमारे फोन।
डीप लर्निंग चिकित्सा तकनीकों को हमारे द्वारा कैप्चर की गई छवियों से डेटा का विश्लेषण करने और संभावित स्वास्थ्य चिंताओं को उजागर करने के लिए डेटा को स्थानांतरित करने की अनुमति देता है।
उदाहरण के लिए, एआई का कंप्यूटर विज़न प्रोग्राम इस डेटा का उपयोग रोगी के मूवमेंट पैटर्न का पालन करने के लिए करता है ताकि पूर्वानुमान के साथ-साथ मानसिक स्थिति में भी बदलाव हो सके।
डीप लर्निंग का उपयोग फोटो और कई अन्य चीजों का उपयोग करके त्वचा के कैंसर की पहचान करने के लिए भी किया गया है।
7. प्राकृतिक भाषा प्रसंस्करण
प्राकृतिक भाषा प्रसंस्करण प्रौद्योगिकी के विकास ने रोबोटों को संचार पढ़ने और उनसे अर्थ प्राप्त करने में सक्षम बनाया है।
फिर भी, दृष्टिकोण को सरलीकृत किया जा सकता है, उन तरीकों के लिए खाते में विफल होने के कारण जिसमें शब्द किसी वाक्यांश के अर्थ या उद्देश्य को प्रभावित करने के लिए जुड़ते हैं।
डीप लर्निंग नेचुरल लैंग्वेज प्रोसेसर को वाक्यांशों में अधिक जटिल पैटर्न को पहचानने और अधिक सटीक व्याख्या देने में मदद करता है।
8. कंप्यूटर विजन
डीप लर्निंग यह दोहराने की कोशिश करता है कि मानव मन कैसे सूचनाओं को संसाधित करता है और पैटर्न को पहचानता है, जिससे यह दृष्टि-आधारित एआई अनुप्रयोगों के प्रशिक्षण के लिए एक आदर्श तरीका बन जाता है।
वे सिस्टम टैग किए गए फोटो सेटों की एक श्रृंखला ले सकते हैं और हवाई जहाज, चेहरे और हथियार जैसी वस्तुओं को पहचानना सीख सकते हैं गहन शिक्षण मॉडल.
डीप लर्निंग इन एक्शन
आपकी पसंदीदा संगीत स्ट्रीमिंग सेवा के अलावा आपको पसंद आने वाले गीतों की सिफारिश करने के अलावा, गहन शिक्षण लोगों के जीवन को कैसे बदल रहा है?
डीप लर्निंग, यह पता चला है, अनुप्रयोगों की एक विस्तृत श्रृंखला में अपना रास्ता बना रहा है। फेसबुक का उपयोग करने वाला कोई भी व्यक्ति नोटिस करेगा कि जब आप नई छवियां पोस्ट करते हैं, तो सोशल साइट अक्सर आपके दोस्तों को पहचानती और टैग करती है।
डीप लर्निंग का उपयोग सिरी, कॉर्टाना, एलेक्सा और गूगल नाओ जैसे डिजिटल सहायकों द्वारा प्राकृतिक भाषा प्रसंस्करण और वाक् पहचान के लिए किया जाता है।
रीयल-टाइम अनुवाद स्काइप के माध्यम से प्रदान किया जाता है। कई ईमेल सेवाओं ने इनबॉक्स में पहुंचने से पहले स्पैम संदेशों का पता लगाने की अपनी क्षमता में सुधार किया है।
पेपाल ने धोखाधड़ी वाले भुगतानों को रोकने के लिए गहन शिक्षा का उपयोग किया है। उदाहरण के लिए, कैमफाइंड आपको किसी भी वस्तु की तस्वीर लेने की अनुमति देता है और मोबाइल दृश्य खोज तकनीक का उपयोग करके यह निर्धारित करता है कि यह क्या है।
Google द्वारा विशेष रूप से समाधान प्रदान करने के लिए डीप लर्निंग का उपयोग किया जा रहा है। Google डीपमाइंड द्वारा विकसित एक कंप्यूटर प्रोग्राम AlphaGo ने वर्तमान गो चैंपियन को पछाड़ दिया है।
दीपमाइंड द्वारा विकसित वेवनेट, वर्तमान में उपलब्ध भाषण प्रणालियों की तुलना में अधिक स्वाभाविक लगने वाला भाषण बना सकता है। मौखिक और पाठ्य भाषाओं का अनुवाद करने के लिए, Google अनुवाद गहन शिक्षण और चित्र पहचान का उपयोग करता है।
Google Planet का उपयोग करके किसी भी फ़ोटो को पहचाना जा सकता है। एआई अनुप्रयोगों को विकसित करने में सहायता के लिए, Google ने बनाया टेंसरफ़्लो डीप लर्निंग सॉफ्टवेयर डेटाबेस।
डीप लर्निंग का भविष्य
प्रौद्योगिकी पर चर्चा करते समय गहन शिक्षण एक अपरिहार्य विषय है। कहने की जरूरत नहीं है कि गहन शिक्षण प्रौद्योगिकी के सबसे महत्वपूर्ण तत्वों में से एक के रूप में विकसित हुआ है।
एआई, डीप लर्निंग, मशीन लर्निंग आदि जैसी तकनीकों में रुचि रखने वाले संगठन ही हुआ करते थे। व्यक्ति भी, प्रौद्योगिकी के इस तत्व, विशेष रूप से गहन शिक्षण में रुचि ले रहे हैं।
कई कारणों में से एक गहरी शिक्षा पर इतना ध्यान दिया जा रहा है कि भविष्यवाणी सटीकता में सुधार करते हुए बेहतर डेटा-संचालित निर्णय लेने की क्षमता है।
डीप लर्निंग डेवलपमेंट टूल्स, लाइब्रेरी और भाषाएं कुछ ही वर्षों में किसी भी सॉफ्टवेयर डेवलपमेंट टूलकिट के नियमित घटक बन सकते हैं।
ये वर्तमान टूल सेट नए मॉडलों के सरल डिजाइन, सेटअप और प्रशिक्षण का मार्ग प्रशस्त करेंगे।
शैली परिवर्तन, ऑटो-टैगिंग, संगीत निर्माण, और इन कौशलों के साथ अन्य कार्य करना बहुत आसान होगा।
रैपिड कोडिंग की मांग कभी अधिक नहीं रही।
डीप लर्निंग डेवलपर्स तेजी से एकीकृत, खुले, क्लाउड-आधारित विकास वातावरण का उपयोग करेंगे जो भविष्य में ऑफ-द-शेल्फ और प्लग करने योग्य एल्गोरिथम पुस्तकालयों की एक विस्तृत श्रृंखला तक पहुंच की अनुमति देते हैं।
डीप लर्निंग का भविष्य बहुत उज्ज्वल है!
ए . का लाभ तंत्रिका नेटवर्क यह है कि यह बड़ी मात्रा में विषम डेटा से निपटने में उत्कृष्टता प्राप्त करता है (हर समय हमारे दिमाग से निपटने के लिए हर चीज के बारे में सोचें)।
यह हमारे शक्तिशाली स्मार्ट सेंसर के युग में विशेष रूप से सच है, जो भारी मात्रा में डेटा एकत्र कर सकता है। पारंपरिक कंप्यूटर सिस्टम इतने सारे डेटा से निष्कर्ष निकालने, वर्गीकृत करने और निष्कर्ष निकालने के लिए संघर्ष कर रहे हैं।
निष्कर्ष
ध्यान लगा के पढ़ना या सीखना शक्तियां अधिकांश कृत्रिम बुद्धिमत्ता (एआई) समाधान जो स्वचालन और विश्लेषणात्मक में सुधार कर सकते हैं प्रक्रियाओं.
इंटरनेट या अपने मोबाइल फोन का उपयोग करते समय अधिकांश व्यक्ति प्रतिदिन गहन शिक्षा के संपर्क में आते हैं।
YouTube वीडियो के लिए उपशीर्षक बनाने के लिए डीप लर्निंग का उपयोग किया जाता है। फोन और स्मार्ट स्पीकर पर वॉयस रिकग्निशन का संचालन करें।
छवियों के लिए चेहरे की पहचान दें, और कई अन्य उपयोगों के साथ-साथ सेल्फ-ड्राइविंग ऑटोमोबाइल की अनुमति दें।
और, जैसा कि डेटा वैज्ञानिक और शिक्षाविद तेजी से जटिल होते जा रहे हैं डीप लर्निंग फ्रेमवर्क का उपयोग करते हुए डीप लर्निंग प्रोजेक्ट्स, इस प्रकार की कृत्रिम बुद्धि हमारे दैनिक जीवन का एक महत्वपूर्ण हिस्सा बन जाएगी।
एक जवाब लिखें