डीप लर्निंग क्या है? डीप लर्निंग से शुरुआत की

डीप लर्निंग क्या है?

इस ब्लॉग में, मैं व्हाट्सएप पर बात करूंगा ध्यान लगा के पढ़ना या सीखना जो आजकल एक बहुत चर्चा का विषय है और इसने कई उद्योगों में अपनी जड़ें जमा ली हैं, जो आर्टिफिशियल इंटेलिजेंस, बिग डेटा और एनालिटिक्स जैसे क्षेत्रों में निवेश कर रहे हैं। उदाहरण के लिए, Google अपनी आवाज़ और छवि मान्यता एल्गोरिदम में गहरी शिक्षा का उपयोग कर रहा है जबकि नेटफ्लिक्स और अमेज़ॅन इसका उपयोग अपने ग्राहक के व्यवहार को समझने के लिए कर रहे हैं। वास्तव में, आप इस पर विश्वास नहीं करते, लेकिन MIT के शोधकर्ता गहरी शिक्षा का उपयोग करके भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं।अब, कल्पना कीजिए कि दुनिया में क्रांति लाने में कितनी संभावित गहरी शिक्षा है और कंपनियां किस तरह की खोज करेंगी ।डीप लर्निंग के बारे में बात करने से पहले, मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस के साथ अपने संबंधों को समझना चाहिए। इस संबंध को समझने का सबसे आसान तरीका नीचे दिए गए चित्र से है:

अंजीर: डीप लर्निंग क्या है - एआई टेक्नोलॉजीज टाइमलाइन

यहां, छवि में आप देख सकते हैं कि मशीन लर्निंग एआई का सबसेट है। इसका तात्पर्य इस तथ्य से है कि हम बुद्धिमान मशीनों का निर्माण कर सकते हैं जो अपने आप उपलब्ध कराए गए डेटा के आधार पर सीख सकते हैं। इसके अलावा आप देखेंगे कि डीप लर्निंग मशीन लर्निंग का एक सबसेट है, जहाँ डीप न्यूरल नेटवर्क्स को प्रशिक्षित करने के लिए इसी तरह की मशीन लर्निंग एल्गोरिदम का उपयोग किया जाता है ताकि उन मामलों में बेहतर सटीकता प्राप्त की जा सके जहां पहले निशान तक नहीं था। झागllowing वे विषय हैं जिनकी चर्चा मैं इस गहन शिक्षण ट्यूटोरियल में करने जा रहा हूँ:

• कृत्रिम होशियारी
• यंत्र अधिगम
• एमएल की कमियां
• डीप लर्निंग क्या है?
• डीप लर्निंग एप्लीकेशन

उद्योग स्तर की परियोजनाओं के साथ प्रमाणित हो जाओ और अपने कैरियर को फास्ट ट्रैक करो

कृत्रिम होशियारी

अंजीर: डीप लर्निंग क्या है - आर्टिफिशियल इंटेलिजेंस

एआई को 1956 में जॉन मैकार्थी द्वारा गढ़ा गया था, जिसे आर्टिफिशियल इंटेलिजेंस का जनक भी कहा जाता है। AI के पीछे का विचार काफी सरल है फिर भी आकर्षक है, जो बुद्धिमान मशीनें बनाना है जो अपने आप निर्णय ले सकते हैं। आप इसे एक विज्ञान कल्पना के रूप में सोच सकते हैं, लेकिन प्रौद्योगिकी और कंप्यूटिंग शक्ति में हाल के घटनाक्रमों के संबंध में, यह विचार दिन-प्रतिदिन वास्तविकता के करीब आता है।

मशीन लर्निंग: आर्टिफिशियल इंटेलिजेंस की ओर एक कदम

अब, जब आप AI से परिचित हैं, तो हम मशीन लर्निंग के बारे में संक्षेप में बात करते हैं और समझते हैं कि इसका क्या मतलब है जब हम कहते हैं कि हम सीखने के लिए प्रोग्रामिंग मशीनें हैं। आइए हम मशीन लर्निंग की एक बहुत प्रसिद्ध परिभाषा से शुरू करें:

'कंप्यूटर प्रोग्राम को अनुभव E से कुछ कार्य T के संबंध में सीखने के लिए कहा जाता है और कुछ प्रदर्शन P को मापता है, यदि T पर इसका प्रदर्शन, जैसा कि P द्वारा मापा जाता है, अनुभव E से बेहतर होता है।' - टॉम मिशेल, कार्नेगी मेलन विश्वविद्यालय

इसलिए, यदि आप अपने कार्यक्रम की भविष्यवाणी करना चाहते हैं, तो एक व्यस्त चौराहे (टास्क टी) पर ट्रैफिक पैटर्न, आप इसे पिछले ट्रैफिक पैटर्न (अनुभव ई) के बारे में डेटा के साथ मशीन लर्निंग एल्गोरिदम के माध्यम से चला सकते हैं। अब, भविष्यवाणी की सटीकता (प्रदर्शन माप पी) इस तथ्य पर निर्भर करेगी कि कार्यक्रम सफलतापूर्वक डेटा सेट से सीखा है या नहीं (अनुभव ई)।

मूल रूप से, मशीन लर्निंग को एक प्रकार की कृत्रिम बुद्धिमत्ता (एआई) के रूप में संदर्भित किया जाता है जो कंप्यूटर को विशाल मात्रा में डेटा को उजागर करके स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता प्रदान करता है। मशीन लर्निंग के पीछे मुख्य सिद्धांत डेटा सेट से सीखना और त्रुटि को कम करने या उनकी भविष्यवाणियों के सत्य होने की संभावना को अधिकतम करना है।

मशीन लर्निंग की कमियां

• पारंपरिक एमएल एल्गोरिदम उच्च आयामी डेटा के साथ काम करते समय उपयोगी नहीं होते हैं, यही वह जगह है जहां हमारे पास बड़ी संख्या में इनपुट और आउटपुट होते हैं। उदाहरण के लिए, हस्तलिपि पहचान के मामले में हमारे पास बड़ी मात्रा में इनपुट हैं जहां हमारे पास विभिन्न प्रकार की हस्तलिपियों से जुड़े विभिन्न प्रकार के इनपुट होंगे।

• दूसरी बड़ी चुनौती कंप्यूटर को यह बताने की है कि इसके लिए क्या विशेषताएं दिखनी चाहिए, जो परिणाम की भविष्यवाणी करने के साथ-साथ ऐसा करते समय बेहतर सटीकता प्राप्त करने में महत्वपूर्ण भूमिका निभाएगा। यह बहुत ही प्रक्रिया के रूप में जाना जाता है सुविधा निकालना ।

एल्गोरिथ्म में कच्चे डेटा को खिलाना शायद ही कभी काम करता है और यही कारण है कि सुविधा निष्कर्षण पारंपरिक मशीन सीखने के वर्कफ़्लो का एक महत्वपूर्ण हिस्सा है। इसलिए, सुविधा निष्कर्षण के बिना, प्रोग्रामर के लिए चुनौती बढ़ जाती है क्योंकि एल्गोरिथ्म की प्रभावशीलता बहुत अधिक निर्भर करती है कि प्रोग्रामर कितना सुखद है। इसलिए, इन मशीन लर्निंग मॉडल या एल्गोरिदम को ऑब्जेक्ट रिकॉग्निशन, हैंड राइटिंग रिकॉग्निशन, एनएलपी (नेचुरल लैंग्वेज प्रोसेसिंग), आदि जैसी जटिल समस्याओं पर लागू करना बहुत मुश्किल है।

ध्यान लगा के पढ़ना या सीखना

डीप लर्निंग एकमात्र ऐसी विधि है जिसके द्वारा हम फीचर निष्कर्षण की चुनौतियों को पार कर सकते हैं। इसका कारण यह है कि डीप लर्निंग मॉडल प्रोग्रामर से बहुत कम मार्गदर्शन की आवश्यकता के साथ, स्वयं द्वारा सही विशेषताओं पर ध्यान केंद्रित करने के लिए सीखने में सक्षम हैं। मूल रूप से, गहरी शिक्षा हमारे मस्तिष्क के कार्य करने के तरीके की नकल करती है यानी यह अनुभव से सीखती है। जैसा कि आप जानते हैं, हमारा मस्तिष्क अरबों न्यूरॉन्स से बना है जो हमें आश्चर्यजनक चीजें करने की अनुमति देता है। यहां तक ​​कि एक साल के बच्चे का मस्तिष्क जटिल समस्याओं को हल कर सकता है जो सुपर-कंप्यूटर का उपयोग करते हुए भी हल करना बहुत मुश्किल है। उदाहरण के लिए:

सरणी क्रमांक c ++

• अपने माता-पिता और विभिन्न वस्तुओं के चेहरे को भी पहचानें।
• अलग-अलग आवाज़ों को अलग करें और अपनी आवाज़ के आधार पर किसी विशेष व्यक्ति को भी पहचान सकते हैं।
• अन्य व्यक्तियों के चेहरे के हावभाव से निष्कर्ष निकालना और बहुत कुछ।

दरअसल, हमारे मस्तिष्क ने वर्षों से ऐसी चीजों को करने के लिए खुद को सचेत रूप से प्रशिक्षित किया है। अब, सवाल आता है, मस्तिष्क की कार्यक्षमता कितनी गहरी है? खैर, गहरी सीख कृत्रिम न्यूरॉन्स की अवधारणा का उपयोग करती है जो हमारे मस्तिष्क में मौजूद जैविक न्यूरॉन्स के समान कार्य करती है। इसलिए, हम कह सकते हैं कि डीप लर्निंग एक सबफील्ड है मशीन सीख रहा हूँ कृत्रिम तंत्रिका नेटवर्क नामक मस्तिष्क की संरचना और कार्य से प्रेरित एल्गोरिदम से संबंधित है।

अब, इसे समझने के लिए एक उदाहरण लेते हैं। मान लीजिए हम एक ऐसी प्रणाली बनाना चाहते हैं जो एक छवि में विभिन्न लोगों के चेहरे को पहचान सके।यदि हम इसे एक विशिष्ट मशीन सीखने की समस्या के रूप में हल करते हैं, तो हम चेहरे की विशेषताओं जैसे कि आंख, नाक, कान आदि को परिभाषित करेंगे और फिर, सिस्टम यह पहचान लेगा कि कौन सी विशेषताएं अपने आप में किस व्यक्ति के लिए अधिक महत्वपूर्ण हैं।

अब, गहरी शिक्षा इसे एक कदम आगे ले जाती है। डीप लर्निंग स्वचालित रूप से उन विशेषताओं का पता लगाता है जो गहरे तंत्रिका नेटवर्क के कारण वर्गीकरण के लिए महत्वपूर्ण हैं, जबकि मशीन लर्निंग के मामले में हमें इन सुविधाओं को मैन्युअल रूप से परिभाषित करना था।

अंजीर: डीप नेटवर्क्स का उपयोग करके चेहरा पहचानना

जैसा कि दीप लर्निंग के ऊपर चित्र में दिखाया गया है:

• सबसे निचले स्तर पर, नेटवर्क स्थानीय कंट्रास्ट के पैटर्न को महत्वपूर्ण बनाता है।
• निम्नलिखित परत तब स्थानीय कंट्रास्ट के उन पैटर्नों का उपयोग करने में सक्षम होती है जो आंखों, नाक और मुंह से मिलती-जुलती चीजों पर फिक्सेट करते हैं
• अंत में, शीर्ष परत उन चेहरे की विशेषताओं को टेम्पलेट का सामना करने में सक्षम करने में सक्षम है।
• एक गहरा तंत्रिका नेटवर्क अपनी प्रत्येक क्रमिक परतों में अधिक से अधिक जटिल विशेषताओं की रचना करने में सक्षम है।

क्या आपने कभी सोचा है कि फेसबुक आपके द्वारा अपलोड की गई छवि में मौजूद सभी व्यक्ति को स्वचालित रूप से कैसे लेबल या टैग करता है? खैर, फेसबुक डीप लर्निंग का उपयोग इसी तरह से करता है जैसा कि ऊपर दिए उदाहरण में कहा गया है। अब, आपको डीप लर्निंग की क्षमता का एहसास हो गया होगा और यह उन मामलों में मशीन लर्निंग को कैसे बेहतर बना सकता है, जहां हमारे पास उन सभी विशेषताओं के बारे में बहुत कम विचार है जो परिणाम को प्रभावित कर सकते हैं। इसलिए, डीप नेटवर्क उचित लेबलिंग के बिना इनपुट डेटा से युक्त डेटा सेट से आरेखण खींचकर मशीन लर्निंग की कमियों को दूर कर सकता है।

क्या है डीप लर्निंग | दीप सीखना सरल | Edureka

डीप लर्निंग के अनुप्रयोग

गहरे सीखने वाले इस ब्लॉग में आगे बढ़ते हुए, आइए हम इसकी वास्तविक शक्तियों को समझने के लिए डीप लर्निंग के कुछ वास्तविक जीवन के अनुप्रयोगों को देखें।

• वाक् पहचान

आप सभी ने सिरी के बारे में सुना होगा, जो कि Apple की आवाज नियंत्रित बुद्धिमान सहायक है। अन्य बड़े दिग्गजों की तरह, Apple ने भी अपनी सेवाओं को पहले से बेहतर बनाने के लिए डीप लर्निंग पर निवेश करना शुरू कर दिया है।

सिरी जैसे भाषण मान्यता और आवाज नियंत्रित बुद्धिमान सहायक के क्षेत्र में, एक गहरे तंत्रिका नेटवर्क का उपयोग करके अधिक सटीक ध्वनिक मॉडल विकसित कर सकता है और वर्तमान में गहरी सीखने के कार्यान्वयन के लिए सबसे सक्रिय क्षेत्रों में से एक है। सरल शब्दों में, आप ऐसी प्रणाली का निर्माण कर सकते हैं जो नई सुविधाएँ सीख सकती है या आपके अनुसार खुद को ढाल सकती है और इसलिए, सभी संभावनाओं की भविष्यवाणी करके बेहतर सहायता प्रदान करें।

• स्वचालित मशीन अनुवाद

हम सभी जानते हैं कि Google तुरंत 100 अलग-अलग मानव भाषा के बीच अनुवाद कर सकता है, वह भी बहुत जल्दी जैसे कि जादू से। पीछे प्रौद्योगिकी गूगल अनुवाद कहा जाता है मशीन अनुवाद और उन लोगों के लिए उद्धारक रहा है जो बोलने की भाषा में अंतर के कारण एक दूसरे के साथ संवाद नहीं कर सकते। अब, आप सोच रहे होंगे कि यह सुविधा लंबे समय से है, तो, इसमें नया क्या है? आपको बता दें कि पिछले दो वर्षों में, Google ने गहन सीखने की मदद से, अपने Google अनुवाद में मशीन अनुवाद के दृष्टिकोण को पूरी तरह से सुधार दिया है। वास्तव में, गहरे सीखने वाले शोधकर्ता जो भाषा के अनुवाद के बारे में लगभग कुछ भी नहीं जानते हैं, अपेक्षाकृत सरल मशीन सीखने के समाधानों को आगे बढ़ा रहे हैं जो दुनिया में सबसे अच्छा विशेषज्ञ-निर्मित भाषा अनुवाद प्रणालियों को हरा रहे हैं। अनुक्रम के किसी भी पूर्व-प्रसंस्करण के बिना पाठ अनुवाद किया जा सकता है, एल्गोरिथ्म को शब्दों और उनकी मैपिंग के बीच निर्भरता को एक नई भाषा में सीखने की अनुमति देता है। बड़े आवर्तक तंत्रिका नेटवर्क के स्टैक्ड नेटवर्क का उपयोग इस अनुवाद को करने के लिए किया जाता है।

• त्वरित दृश्य अनुवाद

जैसा कि आप जानते हैं, गहरी सीखने का उपयोग उन छवियों की पहचान करने के लिए किया जाता है जिनमें पत्र होते हैं और जहां दृश्य पर पत्र होते हैं। एक बार पहचानने के बाद, उन्हें पाठ में बदल दिया जा सकता है, अनुवादित किया जाता है और अनुवादित पाठ के साथ छवि को फिर से बनाया जाता है। इसे अक्सर कहा जाता है तत्काल दृश्य अनुवाद ।

अब, ऐसी स्थिति की कल्पना करें जहां आप किसी अन्य देश का दौरा किया है, जिसकी मूल भाषा आपको ज्ञात नहीं है। ठीक है, चिंता करने की कोई ज़रूरत नहीं है, Google अनुवाद जैसे विभिन्न ऐप का उपयोग करके आप आगे जा सकते हैं और किसी अन्य भाषा में लिखे गए संकेतों या दुकान बोर्डों को पढ़ने के लिए तत्काल दृश्य अनुवाद कर सकते हैं। यह डीप लर्निंग के कारण ही संभव हो पाया है।

ध्यान दें: आप आगे जा सकते हैं और Google अनुवाद ऐप डाउनलोड कर सकते हैं और उपरोक्त छवि का उपयोग करके अद्भुत त्वरित दृश्य अनुवाद देख सकते हैं।

• व्यवहार: स्वचालित स्व चालित कारें

Google अपनी सेल्फ ड्राइविंग कार पहल को WAYMO के रूप में जाना जाता है, जो डीप लर्निंग का उपयोग करके पूर्णता के एक नए स्तर पर ले जाने की कोशिश कर रहा है। इसलिए, पुराने हाथ से कोड किए गए एल्गोरिदम का उपयोग करने के बजाय, अब वे प्रोग्राम सिस्टम कर सकते हैं जो विभिन्न सेंसर द्वारा प्रदान किए गए डेटा का उपयोग करके स्वयं सीख सकते हैं। डीप लर्निंग अब अधिकांश धारणा कार्यों के साथ-साथ कई निम्न-स्तरीय नियंत्रण कार्यों के लिए सबसे अच्छा तरीका है। इसलिए, अब वे लोग भी जो गाड़ी चलाना नहीं जानते हैं या विकलांग हैं, आगे जा सकते हैं और किसी और पर निर्भर किए बिना सवारी कर सकते हैं।

यहां, मैंने केवल कुछ प्रसिद्ध वास्तविक जीवन के उपयोग के मामलों का उल्लेख किया है जहां डीप लर्निंग का बड़े पैमाने पर उपयोग किया जा रहा है और आशाजनक परिणाम दिखा रहा है। कई क्षेत्रों के साथ गहन सीखने के कई अन्य अनुप्रयोग हैं, जिन्हें अभी तक पता लगाया जाना बाकी है।

स्ट्रिंग दिनांक को दिनांक में बदलें

तो, यह सब संक्षेप में गहराई से सीखने के बारे में है। मुझे यकीन है कि अब तक आपको मशीन लर्निंग और डीप लर्निंग के बीच अंतर का एहसास हो गया होगा कि कैसे डीप लर्निंग विभिन्न वास्तविक जीवन के लिए बहुत उपयोगी हो सकता है। अब, इस गहन शिक्षण ट्यूटोरियल श्रृंखला में मेरे अगले ब्लॉग में, हम विस्तार से उनके आवेदन के साथ विभिन्न अवधारणाओं और एल्गोरिदम डीप लर्निंग में गहराई से गोता लगाएँगे।

अब जब आप डीप लर्निंग के बारे में जानते हैं, तो देखें 250,000 से अधिक संतुष्ट शिक्षार्थियों के एक नेटवर्क के साथ एक विश्वसनीय ऑनलाइन शिक्षण कंपनी, एडुरेका द्वारा, दुनिया भर में फैली हुई है। TensorFlow सर्टिफिकेशन ट्रेनिंग कोर्स के साथ एडुर्का डीप लर्निंग, सीखने वालों को सॉफ्ट टाइममैक्स फंक्शन, ऑटो-एनकोडर न्यूरल नेटवर्क्स, रेस्ट्रिक्टेड बोल्ट्ज़मन मशीन (RBM) जैसे कॉन्सेप्ट्स के साथ रियल टाइम प्रोजेक्ट्स और असाइनमेंट्स का इस्तेमाल करके बेसिक और कॉन्फिडेंशियल न्यूरल नेटवर्क्स को एक्सपर्ट करने में मदद करता है।

क्या आप हमसे कोई प्रश्न पूछना चाहते हैं? कृपया टिप्पणी अनुभाग में इसका उल्लेख करें और हम आपके पास वापस आ जाएंगे।