मशीन लर्निंग में उन्नति के साथ, ऊंची सड़क ले ली है। डीप लर्निंग को जटिल समस्याओं को हल करने के लिए निर्मित सबसे उन्नत तकनीक माना जाता है जो बड़े पैमाने पर डेटा सेट का उपयोग करता है। न्यूरल नेटवर्क क्या है, यह ब्लॉग आपको न्यूरल नेटवर्क्स की मूल अवधारणाओं से परिचित कराएगा और वे जटिल डेटा-संचालित समस्याओं को कैसे हल कर सकते हैं।
आर्टिफिशियल इंटेलिजेंस और डीप लर्निंग की गहन जानकारी प्राप्त करने के लिए, आप लाइव के लिए नामांकन कर सकते हैं 24/7 समर्थन और आजीवन पहुंच के साथ Edureka द्वारा।
यहां उन विषयों की एक सूची दी गई है जो इसमें शामिल किए जाएंगे ब्लॉग:
- एक तंत्रिका नेटवर्क क्या है?
- डीप लर्निंग क्या है?
- एआई, एमएल और डीएल के बीच अंतर
- डीप लर्निंग की आवश्यकता
- डीप लर्निंग यूज केस
- तंत्रिका नेटवर्क कैसे काम करते हैं?
- तंत्रिका नेटवर्क उदाहरण के साथ समझाया
एक तंत्रिका नेटवर्क की सरल परिभाषा
मानव मस्तिष्क के अनुसार मॉडलिंग की, ए न्यूरल नेटवर्क का निर्माण मानव मस्तिष्क की कार्यक्षमता की नकल करने के लिए किया गया था । मानव मस्तिष्क एक न्यूरल नेटवर्क है जो कई न्यूरॉन्स से बना होता है, इसी तरह एक आर्टिफिशियल न्यूरल नेटवर्क (एएनएन) कई परसेप्ट्रॉन (बाद में समझाया गया) से बना होता है।
तंत्रिका नेटवर्क में तीन महत्वपूर्ण परतें होती हैं:
- इनपुट परत: जैसा कि नाम से पता चलता है, यह परत प्रोग्रामर द्वारा प्रदान किए गए सभी इनपुट को स्वीकार करती है।
- छिपी परत: इनपुट और आउटपुट लेयर के बीच परतों का एक समूह होता है जिसे हिडन लेयर्स के रूप में जाना जाता है। इस परत में, संगणनाएँ की जाती हैं जिसके परिणामस्वरूप आउटपुट होता है।
- आउटपुट परत: इनपुट छिपी हुई परत के माध्यम से परिवर्तनों की एक श्रृंखला से गुजरते हैं, जिसके परिणामस्वरूप अंततः आउटपुट होता है जो इसके माध्यम से वितरित किया जाता है परत।
इससे पहले कि हम एक तंत्रिका नेटवर्क कैसे काम करते हैं, इसकी गहराई में जाने के बाद आइए समझते हैं कि डीप लर्निंग क्या है।
क्या है डीप लर्निंग?
डीप लर्निंग मशीन लर्निंग का एक उन्नत क्षेत्र है जो बहु-आयामी डेटा के विश्लेषण को शामिल करने वाले अत्यधिक कम्प्यूटेशनल उपयोग के मामलों को हल करने के लिए तंत्रिका नेटवर्क की अवधारणाओं का उपयोग करता है। यह सुविधा निष्कर्षण की प्रक्रिया को स्वचालित करता है, जिससे यह सुनिश्चित होता है कि मानव न्यूनतम हस्तक्षेप की आवश्यकता है।
तो क्या वास्तव में डीप लर्निंग है?
डीप लर्निंग एक उन्नत है मशीन लर्निंग का उप-क्षेत्र जो कृत्रिम तंत्रिका नेटवर्क नामक मस्तिष्क की संरचना और कार्य से प्रेरित एल्गोरिदम का उपयोग करता है।
एआई, एमएल और डीएल के बीच अंतर (आर्टिफिशियल इंटेलिजेंस बनाम मशीन लर्निंग बनाम डीप लर्निंग)
लोग अक्सर ऐसा सोचते हैं , , तथा ध्यान लगा के पढ़ना या सीखना समान हैं क्योंकि उनके पास सामान्य अनुप्रयोग हैं। उदाहरण के लिए, सिरी एआई, मशीन लर्निंग और डीप लर्निंग का अनुप्रयोग है।
तो ये तकनीकें कैसे संबंधित हैं?
c ++ एक नेमस्पेस क्या है
- कृत्रिम होशियारी मनुष्य के व्यवहार की नकल करने के लिए मशीनों को प्राप्त करने का विज्ञान है।
- यंत्र अधिगम आर्टिफिशियल इंटेलिजेंस (एआई) का एक सबसेट है जो उन्हें डेटा खिलाकर निर्णय लेने के लिए मशीनों को प्राप्त करने पर केंद्रित है।
- ध्यान लगा के पढ़ना या सीखना मशीन लर्निंग का एक सबसेट है जो जटिल समस्याओं को हल करने के लिए तंत्रिका नेटवर्क की अवधारणा का उपयोग करता है।
एआई को योग करने के लिए, मशीन लर्निंग और डीप लर्निंग परस्पर जुड़े हुए क्षेत्र हैं। मशीन लर्निंग और डीप लर्निंग आर्टिफिशल इंटेलिजेंस को हल करने के लिए एल्गोरिदम और तंत्रिका नेटवर्क का एक सेट प्रदान करके डेटा-चालित समस्याएं।
अब जब आप मूल बातें से परिचित हो गए हैं, तो आइए समझते हैं कि डीप लर्निंग की आवश्यकता क्या है।
डीप लर्निंग की आवश्यकता: पारंपरिक मशीन लर्निंग एल्गोरिदम और तकनीकों की सीमाएं
मशीन लर्निंग तकनीकी दुनिया में एक बड़ी सफलता थी, इसने नीरस और समय लेने वाले कार्यों के स्वचालन का नेतृत्व किया, इसने जटिल समस्याओं को हल करने और होशियार निर्णय लेने में मदद की। हालाँकि, मशीन लर्निंग में कुछ कमियां थीं जिसके कारण डीप लर्निंग का उदय हुआ।
यहाँ मशीन लर्निंग की कुछ सीमाएँ हैं:
- उच्च आयामी डेटा संसाधित करने में असमर्थ: मशीन लर्निंग केवल डेटा के छोटे आयामों को संसाधित कर सकता है जिसमें चर का एक छोटा समूह होता है। यदि आप 100 चर वाले डेटा का विश्लेषण करना चाहते हैं, तो मशीन लर्निंग का उपयोग नहीं किया जा सकता है।
- फ़ीचर इंजीनियरिंग मैनुअल है: एक उपयोग के मामले पर विचार करें जहां आपके पास 100 भविष्यवाणियां चर हैं और आपको केवल महत्वपूर्ण लोगों को संकीर्ण करने की आवश्यकता है। ऐसा करने के लिए आपको मैन्युअल रूप से प्रत्येक चर के बीच संबंधों का अध्ययन करना होगा और यह पता लगाना होगा कि आउटपुट की भविष्यवाणी करने में कौन से महत्वपूर्ण हैं। एक डेवलपर के लिए यह कार्य बेहद थकाऊ और समय लेने वाला है।
- ऑब्जेक्ट डिटेक्शन और इमेज प्रोसेसिंग करने के लिए आदर्श नहीं: चूंकि ऑब्जेक्ट का पता लगाने के लिए उच्च-आयामी डेटा की आवश्यकता होती है, मशीन लर्निंग का उपयोग छवि डेटा सेट को संसाधित करने के लिए नहीं किया जा सकता है, यह केवल सीमित संख्या की सुविधाओं के साथ डेटा सेट के लिए आदर्श है।
इससे पहले कि हम गहराई में उतरें तंत्रिका नेटवर्क, आइए एक वास्तविक दुनिया के उपयोग के मामले पर विचार करें जहां डीप लर्निंग लागू किया गया है।
डीप लर्निंग यूज केस / एप्लीकेशन
क्या आप जानते हैं कि पेपल अपने 170 मिलियन से अधिक ग्राहकों द्वारा चार अरब लेनदेन से भुगतान में $ 235 बिलियन से अधिक की प्रक्रिया करता है? यह अन्य कारणों के बीच संभावित धोखाधड़ी गतिविधियों की पहचान करने के लिए डेटा की इस विशाल मात्रा का उपयोग करता है।
डीप लर्निंग एल्गोरिदम की मदद से, पेपाल ने अपने डेटाबेस में संग्रहीत संभावित धोखाधड़ी के पैटर्न की समीक्षा करने के अलावा अपने ग्राहक के क्रय इतिहास से डेटा का अनुमान लगाया कि क्या कोई विशेष लेनदेन धोखाधड़ी है या नहीं।
कंपनी लगभग 10 वर्षों से डीप लर्निंग एंड मशीन लर्निंग तकनीक पर भरोसा कर रही है। प्रारंभ में, धोखाधड़ी निगरानी टीम ने सरल, रैखिक मॉडल का उपयोग किया। लेकिन वर्षों में कंपनी ने एक और उन्नत मशीन लर्निंग तकनीक पर स्विच किया, जिसे डीप लर्निंग कहा जाता है।
कैसे जावा में एक नंबर रिवर्स करने के लिए
पेपाल, के वांग पर धोखाधड़ी जोखिम प्रबंधक और डेटा वैज्ञानिक, उद्धृत:
'हम आधुनिक, उन्नत मशीन लर्निंग से क्या आनंद लेते हैं, यह बहुत अधिक डेटा का उपभोग करने की क्षमता है, परतों और अमूर्त की परतों को संभालना और चीजों को 'देखने' में सक्षम होना जो कि एक सरल तकनीक को देखने में सक्षम नहीं होगी, यहां तक कि मानव भी हो सकता है देख नहीं पा रहे हैं। ”
एक साधारण रैखिक मॉडल लगभग 20 चर का उपभोग करने में सक्षम है। हालाँकि, डीप लर्निंग तकनीक से हजारों डेटा पॉइंट चलाए जा सकते हैं। इसलिए, लागू करके डीप लर्निंग तकनीक, पेपल आखिरकार किसी भी धोखाधड़ी की पहचान करने के लिए लाखों लेनदेन का विश्लेषण कर सकता है गतिविधि।
अब एक तंत्रिका नेटवर्क की गहराई में जाने दें और समझें कि वे कैसे काम करते हैं।
एक तंत्रिका नेटवर्क कैसे काम करता है?
तंत्रिका नेटवर्क को समझने के लिए, हमें इसे तोड़ने की जरूरत है और एक तंत्रिका नेटवर्क की सबसे बुनियादी इकाई, यानी एक परसेप्ट्रॉन को समझना होगा।
एक अवधारणात्मक क्या है?
पेरिसेट्रॉन एक एकल परत तंत्रिका नेटवर्क है जिसका उपयोग रैखिक डेटा को वर्गीकृत करने के लिए किया जाता है। इसके 4 महत्वपूर्ण घटक हैं:
- इनपुट्स
- वजन और पूर्वाग्रह
- संक्षेप समारोह
- सक्रियण या परिवर्तन समारोह
एक Perceptron के पीछे मूल तर्क निम्नानुसार है:
इनपुट लेयर से प्राप्त इनपुट (x) को उनके नियत भार w से गुणा किया जाता है। फिर गुणा किए गए मानों को भारित योग के रूप में जोड़ा जाता है। इनपुट्स की भारित राशि और उनके संबंधित वजन को फिर एक संबंधित सक्रियकरण फ़ंक्शन पर लागू किया जाता है। सक्रियण फ़ंक्शन संबंधित आउटपुट में इनपुट को मैप करता है।
वेट एंड बायस इन डीप लर्निंग
हमें प्रत्येक इनपुट को वेट असाइन क्यों करना है?
एक बार जब एक इनपुट वैरिएबल नेटवर्क को खिलाया जाता है, तो एक यादृच्छिक रूप से चुना गया मान उस इनपुट के वजन के रूप में असाइन किया जाता है। प्रत्येक इनपुट डेटा बिंदु का वजन इंगित करता है कि परिणाम की भविष्यवाणी में इनपुट कितना महत्वपूर्ण है।
दूसरी ओर, पूर्वाग्रह पैरामीटर, आपको सक्रियण फ़ंक्शन वक्र को इस तरह से समायोजित करने की अनुमति देता है कि एक सटीक आउटपुट प्राप्त हो।
संक्षेप समारोह
एक बार इनपुट को कुछ भार सौंपा जाने के बाद, संबंधित इनपुट और वजन का उत्पाद लिया जाता है। इन सभी उत्पादों को जोड़ने से हमें भारित योग मिलता है। यह योग फ़ंक्शन द्वारा किया जाता है।
सक्रियण समारोह
सक्रियण कार्यों का मुख्य उद्देश्य आउटपुट के लिए भारित राशि को मैप करना है। सक्रियण कार्य जैसे कि तन, रेएलयू, सिग्मॉइड और इसी तरह परिवर्तन कार्य के उदाहरण हैं।
Perceptrons के कार्यों के बारे में अधिक जानने के लिए, आप इसके माध्यम से जा सकते हैं ब्लॉग।
हमसे पहले इस ब्लॉग को लपेटें, यह समझने के लिए एक सरल उदाहरण लें कि एक न्यूरल नेटवर्क कैसे संचालित होता है।
तंत्रिका नेटवर्क एक उदाहरण के साथ समझाया
एक परिदृश्य पर विचार करें जहां आप एक आर्टिफिशियल न्यूरल नेटवर्क (एएनएन) बनाने वाले हैं जो छवियों को दो वर्गों में वर्गीकृत करता है:
- कक्षा ए: गैर-रोगग्रस्त पत्तियों की छवियों से युक्त
- कक्षा बी: रोगग्रस्त पत्तियों की छवियों से युक्त
तो आप एक तंत्रिका नेटवर्क कैसे बनाते हैं जो पत्तियों को रोगग्रस्त और गैर-रोगग्रस्त फसलों में वर्गीकृत करता है?
प्रक्रिया हमेशा प्रसंस्करण से शुरू होती है और इनपुट को इस तरह से परिवर्तित करती है कि इसे आसानी से संसाधित किया जा सके। हमारे मामले में, छवि के आयाम के आधार पर प्रत्येक पत्ती छवि को पिक्सेल में तोड़ दिया जाएगा।
उदाहरण के लिए, यदि छवि 30 से 30 पिक्सेल से बनी है, तो कुल पिक्सेल की संख्या 900 होगी। इन पिक्सेल को मेट्रिसेस के रूप में दर्शाया जाता है, जो फिर तंत्रिका नेटवर्क की इनपुट परत में फीड हो जाते हैं।
जावा में int को डबल में कैसे कन्वर्ट करें
जिस तरह हमारे दिमाग में न्यूरॉन्स होते हैं जो विचारों को बनाने और जोड़ने में मदद करते हैं, एक ANN के पास अवधारणात्मक होते हैं जो इनपुट स्वीकार करते हैं और उन्हें इनपुट लेयर से छिपे हुए और अंत में आउटपुट लेयर पर पास करके प्रोसेस करते हैं।
चूंकि इनपुट इनपुट परत से छिपी हुई परत तक इनपुट पारित किया जाता है, प्रत्येक इनपुट को एक प्रारंभिक यादृच्छिक भार सौंपा जाता है। फिर इनपुट को उनके संबंधित भार से गुणा किया जाता है और उनकी राशि को अगली छिपी परत के इनपुट के रूप में भेजा जाता है।
यहां, एक संख्यात्मक मान जिसे पूर्वाग्रह कहा जाता है, प्रत्येक परसेप्ट्रॉन को सौंपा जाता है, जो प्रत्येक इनपुट के भार के साथ जुड़ा होता है। इसके अलावा, प्रत्येक परसेप्ट्रॉन को सक्रियण या एक परिवर्तन फ़ंक्शन के माध्यम से पारित किया जाता है, जो यह निर्धारित करता है कि कोई विशेष अवधारणकर्ता सक्रिय होता है या नहीं।
एक सक्रिय पेसेप्ट्रॉन का उपयोग अगली परत में डेटा संचारित करने के लिए किया जाता है। इस तरीके से, तंत्रिका तंत्र के माध्यम से डेटा को प्रचारित किया जाता है (तब तक प्रचार) जब तक कि पर्सेप्रोन आउटपुट परत तक नहीं पहुंच जाते।
आउटपुट लेयर पर, एक प्रायिकता प्राप्त की जाती है जो यह तय करती है कि डेटा वर्ग A या वर्ग B का है या नहीं।
सरल लगता है, यह नहीं है? खैर, तंत्रिका नेटवर्क के पीछे की अवधारणा विशुद्ध रूप से मानव मस्तिष्क के कामकाज पर आधारित है। आपको विभिन्न गणितीय अवधारणाओं और एल्गोरिदम के गहन ज्ञान की आवश्यकता है। आपको आरंभ करने के लिए यहां ब्लॉगों की एक सूची दी गई है:
यदि आप इस ब्लॉग को प्रासंगिक पाते 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 न्यूटन 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।