डीप लर्निंग का परिचय
डीप लर्निंग मशीन लर्निंग तकनीक में से एक है जिसके द्वारा हम कंप्यूटरों को सिखाते / सिखाते हैं कि मनुष्य क्या कर रहे हैं। उदाहरण के लिए, कार चलाना – डीप लर्निंग ड्राइवर रहित कार प्रौद्योगिकी में महत्वपूर्ण यातायात संकेतों, सड़क संकेतों, पैदल यात्रियों के संकेतों आदि की पहचान करने में महत्वपूर्ण भूमिका निभाती है। डीप लर्निंग के अन्य प्रमुख क्षेत्र हैं होम सिस्टम, मोबाइल, वायरलेस स्पीकर में ध्वनि नियंत्रण। , एलेक्सा, स्मार्ट टीवी आदि शुरुआती के लिए डीप लर्निंग ज्यादातर अमूर्त और प्रतिनिधित्व के कई स्तरों के बारे में है जिसके द्वारा कंप्यूटर मॉडल छवियों, ध्वनियों, और पाठ आदि का वर्गीकरण करना सीखता है। डीप लर्निंग मॉडल कुछ मॉडलों में मनुष्यों की तुलना में बेहतर सटीकता और प्रदर्शन प्राप्त करते हैं। । सामान्य तौर पर, इन कंप्यूटर मॉडलों को डेटा के एक बड़े सेट द्वारा प्रशिक्षित किया जाता है, जो उन वस्तुओं और तंत्रिका नेटवर्क की पहचान करने के लिए लेबल और अप्रकाशित होता है जिनकी प्रत्येक नेटवर्क में कई परतें होती हैं।
क्या है डीप लर्निंग?
मैं बता रहा हूँ कि नीचे दिए गए शब्द में क्या है डीप लर्निंग: सामान्य तौर पर हम दो काम हर समय होशपूर्वक या अवचेतन रूप से करते हैं अर्थात जो हम अपनी इंद्रियों (जैसे गर्म महसूस करना, ठंड मग आदि) और भविष्यवाणी के माध्यम से महसूस करते हैं, उदाहरण के लिए। , पिछले तापमान डेटा के आधार पर भविष्य के तापमान की भविष्यवाणी करता है। हम अपने दैनिक जीवन में कई घटनाओं या कार्यों के लिए वर्गीकरण और भविष्यवाणी कार्य करते हैं जैसे कि नीचे:
- चाय / पानी / कॉफी आदि का होल्डिंग कप जो गर्म या ठंडा हो सकता है।
- ईमेल वर्गीकरण जैसे स्पैम / स्पैम नहीं।
- दिन या रात जैसे दिन के प्रकाश का वर्गीकरण।
- हमारी वर्तमान स्थिति और हमारे पास मौजूद चीजों के आधार पर भविष्य की दीर्घकालिक योजना – भविष्यवाणी कहलाती है।
- दुनिया का प्रत्येक प्राणी अपने जीवन में इन कार्यों को करेगा, उदाहरण के लिए, विचार करें कि कौवा जैसे जानवर अपने घोंसले को बनाने के लिए एक जगह को वर्गीकृत करेंगे या नहीं, एक मधुमक्खी कुछ कारकों पर फैसला करेगी कि शहद कब और कहां मिलेगा, रात के दौरान बल्ले आएंगे और दिन और रात वर्गीकरण के आधार पर सुबह के दौरान सोता है।
आइए हम इन कार्यों वर्गीकरण और भविष्यवाणी की कल्पना करें और वे नीचे की छवि के समान दिखेंगे, वर्गीकरण के लिए, हम डेटा बिंदुओं के माध्यम से एक रेखा खींचकर बिल्लियों और कुत्तों के बीच वर्गीकरण कर रहे हैं और भविष्यवाणी के मामले में हम डेटा बिंदुओं के लिए एक रेखा खींचते हैं। भविष्यवाणी करें कि यह कब बढ़ेगा और घटेगा।
1) श्रेणीकरण
- सामान्य तौर पर बिल्लियों और कुत्तों, या पुरुषों और महिलाओं के बीच वर्गीकृत करने के लिए, हम अपने दिमाग में एक रेखा नहीं खींचते हैं और कुत्तों और बिल्लियों की स्थिति केवल चित्रण के उद्देश्य के लिए मनमानी है और यह कहना बेकार है कि हम बिल्लियों के बीच में किस तरह का व्यवहार करते हैं? हमारे दिमाग के कुत्ते ऊपर की तरह लाल रेखा खींचने की तुलना में बहुत जटिल हैं।
- हम आकार, आकार, ऊँचाई, रूप आदि के आधार पर दो चीजों के बीच वर्गीकरण करेंगे और कभी-कभी इन विशेषताओं के साथ श्रेणीबद्ध करना मुश्किल होगा, जैसे कि एक छोटा कुत्ता जिसमें रोष और नई-नवेली बिल्ली हो, इसलिए यह स्पष्ट कटे वर्गीकरण नहीं है बिल्लियों और कुत्तों में।
- एक बार जब हम बच्चे होते हैं तो हम बिल्लियों और कुत्तों के बीच वर्गीकृत कर सकते हैं, उसके बाद हम किसी भी कुत्ते या बिल्ली को वर्गीकृत करने में सक्षम होते हैं, यहां तक कि हमने पहले इसे नहीं देखा था।
2) भविष्यवाणी
- लाइन के आधार पर भविष्यवाणी के लिए, हम डेटा बिंदुओं के माध्यम से आकर्षित करते हैं, अगर हम भविष्यवाणी करने में सक्षम हैं कि यह सबसे ऊपर या नीचे जाने की संभावना कहां है।
- वक्र भी मौजूदा डेटा बिंदुओं की सीमा के भीतर नए डेटा बिंदुओं को फिट करने की एक भविष्यवाणी है यानी वक्र के नए डेटा बिंदु को कैसे बंद करें।
- डेटा बिंदु जो उपरोक्त छवि (दाईं ओर) में लाल रंग में हैं, मौजूदा डेटा बिंदुओं की सीमा के भीतर और बाहर दोनों के उदाहरण हैं और वक्र दोनों का अनुमान लगाने का प्रयास करते हैं।
अंत में, दोनों काम वर्गीकरण और भविष्यवाणी समान बिंदु पर समाप्त होते हैं अर्थात डेटा बिंदुओं से एक सुडौल रेखा खींचते हैं। यदि हम कंप्यूटर मॉडल को प्रशिक्षित करने में सक्षम हैं, तो हमारे द्वारा किए गए डेटा बिंदुओं के आधार पर सुडौल रेखा को आकर्षित करने के लिए हम इसे विभिन्न मॉडलों में लागू कर सकते हैं जैसे कि तीन-आयामी विमानों में एक सुडौल रेखा खींचना आदि। उपरोक्त चीज़ को एक मॉडल को बड़ी मात्रा में लेबल और बिना लेबल के डेटा के साथ प्रशिक्षित करके प्राप्त किया जा सकता है जिसे डीप लर्निंग कहा जाता है।
डीप लर्निंग के उदाहरण:
जैसा कि हम जानते हैं कि डीप लर्निंग और मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस के सबसेट हैं, लेकिन डीप लर्निंग टेक्नोलॉजी मशीन लर्निंग के अगले विकास का प्रतिनिधित्व करती है। चूंकि मशीन लर्निंग मनुष्यों द्वारा विकसित एल्गोरिदम और कार्यक्रमों के आधार पर काम करेगा, जबकि डीप लर्निंग एक तंत्रिका नेटवर्क मॉडल के माध्यम से सीखता है जो मनुष्यों के समान कार्य करता है और मशीन या कंप्यूटर को मनुष्यों के समान डेटा का विश्लेषण करने की अनुमति देता है। यह संभव हो जाता है क्योंकि हम तंत्रिका नेटवर्क मॉडल को भारी मात्रा में डेटा के साथ प्रशिक्षित करते हैं क्योंकि डेटा तंत्रिका नेटवर्क मॉडल के लिए ईंधन या भोजन है। नीचे वास्तविक दुनिया में डीप लर्निंग के कुछ उदाहरण दिए गए हैं।
-
कंप्यूटर दृष्टी:
कंप्यूटर दृष्टि कंप्यूटर के लिए एक छवि और वीडियो डेटा और कार्यों जैसे छवि मान्यता, छवि वर्गीकरण, वस्तु का पता लगाने, छवि विभाजन, छवि बहाली आदि का उपयोग करके दुनिया को समझने के लिए एल्गोरिदम से संबंधित है।
-
भाषण और प्राकृतिक भाषा प्रसंस्करण:
प्राकृतिक भाषा प्रसंस्करण कंप्यूटरों को मानव भाषा में समझने, व्याख्या करने और हेरफेर करने के लिए एल्गोरिदम से संबंधित है। एनएलपी एल्गोरिदम टेक्स्ट और ऑडियो डेटा के साथ काम करते हैं और उन्हें ऑडियो या टेक्स्ट आउटपुट में बदल देते हैं। एनएलपी का उपयोग करके हम भावनाओं का विश्लेषण, भाषण मान्यता, भाषा संक्रमण और प्राकृतिक भाषा निर्माण आदि जैसे कार्य कर सकते हैं।
-
स्वायत्त वाहन:
डीप लर्निंग के मॉडल को सड़क संकेतों की पहचान के लिए बड़ी मात्रा में डेटा के साथ प्रशिक्षित किया जाता है; कुछ मॉडल ड्राइविंग करते समय ड्राइवर रहित कारों के लिए पैदल चलने वालों की पहचान करने, मनुष्यों आदि की पहचान करने में माहिर हैं।
-
पाठ पीढ़ी:
भाषा, व्याकरण, और प्रकार के ग्रंथों आदि द्वारा प्रशिक्षित डीप लर्निंग मॉडल का उपयोग करके , विकिपीडिया से शेक्सपियर तक सही वर्तनी और व्याकरण के साथ एक नया पाठ बनाने के लिए उपयोग किया जा सकता है।
-
छवि फ़िल्टरिंग:
डीप लर्निंग मॉडल का उपयोग करके जैसे कि काले और सफेद चित्रों में रंग जोड़ना, डीप लर्निंग मॉडल द्वारा किया जा सकता है जो कि अगर हम मैन्युअल रूप से करते हैं तो अधिक समय लगेगा।
निष्कर्ष – क्या है डीप लर्निंग
अंत में, यह डीप लर्निंग ने की तकनीक, वास्तविक दुनिया में इसके अनुप्रयोगों का अवलोकन है। मुझे उम्मीद है कि इस लेख को पढ़ने के बाद आपको अच्छी समझ होगी क्या है डीप लर्निंग , उसकी आपको अच्छी समझ होगी। जैसा कि हम जानते हैं कि आज कुछ मामलों में डीप लर्निंग द्वारा प्रशिक्षित मशीनों द्वारा छवि पहचान मनुष्यों की तुलना में बेहतर है, अर्थात एमआरआई स्कैन में रक्त और ट्यूमर में कैंसर की पहचान करना और गूगल के अल्फाजो ने इस खेल को सीखा और अपने तंत्रिका नेटवर्क को प्रशिक्षित करके ‘गो’ मैच के लिए प्रशिक्षित किया। बार-बार इसके खिलाफ खेलना।
अनुशंसित लेख
यह क्या है डीप लर्निंग। यहां हमने बुनियादी अवधारणाओं और डीप लर्निंग के उदाहरणों पर चर्चा की है। आप निम्नलिखित लेखों को भी देख सकते हैं:
- डीप लर्निंग में करियर
- 13 उपयोगी डीप लर्निंग साक्षात्कार प्रश्न
- सुपरवाइज्ड लर्निंग बनाम डीप लर्निंग
- न्यूरल नेटवर्क बनाम डीप लर्निंग