कृत्रिम तंत्रिका नेटवर्क क्या है? यहां वह सब कुछ है जो आपको जानना आवश्यक है

यदि आपने इसके बारे में पढ़ने में कोई समय बिताया है कृत्रिम होशियारी, आपने लगभग निश्चित रूप से कृत्रिम तंत्रिका नेटवर्क के बारे में सुना होगा। लेकिन वास्तव में एक क्या है? एक व्यापक कंप्यूटर विज्ञान पाठ्यक्रम में दाखिला लेने या कुछ अधिक गहन संसाधनों में तल्लीन करने के बजाय ऑनलाइन उपलब्ध है, मशीन के इस अद्भुत रूप का त्वरित और आसान परिचय पाने के लिए हमारी आसान आम आदमी की मार्गदर्शिका देखें सीखना।

कृत्रिम तंत्रिका नेटवर्क क्या है?

कृत्रिम तंत्रिका नेटवर्क मशीन लर्निंग में उपयोग किए जाने वाले मुख्य उपकरणों में से एक है। जैसा कि उनके नाम के "तंत्रिका" भाग से पता चलता है, वे मस्तिष्क से प्रेरित प्रणालियाँ हैं जिनका उद्देश्य हम इंसानों के सीखने के तरीके को दोहराना है। तंत्रिका नेटवर्क में इनपुट और आउटपुट परतें होती हैं, साथ ही (ज्यादातर मामलों में) एक छिपी हुई परत होती है जिसमें ऐसी इकाइयाँ होती हैं जो इनपुट को किसी ऐसी चीज़ में बदल देती हैं जिसे आउटपुट परत उपयोग कर सकती है। वे ऐसे पैटर्न खोजने के लिए उत्कृष्ट उपकरण हैं जो मानव प्रोग्रामर के लिए बहुत जटिल या असंख्य हैं जिन्हें निकालना और मशीन को पहचानना सिखाना संभव नहीं है।

जबकि तंत्रिका नेटवर्क (जिसे "परसेप्ट्रॉन" भी कहा जाता है) 1940 के दशक से मौजूद हैंपिछले कई दशकों में ही वे कृत्रिम बुद्धिमत्ता का एक प्रमुख हिस्सा बन गए हैं। यह "बैकप्रॉपैगेशन" नामक एक तकनीक के आगमन के कारण है, जो नेटवर्क को स्थितियों में न्यूरॉन्स की छिपी हुई परतों को समायोजित करने की अनुमति देता है। जहां परिणाम उस चीज़ से मेल नहीं खाता जिसकी निर्माता अपेक्षा कर रहा है - जैसे कि कुत्तों को पहचानने के लिए डिज़ाइन किया गया नेटवर्क, जो बिल्ली की गलत पहचान करता है, क्योंकि उदाहरण।

एक और महत्वपूर्ण प्रगति गहन शिक्षण तंत्रिका नेटवर्क का आगमन है, जिसमें विभिन्न मल्टीलेयर नेटवर्क की परतें अलग-अलग विशेषताएं निकालती हैं जब तक कि वह यह नहीं पहचान लेती कि वह क्या देख रही है के लिए।

बहुत जटिल लगता है. क्या आप इसे ऐसे समझा सकते हैं जैसे मैं पाँच साल का हूँ?

एक गहन शिक्षण तंत्रिका नेटवर्क कैसे सीखता है, इसके बुनियादी विचार के लिए, एक फ़ैक्टरी लाइन की कल्पना करें। कच्चे माल (डेटा सेट) के इनपुट होने के बाद, उन्हें कन्वेयर बेल्ट के नीचे से गुजारा जाता है, प्रत्येक बाद के स्टॉप या परत के साथ उच्च-स्तरीय विशेषताओं का एक अलग सेट निकाला जाता है। यदि नेटवर्क का उद्देश्य किसी ऑब्जेक्ट को पहचानना है, तो पहली परत उसके पिक्सल की चमक का विश्लेषण कर सकती है।

अगली परत समान पिक्सेल की रेखाओं के आधार पर छवि में किसी भी किनारे की पहचान कर सकती है। इसके बाद, एक और परत बनावट और आकार इत्यादि को पहचान सकती है। जब तक चौथी या पांचवीं परत तक पहुंच जाएगा, तब तक डीप लर्निंग नेट ने जटिल फीचर डिटेक्टर तैयार कर लिए होंगे। यह पता लगा सकता है कि कुछ छवि तत्व (जैसे कि आंखों की एक जोड़ी, एक नाक और एक मुंह) आमतौर पर एक साथ पाए जाते हैं।

एक बार यह हो जाने के बाद, नेटवर्क को प्रशिक्षित करने वाले शोधकर्ता आउटपुट को लेबल दे सकते हैं, और फिर हुई किसी भी गलती को ठीक करने के लिए बैकप्रॉपैगेशन का उपयोग कर सकते हैं। कुछ समय बाद, नेटवर्क हर बार मनुष्यों की मदद की आवश्यकता के बिना अपने स्वयं के वर्गीकरण कार्यों को पूरा कर सकता है।

इसके अलावा, सीखने के विभिन्न प्रकार हैं, जैसे देखरेख या बिना पर्यवेक्षित शिक्षण या सुदृढीकरण सीखना, जिसमें नेटवर्क अपने स्कोर को अधिकतम करने का प्रयास करके स्वयं सीखता है - जैसा कि यादगार रूप से किया गया है Google DeepMind का अटारी गेम खेलने वाला बॉट.

तंत्रिका नेटवर्क कितने प्रकार के होते हैं?

तंत्रिका नेटवर्क कई प्रकार के होते हैं, जिनमें से प्रत्येक अपने विशिष्ट उपयोग के मामलों और जटिलता के स्तर के साथ आते हैं। तंत्रिका जाल का सबसे बुनियादी प्रकार कुछ कहा जाता है फीडफॉरवर्ड न्यूरल नेटवर्क, जिसमें सूचना इनपुट से आउटपुट तक केवल एक ही दिशा में यात्रा करती है।

नेटवर्क का अधिक व्यापक रूप से उपयोग किया जाने वाला प्रकार है आवर्तक तंत्रिका नेटवर्क, जिसमें डेटा कई दिशाओं में प्रवाहित हो सकता है। इन तंत्रिका नेटवर्कों में सीखने की अधिक क्षमताएं होती हैं और इन्हें अधिक जटिल कार्यों जैसे लिखावट सीखने या भाषा पहचानने के लिए व्यापक रूप से नियोजित किया जाता है।

वे भी हैं दृढ़ तंत्रिका नेटवर्क, बोल्ट्ज़मैन मशीन नेटवर्क, हॉपफील्ड नेटवर्क, और कई अन्य। आपके कार्य के लिए सही नेटवर्क चुनना उस डेटा पर निर्भर करता है जिसके साथ आपको इसे प्रशिक्षित करना है, और आपके मन में जो विशिष्ट एप्लिकेशन है। कुछ मामलों में, कई दृष्टिकोणों का उपयोग करना वांछनीय हो सकता है, जैसे कि आवाज पहचान जैसे चुनौतीपूर्ण कार्य के मामले में होगा।

तंत्रिका नेटवर्क किस प्रकार के कार्य कर सकता है?

हमारे अभिलेखों के त्वरित स्कैन से पता चलता है कि यहां उचित प्रश्न "कौन से कार्य" होना चाहिए नहीं कर सकता एक तंत्रिका नेटवर्क क्या करता है?” से सड़कों पर कारों को स्वायत्त रूप से चलाना, को आश्चर्यजनक रूप से यथार्थवादी सीजीआई चेहरे तैयार करना, मशीनी अनुवाद करने के लिए, धोखाधड़ी का पता लगाने के लिए, करने के लिए हमारे मन को पढ़ना, पहचानने के लिए जब ए बिल्ली बगीचे में है और स्प्रिंकलर चालू कर रही है; ए.आई. में हुई कई सबसे बड़ी प्रगति के पीछे तंत्रिका जाल का हाथ है।

हालाँकि, मोटे तौर पर कहें तो, वे डेटा में पैटर्न का पता लगाने के लिए डिज़ाइन किए गए हैं। विशिष्ट कार्यों में वर्गीकरण (डेटा सेट को पूर्वनिर्धारित वर्गों में वर्गीकृत करना), क्लस्टरिंग (डेटा को वर्गीकृत करना) शामिल हो सकते हैं विभिन्न अपरिभाषित श्रेणियां), और भविष्यवाणी (भविष्य की घटनाओं का अनुमान लगाने के लिए पिछली घटनाओं का उपयोग करना, जैसे शेयर बाजार या मूवी बॉक्स)। कार्यालय)।

वे वास्तव में चीजें कैसे "सीखते" हैं?

जिस तरह हम अपने जीवन में अनुभव से सीखते हैं, उसी तरह तंत्रिका नेटवर्क को सीखने के लिए डेटा की आवश्यकता होती है। ज्यादातर मामलों में, तंत्रिका नेटवर्क पर जितना अधिक डेटा डाला जा सकता है, वह उतना ही अधिक सटीक होगा। इसे ऐसे समझें जैसे कोई कार्य जिसे आप बार-बार करते हैं। समय के साथ, आप धीरे-धीरे अधिक कुशल हो जाते हैं और कम गलतियाँ करते हैं।

जब शोधकर्ता या कंप्यूटर वैज्ञानिक एक तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए निकलते हैं, तो वे आम तौर पर अपने डेटा को तीन सेटों में विभाजित करते हैं। पहला एक प्रशिक्षण सेट है, जो नेटवर्क को उसके नोड्स के बीच विभिन्न भार स्थापित करने में मदद करता है। इसके बाद, उन्होंने सत्यापन डेटा सेट का उपयोग करके इसे ठीक किया। अंत में, वे यह देखने के लिए एक परीक्षण सेट का उपयोग करेंगे कि क्या यह इनपुट को वांछित आउटपुट में सफलतापूर्वक बदल सकता है।

क्या तंत्रिका नेटवर्क की कोई सीमाएँ हैं?

तकनीकी स्तर पर, बड़ी चुनौतियों में से एक नेटवर्क को प्रशिक्षित करने में लगने वाला समय है, जिसके लिए अधिक जटिल कार्यों के लिए काफी मात्रा में गणना शक्ति की आवश्यकता हो सकती है। हालाँकि, सबसे बड़ा मुद्दा यह है कि तंत्रिका नेटवर्क "ब्लैक बॉक्स" हैं, जिसमें उपयोगकर्ता डेटा फीड करता है और उत्तर प्राप्त करता है। वे उत्तरों को दुरुस्त कर सकते हैं, लेकिन सटीक निर्णय लेने की प्रक्रिया तक उनकी पहुंच नहीं है।

यह एक ऐसी समस्या है जिससे कई शोधकर्ता जूझ रहे हैं सक्रिय रूप से काम कर रहा हूँ, लेकिन यह और अधिक दबावपूर्ण हो जाएगा क्योंकि कृत्रिम तंत्रिका नेटवर्क हमारे जीवन में एक बड़ी और बड़ी भूमिका निभाते हैं।

संपादकों की सिफ़ारिशें

• यूएसबी-सी चार्जिंग लैपटॉप: यहां वह है जो आपको जानना आवश्यक है
• GDDR7 क्या है? अगली पीढ़ी के वीआरएएम के बारे में वह सब कुछ जो आपको जानना आवश्यक है
• मैकबुक प्रो बैटरी रिप्लेसमेंट: वह सब कुछ जो आपको जानना आवश्यक है
• वाई-फ़ाई 7 क्या है: 802.11be के बारे में वह सब कुछ जो आपको जानना आवश्यक है
• यूट्यूब हैंडल जारी कर रहा है। यहां वह है जो आपको जानना आवश्यक है