डीप लर्निंग क्या है?

गहन शिक्षा इसका एक विशेष उपसमुच्चय है यंत्र अधिगम (कृत्रिम बुद्धि के यांत्रिकी)। हालाँकि प्रोग्रामिंग की यह शाखा बहुत जटिल हो सकती है, इसकी शुरुआत एक बहुत ही सरल प्रश्न से हुई: "यदि हम चाहते हैं कि एक कंप्यूटर प्रणाली बुद्धिमानी से कार्य करे, तो हम इसे मानव मस्तिष्क के अनुरूप क्यों नहीं बनाते?"

उस एक विचार ने पिछले दशकों में ऐसे एल्गोरिदम बनाने के कई प्रयासों को जन्म दिया जो मानव मस्तिष्क के काम करने के तरीके की नकल करते थे - और जो समस्याओं को उसी तरह से हल कर सकते थे जैसे मनुष्य करते थे। उन प्रयासों से मूल्यवान, तेजी से सक्षम विश्लेषण उपकरण प्राप्त हुए हैं जिनका उपयोग कई अलग-अलग क्षेत्रों में किया जाता है।

तंत्रिका नेटवर्क और इसका उपयोग कैसे किया जाता है

ध्यान लगा के पढ़ना या सीखना इसका नाम इस बात से मिलता है कि इसका उपयोग "असंरचित" डेटा का विश्लेषण करने के लिए कैसे किया जाता है, या वह डेटा जिसे पहले किसी अन्य स्रोत द्वारा लेबल नहीं किया गया है और जिसे परिभाषा की आवश्यकता हो सकती है। इसके लिए डेटा क्या है, इसका सावधानीपूर्वक विश्लेषण और अंतिम, उपयोगी निष्कर्ष तक पहुंचने के लिए उस डेटा का बार-बार परीक्षण करना आवश्यक है। इस तरह के असंरचित डेटा का विश्लेषण करने में कंप्यूटर पारंपरिक रूप से अच्छे नहीं हैं।

लेखन के संदर्भ में इसके बारे में सोचें: यदि आप दस लोगों से एक ही शब्द लिखवाते हैं, तो वह शब्द प्रत्येक व्यक्ति से बहुत अलग दिखेगा, मैला से साफ-सुथरा, और घसीट से लेकर मुद्रित तक। मानव मस्तिष्क को यह समझने में कोई समस्या नहीं है कि यह सब एक ही शब्द है, क्योंकि वह जानता है कि शब्द, लेखन, कागज, स्याही और व्यक्तिगत विचित्रताएँ कैसे काम करती हैं। हालाँकि, एक सामान्य कंप्यूटर सिस्टम के पास यह जानने का कोई तरीका नहीं होगा कि वे शब्द समान हैं, क्योंकि वे सभी बहुत अलग दिखते हैं।

वह हमें इसके माध्यम से लाता है तंत्रिका - तंत्र, एल्गोरिदम विशेष रूप से उस तरीके की नकल करने के लिए बनाए गए हैं जिससे मस्तिष्क में न्यूरॉन्स बातचीत करते हैं। तंत्रिका नेटवर्क डेटा को उस तरह से पार्स करने का प्रयास करते हैं जिस तरह से एक दिमाग कर सकता है: उनका लक्ष्य गन्दे डेटा से निपटना है - जैसे लेखन - और उपयोगी निष्कर्ष निकालना, जैसे कि शब्द जो लेखन दिखाने का प्रयास कर रहे हैं। इसे समझना सबसे आसान है तंत्रिका - तंत्र यदि हम उन्हें तीन महत्वपूर्ण भागों में विभाजित करें:

इनपुट परत: इनपुट परत पर, तंत्रिका नेटवर्क दिए गए सभी अवर्गीकृत डेटा को अवशोषित कर लेता है। इसका मतलब है जानकारी को संख्याओं में तोड़ना और उन्हें हां-या-नहीं डेटा के टुकड़ों या "न्यूरॉन्स" में बदलना। यदि आप किसी तंत्रिका नेटवर्क को शब्दों को पहचानना सिखाना चाहते हैं, तो इनपुट परत गणितीय होगी प्रत्येक अक्षर के आकार को परिभाषित करना, उसे डिजिटल भाषा में तोड़ना ताकि नेटवर्क शुरू हो सके कार्यरत। इनपुट परत काफी सरल या अविश्वसनीय रूप से जटिल हो सकती है, यह इस बात पर निर्भर करता है कि किसी चीज़ को गणितीय रूप से प्रस्तुत करना कितना आसान है।

छिपी हुई परतें: तंत्रिका नेटवर्क के केंद्र में छिपी हुई परतें होती हैं - कहीं भी एक से कई तक। ये परतें अपने स्वयं के डिजिटल न्यूरॉन्स से बनी होती हैं, जिन्हें उनके पहले की न्यूरॉन्स की परत के आधार पर सक्रिय करने या सक्रिय न करने के लिए डिज़ाइन किया गया है। एक एकल न्यूरॉन एक बुनियादी "यदि यह, तो वह" है“ मॉडल, लेकिन परतें न्यूरॉन्स की लंबी श्रृंखलाओं से बनी होती हैं, और कई अलग-अलग परतें एक-दूसरे को प्रभावित कर सकती हैं, जिससे बहुत जटिल परिणाम मिलते हैं। लक्ष्य तंत्रिका नेटवर्क को कई अलग-अलग विशेषताओं को पहचानने और उन्हें एक बच्चे की तरह एक ही अहसास में संयोजित करने की अनुमति देना है प्रत्येक अक्षर को पहचानना सीखना और फिर उन्हें एक साथ जोड़कर एक पूरे शब्द को पहचानना, भले ही वह शब्द थोड़ा सा लिखा गया हो मैला।

छिपी हुई परतें भी वहीं हैं जहां बहुत सारा गहन शिक्षण प्रशिक्षण चलता है। उदाहरण के लिए, यदि एल्गोरिदम किसी शब्द को सटीक रूप से पहचानने में विफल रहता है, तो प्रोग्रामर वापस भेजते हैं, "क्षमा करें, यह सही नहीं है," और एल्गोरिथम यह समायोजित करेगा कि वह डेटा का वजन कैसे करेगा जब तक कि उसे सही न मिल जाए उत्तर. इस प्रक्रिया को दोहराने से (प्रोग्रामर मैन्युअल रूप से वजन भी समायोजित कर सकते हैं) तंत्रिका नेटवर्क को मजबूत छिपी हुई परतें बनाने की अनुमति मिलती है बहुत सारे परीक्षण और त्रुटि के साथ-साथ, कुछ बाहरी निर्देशों के माध्यम से सही उत्तर ढूंढने में कुशल - फिर से, मानव मस्तिष्क की तरह काम करता है. जैसा कि ऊपर की छवि से पता चलता है, छिपी हुई परतें बहुत जटिल हो सकती हैं!

आउटपुट परत: आउटपुट परत में अपेक्षाकृत कम "न्यूरॉन्स" होते हैं क्योंकि यहीं पर अंतिम निर्णय लिए जाते हैं। यहां तंत्रिका नेटवर्क अंतिम विश्लेषण लागू करता है, डेटा के लिए परिभाषाओं पर निर्णय लेता है, और उन परिभाषाओं के आधार पर प्रोग्राम किए गए निष्कर्ष निकालता है। उदाहरण के लिए, “यह कहने के लिए पर्याप्त डेटा पंक्तियाँ हैं कि यह शब्द है झील, नहीं गली।” अंततः नेटवर्क से गुजरने वाला सारा डेटा आउटपुट परत में विशिष्ट न्यूरॉन्स तक सीमित हो जाता है। चूँकि यहीं पर लक्ष्य साकार होते हैं, यह अक्सर बनाए गए नेटवर्क के पहले भागों में से एक होता है।

अनुप्रयोग

यदि आप आधुनिक तकनीक का उपयोग करते हैं, तो संभावना अच्छी है कि गहन शिक्षण एल्गोरिदम आपके चारों ओर हर दिन काम कर रहे हैं। आप क्या सोचते है एलेक्सा या गूगल असिस्टेंट क्या आप अपने ध्वनि आदेशों को समझते हैं? वे तंत्रिका नेटवर्क का उपयोग करते हैं जो भाषण को समझने के लिए बनाए गए हैं। आपके टाइप करने से पहले Google को कैसे पता चलता है कि आप क्या खोज रहे हैं? काम पर अधिक गहन सीख. आपका सुरक्षा कैमरा पालतू जानवरों की अनदेखी कैसे करता है लेकिन मानव गतिविधि को पहचान लेता है? एक बार फिर गहन शिक्षा।

जब भी वह सॉफ़्टवेयर मानव इनपुट को पहचानता है, से चेहरे की पहचान आवाज सहायकों के लिए, गहन शिक्षा संभवतः नीचे कहीं काम कर रही है। हालाँकि, इस क्षेत्र में कई अन्य उपयोगी अनुप्रयोग भी हैं। चिकित्सा एक विशेष रूप से आशाजनक क्षेत्र है, जहां संभावित स्वास्थ्य लाभों के लिए त्रुटियों या आणविक यौगिकों के लिए डीएनए का विश्लेषण करने के लिए उन्नत गहन शिक्षण का उपयोग किया जाता है। अधिक भौतिक मोर्चे पर, मशीनों और वाहनों की बढ़ती संख्या में गहन शिक्षण का उपयोग यह अनुमान लगाने के लिए किया जाता है कि किसी चीज के गंभीर रूप से गलत होने से पहले उपकरण को रखरखाव की आवश्यकता होती है।

गहन शिक्षा का भविष्य

गहन शिक्षा का भविष्य विशेष रूप से उज्ज्वल है! एक तंत्रिका नेटवर्क के बारे में सबसे अच्छी बात यह है कि यह बड़ी मात्रा में अलग-अलग डेटा से निपटने में उत्कृष्टता प्राप्त करता है (हर समय हमारे दिमाग को जिन चीजों से निपटना पड़ता है उनके बारे में सोचें)। यह उन्नत स्मार्ट सेंसर के हमारे युग में विशेष रूप से प्रासंगिक है, जो अविश्वसनीय मात्रा में जानकारी एकत्र कर सकता है। पारंपरिक कंप्यूटर समाधानों को इतने सारे डेटा को छांटने, लेबल करने और निष्कर्ष निकालने में कठिनाई होने लगी है।

दूसरी ओर, गहन शिक्षा, हमारे द्वारा एकत्र किए जा रहे डेटा के डिजिटल पहाड़ों से निपट सकती है। वास्तव में, डेटा की मात्रा जितनी बड़ी होगी, विश्लेषण के अन्य तरीकों की तुलना में गहन शिक्षण उतना ही अधिक कुशल हो जाएगा। यही कारण है कि Google जैसे संगठन गहन शिक्षण एल्गोरिदम में इतना निवेश करें, और भविष्य में इनके और अधिक सामान्य होने की संभावना क्यों है।

और, निःसंदेह, रोबोट। आइए रोबोटों के बारे में कभी न भूलें।

संपादकों की सिफ़ारिशें

• डीप-लर्निंग ए.आई. पुरातत्वविदों को प्राचीन गोलियों का अनुवाद करने में मदद कर रहा है
• गहन शिक्षण ए.आई. प्रतिष्ठित गिटार देवताओं के विरूपण प्रभावों की नकल कर सकते हैं
• दिमाग पढ़ने वाला ए.आई. यह अनुमान लगाने के लिए कि आप कौन सा वीडियो देख रहे हैं, आपके मस्तिष्क की तरंगों का विश्लेषण करता है
• ए.आई.-संचालित यह ऐप 95 प्रतिशत सटीकता के साथ त्वचा कैंसर का पता लगा सकता है
• ए.आई. शोधकर्ताओं ने चिम्पांजियों के लिए चेहरे की पहचान करने वाली एक प्रणाली बनाई है