तंत्रिका जाल तथा ध्यान लगा के पढ़ना या सीखना वर्तमान में दो गर्म buzzwords हैं जिनका उपयोग आर्टिफिशियल इंटेलिजेंस के साथ आजकल किया जा रहा है। कृत्रिम बुद्धि की दुनिया में हालिया घटनाओं को इन दोनों के लिए जिम्मेदार ठहराया जा सकता है क्योंकि उन्होंने एआई की खुफिया सुधार में महत्वपूर्ण भूमिका निभाई है।
चारों ओर देखो, और आप चारों ओर अधिक से अधिक बुद्धिमान मशीनें मिलेंगे। तंत्रिका नेटवर्क और दीप लर्निंग, नौकरियों और क्षमताओं के लिए धन्यवाद जिन्हें एक बार इंसानों के फोर्टे माना जाता था अब मशीनों द्वारा किया जा रहा है। आज, मशीनों को और अधिक जटिल एल्गोरिदम खाने के लिए नहीं बनाया गया है, बल्कि इसके बजाय, उन्हें एक स्वायत्त, आत्म-शिक्षण प्रणाली में विकसित करने के लिए खिलाया जाता है जो आसपास के कई उद्योगों में क्रांतिकारी बदलाव करने में सक्षम हैं।
तंत्रिका जाल तथा ध्यान लगा के पढ़ना या सीखना छवि पहचान, भाषण मान्यता, डेटा सेट में गहरे संबंध ढूंढने जैसे कार्यों में शोधकर्ताओं को भारी सफलता मिली है। डेटा और कम्प्यूटेशनल पावर की भारी मात्रा में उपलब्धता की सहायता से, मशीन ऑब्जेक्ट्स को पहचान सकती है, भाषण का अनुवाद कर सकती है, खुद को जटिल पैटर्न की पहचान करने के लिए प्रशिक्षित कर सकती है, सीख सकती है कि रणनीतियों को कैसे तैयार किया जाए और वास्तविक समय में आकस्मिक योजनाएं बनाएं।
तो, यह वास्तव में कैसे काम करता है? क्या आप जानते हैं कि दोनों तटस्थ नेटवर्क और गहरी शिक्षा, वास्तव में, गहरी शिक्षा को समझने के लिए, आपको पहले तंत्रिका नेटवर्क के बारे में समझना चाहिए? अधिक जानने के लिए पढ़े।
एक तंत्रिका नेटवर्क क्या है
एक तंत्रिका नेटवर्क मूल रूप से एक प्रोग्रामिंग पैटर्न या एल्गोरिदम का एक सेट है जो कंप्यूटर को अवलोकन डेटा से सीखने में सक्षम बनाता है। एक तंत्रिका नेटवर्क मानव मस्तिष्क के समान होता है, जो पैटर्न को पहचानकर काम करता है। संवेदी डेटा को मशीन धारणा, लेबलिंग या कच्चे इनपुट को क्लस्टर करने का उपयोग करके व्याख्या की जाती है। पहचाने गए पैटर्न संख्यात्मक हैं, वेक्टरों में संलग्न हैं, जिसमें छवियों, ध्वनि, पाठ इत्यादि जैसे डेटा का अनुवाद किया जाता है।
तंत्रिका नेटवर्क सोचो! सोचें कि एक मानव मस्तिष्क कैसे काम करता है
जैसा ऊपर बताया गया है, एक तंत्रिका नेटवर्क सिर्फ मानव मस्तिष्क की तरह काम करता है; यह एक सीखने की प्रक्रिया के माध्यम से सभी ज्ञान प्राप्त करता है। उसके बाद, सिनैप्टिक भार अर्जित ज्ञान स्टोर करते हैं। सीखने की प्रक्रिया के दौरान, वांछित उद्देश्य प्राप्त करने के लिए नेटवर्क के सिनैप्टिक भार सुधारित किए जाते हैं।
मानव मस्तिष्क की तरह, तंत्रिका नेटवर्क गैर-रैखिक समांतर सूचना-प्रसंस्करण प्रणालियों की तरह काम करते हैं जो पैटर्न पहचान और धारणा जैसे कंप्यूटेशंस को तेजी से करते हैं। नतीजतन, ये नेटवर्क भाषण, ऑडियो और छवि पहचान जैसे क्षेत्रों में बहुत अच्छा प्रदर्शन करते हैं जहां इनपुट / सिग्नल स्वाभाविक रूप से nonlinear हैं।
सरल शब्दों में, आप तंत्रिका नेटवर्क को ऐसा कुछ याद कर सकते हैं जो मानव मस्तिष्क की तरह ज्ञान एकत्र करने में सक्षम है और भविष्यवाणियों के लिए इसका उपयोग करता है।
तंत्रिका नेटवर्क का ढांचा
(छवि क्रेडिट: गणित)
तंत्रिका नेटवर्क में तीन परतें होती हैं,
- इनपुट परत,
- छिपी परत, और
- आउटपुट परत।
प्रत्येक परत में एक या अधिक नोड्स होते हैं, जैसा कि छोटे सर्कल द्वारा नीचे दिए गए आरेख में दिखाया गया है। नोड्स के बीच की रेखाएं एक नोड से अगले तक जानकारी का प्रवाह इंगित करती हैं। सूचना इनपुट से आउटपुट तक बहती है, यानी बाएं से दाएं (कुछ मामलों में यह दाएं से बाएं या दोनों तरीकों से हो सकती है)।
इनपुट परत के नोड निष्क्रिय हैं, जिसका अर्थ है कि वे डेटा को संशोधित नहीं करते हैं। उन्हें अपने इनपुट पर एक ही मूल्य प्राप्त होता है और उनके एकाधिक आउटपुट के मान को डुप्लिकेट करता है। जबकि, छिपे हुए और आउटपुट परत के नोड सक्रिय हैं। इस प्रकार वे डेटा को संशोधित कर सकते हैं।
एक अंतःस्थापित संरचना में, इनपुट परत से प्रत्येक मान डुप्लिकेट किया जाता है और सभी छिपा नोड्स को भेजा जाता है। एक छिपे हुए नोड में प्रवेश करने वाले मानों को वजन से गुणा किया जाता है, जो कार्यक्रम में संग्रहीत पूर्व निर्धारित संख्याओं का एक सेट होता है। भारित इनपुट को तब एक संख्या बनाने के लिए जोड़ा जाता है। तंत्रिका नेटवर्क में परतों की संख्या हो सकती है, और प्रत्येक परत के नोड्स की संख्या हो सकती है। अधिकतर अनुप्रयोग तीन-परत संरचना का उपयोग अधिकतम सौ इनपुट नोड्स के साथ करते हैं
तंत्रिका नेटवर्क का उदाहरण
एक सोनार सिग्नल में ऑब्जेक्ट्स को पहचानने वाले तंत्रिका नेटवर्क पर विचार करें, और पीसी में 5000 सिग्नल नमूने संग्रहित हैं। पीसी को यह पता लगाना है कि क्या ये नमूने एक पनडुब्बी, व्हेल, हिमशैल, समुद्री चट्टानों, या कुछ भी नहीं दर्शाते हैं? परंपरागत डीएसपी विधियां गणित और एल्गोरिदम, जैसे सहसंबंध और आवृत्ति स्पेक्ट्रम विश्लेषण के साथ इस समस्या से संपर्क करेंगी।
एक तंत्रिका नेटवर्क के साथ, 5000 नमूने इनपुट परत को खिलाया जाएगा, जिसके परिणामस्वरूप आउटपुट परत से पॉपिंग मूल्य होंगे। उचित वजन का चयन करके, आउटपुट को विस्तृत जानकारी की रिपोर्ट करने के लिए कॉन्फ़िगर किया जा सकता है। उदाहरण के लिए, आउटपुट हो सकता है: पनडुब्बी (हां / नहीं), समुद्री चट्टान (हां / नहीं), व्हेल (हाँ / नहीं), आदि
अन्य वजन के साथ, आउटपुट वस्तुओं को धातु या गैर-धातु, जैविक या गैर-जैविक, दुश्मन या सहयोगी आदि के रूप में वर्गीकृत कर सकते हैं। कोई एल्गोरिदम नहीं, कोई नियम नहीं, कोई प्रक्रिया नहीं; चयनित वजन के मूल्यों द्वारा निर्धारित इनपुट और आउटपुट के बीच केवल एक रिश्ता।
अब, दीप लर्निंग की अवधारणा को समझें।
दीप लर्निंग क्या है
गहरी शिक्षा मूल रूप से तंत्रिका नेटवर्क का एक उप-समूह है; शायद आप इसमें एक जटिल तंत्रिका नेटवर्क कह सकते हैं जिसमें कई छिपी हुई परतें हैं।
तकनीकी रूप से बोलते हुए, डीप लर्निंग को तंत्रिका नेटवर्क में सीखने के लिए तकनीकों के शक्तिशाली सेट के रूप में भी परिभाषित किया जा सकता है। यह कृत्रिम तंत्रिका नेटवर्क (एएनएन) को संदर्भित करता है जो जटिल परत मॉडल को संभव बनाने के लिए कई परतों, बड़े पैमाने पर डेटा सेट, शक्तिशाली कंप्यूटर हार्डवेयर से बना है।इसमें विधियों और तकनीकों की श्रेणी शामिल है जो कृत्रिम तंत्रिका नेटवर्क को तेजी से समृद्ध कार्यक्षमता की कई परतों के साथ काम करते हैं।
दीप लर्निंग नेटवर्क का ढांचा
गहरे सीखने के नेटवर्क ज्यादातर तंत्रिका नेटवर्क आर्किटेक्चर का उपयोग करते हैं और इसलिए उन्हें अक्सर गहरे तंत्रिका नेटवर्क के रूप में जाना जाता है। "गहरी" काम का उपयोग तंत्रिका नेटवर्क में छिपी हुई परतों की संख्या को संदर्भित करता है। एक पारंपरिक तंत्रिका नेटवर्क में तीन छिपी परतें होती हैं, जबकि गहरे नेटवर्क में 120- 150 हो सकते हैं।
गहरी शिक्षा में कंप्यूटर सिस्टम को बहुत अधिक डेटा खिलााना शामिल है, जिसका उपयोग अन्य डेटा के बारे में निर्णय लेने के लिए किया जा सकता है। यह डेटा तंत्र सीखने के मामले में तंत्रिका नेटवर्क के माध्यम से खिलाया जाता है। गहरी सीखने के नेटवर्क मैन्युअल सुविधा निष्कर्षण की आवश्यकता के बिना सीधे डेटा से सुविधाओं को सीख सकते हैं।
दीप लर्निंग के उदाहरण
वर्तमान में ऑटोमोबाइल, एयरोस्पेस, और ऑटोमेशन टू मेडिकल से शुरू होने वाले लगभग हर उद्योग में दीप सीखने का उपयोग किया जा रहा है। यहां कुछ उदाहरण दिए गए हैं।
- Google, नेटफ्लिक्स, और अमेज़ॅन: Google इसे अपनी आवाज और छवि पहचान एल्गोरिदम में उपयोग करता है। नेटफ्लिक्स और अमेज़ॅन यह तय करने के लिए गहरी शिक्षा का भी उपयोग करते हैं कि आप क्या देखना चाहते हैं या अगली खरीदना चाहते हैं
- ड्राइवर के बिना ड्राइविंग: शोधकर्ता स्वचालित रूप से स्टॉप संकेत और ट्रैफिक लाइट जैसी वस्तुओं का पता लगाने के लिए गहरे सीखने वाले नेटवर्क का उपयोग कर रहे हैं। पैदल चलने वालों का पता लगाने के लिए गहरी शिक्षा का भी उपयोग किया जाता है, जो दुर्घटनाओं को कम करने में मदद करता है।
- एयरोस्पेस और रक्षा: गहरी शिक्षा का उपयोग उन उपग्रहों से वस्तुओं की पहचान करने के लिए किया जाता है जो रुचि के क्षेत्रों का पता लगाते हैं, और सैनिकों के लिए सुरक्षित या असुरक्षित जोन की पहचान करते हैं।
- दीप लर्निंग के लिए धन्यवाद, फेसबुक स्वचालित रूप से आपकी तस्वीरों में दोस्तों को ढूंढता है और टैग करता है। स्काइप वास्तविक समय में बोले गए संचार का अनुवाद कर सकता है और बहुत सटीक भी।
- चिकित्सा अनुसंधान: चिकित्सा शोधकर्ता स्वचालित रूप से कैंसर कोशिकाओं का पता लगाने के लिए गहरी शिक्षा का उपयोग कर रहे हैं
- औद्योगिक स्वचालन: गहरी सीखने से भारी मशीनरी के आसपास कार्यकर्ता सुरक्षा में सुधार करने में मदद मिल रही है जब लोग या वस्तुएं मशीनों की असुरक्षित दूरी के भीतर होती हैं।
- इलेक्ट्रॉनिक्स: स्वचालित सुनवाई और भाषण अनुवाद में दीप सीखने का उपयोग किया जा रहा है।
निष्कर्ष
तंत्रिका नेटवर्क की अवधारणा नई नहीं है, और शोधकर्ताओं ने पिछले दशक में या तो मध्यम सफलता के साथ मुलाकात की है। लेकिन असली गेम परिवर्तक डीप तंत्रिका नेटवर्क का विकास रहा है।
परंपरागत मशीन सीखने के दृष्टिकोण से बाहर प्रदर्शन करके यह दिखाया गया है कि गहरे तंत्रिका नेटवर्क को कुछ शोधकर्ताओं द्वारा प्रशिक्षित और परीक्षण नहीं किया जा सकता है, लेकिन बहुराष्ट्रीय प्रौद्योगिकी कंपनियों द्वारा निकट भविष्य में बेहतर नवाचारों के साथ इसे अपनाया जाने का दायरा है।
दीप लर्निंग और न्यूरल नेटवर्क के लिए धन्यवाद, एआई सिर्फ काम नहीं कर रहा है, लेकिन यह सोचने लगा है!
