डीप लर्निंग ट्यूटोरियल: आर्टिफिशियल इंटेलिजेंस डीप लर्निंग का उपयोग

डीप लर्निंग ट्यूटोरियल का यह ब्लॉग आपको डीप लर्निंग और मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस के साथ इसके संबंधों के बारे में समझने में मदद करेगा।

मशीन लर्निंग का एक महत्वपूर्ण सबसेट होने के नाते, की मांग विशेष रूप से एआई की असीम संभावनाओं को अनलॉक करने में दिलचस्पी रखने वालों में अपार वृद्धि देखी गई है।डीप लर्निंग की बढ़ती लोकप्रियता से प्रेरित होकर, मैंने ब्लॉग की एक श्रृंखला के साथ आने के बारे में सोचा जो आपको आर्टिफिशियल इंटेलिजेंस के क्षेत्र में इस नए ट्रेंड के बारे में शिक्षित करेगा और आपको यह समझने में मदद करेगा कि यह सब क्या है। इस श्रृंखला के कई ब्लॉगों में से यह पहला नाम है - डीप लर्निंग ट्यूटोरियल

दीप लर्निंग ट्यूटोरियल

इस डीप लर्निंग ट्यूटोरियल ब्लॉग में, मैं आपको निम्नलिखित बातों के माध्यम से ले जाऊंगा, जो आने वाले ब्लॉगों के लिए मूल सिद्धांतों के रूप में काम करेंगे:





  • क्या डीप लर्निंग अस्तित्व में आते हैं
  • डीप लर्निंग क्या है और यह कैसे काम करता है?

आप डीप लर्निंग ट्यूटोरियल की इस रिकॉर्डिंग से गुजर सकते हैं जहाँ हमारे प्रशिक्षक ने उदाहरणों के साथ विस्तृत तरीके से विषयों को समझाया है जो आपको इस अवधारणा को बेहतर ढंग से समझने में मदद करेंगे।

डीप लर्निंग ट्यूटोरियल | गहन शिक्षण तंत्रिका नेटवर्क | Edureka

आर्टिफिशियल इंटेलिजेंस और डीप लर्निंग के अनुप्रयोग

अब इस बारे में सोचें कि आप अपना सारा काम करने के बजाय, आपके पास इसे खत्म करने के लिए एक मशीन है या यह कुछ ऐसा कर सकता है, जो आपने सोचा था कि यह बिल्कुल भी संभव नहीं था। उदाहरण के लिए:



भविष्य की भविष्यवाणी - गहन शिक्षण ट्यूटोरियल - एडुर्का

भविष्य का पूर्वानुमान करना: यह पहले से ही भूकंप, सुनामी आदि की भविष्यवाणी करने में हमारी मदद कर सकता है ताकि प्राकृतिक आपदाओं के चंगुल में आने से कई लोगों की जान बचाने के लिए निवारक उपाय किए जा सकें।

क्या है अपाचे स्पार्क बनाम हडूप
चैट-बॉट: आप सभी ने सिरी के बारे में सुना होगा, जो कि Apple की आवाज नियंत्रित आभासी सहायक है। मेरा विश्वास करो, डीप लर्निंग की मदद से ये आभासी सहायता दिन-ब-दिन और अधिक स्मार्ट हो रही है। वास्तव में, सिरी उपयोगकर्ता के अनुसार खुद को अनुकूलित कर सकता है और बेहतर व्यक्तिगत सहायता प्रदान कर सकता है।
सेल्फ ड्राइविंग कार: सोचिए, शारीरिक रूप से अक्षम और बुजुर्ग लोगों के लिए यह कितना अविश्वसनीय होगा, जिन्हें अपने दम पर गाड़ी चलाना मुश्किल लगता है। इसके अलावा, यह लाखों निर्दोष लोगों को बचाएगा जो मानवीय त्रुटि के कारण हर साल सड़क दुर्घटना को पूरा करते हैं।

Google AI नेत्र चिकित्सक: यह Google द्वारा की गई एक हालिया पहल है जहां वे एक AI सॉफ्टवेयर विकसित करने के लिए एक इंडियन आई केयर चेन के साथ काम कर रहे हैं, जो रेटिना स्कैन की जांच कर सकता है और डायबिटिक रेटिनोपैथी नामक स्थिति की पहचान कर सकता है, जिससे अंधापन हो सकता है।

एआई संगीत संगीतकार: खैर, जिन्होंने सोचा था कि हम डीप लर्निंग का उपयोग करके एक एआई संगीत संगीतकार हो सकते हैं। इसलिए, मुझे यह सुनकर आश्चर्य नहीं होगा कि अगला सर्वश्रेष्ठ संगीत एक मशीन द्वारा दिया गया है।
एक ड्रीम रीडिंग मशीन: यह मेरे पसंदीदा में से एक है, एक मशीन जो आपके सपनों को वीडियो या कुछ के रूप में कैप्चर कर सकती है। एआई और डीप लर्निंग के इतने सारे गैर-यथार्थवादी अनुप्रयोगों के साथ हमने अब तक देखा है, मुझे यह जानकर आश्चर्य नहीं हुआ कि जापान में कुछ साल पहले तीन परीक्षण विषयों पर यह कोशिश की गई थी और वे 60% सटीकता के करीब हासिल करने में सक्षम थे। यह काफी अविश्वसनीय है, फिर भी सच है।


मुझे पूरा यकीन है कि AI और डीप लर्निंग के इन वास्तविक जीवन के कुछ अनुप्रयोगों ने आपको goosebumps दिया होगा। ठीक है, फिर यह आपके और अब के लिए आधार निर्धारित करता है, हम इस डीप लर्निंग ट्यूटोरियल में आगे बढ़ने के लिए तैयार हैं और समझते हैं कि आर्टिफिशियल इंटेलिजेंस क्या है।



आर्टिफिशियल इंटेलिजेंस क्या है?

आर्टिफिशियल इंटेलिजेंस और कुछ नहीं, बल्कि बुद्धिमान मानव व्यवहार की नकल करने की मशीन की क्षमता है। एआई को एक मानव मस्तिष्क की नकल करके हासिल किया जाता है, यह समझने के द्वारा कि यह कैसे सोचता है, यह कैसे सीखता है, निर्णय लेता है, और एक समस्या को हल करने की कोशिश करते हुए काम करता है।

उदाहरण के लिए: शतरंज खेलने वाली एक मशीन, या एक आवाज सक्रिय सॉफ्टवेयर, जो आपको अपने आईफोन या एक नंबर प्लेट मान्यता प्रणाली में विभिन्न चीजों के साथ मदद करता है, जो एक ओवर स्पीडिंग कार की नंबर प्लेट को पकड़ता है और इसे पंजीकरण संख्या निकालने और कार के मालिक की पहचान करने की प्रक्रिया करता है। । इन सभी को पहले लागू करना बहुत आसान नहीं था ध्यान लगा के पढ़ना या सीखना । अब, आइए आर्टिफिशियल इंटेलिजेंस के विभिन्न सबसेट को समझें।

आर्टिफिशियल इंटेलिजेंस के सबस्क्रिप्शन

अब तक आपने आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और डीप लर्निंग के बारे में बहुत सुना होगा। हालांकि, क्या आप इन तीनों के बीच के रिश्ते को जानते हैं? असल में, डीप लर्निंग मशीन लर्निंग का एक उप-क्षेत्र है और मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस का एक उप-क्षेत्र है जैसा कि चित्र में दिखाया गया है:

जब हम किसी चीज को देखते हैं अल्फाजो , यह अक्सर गहरी सीखने के लिए एक बड़ी सफलता के रूप में चित्रित किया जाता है, लेकिन यह वास्तव में एआई और मशीन सीखने के कई अलग-अलग क्षेत्रों के विचारों का एक संयोजन है। वास्तव में, आपको यह सुनकर आश्चर्य होगा कि गहरे तंत्रिका नेटवर्क के पीछे का विचार नया नहीं है, बल्कि 1950 के दशक का है। हालाँकि, आजकल उपलब्ध उच्च-स्तरीय संसाधन क्षमता के कारण इसे व्यावहारिक रूप से लागू करना संभव हो गया।

गो सी + +

इसलिए, इस गहन शिक्षण ट्यूटोरियल ब्लॉग में आगे बढ़ते हुए, आइए मशीन लर्निंग का पता लगाएं, जिसके बाद इसकी सीमाएँ हैं।

मशीन लर्निंग क्या है?

मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस का एक सबसेट है जो कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता प्रदान करता है। मशीन लर्निंग में, हमें किसी भी अन्य प्रोग्रामिंग एप्लिकेशन की तरह स्पष्ट रूप से सभी चरणों या शर्तों को परिभाषित करने की आवश्यकता नहीं है। इसके विपरीत, मशीन एक प्रशिक्षण डेटासेट पर प्रशिक्षित हो जाती है, एक मॉडल बनाने के लिए काफी बड़ी है, जो मशीन को उसके सीखने के आधार पर निर्णय लेने में मदद करती है।

उदाहरण के लिए: हम मशीन लर्निंग का उपयोग करके इसकी पंखुड़ी और सीपल की लंबाई (फूल की पत्तियां) के आधार पर एक फूल की प्रजातियों का निर्धारण करना चाहते हैं। फिर, हम इसे कैसे करेंगे?

हम फूलों के डेटा सेट को फीड करेंगे जिसमें विभिन्न फूलों की विभिन्न विशेषताओं के साथ-साथ हमारी मशीन में उनकी संबंधित प्रजातियां शामिल हैं जैसा कि आप ऊपर की छवि में देख सकते हैं। इस इनपुट डेटा सेट का उपयोग करके, मशीन एक मॉडल बनाएगी और प्रशिक्षित करेगी जिसका उपयोग फूलों को विभिन्न श्रेणियों में वर्गीकृत करने के लिए किया जा सकता है।
एक बार हमारे मॉडल को प्रशिक्षित किया गया है, हम मॉडल के इनपुट के रूप में विशेषताओं के एक सेट पर पास करेंगे।
अंत में, हमारा मॉडल नए इनपुट डेटा सेट में मौजूद फूल की प्रजातियों का उत्पादन करेगा। एक मॉडल बनाने और निर्णय लेने के लिए इसका उपयोग करने के लिए मशीन को प्रशिक्षित करने की इस प्रक्रिया को कहा जाता है यंत्र अधिगम । हालाँकि इस प्रक्रिया की कुछ सीमाएँ हैं।

मशीन लर्निंग की सीमाएँ

मशीन लर्निंग उच्च आयामी डेटा को संभालने में सक्षम नहीं है, जहां इनपुट और आउटपुट काफी बड़ा है। इस प्रकार के डेटा को संभालना और संसाधित करना बहुत जटिल और संसाधन के लिए संपूर्ण हो जाता है। इसे ही कहा जाता है परिमाणिकता का अभिशाप । इसे सरल शब्दों में समझने के लिए, आइए निम्न छवि पर विचार करें:

100 गज की एक पंक्ति पर विचार करें और आपने लाइन पर एक सिक्का कहीं गिरा दिया है। अब, बस लाइन पर चलने से सिक्का खोजना आपके लिए काफी सुविधाजनक है। यह बहुत ही लाइन एक एकल आयामी इकाई है।
इसके बाद, विचार करें कि आपके पास ऊपर की ओर 100 गज का एक वर्ग है जैसा कि ऊपर की छवि में दिखाया गया है और फिर भी, आपने बीच में कहीं एक सिक्का गिरा दिया है। अब, यह स्पष्ट है कि आप पिछले परिदृश्य की तुलना में उस वर्ग के भीतर के सिक्के को खोजने में अधिक समय लेंगे। यह वर्ग 2 आयामी इकाई है।
चलो इसे एक कदम आगे 100 गज की दूरी पर एक क्यूब पर विचार करके लेते हैं और आपने बीच में कहीं एक सिक्का गिरा दिया है। अब, इस बार सिक्का मिलना और भी मुश्किल है। यह घन एक 3 आयामी इकाई है।

इसलिए, आप देख सकते हैं कि जटिलता बढ़ रही है क्योंकि आयाम बढ़ रहे हैं।और वास्तविक जीवन में, जिस उच्च आयामी डेटा के बारे में हम बात कर रहे थे उसके हजारों आयाम हैं जो इसे संभालने और प्रक्रिया करने के लिए बहुत जटिल बनाता है। उच्च आयामी डेटा का उपयोग इमेज-प्रोसेसिंग, एनएलपी, इमेज ट्रांसलेशन आदि जैसे मामलों में आसानी से किया जा सकता है।

मशीन लर्निंग इन उपयोग-मामलों को हल करने में सक्षम नहीं था और इसलिए, डीप लर्निंग बचाव में आया। डीप लर्निंग उच्च आयामी डेटा को संभालने में सक्षम है और अपने दम पर सही सुविधाओं पर ध्यान केंद्रित करने में भी कुशल है। इस प्रक्रिया को सुविधा निष्कर्षण कहा जाता है। अब, इस डीप लर्निंग ट्यूटोरियल में आगे बढ़ते हैं और समझते हैं कि लर्निंग कितना गहरा काम करता है।

डीप लर्निंग कैसे काम करती है?

एक मानव मस्तिष्क को फिर से इंजीनियर करने के प्रयास में, डीप लर्निंग मस्तिष्क की मूल इकाई का अध्ययन करता है जिसे मस्तिष्क कोशिका या न्यूरॉन कहा जाता है। एक न्यूरॉन से प्रेरित एक कृत्रिम न्यूरॉन या एक परसेप्ट्रॉन विकसित किया गया था। अब, आइए हम जैविक न्यूरॉन्स की कार्यक्षमता को समझें और कैसे हम इस कार्यक्षमता की अवधारणात्मक या एक कृत्रिम न्यूरॉन में नकल करते हैं:

  • यदि हम एक जैविक न्यूरॉन की संरचना पर ध्यान केंद्रित करते हैं, तो इसमें डेंड्राइट्स होते हैं जो इनपुट प्राप्त करने के लिए उपयोग किया जाता है। ये इनपुट सेल बॉडी में सम्‍मिलित हैं और Axon का उपयोग करके इसे अगले जैविक न्यूरॉन पर पास किया गया है जैसा कि ऊपर की छवि में दिखाया गया है।

  • इसी तरह, एक परसेप्ट्रॉन कई इनपुट प्राप्त करता है, विभिन्न परिवर्तनों और कार्यों को लागू करता है और एक आउटपुट प्रदान करता है।

  • जैसा कि हम जानते हैं कि हमारे मस्तिष्क में कई जुड़े न्यूरॉन्स होते हैं जिन्हें तंत्रिका नेटवर्क कहा जाता है, हमारे पास कृत्रिम न्यूरॉन्स का एक नेटवर्क भी हो सकता है जिसे डीप न्यूरल नेटवर्क बनाते हैं। तो, इस डीप लर्निंग ट्यूटोरियल में आगे बढ़ें कि यह समझने के लिए कि डीप न्यूरल नेटवर्क कैसा दिखता है।

डीप लर्निंग ट्यूटोरियल: डीप लर्निंग क्या है?

  • किसी भी डीप न्यूरल नेटवर्क में तीन प्रकार की परतें होंगी:
    • इनपुट परत
    • द हिडन लेयर
    • आउटपुट परत
उपरोक्त आरेख में, पहली परत इनपुट परत है जो सभी इनपुट प्राप्त करती है और अंतिम परत आउटपुट परत है जो वांछित आउटपुट प्रदान करती है।
इन परतों के बीच की सभी परतों को छिपी हुई परतें कहा जाता है। इन दिनों उपलब्ध उच्च अंत संसाधनों की बदौलत कई छिपी हुई परतें हो सकती हैं।
छिपी हुई परतों की संख्या और प्रत्येक परत में अवधारणकर्ताओं की संख्या पूरी तरह से उपयोग-मामले पर निर्भर करती है जिसे आप हल करने की कोशिश कर रहे हैं।

अब जब आपके पास एक डीप न्यूरल नेटवर्क्स की तस्वीर है, तो आइए इस डीप लर्निंग ट्यूटोरियल में आगे बढ़ते हैं कि कैसे डीप न्यूरल नेटवर्क इमेज रिकग्निशन की समस्या को हल करता है।

डीप लर्निंग यूज - केस

हम डीप नेटवर्क्स का उपयोग करके इमेज की पहचान करना चाहते हैं:

यहां, हम इनपुट लेयर में हाई डायमेंशनल डेटा पास कर रहे हैं। इनपुट डेटा की आयामीता से मेल खाने के लिए, इनपुट लेयर में मल्टीसेप्टर्स की कई उप-परतें होंगी ताकि यह पूरे इनपुट का उपभोग कर सके।
इनपुट परत से प्राप्त आउटपुट में पैटर्न होंगे और यह केवल विपरीत स्तरों के आधार पर छवियों के किनारों की पहचान करने में सक्षम होगा।
यह आउटपुट हिडेन लेयर 1 को खिलाया जाएगा जहाँ यह आँखों, नाक, कान आदि जैसे विभिन्न फेस फीचर्स की पहचान करने में सक्षम होगा।
अब, यह छिपी हुई परत 2 को खिलाया जाएगा जहां यह पूरे चेहरे को बनाने में सक्षम होगा। फिर, लेयर 2 के आउटपुट को आउटपुट लेयर पर भेजा जाता है।
अंत में, आउटपुट लेयर पिछले से प्राप्त परिणाम के आधार पर वर्गीकरण करता है और नाम की भविष्यवाणी करता है।

मुझे आपसे एक सवाल पूछना है, अगर इनमें से कोई भी परत गायब है या तंत्रिका नेटवर्क काफी गहरा नहीं है तो क्या होगा? सरल, हम छवियों की सही पहचान नहीं कर पाएंगे। डीप लर्निंग से पहले इन सभी मामलों का इन वर्षों में उपयोग करने का कोई कारण नहीं था। बस इसे और आगे ले जाने के लिए, हम एमएनआईएसटी डेटा-सेट पर डीप नेटवर्क लगाने का प्रयास करेंगे।

हैशमाप कैसे लागू करें
  • Mnist डेटा-सेट में 60,000 प्रशिक्षण नमूने और हस्तलिखित अंकों की छवियों के 10,000 परीक्षण नमूने हैं। यहां कार्य एक मॉडल को प्रशिक्षित करना है जो छवि पर मौजूद अंकों की सटीक पहचान कर सकता है।

  • इस उपयोग के मामले को हल करने के लिए पिक्सेल द्वारा सभी 60,000 छवियों के पिक्सेल को संसाधित करने के लिए कई छिपी हुई परतों के साथ एक डीप नेटवर्क बनाया जाएगा और अंत में हमें एक आउटपुट लेयर प्राप्त होगी।
  • आउटपुट लेयर इंडेक्स 0 से 9 तक की एक सरणी होगी, जहां प्रत्येक इंडेक्स संबंधित अंक से मेल खाता है। सूचकांक 0 में इनपुट छवि पर मौजूद अंक होने की संभावना है।
  • इसी तरह, सूचकांक 2 जिसका मान 0.1 है, वास्तव में 2 इनपुट छवि पर मौजूद अंक होने की संभावना का प्रतिनिधित्व करता है। इसलिए, यदि हम इस सरणी में सबसे अधिक संभावना देखते हैं, तो यह 0.8 है जो कि सरणी के सूचकांक 7 में मौजूद है। इसलिए छवि पर मौजूद संख्या 7 है।

निष्कर्ष

तो दोस्तों, यह सब कुछ संक्षेप में गहराई से सीखने के बारे में था। इस गहन शिक्षण ट्यूटोरियल में, हमने गहन शिक्षण के विभिन्न अनुप्रयोगों को देखा और एआई और मशीन लर्निंग के साथ इसके संबंधों को समझा। फिर, हम समझ गए कि हम गहरे तंत्रिका नेटवर्क बनाने के लिए पेरेसेट्रॉन या एक कृत्रिम न्यूरॉन बेसिक बिल्डिंग ब्लॉक का उपयोग कैसे कर सकते हैं जो कि जटिल कार्य कर सकते हैं। अंत में, हम गहन सीखने के उपयोग के मामलों में से एक के माध्यम से चले गए जहां हमने गहरे तंत्रिका नेटवर्क का उपयोग करके छवि मान्यता का प्रदर्शन किया और दृश्य के पीछे होने वाले सभी चरणों को समझा। अब, इस डीप लर्निंग ट्यूटोरियल सीरीज़ के अगले ब्लॉग में, हम सीखेंगे कि टैनसॉरफ्लो का उपयोग करके एक अवधारणात्मक कैसे लागू किया जाए, जो डीप लर्निंग के लिए पायथन आधारित पुस्तकालय है।

अब जब आप डीप लर्निंग के बारे में जानते 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 न्यूरल 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।

क्या आप हमसे कोई प्रश्न पूछना चाहते हैं? कृपया टिप्पणी अनुभाग में इसका उल्लेख करें और हम आपके पास वापस आ जाएंगे।