शुरुआती लोगों के लिए डीप लर्निंग ट्यूटोरियल: न्यूरल नेटवर्क की मूल बातें

डीप लर्निंग क्या है?

डीप लर्निंग एक कंप्यूटर सॉफ्टवेयर है जो मस्तिष्क में न्यूरॉन्स के नेटवर्क की नकल करता है। यह न्यूरॉन्स के नेटवर्क का एक उपसमूह है। यंत्र अधिगम यह कृत्रिम तंत्रिका नेटवर्क पर आधारित है जिसमें प्रतिनिधित्व अधिगम का उपयोग किया जाता है। इसे डीप लर्निंग कहा जाता है क्योंकि इसमें गहरे तंत्रिका नेटवर्क का उपयोग होता है। यह अधिगम प्रक्रिया कई प्रकार की हो सकती है। देखरेखअर्ध-पर्यवेक्षित या के चलते किसी.

डीप लर्निंग एल्गोरिदम को कनेक्टेड लेयर्स के साथ बनाया जाता है, जैसा कि नीचे दिए गए चित्र में दिखाया गया है।

• पहली परत को इनपुट परत कहा जाता है
• अंतिम परत को आउटपुट परत कहा जाता है
• बीच की सभी परतों को हिडन लेयर्स कहा जाता है। डीप शब्द का अर्थ है कि नेटवर्क दो से अधिक परतों में न्यूरॉन्स को जोड़ता है।

प्रत्येक छिपी हुई परत न्यूरॉन्स से बनी होती है। न्यूरॉन्स आपस में जुड़े होते हैं। एक न्यूरॉन प्राप्त इनपुट सिग्नल को संसाधित करता है और फिर परिणाम को अपने से ऊपर की परत तक पहुंचाता है। अगली परत में न्यूरॉन को भेजे गए सिग्नल की शक्ति भार, बायस और सक्रियण फ़ंक्शन पर निर्भर करती है।

यह नेटवर्क बड़ी मात्रा में इनपुट डेटा का उपभोग करता है और कई स्तरों के माध्यम से उस पर काम करता है, इसलिए नेटवर्क प्रत्येक स्तर पर डेटा की उत्तरोत्तर जटिल विशेषताओं को सीख सकता है।

गहन शिक्षण प्रक्रिया

डीप न्यूरल नेटवर्क ऑब्जेक्ट डिटेक्शन से लेकर स्पीच रिकग्निशन तक कई कार्यों में अत्याधुनिक सटीकता प्रदान करता है। ऐसे नेटवर्क प्रोग्रामर द्वारा स्पष्ट रूप से कोडित पूर्वनिर्धारित ज्ञान के बिना स्वचालित रूप से सीख सकते हैं। व्यवहार में, एक डीप लर्निंग प्रोजेक्ट पाँच चरणों से गुजरता है:

• समस्या को समझें
• डेटा की पहचान करें
• एक डीप लर्निंग एल्गोरिदम का चयन करें
• मॉडल को प्रशिक्षित करें
• मॉडल का परीक्षण करें

डीप लर्निंग की अवधारणा को समझने के लिए, एक ऐसे परिवार की कल्पना कीजिए जिसमें एक शिशु और उसके माता-पिता हैं। शिशु अपनी छोटी उंगली से वस्तुओं की ओर इशारा करते हुए हमेशा 'बिल्ली' कहता है। उसके माता-पिता उसकी शिक्षा को लेकर चिंतित हैं, इसलिए वे उसे बार-बार कहते हैं, 'हाँ, यह बिल्ली है' या 'नहीं, यह बिल्ली नहीं है।' शिशु वस्तुओं की ओर इशारा करना जारी रखता है, लेकिन 'बिल्ली' कहने में अधिक सटीक हो जाता है। नन्हा बच्चा, अपने भीतर, यह नहीं जानता कि वह किसी चीज़ को बिल्ली क्यों कह पाता है या नहीं कह पाता है। उसने बस बिल्ली की विशेषताओं को एक क्रम में व्यवस्थित करना सीख लिया है; वह जानवर को समग्र रूप से देखता है और फिर पूंछ या नाक जैसी बारीकियों पर ध्यान केंद्रित करके अपना निर्णय लेता है।

न्यूरल नेटवर्क भी लगभग इसी तरह काम करता है। प्रत्येक परत ज्ञान के एक गहरे स्तर का प्रतिनिधित्व करती है, यानी ज्ञान का एक पदानुक्रम। चार परतों वाला न्यूरल नेटवर्क दो परतों वाले नेटवर्क की तुलना में अधिक जटिल विशेषताओं को सीख सकता है।

सीखना दो चरणों में होता है:

• पहला चरण: इनपुट पर नॉन-लीनियर ट्रांसफॉर्मेशन लागू करना और आउटपुट के रूप में एक सांख्यिकीय मॉडल बनाना।
• दूसरा चरण: व्युत्पन्न पर आधारित गणितीय विधि से मॉडल में सुधार करना, यही तरीका है। बैकप्रोगैगेशन वज़न को समायोजित करता है।

न्यूरल नेटवर्क इन दोनों चरणों को सैकड़ों से हजारों बार दोहराता है जब तक कि वह स्वीकार्य स्तर की सटीकता प्राप्त नहीं कर लेता। इन दोनों चरणों के प्रत्येक दोहराव को पुनरावृति कहा जाता है।

डीप लर्निंग का एक उदाहरण देने के लिए, नीचे दिए गए एनिमेशन को देखें, जिसमें मॉडल नृत्य करना सीखने की कोशिश कर रहा है। 10 मिनट के प्रशिक्षण के बाद, मॉडल नृत्य करना नहीं सीख पाता है, और उसका आउटपुट बेतरतीब रेखाओं जैसा दिखता है।

48 घंटे के प्रशिक्षण के बाद, कंप्यूटर नृत्य कला में महारत हासिल कर लेता है, जैसा कि दूसरे एनिमेशन में दिखाया गया है।

तंत्रिका नेटवर्क का वर्गीकरण

नेटवर्क को सबसे पहले छिपी हुई परतों की संख्या के आधार पर वर्गीकृत किया जाता है।

उथला तंत्रिका नेटवर्क: शैलो न्यूरल नेटवर्क में इनपुट और आउटपुट के बीच केवल एक हिडन लेयर होती है।

डीप न्यूरल नेटवर्क: डीप न्यूरल नेटवर्क में एक से अधिक हिडन लेयर होती हैं। उदाहरण के लिए, इमेज रिकग्निशन के लिए GoogLeNet मॉडल में 22 लेयर हैं।

आज, डीप लर्निंग का उपयोग ड्राइवर रहित कारों, मोबाइल फोन, गूगल सर्च इंजन, धोखाधड़ी का पता लगाने और टेलीविजन में किया जाता है।

डीप लर्निंग नेटवर्क के प्रकार

कई आर्किटेक्चर मानक बन चुके हैं, जिनमें से प्रत्येक को उसके द्वारा संभाले जाने वाले डेटा के प्रकार के आधार पर आकार दिया गया है। असिमोव इंस्टीट्यूट द्वारा प्रकाशित नीचे दिया गया चार्ट व्यापक श्रेणी का मानचित्रण करता है।

फ़ीड-फ़ॉरवर्ड तंत्रिका नेटवर्क

यह कृत्रिम तंत्रिका नेटवर्क का सबसे सरल प्रकार है। इस प्रकार की संरचना में, सूचना का प्रवाह केवल एक ही दिशा में, यानी आगे की ओर होता है। इसका अर्थ है कि सूचना का प्रवाह इनपुट परत से शुरू होता है, "अदृश्य" परतों से होकर गुजरता है और आउटपुट परत पर समाप्त होता है। नेटवर्क में कोई लूप नहीं होता है, और सूचना आउटपुट परत पर रुक जाती है।

आवर्तक तंत्रिका नेटवर्क (RNN)

An RNN आरएनएन एक बहुस्तरीय न्यूरल नेटवर्क है जो संदर्भ नोड्स में जानकारी संग्रहीत कर सकता है, जिससे यह डेटा अनुक्रमों को सीख सकता है और एक संख्या या कोई अन्य अनुक्रम आउटपुट कर सकता है। सरल शब्दों में, यह एक कृत्रिम न्यूरल नेटवर्क है जिसके न्यूरॉन्स के बीच कनेक्शन में लूप शामिल होते हैं। आरएनएन इनपुट अनुक्रमों को संसाधित करने के लिए अच्छी तरह से उपयुक्त हैं, क्योंकि आउटपुट को मेमोरी के रूप में नेटवर्क में वापस फीड किया जाता है।

उदाहरण के लिए, यदि कार्य वाक्य "क्या आप एक … चाहते हैं?" में अगले शब्द की भविष्यवाणी करना है, तो नेटवर्क इस प्रकार आगे बढ़ता है:

• आरएनएन न्यूरॉन्स को एक संकेत प्राप्त होता है जो वाक्य की शुरुआत की ओर इशारा करता है।
• नेटवर्क को इनपुट के रूप में "Do" शब्द प्राप्त होता है और यह संख्याओं का एक वेक्टर उत्पन्न करता है। इस वेक्टर को वापस न्यूरॉन को भेजा जाता है ताकि नेटवर्क को एक मेमोरी मिल सके। यह चरण नेटवर्क को यह याद रखने में मदद करता है कि उसे "Do" प्राप्त हुआ था और वह भी पहले स्थान पर।
• नेटवर्क अगले शब्दों के लिए भी इसी प्रकार आगे बढ़ता है। यह पहले "आप" और फिर "चाहते हैं" शब्द लेता है। प्रत्येक शब्द प्राप्त होने पर न्यूरॉन्स की स्थिति अपडेट हो जाती है।
• अंतिम चरण "a" शब्द प्राप्त होने के बाद शुरू होता है। न्यूरल नेटवर्क वाक्य को पूरा करने वाले प्रत्येक अंग्रेजी शब्द के लिए एक संभावना प्रदान करता है। एक अच्छी तरह से प्रशिक्षित आरएनएन संभवतः "कैफे," "ड्रिंक," "बर्गर," और इसी तरह के शब्दों को उच्च संभावना प्रदान करता है।

आरएनएन के सामान्य उपयोग

• प्रतिभूति व्यापारियों को विश्लेषणात्मक रिपोर्ट तैयार करने में सहायता करें
• वित्तीय विवरणों में अनियमितताओं का पता लगाना
• धोखाधड़ी वाले क्रेडिट कार्ड लेनदेन का पता लगाएं
• छवियों के लिए कैप्शन प्रदान करें
• Power chatbots
• आरएनएन का मानक उपयोग तब होता है जब व्यवसायी समय-श्रृंखला डेटा या अनुक्रमों के साथ काम कर रहे होते हैं, उदाहरण के लिए ऑडियो रिकॉर्डिंग या टेक्स्ट।

संवेदी तंत्रिका नेटवर्क (CNN)

A सीएनएन यह एक बहुस्तरीय न्यूरल नेटवर्क है जिसमें एक अद्वितीय वास्तुकला है जिसे डिजाइन किया गया हैtracप्रत्येक परत पर डेटा की तेजी से जटिल होती विशेषताओं का विश्लेषण करके आउटपुट निर्धारित किया जाता है। CNN अवधारणात्मक कार्यों के लिए उपयुक्त हैं।

CNN का उपयोग अधिकतर तब किया जाता है जब डेटा सेट असंरचित होता है, जैसे कि चित्र, और विशेषज्ञों को इसकी आवश्यकता होती है।tracइससे जानकारी प्राप्त करें।

उदाहरण के लिए, यदि कार्य किसी चित्र कैप्शन का पूर्वानुमान लगाना है:

• सीएनएन को मान लीजिए, एक बिल्ली की छवि प्राप्त होती है। कंप्यूटिंग की दृष्टि से, यह छवि पिक्सेल का एक संग्रह है, आमतौर पर ग्रेस्केल चित्र के लिए एक परत और रंगीन चित्र के लिए तीन परतें होती हैं।
• फीचर लर्निंग चरण के दौरान, यानी हिडन लेयर्स में, नेटवर्क अद्वितीय विशेषताओं की पहचान करता है, उदाहरण के लिए बिल्ली की पूंछ या कान।
• एक बार जब नेटवर्क किसी चित्र को पहचानना अच्छी तरह सीख लेता है, तो वह अपने द्वारा ज्ञात प्रत्येक छवि वर्ग के लिए संभावना बता सकता है। सबसे अधिक संभावना वाला लेबल नेटवर्क का पूर्वानुमान बन जाता है।

सुदृढीकरण सीखना

सुदृढीकरण सीखना मशीन लर्निंग की एक उप-शाखा है जिसमें सिस्टम को आभासी "पुरस्कार" या "दंड" देकर प्रशिक्षित किया जाता है, जिससे वे मूलतः परीक्षण और त्रुटि के माध्यम से सीखते हैं। यह एक शिक्षण पद्धति है न कि नेटवर्क संरचना, लेकिन इसके आधुनिक एल्गोरिदम डीप नेटवर्क पर आधारित हैं। गूगल के डीपमाइंड ने गो गेम में एक मानव चैंपियन को हराने के लिए रीइन्फोर्समेंट लर्निंग का उपयोग किया। रीइन्फोर्समेंट लर्निंग का उपयोग वीडियो गेम में भी स्मार्ट बॉट प्रदान करके गेमिंग अनुभव को बेहतर बनाने के लिए किया जाता है।

कुछ सबसे प्रसिद्ध एल्गोरिदम इस प्रकार हैं:

• क्यू-लर्निंग
• डीप क्यू नेटवर्क
• राज्य-कार्रवाई-पुरस्कार-राज्य-कार्रवाई (SARSA)
• डीप डिटर्मिनिस्टिक पॉलिसी ग्रेडिएंट (DDPG)

नीचे दी गई तालिका में बताया गया है कि प्रत्येक आर्किटेक्चर कब उपयुक्त होता है।

Archiटेक्चर	यह डेटा उपयुक्त है	विशिष्ट लक्षण	विशिष्ट कार्य
फ़ीड से आगे	निश्चित लंबाई का सारणीबद्ध इनपुट	कोई लूप नहीं; सूचना केवल आगे बढ़ती है	स्कोरिंग और सरल वर्गीकरण
आवर्ती (RNN)	अनुक्रम और समय श्रृंखला	संदर्भ नोड इसे स्मृति प्रदान करते हैं।	टेक्स्ट प्रेडिक्शन, ऑडियो, फोरकास्टिंग
कनवोल्यूशनल (सीएनएन)	ग्रिड-जैसे असंरचित डेटा	कनवोल्यूशन और पूलिंग पूर्वtracटी विशेषताएं	छवि वर्गीकरण और कैप्शनिंग
सुदृढीकरण सीखना	एक वातावरण, डेटासेट नहीं	पुरस्कार और दंड से सीखता है	गेम एजेंट, रोबोटिक्स, नियंत्रण

डीप लर्निंग अनुप्रयोगों के उदाहरण

ये आर्किटेक्चर पहले से ही बहुत अलग-अलग उद्योगों में उत्पादन में हैं:

वित्त में एआई

वित्तीय प्रौद्योगिकी क्षेत्र ने समय बचाने, लागत घटाने और मूल्यवर्धन के लिए पहले ही एआई का उपयोग शुरू कर दिया है। डीप लर्निंग अधिक मजबूत क्रेडिट स्कोरिंग के माध्यम से ऋण उद्योग में बदलाव ला रही है। ऋण निर्णयकर्ता ऋण आवेदन के लिए एआई का उपयोग करके आवेदकों के चरित्र और क्षमता को ध्यान में रखते हुए, तेजी से और अधिक सटीक जोखिम मूल्यांकन प्राप्त कर सकते हैं।

अंडरराइट एक फिनटेक कंपनी है जो ऋण संबंधी निर्णय लेने वालों के लिए एआई समाधान प्रदान करती है। underwrite.ai एआई का उपयोग करके यह पता लगाती है कि किस आवेदक के ऋण चुकाने की संभावना अधिक है, और कंपनी का दावा है कि यह दृष्टिकोण पारंपरिक स्कोरकार्ड से बेहतर है।

मानव संसाधन में कृत्रिम बुद्धिमत्ता

अंडर आर्मर, एक स्पोर्ट्सवियर कंपनी, revolutअंडर आर्मर ने एआई की मदद से भर्ती प्रक्रिया को सुव्यवस्थित किया और उम्मीदवारों के अनुभव को आधुनिक बनाया। 2012 में अंडर आर्मर में कर्मचारियों की संख्या में अचानक वृद्धि हुई और कंपनी को औसतन प्रति माह 30,000 से अधिक आवेदन प्राप्त हो रहे थे। इन सभी आवेदनों को पढ़ना और फिर स्क्रीनिंग एवं साक्षात्कार प्रक्रिया शुरू करना बहुत समय ले रहा था। कर्मचारियों को भर्ती करने और कंपनी में शामिल करने की लंबी प्रक्रिया के कारण अंडर आर्मर के खुदरा स्टोरों में पर्याप्त कर्मचारी उपलब्ध कराने और उन्हें पूरी तरह से तैयार करने की क्षमता प्रभावित हो रही थी।

उस समय, अंडर आर्मर के पास मानव संसाधन से संबंधित सभी आवश्यक तकनीकें मौजूद थीं, जैसे कि भर्ती, आवेदन आदि के लिए लेनदेन संबंधी समाधान। tracअंडर आर्मर ने भर्ती प्रक्रिया और ऑनबोर्डिंग जैसे कई टूल का इस्तेमाल किया, लेकिन ये टूल अपने आप में पर्याप्त नहीं थे। कंपनी ने ऑन-डिमांड और लाइव इंटरव्यू दोनों के लिए एचआर सॉल्यूशन प्रोवाइडर हायरव्यू को चुना। इसके नतीजे चौंकाने वाले थे: कंपनी ने भर्ती प्रक्रिया में लगने वाले समय में 35% की कमी दर्ज की और साथ ही भर्ती किए गए कर्मचारियों की गुणवत्ता में भी सुधार किया।

मार्केटिंग में ए.आई.

ग्राहक सेवा प्रबंधन और वैयक्तिकरण संबंधी चुनौतियों के लिए एआई एक महत्वपूर्ण उपकरण है। एआई तकनीकों के प्रयोग से कॉल सेंटर प्रबंधन और कॉल रूटिंग में बेहतर वाक् पहचान संभव हो पाती है, जिससे ग्राहकों को अधिक सहज अनुभव प्राप्त होता है।

उदाहरण के लिए, ऑडियो के डीप लर्निंग विश्लेषण से सिस्टम ग्राहक के भावनात्मक लहजे का आकलन कर सकते हैं। यदि ग्राहक एआई चैटबॉट को ठीक से जवाब नहीं दे रहा है, तो सिस्टम बातचीत को एक वास्तविक मानव ऑपरेटर के पास भेज सकता है जो समस्या को संभाल लेता है।

ऊपर दिए गए डीप लर्निंग के तीन उदाहरणों के अलावा, एआई का व्यापक रूप से अन्य क्षेत्रों और उद्योगों में भी उपयोग किया जाता है।

डीप लर्निंग क्यों महत्वपूर्ण है?

डीप लर्निंग भविष्यवाणियों को कार्रवाई योग्य परिणामों में बदलने का एक शक्तिशाली उपकरण है। डीप लर्निंग पैटर्न की खोज और ज्ञान-आधारित भविष्यवाणी में उत्कृष्ट है। बिग डेटा यह गहन शिक्षण का आधार है। जब इन दोनों का संयोजन होता है, तो एक संगठन उत्पादकता, बिक्री, प्रबंधन और नवाचार में ऐसे परिणाम प्राप्त कर सकता है जो पहले पहुंच से बाहर थे।

डीप लर्निंग पारंपरिक तरीकों से भी बेहतर प्रदर्शन कर सकती है। विशेष रूप से धारणा संबंधी समस्याओं में, डीप नेटवर्क वर्षों से सर्वश्रेष्ठ प्रदर्शन करते रहे हैं: छवि वर्गीकरण, वाक् पहचान और चेहरा पहचान, ये सभी डीप आर्किटेक्चर द्वारा समर्थित हैं, और चेहरा पहचान मॉडल मानक सार्वजनिक बेंचमार्क पर लगभग 99% सटीकता तक पहुँचते हैं। यह लाभ नेटवर्क द्वारा स्वयं अपनी विशेषताओं को सीखने से प्राप्त होता है, न कि कृत्रिम रूप से निर्मित विशेषताओं पर निर्भर रहने से।

गहन शिक्षण की सीमाएँ

उन परिणामों के साथ वास्तविक लागतें भी जुड़ी होती हैं।

डेटा लेबलिंग

अधिकांश वर्तमान एआई मॉडल पर्यवेक्षित शिक्षण के माध्यम से प्रशिक्षित होते हैं। इसका अर्थ है कि मनुष्यों को अंतर्निहित डेटा को लेबल और वर्गीकृत करना होता है, जो एक बड़ा और त्रुटिपूर्ण कार्य हो सकता है। उदाहरण के लिए, कंपनियां विकसित करती हैं...ping सेल्फ-ड्राइविंग कार तकनीकें इन प्रणालियों को प्रशिक्षित करने के लिए प्रोटोटाइप वाहनों से प्राप्त घंटों के वीडियो फीड को मैन्युअल रूप से एनोटेट करने के लिए सैकड़ों लोगों को नियुक्त करती हैं।

विशाल प्रशिक्षण डेटासेट प्राप्त करें

यह सिद्ध हो चुका है कि सीएनएन जैसी डीप लर्निंग तकनीकें कुछ मामलों में चिकित्सा और अन्य क्षेत्रों के विशेषज्ञों के ज्ञान की नकल कर सकती हैं। हालांकि, मशीन लर्निंग की इस नई तकनीक के लिए ऐसे प्रशिक्षण डेटा सेट की आवश्यकता होती है जो न केवल लेबल किए गए हों बल्कि पर्याप्त रूप से व्यापक और सार्वभौमिक भी हों।

डीप लर्निंग पद्धतियों में मॉडल को वर्गीकरण कार्यों में अपेक्षाकृत कुशल बनने के लिए हजारों प्रेक्षणों की आवश्यकता होती है, और कुछ मामलों में, मनुष्यों के स्तर तक प्रदर्शन करने के लिए लाखों प्रेक्षणों की आवश्यकता होती है। इसमें कोई आश्चर्य की बात नहीं है कि डीप लर्निंग का उपयोग मुख्य रूप से विशाल प्रौद्योगिकी कंपनियों में होता है, जो पेटबाइट्स में उदाहरण एकत्रित करने के लिए बिग डेटा का उपयोग करती हैं। यह विशालता उन्हें प्रभावशाली और अत्यधिक सटीक डीप लर्निंग मॉडल बनाने में सक्षम बनाती है।

समस्या समझाएँ

बड़े और जटिल मॉडलों को मानवीय शब्दों में समझाना कठिन हो सकता है, उदाहरण के लिए, किसी विशेष निर्णय तक क्यों पहुंचा गया। यही एक कारण है कि कुछ मॉडलों की स्वीकृति कृत्रिम बुद्धिमत्ता उन अनुप्रयोग क्षेत्रों में उपकरण धीमा है जहां व्याख्यात्मकता उपयोगी या वास्तव में आवश्यक है।

इसके अलावा, जैसे-जैसे एआई का अनुप्रयोग बढ़ता है, नियामक आवश्यकताएं भी अधिक व्याख्या योग्य एआई मॉडल की आवश्यकता को बढ़ावा दे सकती हैं।

अक्सर पूछे जाने वाले प्रश्न