मशीन लर्निंग और डीप लर्निंग के बीच अंतर

मशीन लर्निंग और डीप लर्निंग के बीच मुख्य अंतर

मशीन लर्निंग और डीप लर्निंग के बीच मुख्य अंतर हैं:

• मशीन लर्निंग छोटे/मध्यम डेटासेट पर उत्कृष्ट प्रदर्शन प्रदान करता है, जबकि डीप लर्निंग बड़े डेटासेट पर उत्कृष्ट प्रदर्शन प्रदान करता है
• एमएल निम्न-स्तरीय मशीन पर काम करता है, जबकि डीएल के लिए शक्तिशाली मशीन की आवश्यकता होती है, अधिमानतः जीपीयू के साथ।
• मशीन लर्निंग का निष्पादन समय कुछ मिनटों से लेकर घंटों तक का होता है, जबकि डीप लर्निंग में सप्ताह तक का समय लगता है।
• मशीन लर्निंग के साथ, आपको एल्गोरिदम को प्रशिक्षित करने के लिए डीप लर्निंग की तुलना में कम डेटा की आवश्यकता होती है। डीप लर्निंग के लिए अंतर्निहित संरचना की पहचान करने के लिए व्यापक और विविध डेटा सेट की आवश्यकता होती है।

AI क्या है?

एआई (कृत्रिम बुद्धिमत्ता) कंप्यूटर विज्ञान की एक शाखा है जिसमें मशीनों को प्रोग्राम किया जाता है और उन्हें मनुष्यों और जानवरों की तरह सोचने और क्रियाओं की नकल करने की संज्ञानात्मक क्षमता दी जाती है। एआई के लिए बेंचमार्क तर्क, भाषण, सीखने, दृष्टि और समस्या समाधान के संबंध में मानव बुद्धि है, जो भविष्य में बहुत दूर है।

AI के तीन अलग-अलग स्तर हैं

1) संकीर्ण एआईकृत्रिम बुद्धिमत्ता को संकीर्ण तब कहा जाता है जब मशीन किसी विशिष्ट कार्य को मनुष्य से बेहतर तरीके से कर सकती है। एआई का वर्तमान शोध अब यहाँ है
2) सामान्य एआईकृत्रिम बुद्धि सामान्य अवस्था में तब पहुंच जाती है जब वह किसी बौद्धिक कार्य को मनुष्य के समान सटीकता के स्तर पर कर सकती है।
3) सक्रिय एआई: एक एआई तब सक्रिय होता है जब वह कई कार्यों में मनुष्यों को हरा सकता है

प्रारंभिक AI प्रणालियों में पैटर्न मिलान और विशेषज्ञ प्रणालियां.

मशीन लर्निंग (एमएल) क्या है?

एमएल (मशीन लर्निंग) यह एक प्रकार का AI है जिसमें कंप्यूटर को ऐसे कार्यों को स्वचालित करने के लिए प्रशिक्षित किया जाता है जो मनुष्यों के लिए थकाऊ या असंभव हैं। यह कंप्यूटर एल्गोरिदम के अध्ययन के आधार पर डेटा में पैटर्न का विश्लेषण, समझने और पहचानने का सबसे अच्छा उपकरण है। मशीन लर्निंग न्यूनतम मानवीय हस्तक्षेप के साथ निर्णय ले सकती है।

तुलना Artificial Intelligence मशीन लर्निंग बनाम मशीन लर्निंग, मशीन लर्निंग डेटा का उपयोग करके एक एल्गोरिदम को फीड करती है जो इनपुट और आउटपुट के बीच के संबंध को समझ सकता है। जब मशीन सीखना समाप्त कर लेती है, तो वह एक नए डेटा पॉइंट के मूल्य या वर्ग की भविष्यवाणी कर सकती है।

डीप लर्निंग (डीएल) क्या है?

डीप लर्निंग एक कंप्यूटर सॉफ्टवेयर है जो मस्तिष्क में न्यूरॉन्स के नेटवर्क की नकल करता है। यह मशीन लर्निंग का एक उपसमूह है और इसे डीप लर्निंग कहा जाता है क्योंकि यह डीप न्यूरल नेटवर्क का उपयोग करता है। मशीन डेटा से सीखने के लिए विभिन्न परतों का उपयोग करती है। मॉडल की गहराई मॉडल में परतों की संख्या से दर्शाई जाती है। डीप लर्निंग AI के संदर्भ में नई अत्याधुनिक तकनीक है। डीप लर्निंग में, सीखने का चरण न्यूरल नेटवर्क के माध्यम से किया जाता है। न्यूरल नेटवर्क एक आर्किटेक्चर है जहाँ परतें एक दूसरे के ऊपर खड़ी होती हैं

मशीन लर्निंग और डीप लर्निंग के बीच अंतर

नीचे डीप लर्निंग और मशीन लर्निंग के बीच मुख्य अंतर बताया गया है

प्राचल	मशीन लर्निंग	गहरी सीख
डेटा निर्भरता	छोटे/मध्यम डेटासेट पर उत्कृष्ट प्रदर्शन	बड़े डेटासेट पर उत्कृष्ट प्रदर्शन
हार्डवेयर निर्भरताएँ	निम्न-स्तरीय मशीन पर काम करें।	शक्तिशाली मशीन की आवश्यकता है, अधिमानतः GPU के साथ: DL मैट्रिक्स गुणन का एक महत्वपूर्ण मात्रा में प्रदर्शन करता है
फ़ीचर इंजीनियरिंग	डेटा को दर्शाने वाली विशेषताओं को समझने की आवश्यकता है	डेटा का प्रतिनिधित्व करने वाली सर्वोत्तम विशेषता को समझने की आवश्यकता नहीं है
निष्पादन समय	कुछ मिनटों से लेकर घंटों तक	सप्ताह तक। न्यूरल नेटवर्क को महत्वपूर्ण संख्या में भार की गणना करने की आवश्यकता होती है
विवेचनीयता	कुछ एल्गोरिदम की व्याख्या करना आसान है (लॉजिस्टिक, निर्णय वृक्ष), कुछ लगभग असंभव हैं (एसवीएम, एक्सजीबूस्ट)	कठिन से असंभव

एमएल या डीएल का उपयोग कब करें?

नीचे दी गई तालिका में, हम इनके बीच अंतर को संक्षेप में प्रस्तुत करते हैं यंत्र अधिगम और ध्यान लगा के पढ़ना या सीखना उदाहरणों के साथ।

प्राचल	मशीन लर्निंग	गहरी सीख
प्रशिक्षण डेटासेट	छोटा	बड़ा
सुविधाएँ चुनें	हाँ	नहीं
एल्गोरिदम की संख्या	बहुत	कुछ
प्रशिक्षण काल	कम	लंबा

मशीन लर्निंग के साथ, आपको डीप लर्निंग की तुलना में एल्गोरिदम को प्रशिक्षित करने के लिए कम डेटा की आवश्यकता होती है। डीप लर्निंग के लिए अंतर्निहित संरचना की पहचान करने के लिए डेटा के व्यापक और विविध सेट की आवश्यकता होती है। इसके अलावा, मशीन लर्निंग एक तेज़-प्रशिक्षित मॉडल प्रदान करता है। सबसे उन्नत डीप लर्निंग आर्किटेक्चर को प्रशिक्षित करने में कई दिन से लेकर एक सप्ताह तक का समय लग सकता है। मशीन लर्निंग की तुलना में डीप लर्निंग का लाभ यह है कि यह अत्यधिक सटीक है। आपको यह समझने की आवश्यकता नहीं है कि कौन सी विशेषताएँ डेटा का सबसे अच्छा प्रतिनिधित्व हैं; न्यूरल नेटवर्क ने सीखा है कि महत्वपूर्ण विशेषताओं का चयन कैसे किया जाए। मशीन लर्निंग में, आपको खुद चुनना होगा कि मॉडल में कौन सी विशेषताएँ शामिल करनी हैं।

मशीन लर्निंग प्रक्रिया

कल्पना करें कि आपको एक ऐसा प्रोग्राम बनाना है जो ऑब्जेक्ट्स को पहचानता हो। मॉडल को प्रशिक्षित करने के लिए, आप एक का उपयोग करेंगे वर्गीकृतएक वर्गीकारक किसी वस्तु की विशेषताओं का उपयोग करके यह पहचानने का प्रयास करता है कि वह किस वर्ग से संबंधित है।

उदाहरण में, क्लासिफायर को यह पता लगाने के लिए प्रशिक्षित किया जाएगा कि क्या छवि है:

• साइकिल
• नाव
• गाड़ी
• विमान

ऊपर दिए गए चार ऑब्जेक्ट वह वर्ग हैं जिन्हें क्लासिफायर को पहचानना है। क्लासिफायर बनाने के लिए, आपको इनपुट के रूप में कुछ डेटा की आवश्यकता होती है और उसे एक लेबल असाइन करना होता है। एल्गोरिदम इन डेटा को लेगा, एक पैटर्न ढूंढेगा और फिर उसे संबंधित वर्ग में वर्गीकृत करेगा।

इस कार्य को कहा जाता है पर्यवेक्षित अध्ययन. पर्यवेक्षित शिक्षण में, आपके द्वारा एल्गोरिथम को दिए जाने वाले प्रशिक्षण डेटा में एक लेबल शामिल होता है।

किसी एल्गोरिथम को प्रशिक्षित करने के लिए कुछ मानक चरणों का पालन करना आवश्यक है:

• डेटा एकत्र करें
• वर्गीकारक को प्रशिक्षित करें
• अंदाजा लगाओ

पहला कदम ज़रूरी है, सही डेटा चुनना एल्गोरिदम को सफल या असफल बना देगा। मॉडल को प्रशिक्षित करने के लिए आप जो डेटा चुनते हैं उसे ए कहते हैं सुविधा. ऑब्जेक्ट उदाहरण में, विशेषताएँ छवियों के पिक्सेल हैं।

प्रत्येक छवि डेटा में एक पंक्ति है जबकि प्रत्येक पिक्सेल एक स्तंभ है। यदि आपकी छवि 28×28 आकार की है, तो डेटासेट में 784 कॉलम (28×28) हैं। नीचे दी गई तस्वीर में, प्रत्येक तस्वीर को एक फीचर वेक्टर में बदल दिया गया है। लेबल कंप्यूटर को बताता है कि छवि में कौन सी वस्तु है।

इसका उद्देश्य इन प्रशिक्षण डेटा का उपयोग ऑब्जेक्ट के प्रकार को वर्गीकृत करने के लिए करना है। पहले चरण में फ़ीचर कॉलम बनाना शामिल है। फिर, दूसरे चरण में मॉडल को प्रशिक्षित करने के लिए एक एल्गोरिथ्म चुनना शामिल है। जब प्रशिक्षण पूरा हो जाता है, तो मॉडल यह अनुमान लगाएगा कि कौन सी तस्वीर किस ऑब्जेक्ट से मेल खाती है।

उसके बाद, मॉडल का उपयोग करके नई छवियों की भविष्यवाणी करना आसान है। मॉडल में फीड की गई प्रत्येक नई छवि के लिए, मशीन यह भविष्यवाणी करेगी कि वह किस वर्ग से संबंधित है। उदाहरण के लिए, बिना किसी लेबल के एक पूरी तरह से नई छवि मॉडल से गुजर रही है। मनुष्य के लिए, छवि को कार के रूप में देखना तुच्छ है। मशीन अपने पिछले ज्ञान का उपयोग करके यह अनुमान लगाती है कि छवि एक कार है या नहीं।

गहन शिक्षण प्रक्रिया

डीप लर्निंग में, सीखने का चरण न्यूरल नेटवर्क के माध्यम से किया जाता है। न्यूरल नेटवर्क एक आर्किटेक्चर है जहाँ परतें एक दूसरे के ऊपर खड़ी होती हैं।

ऊपर दिए गए उसी चित्र उदाहरण पर विचार करें। प्रशिक्षण सेट को न्यूरल नेटवर्क में फीड किया जाएगा

प्रत्येक इनपुट एक न्यूरॉन में जाता है और एक भार से गुणा किया जाता है। गुणन का परिणाम अगली परत में प्रवाहित होता है और इनपुट बन जाता है। यह प्रक्रिया नेटवर्क की प्रत्येक परत के लिए दोहराई जाती है। अंतिम परत को आउटपुट परत कहा जाता है; यह प्रतिगमन कार्य के लिए एक वास्तविक मूल्य और वर्गीकरण कार्य के लिए प्रत्येक वर्ग की संभावना प्रदान करता है। तंत्रिका नेटवर्क सभी न्यूरॉन्स के भार को अपडेट करने के लिए एक गणितीय एल्गोरिथ्म का उपयोग करता है। तंत्रिका नेटवर्क पूरी तरह से प्रशिक्षित होता है जब भार का मूल्य वास्तविकता के करीब आउटपुट देता है। उदाहरण के लिए, एक अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क पारंपरिक तंत्रिका जाल की तुलना में अधिक सटीकता के साथ एक तस्वीर पर वस्तु को पहचान सकता है।

DL का उपयोग करके फ़ीचर निष्कर्षण को स्वचालित करें

एक डेटासेट में एक दर्जन से लेकर सैकड़ों विशेषताएं हो सकती हैं। सिस्टम इन विशेषताओं की प्रासंगिकता से सीखेगा। हालाँकि, सभी विशेषताएँ एल्गोरिदम के लिए सार्थक नहीं हैं। मशीन लर्निंग का एक महत्वपूर्ण हिस्सा सिस्टम को कुछ सीखने के लिए सुविधाओं का एक प्रासंगिक सेट ढूंढना है।

मशीन लर्निंग में इस भाग को निष्पादित करने का एक तरीका फ़ीचर एक्सट्रैक्शन का उपयोग करना है। फ़ीचर एक्सट्रैक्शन मौजूदा सुविधाओं को मिलाकर सुविधाओं का अधिक प्रासंगिक सेट बनाता है। यह PCA, T-SNE या किसी अन्य डायमेंशनलिटी रिडक्शन एल्गोरिदम के साथ किया जा सकता है।

उदाहरण के लिए, एक इमेज प्रोसेसिंग में, व्यवसायी को इमेज में मौजूद फीचर जैसे कि आंखें, नाक, होंठ इत्यादि को मैन्युअली एक्सट्रेक्ट करना पड़ता है। निकाले गए फीचर को क्लासिफिकेशन मॉडल में फीड किया जाता है।

डीप लर्निंग इस समस्या को हल करता है, खास तौर पर कन्वोल्यूशनल न्यूरल नेटवर्क के लिए। न्यूरल नेटवर्क की पहली परत तस्वीर से छोटे-छोटे विवरण सीखेगी; अगली परतें पिछले ज्ञान को मिलाकर अधिक जटिल जानकारी तैयार करेंगी। कन्वोल्यूशनल न्यूरल नेटवर्क में, फ़ीचर एक्सट्रैक्शन फ़िल्टर के इस्तेमाल से किया जाता है। नेटवर्क तस्वीर पर फ़िल्टर लगाता है ताकि यह देखा जा सके कि कोई मेल है या नहीं, यानी फ़ीचर का आकार छवि के किसी हिस्से के समान है या नहीं। अगर कोई मेल है, तो नेटवर्क इस फ़िल्टर का इस्तेमाल करेगा। इसलिए फ़ीचर एक्सट्रैक्शन की प्रक्रिया अपने आप हो जाती है।

सारांश

Artificial Intelligence मशीन को संज्ञानात्मक क्षमता प्रदान करना है। AI बनाम मशीन लर्निंग की तुलना करें तो शुरुआती AI सिस्टम में पैटर्न मैचिंग और विशेषज्ञ सिस्टम का इस्तेमाल किया जाता था।

मशीन लर्निंग के पीछे का विचार यह है कि मशीन मानवीय हस्तक्षेप के बिना सीख सकती है। मशीन को यह सीखने का तरीका खोजना होगा कि डेटा दिए जाने पर किसी कार्य को कैसे हल किया जाए।

डीप लर्निंग आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक बड़ी सफलता है। जब प्रशिक्षण के लिए पर्याप्त डेटा होता है, तो डीप लर्निंग प्रभावशाली परिणाम प्राप्त करता है, खासकर छवि पहचान और पाठ अनुवाद के लिए। इसका मुख्य कारण यह है कि नेटवर्क की विभिन्न परतों में फ़ीचर निष्कर्षण स्वचालित रूप से किया जाता है।