सीखने वाले प्रोग्राम बनाना

आर्टिफिशियल इंटेलिजेंस ऑटोमोटिव, हेल्थकेयर, इंडस्ट्रियल सिस्टम और एप्लिकेशन क्षेत्रों की एक विस्तृत संख्या में नाटकीय प्रगति के केंद्र में है।जैसे-जैसे रुचि बढ़ती जा रही है, एआई की प्रकृति ने कुछ भ्रम और यहां तक ​​कि रोजमर्रा की जिंदगी में एआई की बढ़ती भूमिका के बारे में डर पैदा कर दिया है।एआई का प्रकार जो स्मार्ट उत्पादों की बढ़ती संख्या को सक्षम बनाता है, विज्ञान कथा के सभ्यता-समाप्त एआई से दूर क्षमताओं को वितरित करने के लिए सीधी लेकिन गैर-तुच्छ इंजीनियरिंग विधियों पर बनाता है।

एआई की परिभाषा इसके सबसे उन्नत और अभी भी वैचारिक रूप से होती है, जहां मशीनें व्यवहार में मानव की तरह होती हैं, एक अधिक परिचित रूप में जहां मशीनों को विशिष्ट कार्यों को करने के लिए प्रशिक्षित किया जाता है।अपने सबसे उन्नत रूप में, सच्ची कृत्रिम बुद्धिमत्ता किसी निष्कर्ष पर स्वतंत्र रूप से पहुंचने या मानव शक्ति के रूप में कुछ कार्रवाई करने के लिए मनुष्यों की स्पष्ट दिशा और नियंत्रण के बिना काम करेगी।एआई स्पेक्ट्रम के अधिक परिचित इंजीनियरिंग-उन्मुख अंत में, मशीन-लर्निंग (एमएल) विधियां आम तौर पर वर्तमान एआई अनुप्रयोगों के लिए कम्प्यूटेशनल आधार प्रदान करती हैं।ये विधियां उन प्रतिक्रियाओं को प्रदान करने के लिए स्पष्ट रूप से लिखे गए कोड का उपयोग किए बिना प्रभावशाली गति और सटीकता के साथ इनपुट डेटा पर प्रतिक्रियाएं उत्पन्न करती हैं।जबकि सॉफ्टवेयर डेवलपर पारंपरिक प्रणालियों में डेटा को संसाधित करने के लिए कोड लिखते हैं, एमएल डेवलपर्स डेटा का उपयोग डेटा के लिए वांछित प्रतिक्रिया उत्पन्न करने के लिए कृत्रिम तंत्रिका नेटवर्क मॉडल जैसे एमएल एल्गोरिदम सिखाने के लिए करते हैं।
एक बुनियादी तंत्रिका नेटवर्क मॉडल कैसे बनाया जाता है?
मशीन लर्निंग के सबसे परिचित प्रकारों में, तंत्रिका नेटवर्क मॉडल अपनी इनपुट परत से छिपी हुई परतों के माध्यम से एक आउटपुट परत (चित्र 1) में डेटा पास करते हैं।जैसा कि वर्णित है, छिपी हुई परतों को परिवर्तनों की एक श्रृंखला करने के लिए प्रशिक्षित किया जाता है जो इनपुट डेटा के विभिन्न वर्गों के बीच अंतर करने के लिए आवश्यक सुविधाओं को निकालते हैं।इन परिवर्तनों का समापन . में होता है
आउटपुट लेयर में लोड किए गए मान, जहां प्रत्येक आउटपुट यूनिट एक मान प्रदान करता है जो इस संभावना का प्रतिनिधित्व करता है कि इनपुट डेटा किसी विशेष वर्ग से संबंधित है।इस दृष्टिकोण के साथ, डेवलपर्स एक उपयुक्त तंत्रिका नेटवर्क वास्तुकला का उपयोग करके छवियों या सेंसर माप जैसे डेटा को वर्गीकृत कर सकते हैं।

तंत्रिका नेटवर्क आर्किटेक्चर कई रूप लेते हैं, चित्र 1 में दिखाए गए सरल प्रकार के फीडफॉरवर्ड न्यूरल नेटवर्क से लेकर कई छिपी परतों और व्यक्तिगत परतों के साथ निर्मित गहरे तंत्रिका नेटवर्क (डीएनएन) में सैकड़ों हजारों न्यूरॉन्स होते हैं।फिर भी, विभिन्न आर्किटेक्चर आमतौर पर एक कृत्रिम न्यूरॉन इकाई पर कई इनपुट और एक आउटपुट (चित्रा 2) के साथ निर्मित होते हैं।चित्र 1: तंत्रिका नेटवर्क में विभिन्न इनपुट डेटा वर्गों के बीच अंतर करने के लिए प्रशिक्षित कृत्रिम न्यूरॉन्स की परतें शामिल हैं।(स्रोत: विकिपीडिया से अनुकूलित)

चित्र 2: एक कृत्रिम न्यूरॉन एक क्रियात्मक कार्य के आधार पर एक आउटपुट उत्पन्न करता है जो संचालित होता है

न्यूरॉन के भारित आवेगों के योग पर।(स्रोत: विकिपीडिया)

फीडफॉरवर्ड न्यूरल नेटवर्क में, एक विशेष न्यूरॉन n, छिपी हुई परत में अपने इनपुट, x को एक इनपुट-विशिष्ट वजन wp द्वारा समायोजित करता है और एक परत-विशिष्ट पूर्वाग्रह कारक b (आंकड़े में नहीं दिखाया गया है) को फ्लो के रूप में जोड़ता है:

अंत में, सारांशित मान S को एक सक्रियण फ़ंक्शन द्वारा एकल मान आउटपुट में परिवर्तित किया जाता है।आवश्यकताओं के आधार पर, ये फ़ंक्शन कई रूप ले सकते हैं, जैसे कि एक साधारण चरण फ़ंक्शन, चाप स्पर्शरेखा, या गैर-रैखिक मानचित्रण जैसे कि एक संशोधित रैखिक इकाई (ReLU), जो S<=0 या s के लिए S> के लिए 0 आउटपुट करता है। 0.

यद्यपि वे सभी डेटा की विशिष्ट विशेषताओं को निकालने के लिए डिज़ाइन किए गए हैं, विभिन्न आर्किटेक्चर महत्वपूर्ण रूप से भिन्न परिवर्तनों का उपयोग कर सकते हैं।उदाहरण के लिए, छवि-पहचान अनुप्रयोगों में उपयोग किए जाने वाले दृढ़ तंत्रिका नेटवर्क (सीएनएन) कर्नेल कनवल्शन का उपयोग करते हैं।इसमें, फ़ंक्शन, जिन्हें कर्नेल कहा जाता है, इनपुट छवि पर इसे फीचर मैप में बदलने के लिए कनवल्शन करते हैं।बाद की परतें अधिक दृढ़ संकल्प या अन्य कार्य करती हैं, जब तक कि सीएनएन मॉडल सरल तंत्रिका नेटवर्क के समान वर्गीकरण संभाव्यता आउटपुट उत्पन्न नहीं करता है, तब तक सुविधाओं को निकालना और बदलना।हालांकि, डेवलपर्स के लिए, लोकप्रिय तंत्रिका नेटवर्क आर्किटेक्चर के लिए अंतर्निहित गणित एमएल विकास उपकरण (इस मुद्दे में कहीं और चर्चा की गई) की उपलब्धता के कारण काफी हद तक पारदर्शी है। उन उपकरणों का उपयोग करके, डेवलपर्स आसानी से एक तंत्रिका नेटवर्क मॉडल को लागू कर सकते हैं और इसका उपयोग करके प्रशिक्षण शुरू कर सकते हैं। डेटा का एक सेट जिसे प्रशिक्षण सेट कहा जाता है।इस प्रशिक्षण डेटा सेट में डेटा अवलोकनों का एक प्रतिनिधि सेट और प्रत्येक अवलोकन के लिए सही आवरण शामिल है- और तंत्रिका नेटवर्क मॉडल विकास के अधिक चुनौतीपूर्ण पहलुओं में से एक का प्रतिनिधित्व करता है।

एक तंत्रिका नेटवर्क मॉडल को कैसे प्रशिक्षित और तैनात किया जाता है?

अतीत में, प्रशिक्षण सेट बनाने वाले डेवलपर्स के पास एलटीई विकल्प था, लेकिन एक विशिष्ट सेट में आवश्यक हजारों अवलोकनों के माध्यम से काम करने के लिए, प्रत्येक अवलोकन को उसके सही नाम से मैन्युअल रूप से लेबल करना।उदाहरण के लिए, रोड साइन रिकग्निशन एप्लिकेशन के लिए प्रशिक्षण सेट बनाने के लिए, वे

सड़क के संकेतों की छवियों को देखने और प्रत्येक छवि को सही संकेत नाम के साथ लेबल करने की आवश्यकता है।पहले से लेबल किए गए डेटा के सार्वजनिक डोमेन सेट कई मशीन-लर्निंग शोधकर्ताओं को इस कार्य से बचने और एल्गोरिथम विकास पर ध्यान केंद्रित करने देते हैं।उत्पादन एमएल अनुप्रयोगों के लिए, हालांकि, लेबलिंग कार्य एक महत्वपूर्ण चुनौती पेश कर सकता है।उन्नत एमएल डेवलपर्स अक्सर पूर्व-प्रशिक्षित मॉडल का उपयोग करते हैं

इस समस्या को कम करने में मदद करने के लिए ट्रांसफर लर्निंग नामक प्रक्रिया।