पायथन डीप बेसिक मशीन लर्निंग
आर्टिफिशियल इंटेलिजेंस (एआई) किसी भी कोड, एल्गोरिथ्म या तकनीक है जो कंप्यूटर को मानव संज्ञानात्मक व्यवहार या खुफिया की नकल करने में सक्षम बनाता है। मशीन लर्निंग (ML) AI का एक उपसमूह है जो मशीनों को अनुभव के साथ सीखने और सुधारने में सक्षम बनाने के लिए सांख्यिकीय तरीकों का उपयोग करता है। डीप लर्निंग मशीन लर्निंग का सबसेट है, जो मल्टी लेयर न्यूरल नेटवर्कों की गणना को संभव बनाता है। मशीन लर्निंग को उथले अधिगम के रूप में देखा जाता है जबकि डीप लर्निंग को अमूर्त के साथ पदानुक्रमित अधिगम के रूप में देखा जाता है।
मशीन लर्निंग अवधारणाओं की एक विस्तृत श्रृंखला के साथ संबंधित है। अवधारणाओं को नीचे सूचीबद्ध किया गया है -
- supervised
- unsupervised
- सुदृढीकरण सीखना
- रेखीय प्रतिगमन
- लागत कार्य
- overfitting
- under-fitting
- हाइपर-पैरामीटर, आदि।
पर्यवेक्षित शिक्षण में, हम लेबल किए गए डेटा से मूल्यों की भविष्यवाणी करना सीखते हैं। एक एमएल तकनीक जो यहां मदद करती है वह वर्गीकरण है, जहां लक्ष्य मान असतत मूल्य हैं; उदाहरण के लिए, बिल्लियों और कुत्तों। मशीन लर्निंग की एक और तकनीक जो मदद कर सकती है वह है रिग्रेशन। प्रतिगमन लक्ष्य मानों पर काम करता है। लक्ष्य मान निरंतर मूल्य हैं; उदाहरण के लिए, प्रतिगमन का उपयोग करके शेयर बाजार के आंकड़ों का विश्लेषण किया जा सकता है।
बिना पढ़े-लिखे सीखने में, हम उन इनपुट डेटा से निष्कर्ष निकालते हैं जो लेबल या संरचित नहीं हैं। यदि हमारे पास एक लाख मेडिकल रिकॉर्ड हैं और हमें इसका अर्थ निकालना है, तो अंतर्निहित संरचना, आउटलेयर या विसंगतियों का पता लगाएं, हम डेटा को व्यापक समूहों में विभाजित करने के लिए क्लस्टरिंग तकनीक का उपयोग करते हैं।
डेटा सेट को प्रशिक्षण सेट, परीक्षण सेट, सत्यापन सेट आदि में विभाजित किया जाता है।
2012 में एक सफलता ने डीप लर्निंग की अवधारणा को प्रमुखता से लाया। एक एल्गोरिथ्म ने 2 जीपीयू और बिग डेटा जैसी नवीनतम तकनीकों का उपयोग करके 1000 श्रेणियों में 1 मिलियन छवियों को सफलतापूर्वक वर्गीकृत किया।
डीप लर्निंग और ट्रेडिशनल मशीन लर्निंग से संबंधित
पारंपरिक मशीन लर्निंग मॉडल में आने वाली प्रमुख चुनौतियों में से एक एक प्रक्रिया है जिसे फीचर निष्कर्षण कहा जाता है। प्रोग्रामर को विशिष्ट होना चाहिए और कंप्यूटर को उन विशेषताओं के बारे में बताना चाहिए जिनके लिए देखा जाना है। ये सुविधाएँ निर्णय लेने में मदद करेंगी।
एल्गोरिदम में कच्चे डेटा को दर्ज करना शायद ही कभी काम करता है, इसलिए सुविधा निष्कर्षण पारंपरिक मशीन लर्निंग वर्कफ़्लो का एक महत्वपूर्ण हिस्सा है।
यह प्रोग्रामर पर एक बड़ी जिम्मेदारी देता है, और एल्गोरिथ्म की दक्षता प्रोग्रामर के आविष्कारक पर बहुत निर्भर करती है। ऑब्जेक्ट प्रॉब्लम या हैंड राइटिंग रिकॉग्निशन जैसी जटिल समस्याओं के लिए, यह एक बहुत बड़ा मुद्दा है।
डीप लर्निंग, प्रतिनिधित्व की कई परतों को सीखने की क्षमता के साथ, कुछ तरीकों में से एक है जो हमें स्वचालित सुविधा निष्कर्षण के साथ मदद करता है। निचली परतों को स्वचालित सुविधा निष्कर्षण करने के लिए माना जा सकता है, प्रोग्रामर से बहुत कम या कोई मार्गदर्शन की आवश्यकता होती है।