डीप लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) के लिए एक पुनरावृत्त दृष्टिकोण है जो मशीन लर्निंग एल्गोरिदम को बढ़ती जटिलता और अमूर्तता के पदानुक्रम में ढेर करता है। प्रत्येक गहन शिक्षण स्तर पदानुक्रम की पिछली परत से प्राप्त ज्ञान के साथ बनाया गया है।
उदाहरण के लिए, एक गहरी छवि पहचान एल्गोरिथ्म की पहली परत, प्रशिक्षण डेटा में रंग पैटर्न के बारे में सीखने पर ध्यान केंद्रित कर सकती है, जबकि अगली परत आकृतियों पर केंद्रित है। आखिरकार, पदानुक्रम में परतें होंगी जो रंगों और आकृतियों के विभिन्न संयोजनों पर ध्यान केंद्रित करती हैं, शीर्ष परत वास्तविक वस्तु पर ध्यान केंद्रित करती है जिसे पहचाना जा रहा है।
- संवेदी तंत्रिका नेटवर्क - एल्गोरिथ्म एक छवि में विभिन्न वस्तुओं के लिए वजन और पूर्वाग्रह निर्दिष्ट कर सकता है और छवि में एक वस्तु को दूसरे से अलग कर सकता है। वस्तु का पता लगाने और छवि वर्गीकरण के लिए उपयोग किया जाता है।
- आवर्तक तंत्रिका नेटवर्क - एल्गोरिथ्म अनुक्रमिक डेटा को याद रखने में सक्षम है। भाषण पहचान, आवाज पहचान, समय श्रृंखला भविष्यवाणी और प्राकृतिक भाषा प्रसंस्करण के लिए प्रयुक्त।
- लॉन्ग-टर्म मेमोरी नेटवर्क - एल्गोरिदम अनुक्रम भविष्यवाणी समस्याओं में ऑर्डर निर्भरता सीख सकता है। मशीनी अनुवाद और भाषा मॉडलिंग में प्रयुक्त।
- जनरेटिव प्रतिकूल नेटवर्क - दो एल्गोरिदम एक दूसरे के खिलाफ प्रतिस्पर्धा करते हैं और एक दूसरे की गलतियों को नए प्रशिक्षण डेटा के रूप में उपयोग करते हैं। डिजिटल फोटो बहाली और डीपफेक वीडियो में उपयोग किया जाता है।
- डीप विश्वास नेटवर्क - एक अनपर्यवेक्षित डीप लर्निंग एल्गोरिथम जिसमें प्रत्येक परत के दो उद्देश्य होते हैं: यह जो पहले आया था उसके लिए एक छिपी हुई परत के रूप में कार्य करता है और जो आगे आता है उसके लिए एक दृश्य परत के रूप में कार्य करता है। कैंसर और अन्य बीमारी का पता लगाने के लिए स्वास्थ्य सेवा क्षेत्रों में उपयोग किया जाता है।
डीप लर्निंग एक विशिष्ट दृष्टिकोण है जिसका उपयोग तंत्रिका नेटवर्क और निर्णय लेने वाले नेटवर्क नोड्स के निर्माण और प्रशिक्षण के लिए किया जाता है।
डीप लर्निंग डेटा में सुविधाओं की मैन्युअल पहचान को हटा देता है और इसके बजाय, इनपुट उदाहरणों में उपयोगी पैटर्न की खोज के लिए किसी भी प्रशिक्षण प्रक्रिया पर निर्भर करता है। यह तंत्रिका नेटवर्क के प्रशिक्षण को आसान और तेज़ बनाता है, और यह बेहतर परिणाम दे सकता है जो कृत्रिम बुद्धिमत्ता के क्षेत्र को आगे बढ़ाता है।
एक एल्गोरिथम को गहरा माना जाता है यदि इनपुट डेटा को आउटपुट बनने से पहले गैर-रैखिकता या गैर-रेखीय परिवर्तनों की एक श्रृंखला के माध्यम से पारित किया जाता है। आज, अधिकांश व्यावसायिक अनुप्रयोग उथले मशीन लर्निंग एल्गोरिदम का उपयोग करते हैं।
शालो एआई, जिसे संकीर्ण एआई भी कहा जाता है, सबरूटीन कॉल का पदानुक्रम नहीं बनाता है। इसके बजाय, इस प्रकार के लर्निंग एल्गोरिदम को एकल, असतत कार्य करने के लिए डिज़ाइन किया गया है।
0 Comments