ध्यान लगा के पढ़ना या सीखना
डीप लर्निंग क्या है?
डीप लर्निंग एक कृत्रिम बुद्धिमत्ता (एआई) फ़ंक्शन है जो मानव मस्तिष्क के कामकाज को डेटा को संसाधित करने और निर्णय लेने में उपयोग के लिए पैटर्न बनाने की नकल करता है। डीप लर्निंग आर्टिफिशियल इंटेलिजेंस में मशीन लर्निंग का एक उपसमुच्चय है जिसमें नेटवर्क है जो बिना डेटा या बिना पढ़े-लिखे डेटा से अनसुना सीखने में सक्षम है। इसे गहरे तंत्रिका सीखने या गहरे तंत्रिका नेटवर्क के रूप में भी जाना जाता है।
चाबी छीन लेना
- डीप लर्निंग एक एआई फ़ंक्शन है जो वस्तुओं का पता लगाने, भाषण को पहचानने, भाषाओं का अनुवाद करने और निर्णय लेने में उपयोग करने के लिए डेटा प्रसंस्करण में मानव मस्तिष्क के कामकाज की नकल करता है।
- डीप लर्निंग एआई मानव पर्यवेक्षण के बिना सीखने में सक्षम है, डेटा से ड्राइंग जो कि असंरचित और गैर-सूचीबद्ध दोनों है।
- डीप लर्निंग, मशीन लर्निंग का एक रूप, धोखाधड़ी या मनी लॉन्ड्रिंग का पता लगाने में मदद करने के लिए इस्तेमाल किया जा सकता है।
डीप लर्निंग कैसे काम करती है
डीप लर्निंग ने डिजिटल युग के साथ हाथ से हाथ मिलाया है, जिसने सभी रूपों और दुनिया के हर क्षेत्र में डेटा का विस्फोट किया है। यह डेटा, जिसे बड़े डेटा के रूप में जाना जाता है, सोशल मीडिया, इंटरनेट सर्च इंजन, ई-कॉमर्स प्लेटफॉर्म और ऑनलाइन सिनेमा जैसे स्रोतों से तैयार किया गया है । यह बड़ी मात्रा में डेटा आसानी से उपलब्ध है और क्लाउड कंप्यूटिंग जैसे फिनटेक अनुप्रयोगों के माध्यम से साझा किया जा सकता है ।
हालाँकि, डेटा, जो सामान्य रूप से असंरचित है, इतना विशाल है कि मनुष्यों को इसे समझने और प्रासंगिक जानकारी निकालने में दशकों लग सकते हैं। कंपनियों को अविश्वसनीय क्षमता का एहसास होता है जो जानकारी के इस धन को उजागर करने के परिणामस्वरूप हो सकता है और स्वचालित समर्थन के लिए एआई सिस्टम के लिए तेजी से अनुकूल हो रहा है।
डीप लर्निंग अनस्ट्रक्चर्ड डेटा की भारी मात्रा को उजागर करता है जो आम तौर पर इंसानों को समझने और प्रोसेस करने में दशकों लग जाते हैं।
डीप लर्निंग बनाम मशीन लर्निंग
बड़े डेटा को संसाधित करने के लिए उपयोग की जाने वाली सबसे आम एआई तकनीकों में से एक मशीन लर्निंग है, एक आत्म-अनुकूली एल्गोरिथ्म जो अनुभव के साथ या नए जोड़े गए डेटा के साथ तेजी से बेहतर विश्लेषण और पैटर्न प्राप्त करता है।
यदि कोई डिजिटल भुगतान कंपनी अपने सिस्टम में धोखाधड़ी की घटना या क्षमता का पता लगाना चाहती है, तो वह इस उद्देश्य के लिए मशीन लर्निंग टूल्स को नियोजित कर सकती है। कंप्यूटर मॉडल में निर्मित कम्प्यूटेशनल एल्गोरिथ्म डिजिटल प्लेटफॉर्म पर होने वाले सभी लेनदेन को संसाधित करेगा, डेटा सेट में पैटर्न ढूंढेगा, और पैटर्न द्वारा ज्ञात किसी भी विसंगति को इंगित करेगा।
डीप लर्निंग, मशीन लर्निंग का सबसेट, मशीन लर्निंग की प्रक्रिया को पूरा करने के लिए कृत्रिम तंत्रिका नेटवर्क के एक पदानुक्रमित स्तर का उपयोग करता है। कृत्रिम तंत्रिका नेटवर्क मानव मस्तिष्क की तरह निर्मित होते हैं, जिसमें न्यूरॉन नोड्स एक वेब की तरह एक साथ जुड़े होते हैं। जबकि पारंपरिक कार्यक्रम डेटा के साथ एक रेखीय तरीके से विश्लेषण का निर्माण करते हैं, गहन शिक्षण प्रणालियों के पदानुक्रमित कार्य मशीनों को एक नॉनलाइन दृष्टिकोण के साथ डेटा को संसाधित करने में सक्षम बनाते हैं।
इलेक्ट्रॉनिक्स निर्माता पैनासोनिक कंप्यूटर दृष्टि से संबंधित गहन शिक्षण प्रौद्योगिकियों को विकसित करने के लिए विश्वविद्यालयों और अनुसंधान केंद्रों के साथ काम कर रहा है।
विशेष ध्यान
धोखाधड़ी या मनी लॉन्ड्रिंग का पता लगाने के लिए एक पारंपरिक दृष्टिकोण लेनदेन की मात्रा पर निर्भर कर सकता है, जबकि एक गहरी सीखने वाली नॉनलाइन तकनीक में समय, भौगोलिक स्थान, आईपी पता, रिटेलर का प्रकार और कोई अन्य विशेषता शामिल होगी जो धोखाधड़ी की ओर इशारा करती है। गतिविधि। तंत्रिका नेटवर्क की पहली परत लेनदेन की मात्रा की तरह एक कच्चे डेटा इनपुट को संसाधित करती है और इसे आउटपुट के रूप में अगली परत पर पास करती है। दूसरी परत उपयोगकर्ता के आईपी पते जैसी अतिरिक्त जानकारी को शामिल करके पिछली परत की जानकारी को संसाधित करती है और इसके परिणाम पर गुजरती है।
अगली परत दूसरी परत की जानकारी लेती है और इसमें भौगोलिक स्थान जैसे कच्चे डेटा शामिल होते हैं और मशीन के पैटर्न को और बेहतर बनाते हैं। यह न्यूरॉन नेटवर्क के सभी स्तरों पर जारी है।
एक गहरा सीखने का उदाहरण
मशीन लर्निंग के साथ ऊपर उल्लिखित धोखाधड़ी का पता लगाने वाली प्रणाली का उपयोग करके, एक गहरा सीखने का उदाहरण बना सकता है। यदि मशीन लर्निंग सिस्टम ने उपयोगकर्ता द्वारा भेजे गए या प्राप्त किए जाने वाले डॉलर की संख्या के आसपास बनाए गए मापदंडों के साथ एक मॉडल बनाया है, तो मशीन-लर्निंग द्वारा दी गई परिणामों पर गहन-शिक्षण पद्धति का निर्माण शुरू हो सकता है।
इसके तंत्रिका नेटवर्क की प्रत्येक परत एक पूर्ववर्ती परत पर एक रिटेलर, प्रेषक, उपयोगकर्ता, सोशल मीडिया इवेंट, क्रेडिट स्कोर, आईपी एड्रेस और अन्य सुविधाओं के एक होस्ट के साथ निर्मित होती है, जो मानव द्वारा संसाधित होने पर एक साथ जुड़ने में वर्षों लग सकते हैं। जा रहा है। डीप लर्निंग एल्गोरिदम को सभी लेन-देन से न केवल पैटर्न बनाने के लिए प्रशिक्षित किया जाता है, बल्कि यह भी पता है कि एक पैटर्न कब धोखाधड़ी की जांच की आवश्यकता का संकेत दे रहा है। अंतिम परत एक विश्लेषक को संकेत देती है, जो उपयोगकर्ता के खाते को तब तक रोक सकता है जब तक सभी लंबित जांचों को अंतिम रूप नहीं दिया जाता है।
दीप लर्निंग का उपयोग सभी उद्योगों में विभिन्न कार्यों के लिए किया जाता है। व्यावसायिक ऐप जो उपभोक्ता की सिफारिश करने वाले एप्लिकेशन के साथ छवि पहचान, ओपन-सोर्स प्लेटफॉर्म का उपयोग करते हैं, और चिकित्सा अनुसंधान उपकरण जो नई बीमारियों के लिए दवाओं के पुन: उपयोग की संभावना का पता लगाते हैं, वे गहरी सीखने के समावेश के कुछ उदाहरण हैं।
लगातार पूछे जाने वाले प्रश्न
गहन शिक्षा क्या है?
डीप लर्निंग, जिसे डीप न्यूरल नेटवर्क या न्यूरल लर्निंग के रूप में भी जाना जाता है, कृत्रिम बुद्धिमत्ता (एआई) का एक रूप है, जो मानव मस्तिष्क के कामकाज को दोहराने की कोशिश करता है। यह मशीन लर्निंग का एक प्रकार है, जिसमें ऐसे फ़ंक्शन होते हैं जो एक नॉनलाइनियर निर्णय लेने की प्रक्रिया में काम करते हैं। गहरी सीख तब होती है जब पर्यवेक्षण के बिना असंरचित डेटा पर निर्णय किए जाते हैं। वस्तु मान्यता, भाषण मान्यता, और भाषा अनुवाद कुछ ऐसे कार्य हैं जो गहन शिक्षण के माध्यम से किए जाते हैं।
गहरी शिक्षा कैसे काम करती है?
मशीन लर्निंग के सबसेट के रूप में, डीप लर्निंग डेटा का विश्लेषण करने के लिए पदानुक्रमित तंत्रिका नेटवर्क का उपयोग करता है। न्यूरॉन कोड मानव मस्तिष्क के समान इन पदानुक्रमित तंत्रिका नेटवर्क के भीतर एक साथ जुड़े हुए हैं। मशीनों में अन्य पारंपरिक रैखिक कार्यक्रमों के विपरीत, गहरी सीखने की पदानुक्रमिक संरचना इसे एक अरेखीय दृष्टिकोण लेने की अनुमति देती है, परतों की एक श्रृंखला में डेटा प्रसंस्करण करती है जो प्रत्येक अतिरिक्त जानकारी के बाद के स्तरों को एकीकृत करेगी।
गहन शिक्षा का एक उदाहरण क्या है?
जब धोखाधड़ी का पता लगाने के लिए गहरी शिक्षा का उपयोग किया जाता है, तो यह कुछ संकेतों, जैसे कि आईपी एड्रेस, क्रेडिट स्कोर, रिटेलर, या प्रेषक का नामकरण करेगा। अपने कृत्रिम तंत्रिका नेटवर्क की पहली परत में, यह भेजी गई राशि का विश्लेषण करेगा। एक दूसरी परत में, यह इस जानकारी पर निर्माण करेगा और उदाहरण के लिए, आईपी पते को शामिल करेगा। तीसरी परत में, क्रेडिट स्कोर को मौजूदा जानकारी में जोड़ा जाएगा, और अंतिम निर्णय होने तक आगे।