मशीन लर्निंग (एमएल)

10.10.2024

मशीन लर्निंग (एमएल)                                                                                                                                                                                                                                                                                                                                                                                                   

खबरों में क्यों?

भौतिकी में 2024 का नोबेल पुरस्कार जॉन हॉपफील्ड और जेफ्री हिंटन को मूलभूत खोजों और आविष्कारों के लिए दिया गया है जो कृत्रिम तंत्रिका नेटवर्क के साथ मशीन सीखने को सक्षम बनाते हैं।

मशीन लर्निंग (एमएल) के बारे में:

• यह आर्टिफिशियल इंटेलिजेंस (एआई) की एक शाखा है जो डेटा से सीखने वाले कंप्यूटर सिस्टम के निर्माण पर केंद्रित है।
• यह कंप्यूटर सिस्टम को अधिक "अनुभव" अर्जित करने के साथ-साथ खुद को लगातार समायोजित और बेहतर बनाने की अनुमति देता है।
• एमएल एल्गोरिदम को डेटा में संबंध और पैटर्न खोजने के लिए प्रशिक्षित किया जाता है।
• इनपुट के रूप में ऐतिहासिक डेटा का उपयोग करके, ये एल्गोरिदम भविष्यवाणियां कर सकते हैं, जानकारी वर्गीकृत कर सकते हैं, डेटा बिंदुओं को क्लस्टर कर सकते हैं, आयामीता को कम कर सकते हैं और यहां तक ​​कि नई सामग्री भी उत्पन्न कर सकते हैं।

○बाद वाले के उदाहरण, जिन्हें जेनरेटिव एआई के रूप में जाना जाता है, में ओपनएआई के चैटजीपीटी, एंथ्रोपिक के क्लाउड और गिटहब कोपायलट शामिल हैं।

• प्रशिक्षण एमएल एल्गोरिदम अक्सर सटीक परिणाम देने के लिए बड़ी मात्रा में उच्च गुणवत्ता वाले डेटा की मांग करता है।

मशीन लर्निंग के अनुप्रयोग:

• यह कई उद्योगों में व्यापक रूप से लागू है। उदाहरण के लिए, ई-कॉमर्स, सोशल मीडिया और समाचार संगठन ग्राहक के पिछले व्यवहार के आधार पर सामग्री का सुझाव देने के लिए अनुशंसा इंजन का उपयोग करते हैं।
• सेल्फ-ड्राइविंग कारों में, एमएल एल्गोरिदम और कंप्यूटर विज़न सुरक्षित सड़क नेविगेशन में महत्वपूर्ण भूमिका निभाते हैं।
• स्वास्थ्य देखभाल में, एमएल निदान में सहायता कर सकता है और उपचार योजनाएं सुझा सकता है।
• अन्य सामान्य एमएल उपयोग के मामलों में धोखाधड़ी का पता लगाना, स्पैम फ़िल्टरिंग, मैलवेयर खतरे का पता लगाना, पूर्वानुमानित रखरखाव और व्यवसाय प्रक्रिया स्वचालन शामिल हैं।

डीप लर्निंग क्या है?

• यह एआई में एक विधि है जो कंप्यूटर को मानव मस्तिष्क से प्रेरित तरीके से डेटा संसाधित करना सिखाती है।
• यह एमएल का एक उपसमूह है जो मानव मस्तिष्क की जटिल निर्णय लेने की शक्ति का अनुकरण करता है।
• गहन शिक्षण मॉडल सटीक अंतर्दृष्टि और भविष्यवाणियां उत्पन्न करने के लिए चित्रों, पाठ, ध्वनियों और अन्य डेटा में जटिल पैटर्न को पहचान सकते हैं।
• गहन शिक्षण विधियों का उपयोग उन कार्यों को स्वचालित करने के लिए किया जाता है जिनके लिए आमतौर पर मानव बुद्धि की आवश्यकता होती है, जैसे छवियों का वर्णन करना या ध्वनि फ़ाइल को पाठ में बदलना।

मशीन लर्निंग बनाम डीप लर्निंग

• जबकि मशीन लर्निंग में संरचित डेटा के साथ प्रशिक्षण एल्गोरिदम शामिल होते हैं और अक्सर फीचर निष्कर्षण के लिए मानव इनपुट की आवश्यकता होती है, डीप लर्निंग बहुस्तरीय तंत्रिका नेटवर्क का उपयोग करके फीचर खोज को स्वचालित करता है, जिससे यह जटिल कार्यों के लिए अधिक शक्तिशाली हो जाता है, खासकर जब बड़े डेटासेट उपलब्ध होते हैं।

कृत्रिम तंत्रिका नेटवर्क (एएनएन) के बारे में

• यह एक गणितीय मॉडल है जो मानव मस्तिष्क के न्यूरॉन्स की नकल करने और डेटा को संसाधित करने के लिए परस्पर जुड़े नोड्स के नेटवर्क का उपयोग करता है।
• एएनएन एक प्रकार की मशीन लर्निंग (एमएल) और गहन शिक्षा है जो गलतियों से सीख सकती है और समय के साथ सुधार कर सकती है।
• इनका उपयोग कृत्रिम बुद्धिमत्ता (एआई) में जटिल समस्याओं को हल करने के लिए किया जाता है, जैसे चेहरे पहचानना या दस्तावेजों का सारांश देना।

एएनएन की मुख्य विशेषताएं

संरचना

एएनएन नोड्स की परतों से बने होते हैं, प्रत्येक में एक सक्रियण फ़ंक्शन होता है। नोड्स आपस में जुड़े हुए हैं, एक परत में प्रत्येक नोड पिछली और अगली परतों में कई नोड्स से जुड़ा हुआ है।

लर्निंग

एएनएन अनुकूली होते हैं और बैकप्रॉपैगेशन एल्गोरिदम का उपयोग करके अपनी गलतियों से सीखते हैं।

जैसे-जैसे वे सीखते हैं, वे खुद को संशोधित करते हैं, सही उत्तरों में योगदान देने वाले इनपुट को अधिक महत्व दिया जाता है।

आउटपुट

एएनएन का आउटपुट नोड्स की अंतिम परत द्वारा निर्मित होता है। आउटपुट आमतौर पर एएनएन को प्राप्त जानकारी के बारे में एक संख्यात्मक भविष्यवाणी है।

एएनएन के प्रकार

• फीडफॉरवर्ड न्यूरल नेटवर्क (एफएनएन): सबसे सरल प्रकार, जहां कनेक्शन चक्र नहीं बनाते हैं। डेटा इनपुट से आउटपुट तक एक दिशा में चलता है।
• कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन): छवियों जैसे ग्रिड-जैसे डेटा को संसाधित करने के लिए विशेष। वे सुविधाओं के स्थानिक पदानुक्रम को स्वचालित रूप से और अनुकूल रूप से सीखने के लिए कन्वेन्शनल परतों का उपयोग करते हैं।
• आवर्ती तंत्रिका नेटवर्क (आरएनएन): अनुक्रमिक डेटा, जैसे समय श्रृंखला या प्राकृतिक भाषा के लिए डिज़ाइन किया गया। उनके पास ऐसे कनेक्शन हैं जो चक्र बनाते हैं, जिससे उन्हें पिछले इनपुट की स्मृति बनाए रखने की अनुमति मिलती है।
• ऑटोएन्कोडर्स: बिना पर्यवेक्षित शिक्षण के लिए उपयोग किए जाने वाले, इन नेटवर्कों का उद्देश्य इनपुट डेटा का संपीड़ित प्रतिनिधित्व सीखना है।

कृत्रिम तंत्रिका नेटवर्क के अनुप्रयोग:

• छवि और वीडियो पहचान (जैसे, चेहरे की पहचान प्रणाली)
• वाक् पहचान (उदाहरण के लिए, सिरी और एलेक्सा जैसे आभासी सहायक)
• प्राकृतिक भाषा प्रसंस्करण (जैसे, भाषा अनुवाद)
• चिकित्सा निदान (जैसे, चिकित्सा छवियों से रोगों का पता लगाना)
• स्वायत्त वाहन (जैसे, सेल्फ-ड्राइविंग कार नेविगेशन)

                                                                 स्रोत: द हिंदू

मशीन लर्निंग (एमएल) के संबंध में निम्नलिखित कथनों पर विचार करें:

1. यह आर्टिफिशियल इंटेलिजेंस (एआई) की एक शाखा है जो डेटा से सीखने वाले कंप्यूटर सिस्टम के निर्माण पर केंद्रित है।

2. ऐतिहासिक डेटा को इनपुट के रूप में उपयोग करके, ये एल्गोरिदम भविष्यवाणियां कर सकते हैं, जानकारी वर्गीकृत कर सकते हैं और नई सामग्री उत्पन्न कर सकते हैं।

ऊपर दिए गए कथनों में से कौन सा/से सही है/हैं?

A.केवल 1

B.केवल 2

C. 1 और 2 दोनों

D.न तो 1 और न ही 2

उत्तर बी