हम जिन अहम टेक्नोलॉजी का इस्तेमाल करते हैं उनमें से कुछ में मशीन लर्निंग (एमएल) का इस्तेमाल होता है. अनुवाद ऐप्लिकेशन से लेकर ऑटोनॉमस वाहनों तक. इस कोर्स में, मुख्य एमएल के पीछे के कॉन्सेप्ट शामिल करते हैं.
ML की मदद से सवाल हल करने, मुश्किल सवालों के जवाब पाने, और नया कॉन्टेंट बनाने में मदद मिलती है कॉन्टेंट. मशीन लर्निंग का इस्तेमाल, मौसम का अनुमान लगाने और यात्रा में लगने वाले समय का अनुमान लगाने में मदद करता है गाने, अपने-आप पूरे वाक्य लिखें, लेखों की ख़ास जानकारी पाएँ, और कॉन्टेंट जनरेट करें पहले कभी न देखी गई इमेज.
आसान शब्दों में, एमएल एक ऐसी प्रोसेस है ट्रेनिंग के लिए सॉफ़्टवेयर का एक हिस्सा होता है, जिसे मॉडल, ताकि लोगों को काम का पूर्वानुमान या इनसे कॉन्टेंट जनरेट करते हैं डेटा शामिल है.
उदाहरण के लिए, मान लीजिए कि हमें बारिश का अनुमान लगाने के लिए एक ऐप्लिकेशन बनाना था. हम कर सके तो पारंपरिक या एमएल तरीके का इस्तेमाल करें. ट्रेडिशनल तो हम भौतिकी के आधार पर पृथ्वी के वायुमंडल का प्रतिनिधित्व करेंगे और सतह पर, भारी मात्रा में तरल पदार्थ के डाइनैमिक इक्वेशन की गणना कर सकते हैं. यह है मुश्किल है.
मशीन लर्निंग का इस्तेमाल करके, हम मशीन लर्निंग मॉडल को मौसम का बहुत सारा डेटा देंगे जब तक कि एमएल मॉडल के बीच का गणितीय संबंध नहीं जाना मौसम के ऐसे पैटर्न जो अलग-अलग मात्रा में बारिश पैदा करते हैं. इसके बाद, हम मौसम के मौजूदा डेटा को मॉडल कर सकता है और बारिश की मात्रा का अनुमान लगा सकता है.
अपनी समझ को परखें
एमएल सिस्टम के टाइप
मशीन लर्निंग सिस्टम, यहां दी गई एक या ज़्यादा कैटगरी में आते हैं. ये कैटगरी, मशीन लर्निंग सिस्टम के इस्तेमाल के तरीके के आधार पर तय होती हैं पूर्वानुमान लगाना या सामग्री बनाना सीखें:
- सुपरवाइज़्ड लर्निंग
- अनसुपरवाइज़्ड लर्निंग
- रीइन्फ़ोर्समेंट लर्निंग
- जनरेटिव एआई
सुपरवाइज़्ड लर्निंग
सुपरवाइज़्ड लर्निंग सही जवाबों के साथ बहुत सारा डेटा देखने के बाद, मॉडल इसका अनुमान लगा सकते हैं इसके बाद, उन एलिमेंट के बीच के कनेक्शन का पता लगाया जाता है जो डेटा में मौजूद हैं सही जवाब दें. यह ऐसा है जैसे छात्र नई सामग्री सीखते हैं ऐसी पुरानी परीक्षाओं की पढ़ाई करना जिनमें सवाल और जवाब, दोनों हों. छात्र/छात्रा के पास जब छात्र-छात्राओं ने काफ़ी पुरानी परीक्षा पास कर ली हो, तो वे नई परीक्षा देने के लिए अच्छी तरह से तैयार हो जाते हैं. ये एमएल सिस्टम, "निगरानी में रखे गए" हैं कि कोई व्यक्ति मशीन लर्निंग सिस्टम को ज्ञात सही परिणामों वाला डेटा.
निगरानी में रखे गए लर्निंग के लिए, आम तौर पर रिग्रेशन और रिग्रेशन के दो उदाहरण इस्तेमाल किए जाते हैं वर्गीकरण.
रिग्रेशन
रिग्रेशन मॉडल संख्यात्मक मान. उदाहरण के लिए, मौसम मॉडल, जो बारिश की मात्रा का अनुमान लगाता है इंच या मिलीमीटर, एक रिग्रेशन मॉडल है.
रिग्रेशन मॉडल के और उदाहरण देखने के लिए, नीचे दी गई टेबल देखें:
स्थिति | संभावित इनपुट डेटा | संख्या का अनुमान |
---|---|---|
आने वाले समय में होने वाले घर की कीमत | स्क्वेयर फ़ुटेज, पिन कोड, बेडरूम और बाथरूम की संख्या, लॉट साइज़, सामान गिरवी रखकर लिए जाने वाले क़र्ज़ पर लगने वाले ब्याज की दर, प्रॉपर्टी टैक्स की दर, निर्माण की लागत, और इलाके में बिक्री के लिए उपलब्ध घरों की संख्या. | घर की कीमत. |
अगली राइड का समय | ट्रैफ़िक की पुरानी स्थितियां (स्मार्टफ़ोन से इकट्ठा की गई, ट्रैफ़िक की स्थितियां) सेंसर, राइड-हेलिंग और अन्य नेविगेशन ऐप्लिकेशन), से दूरी और मौसम की स्थिति. | किसी मंज़िल पर पहुंचने के लिए मिनटों और सेकंड में लगने वाला समय. |
क्लासिफ़िकेशन
कैटगरी तय करने के मॉडल के अनुमान यह संभावना होती है कि कोई चीज़ किसी कैटगरी से जुड़ी हो. रिग्रेशन मॉडल से अलग, जिसका आउटपुट एक संख्या है, लेकिन क्लासिफ़िकेशन मॉडल ऐसी वैल्यू जनरेट करते हैं जो देखें कि कोई चीज़ किसी खास कैटगरी से जुड़ी है या नहीं. उदाहरण के लिए, क्लासिफ़िकेशन मॉडल का इस्तेमाल यह पता लगाने के लिए किया जाता है कि कोई ईमेल, स्पैम है या कोई फ़ोटो में एक बिल्ली है.
क्लासिफ़िकेशन मॉडल को दो ग्रुप में बांटा गया है: बाइनरी क्लासिफ़िकेशन और
मल्टीक्लास क्लासिफ़िकेशन. बाइनरी क्लासिफ़िकेशन मॉडल, किसी
क्लास जिसमें सिर्फ़ दो वैल्यू होती हैं. उदाहरण के लिए, ऐसा मॉडल जो
rain
या no rain
. मल्टीक्लास क्लासिफ़िकेशन मॉडल,
क्लास जिसमें दो से ज़्यादा वैल्यू होती हैं. उदाहरण के लिए, ऐसा मॉडल जो आउटपुट
rain
, hail
, snow
या sleet
.
अपनी समझ को परखें
अनसुपरवाइज़्ड लर्निंग
अनसुपरवाइज़्ड लर्निंग मॉडल, दिए गए डेटा के आधार पर अनुमान लगाते हैं. जवाब. निगरानी में नहीं रखे गए लर्निंग मॉडल का मकसद, सीखने-सिखाने की प्रक्रिया को बेहतर बनाना है के बीच फ़र्क़ कर सकते हैं. दूसरे शब्दों में, मॉडल के पास यह संकेत नहीं होता कि डेटा के हर हिस्से को अलग-अलग कैटगरी में बांटते हैं, लेकिन इसके बजाय इसे अपने खुद के नियमों का अनुमान लगाना चाहिए.
आम तौर पर इस्तेमाल किया जाने वाला बिना निगरानी वाला लर्निंग मॉडल, इस तकनीक का इस्तेमाल करता है क्लस्टरिंग शामिल है. मॉडल, डेटा पॉइंट ढूंढता है जो प्राकृतिक वर्गों को सीमा में बांटते हैं.
![क्लस्टर में रंगीन बिंदु दिखाती हुई इमेज.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-02.png?authuser=9&hl=hi)
पहली इमेज. मिलते-जुलते डेटा पॉइंट वाला एमएल मॉडल.
![क्लस्टर में रंगीन बिंदु दिखाए गए हैं. ये बिंदु, एक-दूसरे के आकार में लगे हैं और एक-दूसरे की बॉर्डर पर हैं.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-04.png?authuser=9&hl=hi)
दूसरी इमेज. प्राकृतिक सीमांकन वाले क्लस्टर के समूह.
क्लस्टरिंग, क्लासिफ़िकेशन से अलग है, क्योंकि कैटगरी आपको. उदाहरण के लिए, बिना निगरानी वाला मॉडल, मौसम के डेटासेट को तापमान, जिससे मौसम के बारे में जानकारी देने वाले सेगमेंट का पता चलता है. इसके बाद, डेटासेट के बारे में अपनी समझ के आधार पर, उन क्लस्टर को नाम देने की कोशिश करें.
![अलग-अलग क्लस्टर में रंगीन बिंदु दिख रहे हैं. इन बिंदुओं को बर्फ़बारी, बारिश, ओले, और बारिश के तौर पर लेबल किया गया है.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-01.png?authuser=9&hl=hi)
तीसरी इमेज. एक एमएल मॉडल, जिसमें मौसम के मिलते-जुलते पैटर्न शामिल हैं.
![एक इमेज, जिसमें अलग-अलग क्लस्टर में रंगीन बिंदु दिखाए गए हैं. इन बिंदुओं को बर्फ़बारी, बारिश, ओले, और कोई बारिश के तौर पर लेबल किया गया है. ये बिंदु, एक-दूसरे के आकार में हैं और एक-दूसरे की सीमा पर हैं.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-03.png?authuser=9&hl=hi)
चौथी इमेज. बर्फ़, ओलों के रूप में लेबल किए गए मौसम पैटर्न के समूह बारिश और कोई बारिश नहीं होगी.
अपनी समझ को परखें
रीइन्फ़ोर्समेंट लर्निंग
रीइन्फ़ोर्समेंट लर्निंग मॉडल, इनाम पाकर अनुमान लगाते हैं या एनवायरमेंट में की गई कार्रवाइयों के लिए सज़ा मिलती है. रीइन्फ़ोर्समेंट लर्निंग सिस्टम, एक नीति तैयार करता है, ज़्यादा से ज़्यादा इनाम पाने की सबसे अच्छी रणनीति के बारे में बताता है.
रीइन्फ़ोर्समेंट लर्निंग का इस्तेमाल करके, रोबोट को पैदल चलने जैसे काम करने का प्रशिक्षण दिया जाता है आस-पास हो सकते हैं और सॉफ़्टवेयर प्रोग्राम जैसे AlphaGo गो का गेम खेलने के लिए.
जनरेटिव एआई
जनरेटिव एआई, मॉडल की एक क्लास है जो उपयोगकर्ता के इनपुट से कॉन्टेंट बनाता है. उदाहरण के लिए, जनरेटिव एआई अनूठी तस्वीरें, संगीत कंपोज़िशन, और चुटकुले; यह लेखों के बारे में ख़ास जानकारी दे सकता है. काम करने या फ़ोटो में बदलाव करने का तरीक़ा बताओ.
जनरेटिव एआई कई तरह के इनपुट लेकर, कई तरह के आउटपुट तैयार कर सकता है, जैसे टेक्स्ट, इमेज, ऑडियो, और वीडियो. यह कई चीज़ों का इस्तेमाल करके, ये. उदाहरण के लिए, कोई मॉडल इनपुट के तौर पर इमेज लेकर कोई इमेज बना सकता है और या इनपुट के रूप में कोई इमेज और टेक्स्ट लेकर आउटपुट के तौर पर वीडियो बनाएं.
हम जनरेटिव मॉडल के बारे में, इनपुट और आउटपुट के हिसाब से चर्चा कर सकते हैं. आम तौर पर, को "इनपुट का प्रकार"-से-"आउटपुट का प्रकार" कहा जाता है. उदाहरण के लिए, निम्न एक आंशिक जनरेटिव मॉडल के लिए कुछ इनपुट और आउटपुट की सूची:
- टेक्स्ट से टेक्स्ट
- टेक्स्ट से इमेज
- टेक्स्ट-टू-वीडियो
- टेक्स्ट-टू-कोड
- लेख से बोली
- इमेज और टेक्स्ट-टू-इमेज
यहां दी गई टेबल में जनरेटिव मॉडल, उनके इनपुट, और उनके संभावित आउटपुट का उदाहरण:
मॉडल | इनपुट | आउटपुट का उदाहरण |
---|---|---|
टेक्स्ट से टेक्स्ट | ले मैंस रेस की शुरुआत किसने की? |
24 Hours of Le Mans की स्थापना Automobile Club de l'Ouest ने की थी
(ACO), एक मोटरिंग संगठन है. इसकी स्थापना 1906 में हुई थी. पहली दौड़ हुई
26 और 27 मई, 1923 को 13.426 किलोमीटर के सार्थ सर्किट पर
(8.345 मील) का रोड सर्किट, फ़्रांस के ले मैंस शहर के पास है.
मूल रूप से इस चुनाव का मकसद एसीओ और
सर्थे क्षेत्र. अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है सोर्स: Bard |
टेक्स्ट से इमेज | पोर्टल में अखबार पढ़ते हुए एक एलियन ऑक्टोपस तैर रहा है. |
![]() |
टेक्स्ट-टू-वीडियो | सैन फ़्रांसिस्को में समुद्र में तैरता हुआ एक असली लगने वाला टेडी बीयर. पानी के अंदर चला गया टेडी बीयर. टेडी बीयर पानी में तैरता रहता है रंग-बिरंगी मछलियों वाला पानी. पानी के अंदर तैरता पांडा भालू. |
![]() |
टेक्स्ट-टू-कोड | ऐसा Python लूप लिखें जो संख्याओं की सूची के ऊपर लूप करता हो और प्राइम नंबर को प्रिंट करता हो. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) सोर्स: Bard |
इमेज से टेक्स्ट | ![]() |
फ़्लमिंगो की आवाज़ ऐसी होती है. ये कैरेबियन में पाई जाती हैं. अभी तक किसी भी व्यक्ति ने चेक इन नहीं किया है स्रोत: Google DeepMind |
जनरेटिव एआई कैसे काम करता है? जनरेटिव मॉडल हाई लेवल पर, पैटर्न, जिनका लक्ष्य नया लेकिन मिलता-जुलता डेटा बनाना है. जनरेटिव एआई मॉडल नीचे दिए गए हैं:
- कॉमेडियन, जो लोगों के व्यवहार और व्यवहार देखकर दूसरों की नकल करना सीखते हैं बोलने का तरीका
- कलाकार, जो लगातार पढ़ाई करके एक खास स्टाइल में पेंट करना सीखते हैं उस स्टाइल की पेंटिंग
- ऐसे कवर बैंड जो गाने सुनकर किसी खास म्यूज़िक ग्रुप की तरह सुनना सीखते हैं उस ग्रुप का बहुत सारा संगीत
यूनीक और क्रिएटिव आउटपुट जनरेट करने के लिए, जनरेटिव मॉडल को शुरुआत में ट्रेनिंग दी जाती है निगरानी में नहीं रखे गए तरीके का इस्तेमाल करता है. इसमें मॉडल, अपने डेटा की नकल करना सीखता है ट्रेनिंग दी गई. इस मॉडल को कभी-कभी निगरानी में रखे गए डिवाइसों का इस्तेमाल करके या उन टास्क से जुड़े खास डेटा पर रीइन्फ़ोर्समेंट लर्निंग जो मॉडल हो सकता है परफ़ॉर्म करने के लिए कहा गया हो. जैसे, किसी लेख के बारे में खास जानकारी देना या फ़ोटो में बदलाव करना.
जनरेटिव एआई तेज़ी से डेवलप हो रही एक ऐसी टेक्नोलॉजी है जिसमें लगातार नए-नए उदाहरण दिए जा रहे हैं खोजा जा सकता है. उदाहरण के लिए, जनरेटिव मॉडल से कारोबारों को अपनी परफ़ॉर्मेंस बेहतर बनाने में मदद मिल रही है इससे, ध्यान भटकाने वाले बैकग्राउंड अपने-आप हट जाएंगे और ई-कॉमर्स प्रॉडक्ट की इमेज दिखेंगी साथ ही, कम रिज़ॉल्यूशन वाली इमेज की क्वालिटी को बेहतर बनाया जा सकता है.