न्यूरल नेटवर्क^{(Neural Networks)} और डीप लर्निंग^{(Deep Learning)} वर्तमान में दो हॉट बज़वर्ड हैं जिनका उपयोग आजकल आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} के साथ किया जा रहा है । आर्टिफिशियल इंटेलिजेंस की दुनिया में हाल के घटनाक्रमों को इन दोनों के लिए जिम्मेदार ठहराया जा सकता है क्योंकि उन्होंने एआई की बुद्धिमत्ता को बेहतर बनाने में महत्वपूर्ण भूमिका निभाई है।

चारों ओर देखो, और तुम चारों ओर अधिक से अधिक बुद्धिमान मशीनें पाओगे। न्यूरल नेटवर्क्स^{(Neural Networks)} और डीप लर्निंग^{(Deep Learning)} के लिए धन्यवाद , नौकरियां और क्षमताएं जिन्हें कभी इंसानों की खूबी माना जाता था, अब मशीनों द्वारा की जा रही हैं। आज, मशीनों को अब अधिक जटिल एल्गोरिदम खाने के लिए नहीं बनाया गया है, बल्कि इसके बजाय, उन्हें एक स्वायत्त, स्व-शिक्षण प्रणाली में विकसित करने के लिए खिलाया जाता है जो चारों ओर कई उद्योगों में क्रांति लाने में सक्षम है।

न्यूरल नेटवर्क्स^{(Neural Networks)} और डीप लर्निंग^{(Deep Learning )} ने शोधकर्ताओं को इमेज रिकग्निशन, स्पीच रिकग्निशन, डेटा सेट में गहरे संबंध खोजने जैसे कार्यों में भारी सफलता दिलाई है। भारी मात्रा में डेटा और कम्प्यूटेशनल शक्ति की उपलब्धता से सहायता प्राप्त, मशीनें वस्तुओं को पहचान सकती हैं, भाषण का अनुवाद कर सकती हैं, जटिल पैटर्न की पहचान करने के लिए खुद को प्रशिक्षित कर सकती हैं, रणनीतियों को कैसे तैयार कर सकती हैं और वास्तविक समय में आकस्मिक योजना बना सकती हैं।

तो, यह वास्तव में कैसे काम करता है? क्या आप जानते हैं कि न्यूट्रल ^(Neutral) नेटवर्क^(Networks) और डीप-लर्निंग^{(Deep-Learning)} दोनों संबंधित हैं, वास्तव में, डीप^(Deep) लर्निंग को समझने के लिए, आपको पहले न्यूरल नेटवर्क्स^{(Neural Networks)} के बारे में समझना होगा ? अधिक जानने के लिए पढ़े।

एक तंत्रिका नेटवर्क क्या है

एक तंत्रिका^(Neural) नेटवर्क मूल रूप से एक प्रोग्रामिंग पैटर्न या एल्गोरिदम का एक सेट है जो कंप्यूटर को अवलोकन डेटा से सीखने में सक्षम बनाता है। एक तंत्रिका^(Neural) नेटवर्क मानव मस्तिष्क के समान है, जो पैटर्न को पहचानकर काम करता है। संवेदी डेटा की व्याख्या मशीन धारणा, लेबलिंग या कच्चे इनपुट को क्लस्टरिंग का उपयोग करके की जाती है। मान्यता प्राप्त पैटर्न संख्यात्मक हैं, वैक्टर में संलग्न हैं, जिसमें डेटा जैसे चित्र, ध्वनि, पाठ आदि का अनुवाद किया जाता है।

Think Neural Network! Think how a human brain function

जैसा कि ऊपर उल्लेख किया गया है, एक तंत्रिका नेटवर्क मानव मस्तिष्क की तरह ही कार्य करता है; यह एक सीखने की प्रक्रिया के माध्यम से सभी ज्ञान प्राप्त करता है। उसके बाद, सिनैप्टिक वेट अर्जित ज्ञान को संग्रहीत करते हैं। सीखने की प्रक्रिया के दौरान, वांछित उद्देश्य को प्राप्त करने के लिए नेटवर्क के सिनैप्टिक वेट में सुधार किया जाता है।

मानव मस्तिष्क की तरह, तंत्रिका नेटवर्क^{(Neural Networks)} गैर-रैखिक समानांतर सूचना-प्रसंस्करण प्रणालियों की तरह काम करते हैं जो पैटर्न की पहचान और धारणा जैसी गणनाओं को तेजी से करते हैं। नतीजतन, ये नेटवर्क भाषण, ऑडियो और छवि पहचान जैसे क्षेत्रों में बहुत अच्छा प्रदर्शन करते हैं जहां इनपुट/सिग्नल स्वाभाविक रूप से गैर-रेखीय होते हैं।

सरल शब्दों में, आप न्यूरल नेटवर्क को एक ऐसी चीज के रूप में याद कर सकते हैं जो मानव मस्तिष्क की तरह ज्ञान का भंडारण करने में सक्षम है और इसका उपयोग भविष्यवाणियां करने के लिए करती है।^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

तंत्रिका नेटवर्क की संरचना

(छवि क्रेडिट: मैथवर्क्स)

तंत्रिका नेटवर्क^(Networks) में तीन परतें होती हैं,

1. इनपुट परत,
2. छिपी हुई परत, और
3. आउटपुट परत।

प्रत्येक परत में एक या अधिक नोड होते हैं, जैसा कि नीचे दिए गए आरेख में छोटे वृत्तों द्वारा दिखाया गया है। नोड्स के बीच की रेखाएं एक नोड से दूसरे नोड तक सूचना के प्रवाह को दर्शाती हैं। सूचना इनपुट से आउटपुट की ओर प्रवाहित होती है, अर्थात बाएं से दाएं (कुछ मामलों में यह दाएं से बाएं या दोनों तरीकों से हो सकती है)।

इनपुट परत के नोड निष्क्रिय हैं, जिसका अर्थ है कि वे डेटा को संशोधित नहीं करते हैं। वे अपने इनपुट पर एक ही मान प्राप्त करते हैं और अपने कई आउटपुट में मूल्य की नकल करते हैं। जबकि^(Whereas) , हिडन और आउटपुट लेयर के नोड सक्रिय होते हैं। इस प्रकार वे डेटा को संशोधित कर सकते हैं।

एक इंटरकनेक्टेड संरचना में, इनपुट परत से प्रत्येक मान को डुप्लिकेट किया जाता है और सभी छिपे हुए नोड्स को भेजा जाता है। एक छिपे हुए नोड में प्रवेश करने वाले मानों को वज़न से गुणा किया जाता है, कार्यक्रम में संग्रहीत पूर्व निर्धारित संख्याओं का एक सेट। भारित आगतों को फिर एक संख्या उत्पन्न करने के लिए जोड़ा जाता है। तंत्रिका नेटवर्क में परतों की कोई भी संख्या हो सकती है, और प्रति परत कितने भी नोड हो सकते हैं। अधिकांश एप्लिकेशन अधिकतम कुछ सौ इनपुट नोड्स के साथ तीन-परत संरचना का उपयोग करते हैं

तंत्रिका नेटवर्क का उदाहरण^{(Example of Neural Network)}

एक सोनार सिग्नल में वस्तुओं को पहचानने वाले तंत्रिका नेटवर्क पर विचार करें, और पीसी में 5000 सिग्नल नमूने संग्रहीत हैं। पीसी को यह पता लगाना होगा कि क्या ये नमूने पनडुब्बी, व्हेल, हिमखंड, समुद्री चट्टानों, या कुछ भी नहीं दर्शाते हैं? पारंपरिक डीएसपी^{(Conventional DSP)} विधियाँ गणित और एल्गोरिदम के साथ इस समस्या का समाधान करेंगी, जैसे सहसंबंध और आवृत्ति स्पेक्ट्रम विश्लेषण।

जबकि एक तंत्रिका नेटवर्क के साथ, 5000 नमूने इनपुट परत को खिलाए जाएंगे, जिसके परिणामस्वरूप आउटपुट परत से मूल्य पॉपिंग होगा। उचित वज़न का चयन करके, आउटपुट को सूचना की एक विस्तृत श्रृंखला की रिपोर्ट करने के लिए कॉन्फ़िगर किया जा सकता है। उदाहरण के लिए, इसके लिए आउटपुट हो सकते हैं: पनडुब्बी (हाँ / नहीं), समुद्री चट्टान (हाँ / नहीं), व्हेल (हाँ / नहीं), आदि।

अन्य भार के साथ, आउटपुट वस्तुओं को धातु या गैर-धातु, जैविक या गैर-जैविक, दुश्मन या सहयोगी, आदि के रूप में वर्गीकृत कर सकते हैं। कोई एल्गोरिदम नहीं, कोई नियम नहीं, कोई प्रक्रिया नहीं; केवल इनपुट और आउटपुट के बीच एक संबंध चयनित भार के मूल्यों द्वारा निर्धारित होता है।

अब, आइए डीप लर्निंग की अवधारणा को समझते हैं।^{(Now, let’s understand the concept of Deep Learning.)}

डीप लर्निंग क्या है

डीप लर्निंग मूल रूप से न्यूरल नेटवर्क्स^{(Neural Networks)} का एक सबसेट है ; शायद आप एक जटिल तंत्रिका नेटवर्क^{(Neural Network)} कह सकते हैं जिसमें कई छिपी हुई परतें हैं।

तकनीकी रूप से, डीप^(Deep) लर्निंग को तंत्रिका नेटवर्क में सीखने के लिए तकनीकों के एक शक्तिशाली सेट के रूप में भी परिभाषित किया जा सकता है। यह कृत्रिम तंत्रिका नेटवर्क ( एएनएन^(ANN) ) को संदर्भित करता है जो जटिल प्रशिक्षण मॉडल को संभव बनाने के लिए कई परतों, बड़े पैमाने पर डेटा सेट, शक्तिशाली कंप्यूटर हार्डवेयर से बना है। इसमें विधियों और तकनीकों का वर्ग शामिल है जो कृत्रिम तंत्रिका नेटवर्क को तेजी से समृद्ध कार्यक्षमता की कई परतों के साथ नियोजित करता है।

डीप लर्निंग नेटवर्क की संरचना^{(Structure of Deep learning network)}

डीप^(Deep) लर्निंग नेटवर्क ज्यादातर न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करते हैं और इसलिए इसे अक्सर डीप न्यूरल नेटवर्क कहा जाता है। "डीप" कार्य का उपयोग तंत्रिका नेटवर्क में छिपी परतों की संख्या को संदर्भित करता है। एक पारंपरिक तंत्रिका नेटवर्क में तीन छिपी हुई परतें होती हैं, जबकि गहरे नेटवर्क में 120- 150 तक की परतें हो सकती हैं।

डीप ^(Deep) लर्निंग^(Learning) में एक कंप्यूटर सिस्टम को ढेर सारा डेटा फीड करना शामिल है, जिसका उपयोग वह अन्य डेटा के बारे में निर्णय लेने के लिए कर सकता है। यह डेटा तंत्रिका नेटवर्क के माध्यम से खिलाया जाता है, जैसा कि मशीन लर्निंग में होता है। डीप^(Deep) लर्निंग नेटवर्क मैन्युअल फीचर निष्कर्षण की आवश्यकता के बिना डेटा से सीधे सुविधाओं को सीख सकते हैं।

डीप लर्निंग के उदाहरण^{(Examples of Deep Learning)}

डीप लर्निंग का उपयोग वर्तमान में ऑटोमोबाइल^(Automobile) , एयरोस्पेस^(Aerospace) और ऑटोमेशन^(Automation) से लेकर मेडिकल^(Medical) तक लगभग हर उद्योग में किया जा रहा है । यहां कुछ उदाहरण दिए गए हैं।

• Google , Netflix और Amazon : Google इसका उपयोग अपनी आवाज और छवि पहचान एल्गोरिदम में करता है। नेटफ्लिक्स^(Netflix) और अमेज़ॅन^(Amazon) भी डीप लर्निंग का उपयोग यह तय करने के लिए करते हैं कि आप आगे क्या देखना या खरीदना चाहते हैं
• बिना ड्राइवर के गाड़ी चलाना: स्टॉप साइन और ट्रैफिक लाइट जैसी वस्तुओं का स्वचालित रूप से पता लगाने के लिए शोधकर्ता गहन शिक्षण नेटवर्क का उपयोग कर रहे हैं। डीप^(Deep) लर्निंग का उपयोग पैदल चलने वालों का पता लगाने के लिए भी किया जाता है, जो दुर्घटनाओं को कम करने में मदद करता है।
• एयरोस्पेस और रक्षा: गहरी शिक्षा का उपयोग उपग्रहों से वस्तुओं की पहचान करने के लिए किया जाता है जो रुचि के क्षेत्रों का पता लगाते हैं, और सैनिकों के लिए सुरक्षित या असुरक्षित क्षेत्रों की पहचान करते हैं।
• डीप लर्निंग^{(Deep Learning)} के लिए धन्यवाद , फेसबुक^(Facebook) स्वचालित रूप से आपकी तस्वीरों में दोस्तों को ढूंढता और टैग करता है। स्काइप वास्तविक समय में बोले गए संचार का अनुवाद कर सकता है और बहुत सटीक रूप से भी।
• चिकित्सा अनुसंधान: चिकित्सा शोधकर्ता कैंसर कोशिकाओं का स्वतः पता लगाने के लिए गहन शिक्षण का उपयोग कर रहे हैं
• औद्योगिक स्वचालन^{(Industrial Automation)} : जब लोग या वस्तुएं मशीनों की असुरक्षित दूरी के भीतर होती हैं, तो स्वचालित रूप से पता लगाकर भारी मशीनरी के आसपास कार्यकर्ता सुरक्षा में सुधार करने में गहरी शिक्षा मदद कर रही है।
• इलेक्ट्रॉनिक्स: डीप^(Deep) लर्निंग का इस्तेमाल ऑटोमेटेड हियरिंग और स्पीच ट्रांसलेशन में किया जा रहा है।

पढ़ें^(Read) : मशीन लर्निंग और डीप लर्निंग^{(Machine Learning and Deep Learning)} क्या है ?

निष्कर्ष^(Conclusion)

तंत्रिका नेटवर्क^{(Neural Networks)} की अवधारणा नई नहीं है, और शोधकर्ताओं को पिछले एक दशक में मध्यम सफलता मिली है। लेकिन असली गेम-चेंजर डीप^(Deep) न्यूरल नेटवर्क का विकास रहा है।

पारंपरिक मशीन लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करके यह दिखाया गया है कि गहरे तंत्रिका नेटवर्क को न केवल कुछ शोधकर्ताओं द्वारा प्रशिक्षित और परीक्षण किया जा सकता है, बल्कि निकट भविष्य में बेहतर नवाचारों के साथ आने के लिए बहुराष्ट्रीय प्रौद्योगिकी कंपनियों द्वारा इसे अपनाने की गुंजाइश है।

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• एसएमएस आयोजक: मशीन लर्निंग द्वारा संचालित एसएमएस आवेदन

• आर्टिफिशियल इंटेलिजेंस में मशीन लर्निंग और डीप लर्निंग क्या हैं?

• विंडोज़ पर डब्ल्यूएएमपी का उपयोग करके ड्रूपल कैसे स्थापित करें

• विंडोज, आईओएस, एंड्रॉइड के लिए सर्वश्रेष्ठ सॉफ्टवेयर और हार्डवेयर बिटकॉइन वॉलेट

• विंडोज पीसी पर इंटरनेट रेडियो स्टेशन फ्री में सेट करें

• डिस्कस कमेंट बॉक्स किसी वेबसाइट के लिए लोड या प्रदर्शित नहीं हो रहा है

• अपनी खुद की डिवाइस लाओ (बीओओडी) लाभ, सर्वोत्तम अभ्यास इत्यादि।

• विंडोज पीसी में इनविटेशन कार्ड कैसे बनाएं

• नौ नॉस्टैल्जिक टेक साउंड्स जो आपने शायद वर्षों में नहीं सुने होंगे

• सर्वश्रेष्ठ मुफ्त सुरक्षित डिजिटल नोटबुक सॉफ्टवेयर और ऑनलाइन सेवाएं

• लिब्रे ऑफिस दस्तावेज़ों में पासवर्ड कैसे एन्क्रिप्ट करें और कैसे जोड़ें

• वर्चुअल क्रेडिट कार्ड क्या हैं और आप उन्हें कैसे और कहां से प्राप्त करते हैं?

• साइबर मंडे और ब्लैक फ्राइडे सेल शॉपिंग टिप्स जिनका आप पालन करना चाहते हैं

• सिली विंडो सिंड्रोम क्या है - स्पष्टीकरण और रोकथाम

• पुरुषों और महिलाओं के लिए सर्वश्रेष्ठ लैपटॉप बैकपैक्स

• लैपटॉप के लिए 10 सर्वश्रेष्ठ यूएसबी एलईडी लैंप

• अपना Payoneer खाता कैसे बंद करें?

• आपके कंप्यूटर से निःशुल्क एसएमएस भेजने के सर्वोत्तम उपकरण

• ब्लू व्हेल चैलेंज डेयर गेम क्या है?

• Windows 10 पर TeamViewer में फिक्स पार्टनर राउटर त्रुटि से कनेक्ट नहीं हुआ