डीप लर्निंग और मशीन लर्निंग बनाम एआई के बीच अंतर

AI क्या है?

एआई (कृत्रिम बुद्धिमत्ता) कंप्यूटर विज्ञान की एक शाखा है जिसमें मशीनों को प्रोग्राम किया जाता है और मनुष्यों और जानवरों की तरह सोचने और नकल करने की संज्ञानात्मक क्षमता दी जाती है। एआई के लिए मानदंड तर्क, भाषण, सीखने, दृष्टि और समस्या को हल करने के बारे में मानवीय बुद्धि है, जो भविष्य में दूर है।

एआई के तीन अलग-अलग स्तर हैं:

1. संकीर्ण एअर इंडिया : एक कृत्रिम बुद्धिमत्ता को संकीर्ण कहा जाता है जब मशीन मानव से बेहतर कार्य कर सकती है। एआई का वर्तमान शोध अब यहां है
2. जनरल एआई : एक कृत्रिम बुद्धिमत्ता सामान्य अवस्था में पहुँचती है जब वह किसी भी बौद्धिक कार्य को उसी सटीकता स्तर के साथ कर सकती है जैसा कि कोई मानव करेगा
3. सक्रिय AI : एक AI तब सक्रिय होता है जब वह मनुष्यों को कई कार्यों में हरा सकता है

प्रारंभिक एआई सिस्टम ने पैटर्न मिलान और विशेषज्ञ प्रणालियों का उपयोग किया।

इस ट्यूटोरियल में, आप सीखेंगे-

• AI क्या है?
• क्या है एमएल?
• डीप लर्निंग क्या है?
• मशीन सीखने की प्रक्रिया
• गहरी सीखने की प्रक्रिया
• डीएल का उपयोग करके स्वचालित निष्कर्षण सुविधा
• मशीन लर्निंग और डीप लर्निंग के बीच अंतर
• एमएल या डीएल का उपयोग कब करें?

क्या है एमएल?

ML (मशीन लर्निंग) एक प्रकार का AI है जिसमें कंप्यूटर को उन कार्यों को स्वचालित करने के लिए प्रशिक्षित किया जाता है जो मानव के लिए संपूर्ण या असंभव हैं। यह कंप्यूटर एल्गोरिदम के अध्ययन के आधार पर डेटा में पैटर्न का विश्लेषण, समझ और पहचान करने का सबसे अच्छा साधन है। मशीन लर्निंग न्यूनतम मानव हस्तक्षेप के साथ निर्णय ले सकती है।

आर्टिफिशियल इंटेलिजेंस बनाम मशीन लर्निंग की तुलना में, मशीन लर्निंग एक एल्गोरिथ्म को खिलाने के लिए डेटा का उपयोग करता है जो इनपुट और आउटपुट के बीच के रिश्ते को समझ सकता है। जब मशीन ने सीखना समाप्त कर दिया, तो यह नए डेटा बिंदु के मूल्य या वर्ग की भविष्यवाणी कर सकता है।

डीप लर्निंग क्या है?

डीप लर्निंग एक कंप्यूटर सॉफ्टवेयर है जो मस्तिष्क में न्यूरॉन्स के नेटवर्क की नकल करता है। यह मशीन लर्निंग का सबसेट है और इसे डीप लर्निंग कहा जाता है क्योंकि यह डीप न्यूरल नेटवर्क का उपयोग करता है। मशीन डेटा से सीखने के लिए विभिन्न परतों का उपयोग करती है। मॉडल की गहराई को मॉडल में परतों की संख्या द्वारा दर्शाया गया है। दीप लर्निंग एआई की अवधि में कला की नई स्थिति है। गहन सीखने में, सीखने का चरण एक तंत्रिका नेटवर्क के माध्यम से किया जाता है। एक तंत्रिका नेटवर्क एक वास्तुकला है जहां परतें एक दूसरे के ऊपर खड़ी होती हैं

मशीन सीखने की प्रक्रिया

कल्पना कीजिए कि आप एक प्रोग्राम बनाने के लिए हैं जो वस्तुओं को पहचानता है। मॉडल को प्रशिक्षित करने के लिए, आप एक वर्गीकरण का उपयोग करेंगे । एक क्लासिफायर एक ऑब्जेक्ट की सुविधाओं का उपयोग उस वर्ग की पहचान करने की कोशिश करता है जो वह है।

उदाहरण में, अगर छवि एक:

• साइकिल
• नाव
• गाड़ी
• विमान

उपरोक्त चार वस्तुएं हैं जिन्हें कक्षा को पहचानना है। क्लासिफायर का निर्माण करने के लिए, आपको इनपुट के रूप में कुछ डेटा की आवश्यकता होती है और इसके लिए एक लेबल प्रदान करता है। एल्गोरिदम इन डेटा को ले जाएगा, एक पैटर्न ढूंढेगा और फिर इसे संबंधित कक्षा में वर्गीकृत करेगा।

इस कार्य को पर्यवेक्षित शिक्षण कहा जाता है। पर्यवेक्षित शिक्षण में, एल्गोरिथ्म को आप जो प्रशिक्षण डेटा खिलाते हैं, उसमें एक लेबल शामिल होता है।

एक एल्गोरिथ्म को प्रशिक्षित करने के लिए कुछ मानक चरणों का पालन करना होगा:

• डेटा एकत्र करें
• क्लासिफायर ट्रेन करें
• अंदाजा लगाओ

पहला कदम आवश्यक है, सही डेटा का चयन एल्गोरिथ्म को सफल या असफल बना देगा। मॉडल को प्रशिक्षित करने के लिए आपके द्वारा चुना गया डेटा एक सुविधा कहलाता है । ऑब्जेक्ट उदाहरण में, सुविधाएँ छवियों के पिक्सेल हैं।

प्रत्येक छवि डेटा में एक पंक्ति है जबकि प्रत्येक पिक्सेल एक स्तंभ है। यदि आपकी छवि 28x28 आकार की है, तो डेटासेट में 784 कॉलम (28x28) होते हैं। नीचे दी गई तस्वीर में, प्रत्येक तस्वीर को एक फीचर वेक्टर में बदल दिया गया है। लेबल कंप्यूटर को बताता है कि छवि में कौन सी वस्तु है।

उद्देश्य वस्तु के प्रकार को वर्गीकृत करने के लिए इन प्रशिक्षण डेटा का उपयोग करना है। पहले चरण में फीचर कॉलम बनाना शामिल है। फिर, दूसरे चरण में मॉडल को प्रशिक्षित करने के लिए एक एल्गोरिदम चुनना शामिल है। जब प्रशिक्षण किया जाता है, तो मॉडल भविष्यवाणी करेगा कि तस्वीर किस वस्तु से मेल खाती है।

उसके बाद, नई छवियों की भविष्यवाणी करने के लिए मॉडल का उपयोग करना आसान है। मॉडल में फीड की गई प्रत्येक नई छवि के लिए, मशीन उस वर्ग का अनुमान लगाएगी जो उसका है। उदाहरण के लिए, एक लेबल के बिना एक पूरी तरह से नई छवि मॉडल से गुजर रही है। एक इंसान के लिए, एक कार के रूप में छवि को कल्पना करना तुच्छ है। मशीन भविष्यवाणी करने के लिए अपने पिछले ज्ञान का उपयोग करती है और साथ ही छवि एक कार है।

गहरी सीखने की प्रक्रिया

गहन सीखने में, सीखने का चरण एक तंत्रिका नेटवर्क के माध्यम से किया जाता है। एक तंत्रिका नेटवर्क एक वास्तुकला है जहां परतें एक दूसरे के ऊपर खड़ी होती हैं।

ऊपर एक ही छवि उदाहरण पर विचार करें। प्रशिक्षण सेट एक तंत्रिका नेटवर्क को खिलाया जाएगा

प्रत्येक इनपुट एक न्यूरॉन में जाता है और एक वजन से गुणा किया जाता है। गुणा का परिणाम अगली परत में बहता है और इनपुट बन जाता है। यह प्रक्रिया नेटवर्क की प्रत्येक परत के लिए दोहराई जाती है। अंतिम परत को आउटपुट लेयर का नाम दिया गया है; यह प्रतिगमन कार्य के लिए एक वास्तविक मूल्य और वर्गीकरण कार्य के लिए प्रत्येक वर्ग की संभावना प्रदान करता है। तंत्रिका नेटवर्क सभी न्यूरॉन्स के वजन को अद्यतन करने के लिए एक गणितीय एल्गोरिथ्म का उपयोग करता है। तंत्रिका नेटवर्क पूरी तरह से प्रशिक्षित है जब वजन का मूल्य वास्तविकता के करीब आउटपुट देता है। उदाहरण के लिए, एक अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क पारंपरिक तंत्रिका जाल की तुलना में उच्च सटीकता के साथ एक तस्वीर पर वस्तु को पहचान सकता है।

डीएल का उपयोग करके स्वचालित निष्कर्षण सुविधा

डेटासेट में एक दर्जन से लेकर सैकड़ों सुविधाएँ हो सकती हैं। सिस्टम इन विशेषताओं की प्रासंगिकता से सीखेगा। हालांकि, एल्गोरिथ्म के लिए सभी विशेषताएं सार्थक नहीं हैं। मशीन लर्निंग का एक महत्वपूर्ण हिस्सा यह है कि सिस्टम कुछ सीखने के लिए सुविधाओं का एक प्रासंगिक सेट ढूंढता है।

मशीन लर्निंग में इस भाग को करने का एक तरीका सुविधा निष्कर्षण का उपयोग करना है। फीचर निष्कर्षण मौजूदा सुविधाओं को जोड़ती है ताकि सुविधाओं का अधिक प्रासंगिक सेट बनाया जा सके। यह पीसीए, टी-एसएनई या किसी अन्य आयामी कमी एल्गोरिदम के साथ किया जा सकता है।

उदाहरण के लिए, एक छवि प्रसंस्करण, व्यवसायी को आंखों, नाक, होंठ और इसी तरह की छवि में मैन्युअल रूप से सुविधा को निकालने की आवश्यकता होती है। उन निकाले गए विशेषताओं को वर्गीकरण मॉडल में फीड किया जाता है।

डीप लर्निंग इस मुद्दे को हल करता है, विशेष रूप से एक दृढ़ तंत्रिका नेटवर्क के लिए। एक तंत्रिका नेटवर्क की पहली परत तस्वीर से छोटे विवरण सीखेगी; अगली परतें अधिक जटिल जानकारी बनाने के लिए पिछले ज्ञान को संयोजित करेंगी। दृढ़ तंत्रिका नेटवर्क में, फिल्टर के उपयोग के साथ सुविधा निष्कर्षण किया जाता है। नेटवर्क चित्र पर एक फ़िल्टर लागू करता है यह देखने के लिए कि क्या कोई मेल है, अर्थात, सुविधा का आकार छवि के एक हिस्से के समान है। यदि कोई मेल है, तो नेटवर्क इस फ़िल्टर का उपयोग करेगा। सुविधा निष्कर्षण की प्रक्रिया इसलिए स्वचालित रूप से होती है।

मशीन लर्निंग और डीप लर्निंग के बीच अंतर

नीचे दीप लर्निंग बनाम मशीन लर्निंग के बीच एक महत्वपूर्ण अंतर है

	मशीन लर्निंग	ध्यान लगा के पढ़ना या सीखना
डेटा निर्भरताएँ	एक छोटे / मध्यम डाटासेट पर उत्कृष्ट प्रदर्शन	एक बड़े डेटासेट पर उत्कृष्ट प्रदर्शन
हार्डवेयर निर्भरता	लो-एंड मशीन पर काम करें।	GPU के साथ अधिमानतः शक्तिशाली मशीन की आवश्यकता होती है: DL एक महत्वपूर्ण मात्रा में मैट्रिक्स गुणन करता है
फ़ीचर इंजीनियरिंग	डेटा को दर्शाने वाली विशेषताओं को समझने की आवश्यकता है	डेटा का प्रतिनिधित्व करने वाली सबसे अच्छी विशेषता को समझने की आवश्यकता नहीं है
निष्पादन समय	कुछ मिनटों से लेकर घंटों तक	हफ्तों तक। तंत्रिका नेटवर्क को महत्वपूर्ण संख्या में वजन की गणना करने की आवश्यकता है
विवेचनीयता	कुछ एल्गोरिदम व्याख्या करना आसान है (लॉजिस्टिक, डिसीजन ट्री), कुछ लगभग असंभव हैं (SVM, XGBoost)	असंभव से कठिन

एमएल या डीएल का उपयोग कब करें?

नीचे दी गई तालिका में, हम उदाहरण के साथ मशीन लर्निंग और डीप लर्निंग के बीच के अंतर को संक्षेप में प्रस्तुत करते हैं।

	मशीन लर्निंग	ध्यान लगा के पढ़ना या सीखना
प्रशिक्षण प्राप्त करने वाले	छोटा	विशाल
सुविधाएँ चुनें	हाँ	नहीं न
एल्गोरिदम की संख्या	अनेक	कुछ
प्रशिक्षण काल	कम	लंबा

मशीन लर्निंग के साथ, आपको एल्गोरिथ्म को गहन सीखने की तुलना में प्रशिक्षित करने के लिए कम डेटा की आवश्यकता होती है। डीप लर्निंग को अंतर्निहित संरचना की पहचान करने के लिए डेटा के व्यापक और विविध सेट की आवश्यकता होती है। इसके अलावा, मशीन लर्निंग एक तेजी से प्रशिक्षित मॉडल प्रदान करता है। सबसे उन्नत गहरी सीखने की वास्तुकला को प्रशिक्षित करने के लिए सप्ताह से एक दिन लग सकते हैं। मशीन लर्निंग पर गहरी सीखने का लाभ यह अत्यधिक सटीक है। आपको यह समझने की आवश्यकता नहीं है कि डेटा का सबसे अच्छा प्रतिनिधित्व क्या विशेषताएं हैं; तंत्रिका नेटवर्क ने सीखा कि महत्वपूर्ण सुविधाओं का चयन कैसे करें। मशीन लर्निंग में, आपको अपने लिए चुनने की ज़रूरत है कि मॉडल में क्या विशेषताएं शामिल हैं।

सारांश

कृत्रिम बुद्धिमत्ता एक मशीन की संज्ञानात्मक क्षमता प्रदान कर रही है। एआई बनाम मशीन लर्निंग की तुलना में, प्रारंभिक एआई सिस्टम ने पैटर्न मिलान और विशेषज्ञ प्रणालियों का उपयोग किया।

मशीन लर्निंग के पीछे विचार यह है कि मशीन मानव हस्तक्षेप के बिना सीख सकती है। मशीन को यह जानने का तरीका खोजने की जरूरत है कि किसी दिए गए कार्य को कैसे हल किया जाए।

आर्टिफिशियल इंटेलिजेंस के क्षेत्र में डीप लर्निंग ही सफलता है। जब प्रशिक्षण के लिए पर्याप्त डेटा होता है, तो गहन शिक्षण प्रभावशाली परिणाम प्राप्त करता है, विशेष रूप से छवि मान्यता और पाठ अनुवाद के लिए। मुख्य कारण यह है कि सुविधा निष्कर्षण नेटवर्क की विभिन्न परतों में स्वचालित रूप से किया जाता है।