• Home
  • /
  • Blog
  • /
  • बच्चों के लाभ के लिए बताई गई AI की 2 बुनियादी अवधारणाएं

बच्चों के लाभ के लिए बताई गई AI की 2 बुनियादी अवधारणाएं

ai concepts

This post is also available in: English (English) العربية (Arabic)

आर्टिफिशियल इंटेलिजेंस क्या है?

आर्टिफिशियल इंटेलिजेंस (एआई) कंप्यूटर विज्ञान की एक विस्तृत शाखा है, जो स्मार्ट मशीनों के निर्माण से संबंधित है जो आमतौर पर उन कार्यों को करने में सक्षम हैं जिनके लिए आमतौर पर मानव के पास खुफिया जानकारी की आवश्यकता होती है। एआई का विकास मशीनों के विकास के साथ शुरू हुआ जो कर सकते हैं

  • मानवीय रूप से सोचें
  • तर्कसंगत रूप से सोचें
  • मानवीय रूप से कार्य करें
  • तर्कसंगत रूप से कार्य करें

पहले दो विचारों ने प्रक्रियाओं और तर्क पर विचार किया, जबकि अन्य दो ने व्यवहार के साथ व्यवहार किया।

CodingHero - बच्चों के लाभ के लिए बताई गई AI की 2 बुनियादी अवधारणाएं 1 2 Basic Concepts of AI For Kids Advantage 952

आर्टिफीसियल इंटेलिजेंस की बुनियादी अवधारणाएँ

एआई एक अंतःविषय विज्ञान है जिसमें कई दृष्टिकोण हैं लेकिन मशीन लर्निंग में प्रगति, और गहन शिक्षण तकनीकी उद्योग के लगभग हर क्षेत्र में एक प्रतिमान बदलाव पैदा कर रहा है। ऑनलाइन एआई कोर्सबच्चों को आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के क्षेत्र में उत्कृष्टता हासिल करने में मदद करते हैं। इस पोस्ट में, आप एआई के इन 2 बुनियादी अवधारणाओं की खोज करेंगे।

1. मशीन लर्निंग

मशीन लर्निंग (एमएल) एल्गोरिदम को डिजाइन करने और लागू करने का एक विज्ञान है जो पिछले मामलों से चीजों को सीखने में सक्षम है। यदि अतीत में कुछ व्यवहार मौजूद है, तो आप भविष्य में इसकी भविष्यवाणी कर सकते हैं, लेकिन यदि पिछले मामले नहीं हैं, तो आप भविष्यवाणी नहीं कर सकते।

क्रेडिट कार्ड धोखाधड़ी का पता लगाने, स्व-ड्राइविंग कारों को सक्षम करने और पहचान और पहचान का सामना करने जैसे कठिन मुद्दों को हल करने के लिए मशीन लर्निंग लागू किया जा सकता है।

एमएल जटिल एल्गोरिदम का उपयोग करता है जो लगातार बड़े डेटा सेट पर पुनरावृति करता है, डेटा में पैटर्न का विश्लेषण करता है और विभिन्न स्थितियों का जवाब देने के लिए मशीनों की सुविधा देता है जिसके लिए उन्हें स्पष्ट रूप से प्रोग्राम नहीं किया गया है। विश्वसनीय परिणाम उत्पन्न करने के लिए मशीनें इतिहास से सीखती हैं।

एमएल सिस्टम तीन प्रमुख भागों से बना है, जो हैं

  • मॉडल: वह प्रणाली जो भविष्यवाणियां करती है।
  • पैरामीटर: इसके निर्णयों को बनाने के लिए मॉडल द्वारा उपयोग किए जाने वाले कारक।
  • शिक्षार्थी: वह प्रणाली जो मापदंडों को समायोजित करती है और भविष्यवाणियों में अंतर और वास्तविक परिणाम को देखकर मॉडल को चालू करती है।

Basic Concepts of AI

ML के 3 प्रमुख क्षेत्र हैं:

पर्यवेक्षित अध्ययन (सुपरवाइज़ड लर्निंग)

पर्यवेक्षित शिक्षण में एक शिक्षक के रूप में पर्यवेक्षक की उपस्थिति होती है। पर्यवेक्षित अधिगम शब्द का उपयोग तब किया जाता है जब हम मशीन का उपयोग करते हुए या अच्छी तरह से लेबल किए गए डेटा का प्रशिक्षण देते हैं। इसका मतलब है कि कुछ डेटा पहले से ही सही उत्तर के साथ टैग किए गए हैं। उसके बाद, मशीन को उदाहरणों (डेटा) के एक नए सेट के साथ प्रदान किया जाता है ताकि पर्यवेक्षित शिक्षण एल्गोरिथ्म प्रशिक्षण डेटा (प्रशिक्षण उदाहरणों का सेट) का विश्लेषण करे और लेबल किए गए डेटा से सही परिणाम उत्पन्न करे।

यह समझने के लिए कि फलों को पहचानने के लिए मशीन को प्रशिक्षित करने का एक उदाहरण देखें। ऐसा करने के लिए, इसे इस तरह से सभी अलग-अलग फलों के साथ प्रदान किया जाता है:

  • यदि ऑब्जेक्ट का आकार गोल है और शीर्ष पर एक अवसाद है, रंग में लाल है, तो इसे लेबल किया जाएगा – Apple।
  • यदि वस्तु का आकार हरा-पीला रंग का एक लंबा घुमावदार सिलेंडर है, तो इसे – केले के रूप में लेबल किया जाएगा।

अब प्रशिक्षण के बाद, एक मशीन को नए अलग फलों के साथ प्रदान किया जाता है, केले कहते हैं, और इसे पहचानने के लिए कहा गया है। चूंकि मशीन ने पिछले डेटा से चीजों को पहले से ही सीखा है और इस समय का उपयोग बुद्धिमानी से करना है। यह पहले फल को उसके आकार और रंग के साथ वर्गीकृत करेगा और केले के रूप में फल के नाम की पुष्टि करेगा। इस प्रकार मशीन प्रशिक्षण डेटा (फलों से युक्त टोकरी) से चीजें सीखती है और फिर परीक्षण डेटा (नए फल) के ज्ञान को लागू करती है।

अनसुचित शिक्षा (अनसुपरवाईज़ड लर्निंग)

Unsupervised Learning एक ऐसी मशीन का प्रशिक्षण है जिसका उपयोग उस जानकारी का उपयोग करके किया जाता है, जिसे न तो वर्गीकृत किया जाता है और न ही लेबल किया जाता है और एल्गोरिथ्म को मार्गदर्शन के बिना उस जानकारी पर कार्य करने की अनुमति देता है। यहां मशीन का कार्य डेटा के किसी भी पूर्व प्रशिक्षण के बिना समानता, पैटर्न, और अंतर के अनुसार बिना जानकारी के समूह को बनाना है।

उदाहरण के लिए, एक मशीन में कुत्तों और बिल्लियों दोनों के लिए एक छवि दी गई है जिसे उसने पहले कभी नहीं देखा है। इस प्रकार मशीन को कुत्तों और बिल्लियों की सुविधाओं के बारे में कोई जानकारी नहीं है, इसलिए वह इसे ‘कुत्तों और बिल्लियों’ के रूप में वर्गीकृत नहीं कर सकता है। लेकिन यह उनकी समानता, पैटर्न और अंतर के अनुसार उन्हें वर्गीकृत कर सकता है और दिए गए चित्र को दो भागों में आसानी से वर्गीकृत कर सकता है। कुत्तों वाले सभी चित्रों में पहला और बिल्लियों वाले सभी चित्रों वाला दूसरा भाग है। यह मॉडल को उन पैटर्न और सूचनाओं की खोज करने के लिए अपने आप पर काम करने की अनुमति देता है जो पहले अनिर्धारित थे।

सुदृढीकरण सीखना (रएंफोर्रसमेंट लर्निंग)

सुदृढीकरण सीखना एक प्रकार की मशीन लर्निंग तकनीक है जो एक एजेंट को अपने कार्यों और अनुभवों के फीडबैक का उपयोग करके परीक्षण और त्रुटि द्वारा एक इंटरैक्टिव वातावरण में सीखने में सक्षम बनाता है।

हालांकि पर्यवेक्षित और सुदृढीकरण दोनों शिक्षण इनपुट और आउटपुट के बीच मैपिंग का उपयोग करते हैं, लेकिन पर्यवेक्षित शिक्षण के विपरीत, जहां एजेंट को प्रदान की गई प्रतिक्रिया एक कार्य करने के लिए क्रियाओं का सही सेट है, सुदृढीकरण सीखने में सकारात्मक और नकारात्मक व्यवहार के संकेतों के रूप में पुरस्कार और सजा का उपयोग किया जाता है।

अप्रमाणित शिक्षा की तुलना में, लक्ष्यों के संदर्भ में सुदृढीकरण सीखना अलग है। While the goal in unsupervised learning is to find similarities and differences between data points, in reinforcement learning the goal is to find a suitable action model that would maximize the total cumulative reward of the agent. नीचे दिया गया चित्र मूल विचार और सुदृढीकरण सीखने वाले मॉडल में शामिल तत्वों का प्रतिनिधित्व करता है।

आइए एक समस्या के उदाहरण पर विचार करें जहां हमारे पास एक एजेंट और एक इनाम है, जिसके बीच में कई बाधाएं हैं। एजेंट को इनाम तक पहुंचने के लिए सबसे अच्छा संभव मार्ग खोजने के लिए माना जाता है।

Basic Concepts of AI

रोबोट, हीरा और आग दिखाने वाली उपरोक्त छवि पर विचार करें। रोबोट का लक्ष्य है कि वह इनाम प्राप्त करें जो हीरा है और आग लगने वाली बाधाओं से बचें। रोबोट सभी संभावित रास्तों को आज़माकर सीखता है और फिर उस रास्ते को चुनता है जो इसे कम से कम बाधाओं से पुरस्कृत करता है।

डीप लर्निंग

डीप लर्निंग एक एमएल तकनीक है जो कंप्यूटरों को वह सिखाती है जो स्वाभाविक रूप से मनुष्यों को आता है – उदाहरण से सीखें। डीप लर्निंग ड्राइवरलेस कारों के पीछे एक महत्वपूर्ण तकनीक है, जो उन्हें स्टॉप साइन को पहचानने या लैम्पपोस्ट से पैदल चलने वालों को अलग करने में सक्षम बनाती है।

डीप लर्निंग में, एक कंप्यूटर मॉडल छवियों, टेक्स्ट या ध्वनि से सीधे वर्गीकरण कार्यों को करना सीखता है। मॉडल में लेबल डेटा और तंत्रिका नेटवर्क आर्किटेक्चर के एक बड़े सेट का उपयोग करके प्रशिक्षित किया जाता है जिसमें कई परतें होती हैं।

अधिकांश गहन सीखने के तरीके तंत्रिका नेटवर्क आर्किटेक्चर का उपयोग करते हैं, यही वजह है कि गहरे सीखने के मॉडल को अक्सर डीप न्यूरल नेटवर्क के रूप में जाना जाता है। शब्द “डीप” आमतौर पर तंत्रिका नेटवर्क में छिपी हुई परतों की संख्या को संदर्भित करता है। पारंपरिक तंत्रिका नेटवर्क में केवल 2 से 3 छिपी हुई परतें होती हैं, जबकि कुछ गहरे नेटवर्क में 150 के रूप में हो सकते हैं।

डीप लर्निंग मॉडल को लेबल किए गए डेटा और तंत्रिका नेटवर्क आर्किटेक्चर के बड़े सेटों का उपयोग करके प्रशिक्षित किया जाता है जो मैन्युअल सुविधा निष्कर्षण की आवश्यकता के बिना डेटा से सीधे विशेषताएं सीखते हैं।

न्यूरल नेटवर्क क्या हैं?

न्यूरल नेटवर्क एल्गोरिदम का एक सेट है, जो मानव मस्तिष्क के बाद शिथिल रूप से निर्मित होता है, जिसे पैटर्न को पहचानने के लिए डिज़ाइन किया गया है। वे एक तरह की मशीन धारणा, लेबलिंग या क्लस्टरिंग कच्चे इनपुट के माध्यम से संवेदी डेटा की व्याख्या करते हैं। वे जो पैटर्न पहचानते हैं, वे संख्यात्मक होते हैं, जो वैक्टर में समाहित होते हैं, जिसमें सभी वास्तविक दुनिया के डेटा – चित्र, ध्वनि, पाठ या टाइम सीरीज का अनुवाद किया जाना चाहिए।

मशीन लर्निंग और डीप लर्निंग के बीच अंतर

डीप लर्निंग मशीन लर्निंग का एक विशेष रूप है एक मशीन लर्निंग वर्कफ़्लो प्रासंगिक सुविधाओं से शुरू होता है जो छवियों से मैन्युअल रूप से निकाला जाता है। तब सुविधाओं का उपयोग एक मॉडल बनाने के लिए किया जाता है जो छवि में वस्तुओं को वर्गीकृत करता है। डीप लर्निंग के वर्कफ़्लो के साथ, प्रासंगिक विशेषताओं को स्वचालित रूप से छवियों से निकाला जाता है। इसके अलावा, गहरी शिक्षा “एंड-टू-एंड सीखने” को निष्पादित करती है – जहां एक नेटवर्क को कच्चे डेटा (रॉ डाटा) और प्रदर्शन के लिए एक कार्य दिया जाता है, जैसे कि वर्गीकरण, और यह सीखता है कि यह स्वचालित रूप से कैसे किया जाता है।

डीप लर्निंग नेटवर्क का एक प्रमुख लाभ यह है कि वे अक्सर आपके डेटा के आकार में वृद्धि के रूप में सुधार करना जारी रखते हैं।

{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}
>