مصنوعی انٹیلی جنس کے ارتقاء کے بارے میں آپ کو کیا جاننے کی ضرورت ہے
گہرے سیکھنے مشین سیکھنے کا ایک طاقتور شکل ہے (ایم ایل) جس میں وسیع پیمانے پر اعداد و شمار (معلومات) کا استعمال کرتے ہوئے پیچیدہ ریاضیاتی ڈھانچے بناتا ہے جو نیورل نیٹ ورک کہتے ہیں.
گہری سیکھنے کی تعریف
ڈی جی سیکھنے سے زیادہ پیچیدہ قسم کے اعداد و شمار پر عمل کرنے کے لئے نیور نیٹ ورک کی ایک سے زیادہ تہوں کا استعمال کرتے ہوئے ایم ایل کو لاگو کرنے کا ایک طریقہ ہے. کبھی کبھی عمودی سیکھنے سے کہا جاتا ہے، گہری سیکھنے کی خصوصیات مختلف قسم کے نیورل نیٹ ورکوں کو خصوصیات جاننے کے لئے استعمال کرتی ہیں (جو نمائندگی بھی کہا جاتا ہے) اور خام، غیر فعال شدہ ڈیٹا (غیر منظم ڈیٹا) کے بڑے سیٹ میں تلاش کرتے ہیں. گہری سیکھنے کے پہلے پیش رفت کے مظاہرے میں سے ایک ایسا پروگرام تھا جس نے YouTube ویڈیوز کی سیٹوں سے باہر بلیوں کی تصاویر کو کامیابی سے اٹھایا.
ڈیلی لائف میں گہری سیکھنے کی مثالیں
گہری سیکھنے کو صرف تصویر کی شناخت میں استعمال نہیں کیا جاتا ہے، بلکہ زبان کی ترجمانی، دھوکہ دہی کا پتہ لگانے، اور ان کے گاہکوں کے بارے میں کمپنیوں کی طرف سے جمع اعداد و شمار کا تجزیہ کرنے کے لئے. مثال کے طور پر، Netflix آپ کی دیکھنے کے عادات کا تجزیہ کرنے کے لئے گہری سیکھنے کا استعمال کرتا ہے اور آپ کو دیکھنا پسند کرتا ہے کہ کون سے شو اور فلمیں. اسی طرح Netflix آپ کی مشق کی قطار میں کارروائی فلموں اور فطرت دستاویزیوں کو جانتا ہے. ایمیزون آپ کے حالیہ خریداریوں کا تجزیہ کرنے کے لئے گہری سیکھنے کا استعمال کرتا ہے اور آپ نے حال ہی میں نئے ملک کے موسیقی البم کے لئے تجاویز پیدا کرنے کے لئے تلاش کی ہے جس میں آپ کو دلچسپی رکھنے کا امکان ہے اور آپ سرمئی اور پیلے رنگ ٹینس کے ایک جوڑے کے لئے مارکیٹ میں ہیں. جوتے جیسا کہ گہری سیکھنے غیر منظم اور خام ڈیٹا سے زیادہ سے زیادہ بصیرت فراہم کرتا ہے، کارپوریشنز اپنے گاہکوں کی ضروریات کو بہتر بنا سکتے ہیں جبکہ آپ انفرادی کسٹمر زیادہ ذاتی کسٹمر سروس حاصل کرتے ہیں.
مصنوعی نریندر نیٹ ورکس اور گہری سیکھنے
گہری سیکھنے کو سمجھنے میں آسان بنانے کے لئے، چلو کی مصنوعی نیورل نیٹ ورک (ANN) کے مقابلے میں ہمارا دوبارہ نظر آتے ہیں . گہری سیکھنے کے لئے، تصور کریں کہ ہماری 15 کہانیاں دفتر کی عمارت پانچ دوسرے دفتر کی عمارتوں کے ساتھ ایک شہر کے بلاک پر قبضہ کرتی ہے. گلی کے ہر طرف تین عمارتیں ہیں. ہماری عمارت ای تعمیر کر رہی ہے اور عمارتوں کے ایک ہی حصے کی حیثیت سے B اور C. عمارت کی تعمیر سے گلی کے ارد گرد 1 تعمیر کررہا ہے، اور بی عمارت سے 2 تعمیراتی ہے. ہر عمارت میں فرش کی ایک مختلف تعداد ہے، مختلف مواد سے بنا اور دوسروں سے مختلف فن تعمیراتی طرز ہے. تاہم، ہر عمارت اب بھی دفاتر (تہوں) کے علیحدہ فرش (تہوں) میں ترتیب دی جاتی ہے - اور ہر عمارت ایک منفرد این این ہے.
تصور کریں کہ ڈیجیٹل پیکیج ایک ای تعمیر کرنے میں آتا ہے، جس میں مختلف اقسام کے مختلف ذرائع جیسے ٹیکسٹ کی بنیاد پر اعداد و شمار، ویڈیو سلسلے، آڈیو سلسلے، ٹیلیفون کالز، ریڈیو لہروں اور تصاویر شامل ہیں، تاہم، یہ ایک بڑا انگوٹھے میں آتا ہے اور کسی منطقی راہ میں لیبل یا ترتیب نہیں ہے (غیر منظم ڈیٹا). یہ معلومات ہر فرش کے ذریعہ بھیجنے کے لئے 1 سے 15 بجے تک پروسیسنگ کے لئے بھیجے جاتے ہیں. معلومات کے بعد جھوٹے 15 فرش (آؤٹ پٹ) تک پہنچنے کے بعد، اس عمارت کی آخری منزل (ان پٹ) کو بھیجا گیا ہے جس کے ساتھ عمارت کے حتمی پروسیسنگ کے نتائج کے ساتھ ساتھ. 3 عمارت 3 سیکھتا ہے اور A اور اس کے بعد ہر منزل کے ذریعے معلومات کو ایک ہی انداز میں جکڑے. جب معلومات 3 عمارت کی سب سے اوپر منزل تک پہنچ جاتی ہے، تو اس عمارت سے عمارت کی تعمیر کے لۓ بھیجا جاتا ہے. 1 عمارت 1 فرش پر فرش کو پروسیسنگ کرنے سے قبل 3 عمارتوں سے متعلق نتائج سے متعلق سیکھتا ہے. عمارت 1 سی کی تعمیر کے لئے اسی طرح سے معلومات اور نتائج منظور کرتا ہے، جو 2 کی تعمیر کرنے کے لئے عمل اور بھیجتا ہے، جو بی کی تعمیر اور عمل میں بھیجتا ہے.
غیر مثال شدہ اعداد و شمار میں ایک مختلف خصوصیت کے لئے ہماری مثال کے تلاش میں ہر این این (عمارت) کی معلومات اور اگلے عمارت کے نتائج کو گزرتا ہے. اگلے عمارت میں پچھلے ایک سے پیداوار (نتائج) شامل ہے. جیسا کہ اعداد و شمار ہر ANN (عمارت) کی طرف سے عملدرآمد کیا جاتا ہے، یہ ایک خاص خصوصیت سے منظم اور لیبل (درجہ بندی) ہو جاتا ہے تاکہ جب اعداد و شمار آخری این این (عمارت) کے حتمی پیداوار (سب سے اوپر منزل) پہنچ جائے تو اسے درجہ بندی اور لیبل کیا جاتا ہے. (زیادہ ساختہ).
مصنوعی انٹیلی جنس، مشین سیکھنا، اور گہری سیکھنا
مصنوعی انٹیلی جنس (اے اے) اور ایم ایل کی مجموعی تصویر میں گہری تعلیم کس طرح فٹ ہے؟ ڈی جی سیکھنے ایم ایل کی طاقت کو فروغ دیتا ہے اور کاموں کی رینج میں اضافہ کرتی ہے جو AI کو انجام دینے کے قابل ہے. کیونکہ گہری سیکھنے نیورل نیٹ کے استعمال پر منحصر ہے اور آسان کام مخصوص الگورتھم کے بدلے ڈیٹا سیٹ کے اندر اندر خصوصیات کو تسلیم کرتے ہیں، یہ کسی پروگرامر کی ضرورت کے بغیر غیر منظم شدہ (خام) ڈیٹا سے متعلق معلومات کو تلاش کرسکتا ہے اور اسے پہلی مرتبہ ایک بار وقت لیتا ہے. سنبھالنے والے کام جو غلطیاں متعارف کر سکتی ہیں. گہرے سیکھنے کارپوریشنز اور افراد دونوں کی مدد کرنے کے لئے اعداد و شمار کا استعمال کرنے میں کمپیوٹرز کو بہتر اور بہتر بنانے میں مدد کر رہی ہے.