گہری سیکھنے اور نیچرل نیٹ ورک کیا ہے

نریندر نیٹ ورکس اور گہری سیکھنا فی الحال دو گرم بزنس ہیں جو آج مصنوعی انٹیلی جنس کے ساتھ استعمال کیے جا رہے ہیں. مصنوعی انٹیلی جنس کی دنیا میں حالیہ پیش رفت ان دونوں کو منسوب کردی جا سکتی ہے کیونکہ انہوں نے انٹیلی جنس اے ای کو بہتر بنانے میں اہم کردار ادا کیا ہے.

ارد گرد دیکھو، اور آپ کو ارد گرد زیادہ ذہین مشینیں ملیں گے. خیر نیٹ ورکس اور گہرے سیکھنے کے لئے شکریہ، ملازمتوں اور صلاحیتوں کو جو ایک دفعہ ایک بار پھر انسانوں کی درخت سمجھا جاتا ہے اب مشینوں کی طرف سے کارکردگی کا مظاہرہ کیا جا رہا ہے. آج، مشینیں زیادہ پیچیدہ الگورتھم کھانے کے لئے تیار نہیں ہیں، لیکن اس کے بجائے، وہ خود مختار، خود تدریسی نظاموں کو فروغ دینے کے لئے بھرپور ہوتے ہیں. تقریبا

نیچرل نیٹ ورکس اور گہرے سیکھنا تحقیقات کاروں کے لئے تصویر کی شناخت، تقریر کی شناخت، اعداد و شمار کے سیٹ میں گہری تعلقات تلاش کرنے کے لئے بہت بڑی کامیابی کا اظہار کیا ہے. اعداد و شمار اور کمپیوٹنگ کی بڑی مقدار کی دستیابی کی مدد سے، مشینیں اشیاء کو تسلیم کرسکتی ہیں، ترجمہی تقریر، پیچیدہ نمونوں کی شناخت کرنے کے لئے خود کو تربیت دے سکتے ہیں، سیکھیں کہ کس طرح حکمت عملی کو طے کرنا اور حقیقی وقت میں احتساب کی منصوبہ بندی کریں.

تو، یہ بالکل ٹھیک ہے. کام؟ کیا آپ جانتے ہیں کہ دونوں غیر جانبدار نیٹ ورکس اور گہرے سیکھنے کے متعلق، حقیقت میں، گہرے سیکھنے کو سمجھنے کے لئے، آپ کو پہلے سے ہی نیچرل نیٹ ورک کے بارے میں سمجھنا ضروری ہے؟ مزید جاننے کے لئے پڑھیں.

خالی نیٹ ورک کیا ہے

ایک نوری نیٹ ورک بنیادی طور پر ایک پروگرامنگ پیٹرن یا الگورتھم کا ایک سیٹ ہے جس سے کمپیوٹر کو مبنی اعداد و شمار سے سیکھنا پڑتا ہے. نیورل نیٹ ورک انسانی دماغ کی طرح ہے، جو پیٹرن کو تسلیم کرتی ہے. حسی ان پٹ، لیبلنگنگ یا کلسٹرنگ خام ان پٹ کے ذریعے سینسر ڈیٹا کی تشریح کی جاتی ہے. تسلیم شدہ پیٹرن عددی ہیں، ویکٹروں میں منسلک ہیں، جس میں اعداد و شمار جیسے تصاویر، آواز، متن وغیرہ وغیرہ شامل ہیں.

نیویارک نیٹ ورک پر غور کریں! لگتا ہے کہ انسانی دماغ کی تقریب

جیسا کہ اوپر بیان کیا گیا ہے، ایک اعصابی نیٹ ورک صرف ایک انسانی دماغ کی طرح کام کرتا ہے؛ یہ سیکھنے کے عمل کے ذریعہ تمام علم حاصل کرتا ہے. اس کے بعد، Synaptic وزن حاصل کردہ علم کو محفوظ رکھتا ہے. سیکھنے کے عمل کے دوران، نیٹ ورک کے مطابقت پذیر وزن مطلوب مقصد حاصل کرنے میں اصلاح کی جاتی ہے.

نیویارک نیٹ ورکس غیر غیر متوازی معلومات کے پروسیسنگ سسٹم کی طرح کام کرتے ہیں جو تیزی سے نمونہ انجام دیتے ہیں جیسے پیٹرن کی شناخت اور خیال اس کے نتیجے میں، یہ نیٹ ورک تقریر، آڈیو اور تصویری شناخت جیسے علاقوں میں آگاہ کرتے ہیں جہاں آدانوں / سگنل معالجہ طور پر غیر لائنر ہیں.

سادہ الفاظ میں، آپ کو نیورل نیٹ ورک کو یاد رکھنا چاہئے جو کچھ انسان کے طور پر علم کو ذخیرہ کرنے میں ہے دماغ اور پیشن گوئی کرنے کے لئے اسے استعمال کرتے ہیں.

نیچرل نیٹ ورکس کی ساخت

(تصویری کریڈٹ: ریاضی)

نال نیٹ ورکس پر مشتمل تین پرتوں،

1. ان پٹ پرت،
2. پوشیدہ پرت، اور
3. آؤٹ پٹ کی پرت.

ہر پرت میں ایک یا زیادہ نوڈس شامل ہوتے ہیں، جیسا کہ ذیل میں ڈایاگرام میں چھوٹے حلقوں کی طرف سے دکھایا جاتا ہے. نوڈس کے درمیان لائنز ایک نوڈ سے اگلے اگلے معلومات کی بہاؤ کی نشاندہی کرتی ہیں. معلومات سے ان پٹ سے آؤٹ پٹ آؤٹ ہونے پر، یعنی بائیں سے دائیں سے (بعض صورتوں میں یہ دائیں جانب بائیں یا دونوں طریقوں سے ہوسکتا ہے).

ان پٹ پرت کے نوڈس غیر فعال ہیں، مطلب یہ ہے کہ وہ اعداد و شمار میں ترمیم نہیں کرتے ہیں.. ان کے ان پٹ پر ایک ہی قدر ملتا ہے اور ان کے متعدد نتائج کے مطابق قیمت کو نقل کرتا ہے. جبکہ پوشیدہ اور آؤٹ پٹ پرت کے نوڈس فعال ہیں. اس طرح وہ اعداد و شمار میں ترمیم کرسکتے ہیں.

ایک منسلک ساخت میں، ان پٹ کی پرت سے ہر قیمت کو نقل کیا جاتا ہے اور پوشیدہ نوڈس کو بھیجا جاتا ہے. چھپی ہوئی نوڈ میں داخل ہونے والے اقدار وزن میں ضرب ہوتے ہیں، اس پروگرام میں ذخیرہ شدہ پیش کردہ تعداد کا ایک سیٹ. ایک ہی تعداد میں پیدا کرنے کے لئے وزن والے ان پٹ شامل ہیں. نیویارک نیٹ ورک کسی بھی قسم کی تہوں اور فی پرت کی کسی بھی تعداد میں ہو سکتا ہے. زیادہ سے زیادہ ایپلی کیشنز کو زیادہ سے زیادہ چند سو ان پٹ نوڈس

کے ساتھ تین پرت کی ساخت کا استعمال کرتے ہیںنیویارک نیٹ ورک کی مثال

ایک سونار سگنل میں اشیاء کو تسلیم کرنے والے نیورل نیٹ ورک پر غور کریں، اور PC میں ذخیرہ کردہ 5000 سگنل کے نمونے ہیں. پی سی کو یہ پتہ چلتا ہے کہ اگر یہ نمونے ایک سب میرین، وہیل، برفبرگ، سمندر کے پتھر، یا بالکل کچھ بھی نہیں پیش کرتے ہیں تو؟ روایتی ڈی ایس پی طریقوں کو اس مسئلہ سے ریاضی اور الگورتھم کے ساتھ، جیسے رابطے اور فریکوئینسی سپیکٹرم تجزیہ.

ایک اعصابی نیٹ ورک کے ساتھ، 5000 نمونوں کو ان پٹ پرت میں کھلایا جائے گا، جس کے نتیجے میں آؤٹ پٹ آؤٹ پرت سے آبپاشی ہوتی ہے. مناسب وزن کو منتخب کرکے، پیداوار کی وسیع پیمانے پر معلومات کی رپورٹ کرنے کے لئے تشکیل دیا جاسکتا ہے. مثال کے طور پر، آب پاشی (جی ہاں / نہیں)، سمندر کی چٹ (ہاں / نہیں)، وہیل (ہاں / نہیں) وغیرہ وغیرہ کے لئے پیداوار ہوسکتے ہیں.

دیگر وزنوں کے ساتھ، آؤٹ پٹ اشیاء کو دھاتی یا دھات کے طور پر درجہ بندی کرسکتے ہیں. -مثال، حیاتیاتی یا غیر حیاتیاتی، دشمن یا اتحادی، وغیرہ. کوئی الگورتھم، کوئی قواعد نہیں، کوئی طریقہ کار؛ صرف منتخب کردہ ان پٹ اور آؤٹ پٹ کے درمیان تعلق جسے وزن کے اقدار کے مطابق مقرر کیا جاتا ہے.

اب، ڈیپ سیکھنے کا تصور سمجھتے ہیں.

گہری تعلیم کیا ہے

گہری تعلیم بنیادی طور پر نیور نیٹ ورکس ؛ شاید آپ پیچیدہ نیالل نیٹ ورک کہہ سکتے ہیں کہ اس میں بہت سے چھپے ہوئے تہوں کے ساتھ.

تکنیکی طور پر بولی، گہری سیکھنے کو بھی نیور نیٹ ورکوں میں سیکھنے کے لئے تکنیکوں کی ایک طاقتور سیٹ کی حیثیت سے بھی تعریف کی جاسکتی ہے. یہ مصنوعی نیورل نیٹ ورک (ANN) سے مراد ہے جو کئی تہوں، بڑے پیمانے پر اعداد و شمار کے سیٹ، پیچیدہ ٹریننگ ماڈل ممکن کرنے کے لئے طاقتور کمپیوٹر ہارڈویئر پر مشتمل ہیں. یہ طریقوں اور تکنیکوں کی کلاس پر مشتمل ہے جو مصنوعی نیورل نیٹ ورک کو تیزی سے امیر فعالیت کے متعدد تہوں کے ساتھ ملا کرتی ہے.

گہرے سیکھنے کے نیٹ ورک کی ساخت

گہری سیکھنے کے نیٹ ورک زیادہ تر نیور نیٹ ورک آرکیٹیکچرز کا استعمال کرتے ہیں اور اس طرح اکثر گہری نیند نیٹ ورکز کے طور پر بھی کہا جاتا ہے.. کام "گہری" کا استعمال نیورل نیٹ ورک میں پوشیدہ تہوں کی تعداد سے مراد ہے. ایک روایتی نیورل نیٹ ورک پر مشتمل تین چھپی ہوئی تہوں پر مشتمل ہے، جبکہ گہری نیٹ ورکوں کے پاس 120- 150 کے طور پر بہت سے ہوسکتے ہیں.

گہری سیکھنے میں کمپیوٹر کے نظام کو بہت سارے ڈیٹا کھانا کھلانا شامل ہے، جس سے یہ دوسرے ڈیٹا کے بارے میں فیصلہ کرنے کے لئے استعمال کرسکتا ہے. یہ اعدادوشمار نیورل نیٹ ورک کے ذریعے کھلایا جاتا ہے، جیسا کہ مشین سیکھنے میں ہے. گہری سیکھنے کے نیٹ ورک کی خصوصیات براہ راست ڈیٹا بیس سے نکالنے کی ضرورت کے بغیر اعداد و شمار سے سیکھ سکتے ہیں.

گہری سیکھنے کی مثالیں

اس وقت اوسط آٹووبوبائل، ایرو اسپیس، اور میشن میڈیکل سے شروع ہونے والی ہر صنعت میں گہری تعلیم کا استعمال کیا جا رہا ہے. یہاں کچھ مثالیں ہیں.

• گوگل، نیٹ فلیکس، اور ایمیزون: Google اس کی آواز اور تصویر کی شناخت کے الگورتھم میں استعمال کرتا ہے. Netflix اور ایمیزون نے بھی اس بات کا فیصلہ کرنے کے لئے گہری سیکھنے کا فیصلہ بھی کیا ہے کہ آپ اگلے
• ڈرائیونگ کے بغیر گاڑی چلانے یا خریدنے کے لۓ خریدیں گے: محققین کو گہری سیکھنے کے نیٹ ورک کا استعمال خود بخود اشیاء جیسے سٹاپ اشارے اور ٹریفک لائٹس جیسے طریقے سے پتہ چلتا ہے. پیڈسٹریوں کا پتہ لگانے کے لئے گہرے سیکھنے کا بھی استعمال کیا جاتا ہے، جس میں حادثات کو کم کرنے میں مدد ملتی ہے.
• ایرو اسپیس اور دفاع: گہری سیکھنے کا استعمال مصنوعی سیارے سے مصنوعی اشیاء کی شناخت کرنے کے لئے استعمال کیا جاتا ہے، جو فوجیوں کے لئے محفوظ یا غیر محفوظ زونوں کی نشاندہی کرتی ہے. گہری سیکھنا، فیس بک خود بخود آپ کی تصاویر میں دوستوں کو ڈھونڈتا ہے. اسکائپ اصل وقت میں بولی جانے والی مواصلات کا ترجمہ کر سکتے ہیں.
• طبی تحقیقات: طبی محققین کینسر کے خلیوں کو خود کار طریقے سے پتہ لگانے کے لئے گہری سیکھنے کا استعمال کر رہے ہیں
• صنعتی میشن: گہری سیکھنے خود کار طریقے سے بھاری مشینری کے ارد گرد کارکن کی حفاظت کو بہتر بنانے میں مدد کر رہی ہے. جب لوگ یا چیزیں مشینوں کے غیر محفوظ فاصلے کے اندر اندر ہوتے ہیں تو پتہ چلتا ہے کہ
• الیکٹرانکس: خودکار سماعت اور تقریر کی ترجمانی میں گہری سیکھنے کا استعمال کیا جا رہا ہے.
• اختتام

نیچرل نیٹ ورک کا تصور نیا نہیں ہے، اور محققین نے ملاقات کی ہے گزشتہ دہائی میں یا اسی طرح کے اعتدال پسند کامیابی کے ساتھ. لیکن اصل کھیل مبدل گہری نیچرل نیٹ ورکز کے ارتقاء کی گئی ہے.

روایتی مشینری سیکھنے کے نقطہ نظر سے نمٹنے کے ذریعے یہ ظاہر ہوا ہے کہ گہری نیند نیٹ ورک کو تربیت یافتی کی جا سکتی ہے اور صرف محققین کی طرف سے نہ صرف ملٹیشنل ٹیکنیکل کمپنیوں کو قریب آنے میں بہتر بدعت کے ساتھ آنے کے لۓ اپنایا جائے.

گہری سیکھنے اور نیچرل نیٹ ورک کا شکریہ، AI صرف کام نہیں کر رہا ہے، لیکن اس نے سوچنے شروع کر دیا!