ڈیپ لرننگ کیا ہے؟
اس بلاگ میں ، میں کیا بات کروں گا گہری لرننگ جو آج کل ایک گرم گونج ہے اور اس نے اپنی صنعتوں کی ایک بڑی تعداد کو مضبوطی سے اپنی جڑیں نیچے ڈال دی ہیں جو مصنوعی ذہانت ، بگ ڈیٹا اور تجزیات جیسے شعبوں میں سرمایہ کاری کررہی ہیں۔ مثال کے طور پر ، گوگل اپنی آواز اور تصویری شناخت کی الگورتھم میں گہری تعلیم کا استعمال کررہا ہے جبکہ نیٹ فلکس اور ایمیزون اپنے صارف کے طرز عمل کو سمجھنے کے لئے اسے استعمال کررہے ہیں۔ در حقیقت ، آپ اس پر یقین نہیں کریں گے ، لیکن ایم آئی ٹی کے محققین گہری سیکھنے کے ذریعے مستقبل کی پیش گوئی کرنے کی کوشش کر رہے ہیں۔اب ، ذرا تصور کریں کہ دنیا میں انقلاب لانے میں گہری تعلیم کی کتنی صلاحیت ہے اور کمپنیاں اس کی تلاش کیسے کریں گی .گہری سیکھنے کے بارے میں بات کرنے سے پہلے ، کسی کو مشین لرننگ اور مصنوعی ذہانت سے اس کے تعلقات کو سمجھنا چاہئے۔ اس رشتے کو سمجھنے کا آسان ترین طریقہ یہ ہے کہ ذیل میں آریگرام کے ذریعے جانا۔
انجیر: ڈیپ لرننگ کیا ہے - AI ٹیکنالوجیز ٹائم لائن
یہاں ، شبیہہ میں آپ دیکھ سکتے ہیں کہ مشین لرننگ AI کا سب سیٹ ہے۔ اس حقیقت کا مطلب یہ ہے کہ ہم ذہین مشینیں بناسکتے ہیں جو اپنے طور پر فراہم کردہ ڈیٹا کی بنیاد پر سیکھ سکتے ہیں۔ مزید آپ یہ دیکھیں گے کہ ڈیپ لرننگ مشین لرننگ کا ایک ذیلی سیٹ ہے جہاں ڈیپ نیورل نیٹ ورکس کی تربیت کے لئے اسی طرح کی مشین لرننگ الگورتھم کا استعمال کیا جاتا ہے تاکہ ان معاملات میں بہتر درستگی حاصل کی جاسکے جہاں سابق کام نہیں کررہے تھے۔ فوہلکے موضوعات ہیں جن پر میں اس گہری سیکھنے کے سبق میں گفتگو کرنے جا رہا ہوں۔
- مصنوعی ذہانت
- مشین لرننگ
- ایم ایل کی خرابیاں
- ڈیپ لرننگ کیا ہے؟
- گہری سیکھنے کی درخواست
انڈسٹری لیول پروجیکٹس کے ساتھ سند حاصل کریں اور اپنے کیریئر کو فاسٹ ٹریک کریں
مصنوعی ذہانت
انجیر: گہری لرننگ کیا ہے - مصنوعی ذہانت
اے آئی کی اصطلاح جان مکارتھی نے سن 1956 میں تیار کی تھی ، جسے مصنوعی ذہانت کا باپ بھی کہا جاتا ہے۔ اے آئی کے پیچھے خیال کافی آسان ہے لیکن دلکش ہے ، جو ذہین مشینیں بنانا ہے جو خود فیصلہ لے سکتی ہے۔ آپ اسے سائنس کے تصور کے طور پر سوچ سکتے ہیں ، لیکن ٹکنالوجی اور کمپیوٹنگ طاقت میں حالیہ پیشرفتوں کے سلسلے میں ، یہ خیال دن بہ دن حقیقت کے قریب آتا نظر آتا ہے۔
مشین لرننگ: مصنوعی ذہانت کی طرف ایک قدم
اب ، جب آپ اے آئی سے واقف ہیں ، آئیے ہم مشین لرننگ کے بارے میں مختصر گفتگو کریں اور یہ سمجھیں کہ جب ہم یہ کہتے ہیں کہ ہم پروگرامنگ مشینیں سیکھ رہے ہیں تو اس کا کیا مطلب ہے۔ آئیے ہم مشین لرننگ کی ایک بہت ہی مشہور تعریف کے ساتھ شروع کریں:
'کہا جاتا ہے کہ کسی کمپیوٹر پروگرام میں تجربہ E سے کچھ کام T اور کچھ کارکردگی کی پیمائش P کے سلسلے میں سیکھنا ہوتا ہے ، اگر T پر اس کی کارکردگی ، جیسا کہ پی کے ذریعہ ماپا جاتا ہے ، تجربے E کے ساتھ بہتر ہوتا ہے۔' - ٹام مچل ، کارنیگی میلن یونیورسٹی
pl sql سبق شروع کرنے والوں کے لئے
لہذا ، اگر آپ چاہتے ہیں کہ اپنے پروگرام کی پیش گوئی کریں ، کسی مصروف چوراہے (ٹاسک ٹی) پر ٹریفک کے نمونے ، آپ اسے مشین لرننگ الگورتھم کے ذریعے گذشتہ ٹریفک پیٹرن (تجربہ ای) کے اعداد و شمار کے ساتھ چلا سکتے ہیں۔ اب ، پیش گوئی کی درستگی (کارکردگی کی پیمائش پی) اس حقیقت پر منحصر ہوگی کہ آیا پروگرام ڈیٹا سیٹ سے کامیابی کے ساتھ سیکھا ہے یا نہیں (تجربہ ای)۔
بنیادی طور پر ، مشین لرننگ کو مصنوعی ذہانت کی ایک قسم (اے آئی) کہا جاتا ہے جو کمپیوٹرز کو یہ صلاحیت فراہم کرتا ہے کہ وہ ڈیٹا کی وسیع مقدار میں بے نقاب کرکے واضح طور پر پروگرام کیے بغیر سیکھنے کی صلاحیت فراہم کرتا ہے۔ مشین لرننگ کے پیچھے بنیادی اصول یہ ہے کہ وہ ڈیٹا سیٹ سے سیکھیں اور غلطی کو کم سے کم کرنے کی کوشش کریں یا ان کی پیش گوئیاں درست ہونے کے امکان کو زیادہ سے زیادہ کریں۔
مشین لرننگ کی خرابیاں
- روایتی ایم ایل الگورتھم اعلی جہتی اعداد و شمار کے ساتھ کام کرتے وقت کارآمد نہیں ہیں ، یہی وجہ ہے کہ ہمارے پاس بہت بڑی تعداد میں آؤٹ پٹ اور آؤٹ پٹ ہیں۔ مثال کے طور پر ، ہینڈ رائٹنگ کی پہچان کی صورت میں ہمارے پاس بڑی مقدار میں ان پٹ موجود ہے جہاں ہمارے پاس مختلف قسم کے لکھاوٹ مختلف قسم کے لکھاوٹ سے وابستہ ہوں گے۔
- دوسرا بڑا چیلنج یہ ہے کہ کمپیوٹر کو بتائیں کہ وہ کون سی خصوصیات ہیں جس کے لئے اسے تلاش کرنا چاہئے جس سے نتائج کی پیش گوئیاں کرنے کے ساتھ ساتھ ایسا کرتے وقت بہتر درستگی حاصل کرنے میں بھی اہم کردار ادا ہوگا۔ اس عمل کو بطور حوالہ دیا جاتا ہے خصوصیت کا اخراج .
الگورتھم کو خام ڈیٹا کھلا دینا شاید ہی کبھی کام کرتا ہو اور یہی وجہ ہے کہ خصوصیت کو نکالنا روایتی مشین لرننگ ورک فلو کا ایک اہم حصہ ہے۔ لہذا ، خصوصیت کو نکالنے کے بغیر ، پروگرامر کے ل the چیلنج بڑھتا ہے کیوں کہ الگورتھم کی تاثیر بہت زیادہ انحصار کرتی ہے کہ پروگرامر کتنا بصیرت ہے۔ لہذا ، ان مشینی لرننگ ماڈلز یا الگورتھم کو پیچیدہ مسائل جیسے آبجیکٹ کی پہچان ، ہینڈ رائٹنگ کی پہچان ، این ایل پی (قدرتی زبان پروسیسنگ) ، وغیرہ پر لگانا بہت مشکل ہے۔
گہری لرننگ
گہری تعلیم ایک واحد ان طریقوں میں سے ہے جس کے ذریعے ہم خصوصیت کو نکالنے کے چیلنجوں پر قابو پاسکتے ہیں۔ اس کی وجہ یہ ہے کہ گہری سیکھنے والے ماڈل خود سے صحیح خصوصیات پر توجہ مرکوز کرنے کے ل learning سیکھنے کے اہل ہیں ، جن کو پروگرامر کی طرف سے بہت کم رہنمائی درکار ہوتی ہے۔ بنیادی طور پر ، گہری سیکھنے ہمارے دماغ کے کام کرنے کے طریقے کی نقل کرتی ہے یعنی یہ تجربے سے سیکھتی ہے۔ جیسا کہ آپ جانتے ہیں ، ہمارا دماغ اربوں نیوران سے بنا ہے جو ہمیں حیرت انگیز چیزیں کرنے کی اجازت دیتا ہے۔ یہاں تک کہ ایک سال کے بچے کا دماغ بھی پیچیدہ مسائل حل کرسکتا ہے جن کا حل سپر کمپیوٹروں کے استعمال سے بھی بہت مشکل ہے۔ مثال کے طور پر:
- ان کے والدین اور مختلف اشیاء کے چہرے کو بھی پہچانیں۔
- مختلف آوازوں کو الگ الگ بنائیں اور یہاں تک کہ کسی خاص شخص کو اپنی آواز پر مبنی پہچان بھی سکتے ہیں۔
- دوسرے افراد کے چہرے کے اشاروں اور بہت کچھ سے اشارہ کھینچنا۔
دراصل ، ہمارے دماغ نے شعوری طور پر خود کو سالوں کے دوران ایسی حرکتیں کرنے کی تربیت دی ہے۔ اب ، سوال آتا ہے ، کتنا گہرا سیکھنا دماغ کی فعالیت کی نقالی کرتا ہے؟ ٹھیک ہے ، گہری سیکھنے میں مصنوعی نیوران کے تصور کا استعمال ہوتا ہے جو ہمارے دماغ میں موجود حیاتیاتی نیورانوں کی طرح کام کرتا ہے۔ لہذا ، ہم یہ کہہ سکتے ہیں کہ ڈیپ لرننگ ایک ذیلی فیلڈ ہے آلہ سیکھنا مصنوعی اعصابی نیٹ ورک کہلانے والے دماغ کی ساخت اور افعال سے متاثر الگورتھم سے وابستہ ہیں۔
اب ، ہم اس کو سمجھنے کے لئے ایک مثال لیتے ہیں۔ فرض کریں کہ ہم ایسا نظام بنانا چاہتے ہیں جو شبیہہ میں مختلف لوگوں کے چہروں کو پہچان سکے۔اگر ہم اسے عام مشین سیکھنے کی دشواری کی حیثیت سے حل کرتے ہیں تو ، ہم چہرے کی خصوصیات جیسے آنکھوں ، ناک ، کانوں کی وضاحت کریں گے اور پھر ، نظام اس بات کی نشاندہی کرے گا کہ کون سی خصوصیات اپنی ذات میں کون سے شخص کے لئے زیادہ اہم ہے۔
اب ، گہری سیکھنے اس کو ایک قدم آگے لے جاتی ہے۔ گہری سیکھنے سے خود بخود وہ خصوصیات کا پتہ چل جاتا ہے جو گہری عصبی نیٹ ورک کی وجہ سے درجہ بندی کے لئے اہم ہیں ، جبکہ مشین لرننگ کی صورت میں ہمیں ان خصوصیات کو دستی طور پر بیان کرنا پڑتا ہے۔
انجیر: ڈیپ نیٹ ورکس کا استعمال کرتے ہوئے شناخت کا سامنا کرنا پڑتا ہے
جیسا کہ مندرجہ بالا تصویر میں دیپ لرننگ کام کرتی ہے۔
- نچلی سطح پر ، مقامی برعکس کے نمونوں پر نیٹ ورک کو اہمیت دیتی ہے۔
- آنکھوں ، ناکوں اور منہ سے ملتی جلتی چیزوں پر اصلاح کرنے کے لئے مندرجہ ذیل پرت مقامی تقابل کے ان نمونوں کا استعمال کرسکتی ہے۔
- آخر میں ، سب سے اوپر کی پرت ٹیمپلیٹس کا سامنا کرنے کے لئے ان کی چہرے کی خصوصیات کو لاگو کرنے کے قابل ہے۔
- ایک گہرا عصبی نیٹ ورک اپنی ہر پرتوں میں زیادہ سے زیادہ پیچیدہ خصوصیات تحریر کرنے کی صلاحیت رکھتا ہے۔
کیا آپ نے کبھی سوچا ہے کہ فیس بک آپ کے ذریعہ اپ لوڈ کردہ تصویر میں موجود تمام شخص کو خود بخود لیبل لگاتا ہے یا ٹیگ کرتا ہے؟ ٹھیک ہے ، فیس بک اسی طرح کے فیشن میں ڈیپ لرننگ کا استعمال کرتا ہے جیسا کہ مذکورہ بالا مثال میں بتایا گیا ہے۔ اب ، آپ کو ڈیپ لرننگ کی قابلیت کا احساس ہونا چاہئے اور وہ ان معاملات میں مشین لرننگ کو کس طرح بہتر بناسکتے ہیں جہاں ہمیں ان تمام خصوصیات کے بارے میں بہت کم خیال ہے جو نتائج کو متاثر کرسکتی ہیں۔ لہذا ، ڈیپ نیٹ ورک مناسب لیبلنگ کے بغیر ان پٹ ڈیٹا پر مشتمل ڈیٹا سیٹ کی فہرستیں ڈرائنگ کرکے مشین لرننگ کی خرابی پر قابو پا سکتا ہے۔
ڈیپ لرننگ کیا ہے | گہری سیکھنے آسان | ایڈوریکا
گہری لرننگ کی درخواستیں
اس میں آگے بڑھتے ہوئے جو گہری سیکھنے والا بلاگ ہے ، آئیے اس کی حقیقی طاقتوں کو سمجھنے کے لئے ڈیپ لرننگ کی کچھ حقیقی زندگی کی ایپلی کیشنز کو دیکھیں۔
تقریر کی پہچان
آپ سب نے سری کے بارے میں سنا ہوگا ، جو ایپل کی آواز پر قابو پانے والا ذہین معاون ہے۔ دوسرے بڑے جنات کی طرح ، ایپل نے بھی اپنی خدمات کو پہلے سے بہتر بنانے کے لئے ڈیپ لرننگ پر سرمایہ کاری شروع کردی ہے۔
سری جیسے تقریر کی شناخت اور آواز پر قابو پانے والے ذہین اسسٹنٹ کے شعبے میں ، کوئی گہری عصبی نیٹ ورک کا استعمال کرتے ہوئے زیادہ درست صوتی ماڈل تیار کرسکتا ہے اور فی الحال گہری سیکھنے کے نفاذ کے لئے سب سے زیادہ فعال شعبوں میں سے ایک ہے۔ آسان الفاظ میں ، آپ ایسا نظام تشکیل دے سکتے ہیں جو نئی خصوصیات سیکھ سکے یا اپنے مطابق اپنے آپ کو ڈھال سکے اور اس وجہ سے ، پہلے سے ہی تمام امکانات کی پیش گوئی کرکے بہتر مدد فراہم کریں۔
خودکار مشین ترجمہ
ہم سب جانتے ہیں کہ گوگل فوری طور پر 100 مختلف انسانی زبان کے مابین ترجمہ کرسکتا ہے ، یہ بھی بہت تیزی سے گویا جادو کے ذریعہ۔ پیچھے کی ٹیکنالوجی گوگل مترجم کہا جاتا ہے مشین ترجمہ اور ان لوگوں کے لئے نجات دہندہ رہا ہے جو بولنے والے زبان میں فرق کی وجہ سے ایک دوسرے کے ساتھ بات چیت نہیں کرسکتے ہیں۔ اب ، آپ سوچ رہے ہوں گے کہ یہ خصوصیت ایک طویل عرصے سے موجود ہے ، تو ، اس میں نیا کیا ہے؟ میں آپ کو بتاتا چلوں کہ پچھلے دو سالوں میں ، گہری سیکھنے کی مدد سے ، گوگل نے اپنے گوگل ٹرانسلیشن میں مشین ٹرانسلیشن کے نقطہ نظر کو مکمل طور پر تبدیل کیا ہے۔ در حقیقت ، گہری سیکھنے والے محققین جو زبان کے ترجمے کے بارے میں تقریبا کچھ بھی نہیں جانتے ہیں وہ نسبتا simple آسان مشین سیکھنے کے حل پیش کررہے ہیں جو دنیا میں ماہر بلٹ لینگوئج ٹرانسلیشن سسٹم کو مات دے رہے ہیں۔ تسلسل کی کسی بھی پیشگی پروسیسنگ کے بغیر متن ترجمہ کیا جاسکتا ہے ، جس سے الگورتھم کو الفاظ اور ان کی نقشہ سازی کے درمیان انحصار کو نئی زبان میں سیکھنے کی اجازت مل جاتی ہے۔ اس ترجمے کو انجام دینے کیلئے بڑے بار بار چلنے والے اعصابی نیٹ ورکس کے اسٹیکڈ نیٹ ورکس کا استعمال کیا جاتا ہے۔
- فوری بصری ترجمہ
جیسا کہ آپ جانتے ہیں ، گہری لرننگ ان امیجوں کی نشاندہی کرنے کے لئے استعمال کی جاتی ہے جن میں خطوط موجود ہیں اور خطوط منظر میں کہاں ہیں۔ ایک بار شناخت ہوجانے پر ، انھیں متن میں تبدیل کیا جاسکتا ہے ، ترجمہ کیا جاسکتا ہے اور نقش کو ترجمہ شدہ متن سے دوبارہ بنایا جاسکتا ہے۔ اسے اکثر کہا جاتا ہے فوری بصری ترجمہ .
اب ، ایک ایسی صورتحال کا تصور کریں جہاں آپ نے کسی دوسرے ملک کا دورہ کیا ہو جس کی مادری زبان آپ کو معلوم نہیں ہے۔ ٹھیک ہے ، گھبرانے کی ضرورت نہیں ، گوگل ٹرانسلیٹ جیسے مختلف ایپس کا استعمال کرکے آپ آگے بڑھ سکتے ہیں اور کسی دوسری زبان میں لکھے ہوئے نشانات یا شاپ بورڈ کو پڑھنے کے ل inst فوری بصری ترجمہ کر سکتے ہیں۔ یہ صرف ڈیپ لرننگ کی وجہ سے ممکن ہوا ہے۔
نوٹ: آپ آگے جاسکتے ہیں اور گوگل ٹرانسلیٹر ایپ ڈاؤن لوڈ کرسکتے ہیں اور مندرجہ بالا شبیہہ کا استعمال کرکے حیرت انگیز فوری بصری ترجمہ چیک کرسکتے ہیں۔
سلوک: خود کار خود سے چلنے والی کاریں
گوگل کوشش کر رہا ہے کہ وہ ڈیپ لرننگ کا استعمال کرتے ہوئے ان کی خود سے چلنے والی کار پہل کریں ، جسے WAYMO کے نام سے جانا جاتا ہے ، کو مکمل طور پر کمال کی سطح تک لے جا to۔ لہذا ، پرانے ہاتھ سے کوڈڈ الگورتھم کو استعمال کرنے کے بجائے ، وہ اب وہ پروگرام سسٹم کرسکتے ہیں جو مختلف سینسروں کے ذریعہ فراہم کردہ ڈیٹا کا استعمال کرکے خود سیکھ سکتے ہیں۔ گہری سیکھنے اب بیشتر خیالات کے کاموں کے ساتھ ساتھ بہت سے نچلے درجے کے کنٹرول کاموں کا بھی بہترین طریقہ ہے۔ لہذا ، اب وہ لوگ جو گاڑی چلانا نہیں جانتے ہیں یا معذور ہیں ، وہ آگے بڑھ سکتے ہیں اور کسی پر انحصار کیے بغیر سواری لے سکتے ہیں۔
یہاں ، میں نے محض حقیقی زندگی کے استعمال کے چند مشہور معاملات کا ذکر کیا ہے جہاں دیپ لرننگ کا بڑے پیمانے پر استعمال کیا جارہا ہے اور وہ نتیجہ خیز نتائج دکھا رہا ہے۔ بہت سے فیلڈز کے ساتھ گہری سیکھنے کی بہت سی دوسری ایپلی کیشنز ہیں جن کی ابھی تلاش نہیں کی جاسکتی ہے۔
تو ، مختصر طور پر یہ سب کچھ گہری سیکھنے کے بارے میں ہے۔ مجھے یقین ہے کہ ابھی تک ، آپ کو مشین لرننگ اور ڈیپ لرننگ کے درمیان فرق کا اندازہ ہوچکا ہوگا اور ساتھ ہی ساتھ کہ ڈیپ لرننگ مختلف حقیقی زندگی کی درخواستوں کے ل very کس حد تک مفید ثابت ہوسکتی ہے۔ اب ، اس گہری سیکھنے کے سبق آموز سلسلے میں میرے اگلے بلاگ میں ، ہم ان کے اطلاق کے ساتھ ساتھ مختلف تصورات اور الگورتھم دیپ لرننگ کے بارے میں تفصیل کے ساتھ گہرائی میں ڈوب جائیں گے۔
اب جب آپ ڈیپ لرننگ کے بارے میں جانتے ہو ، اس کو چیک کریں ایڈوریکا کے ذریعہ ، ایک قابل اعتماد آن لائن سیکھنے والی کمپنی جس کی دنیا بھر میں 250،000 سے زیادہ مطمئن سیکھنے والوں کے نیٹ ورک ہیں۔ ٹینسرفلو سرٹیفیکیشن ٹریننگ کورس کے ساتھ ایڈیورکا ڈیپ لرننگ سیکھنے کو ریئل ٹائم پروجیکٹس اور اسائنمنٹس کے ساتھ ساتھ سافٹ میکس فنکشن ، آٹو انکوڈر نیورل نیٹ ورکس ، ممنوعہ بولٹزمان مشین (آر بی ایم) جیسے تصورات کے ساتھ تربیت اور بنیادی اور مجازی عصبی نیٹ ورک کو بہتر بنانے میں مہارت حاصل کرنے میں مدد کرتا ہے۔
جاوا اسٹرنگ سے لے کر ڈیٹ کنورژن
ہمارے لئے ایک سوال ہے؟ برائے کرم اس کا تذکرہ سیکشن میں ذکر کریں اور ہم آپ کو واپس ملیں گے۔