مشین لرننگ میں ترقی کے ساتھ ، ایک اونچی سڑک لی ہے۔ ڈیپ لرننگ کو پیچیدہ مسائل کو حل کرنے کے لئے بنائی گئی ایک جدید ترین ٹکنالوجی سمجھا جاتا ہے جو بڑے پیمانے پر ڈیٹا سیٹ استعمال کرتے ہیں۔ یہ اعصابی نیٹ ورک کیا ہے اس بارے میں یہ بلاگ آپ کو عصبی نیٹ ورک کے بنیادی تصورات سے آگاہ کرے گا اور وہ کس طرح اعداد و شمار سے چلنے والے پیچیدہ مسائل کو حل کرسکتے ہیں۔
مصنوعی ذہانت اور گہری لرننگ کے بارے میں گہرائی سے معلومات حاصل کرنے کے ل you ، آپ براہ راست داخلہ لے سکتے ہیں بذریعہ ایڈوریکا 24/7 معاونت اور زندگی بھر رسائی۔
یہاں ان عنوانات کی فہرست ہے جو اس میں شامل ہوں گے بلاگ:
- اعصابی نیٹ ورک کیا ہے؟
- ڈیپ لرننگ کیا ہے؟
- اے آئی ، ایم ایل اور ، ڈی ایل کے مابین فرق
- گہری سیکھنے کی ضرورت ہے
- گہری لرننگ یوز کیس
- نیورل نیٹ ورک کیسے کام کرتا ہے؟
- عصبی نیٹ ورک کی مثال کے ساتھ بیان کیا گیا
اعصابی نیٹ ورک کی سادہ تعریف
انسانی دماغ کے مطابق ماڈلنگ ، a نیورل نیٹ ورک ایک انسانی دماغ کی فعالیت کو نقل کرنے کے لئے بنایا گیا تھا . انسانی دماغ ایک اعصابی نیٹ ورک ہے جو ایک سے زیادہ نیورانوں سے بنا ہوتا ہے ، اسی طرح ، ایک مصنوعی نیورل نیٹ ورک (اے این این) ایک سے زیادہ پرسیٹرسن (جو بعد میں بتایا گیا ہے) سے بنا ہے۔
اب سروس کا استعمال کیسے کریں
اعصابی نیٹ ورک میں تین اہم تہوں شامل ہیں:
- ان پٹ پرت: جیسا کہ نام سے پتہ چلتا ہے ، یہ پرت پروگرامر کے ذریعہ فراہم کردہ تمام ان پٹ کو قبول کرتی ہے۔
- پوشیدہ پرت: ان پٹ اور آؤٹ پٹ پرت کے درمیان تہوں کا ایک مجموعہ ہوتا ہے جسے پوشیدہ پرت کہتے ہیں۔ اس پرت میں ، گنتی انجام دی جاتی ہے جس کے نتیجے میں نتیجہ برآمد ہوتا ہے۔
- آؤٹ پٹ پرت: آدانوں کو پوشیدہ پرت کے ذریعہ تبدیلیوں کا ایک سلسلہ جاری رہتا ہے جس کا نتیجہ آخر میں اس کے نتیجے میں برآمد ہوتا ہے پرت
اس سے پہلے کہ ہم عصبی نیٹ ورک کس طرح کام کرتے ہیں اس کی گہرائی میں جانے سے پہلے ، آئیے یہ سمجھ لیں کہ ڈیپ لرننگ کیا ہے۔
ڈیپ لرننگ کیا ہے؟
ڈیپ لرننگ مشین لرننگ کا ایک اعلی درجے کا میدان ہے جو انتہائی کمپیوٹیشنل استعمال کے معاملات کو حل کرنے کے لئے نیورل نیٹ ورک کے تصورات کا استعمال کرتا ہے جس میں کثیر جہتی اعداد و شمار کا تجزیہ کیا جاتا ہے۔ یہ خصوصیت کو نکالنے کے عمل کو خود کار بناتا ہے ، اس بات کو یقینی بناتا ہے کہ بہت کم انسانی مداخلت کی ضرورت ہے۔
تو ڈیپ لرننگ کیا ہے؟
ڈیپ لرننگ ایک ایڈوانس ہے مشین لرننگ کا ذیلی فیلڈ جو دماغ کے ڈھانچے اور فنکشن سے متاثر الگورتھم استعمال کرتا ہے جسے مصنوعی نیورل نیٹ ورک کہتے ہیں۔
اے آئی ، ایم ایل اور ڈی ایل کے مابین فرق (مصنوعی ذہانت بمقابلہ مشین لرننگ بمقام ڈیپ لرننگ)
لوگ اکثر ایسا ہی سوچتے ہیں ، ، اور گہری لرننگ مشترکہ ایپلی کیشنز ہونے کی وجہ سے وہی ہیں۔ مثال کے طور پر ، سری AI ، مشین لرننگ اور گہری سیکھنے کی درخواست ہے۔
تو یہ کس طرح کی ٹیکنالوجیز سے متعلق ہیں؟
- مصنوعی ذہانت انسانوں کے طرز عمل کی نقل کرنے کے لئے مشینیں حاصل کرنے کی سائنس ہے۔
- مشین لرننگ مصنوعی ذہانت (اے آئی) کا ایک ذیلی سیٹ ہے جو مشینوں کو ڈیٹا کھلا کر فیصلے کرنے کے لئے حاصل کرنے پر مرکوز ہے۔
- گہری سیکھنے مشین لرننگ کا ایک ذیلی سیٹ ہے جو پیچیدہ مسائل کو حل کرنے کے لئے عصبی نیٹ ورک کے تصور کو استعمال کرتا ہے۔
اس کا خلاصہ کرنے کے لئے ، مشین لرننگ اور ڈیپ لرننگ آپس میں جڑے ہوئے شعبے ہیں۔ مشین لرننگ اور ڈیپ لرننگ مصنوعی ذہانت کی مدد کرتی ہے جس کو حل کرنے کیلئے الگورتھم اور اعصابی نیٹ ورکس کا ایک سیٹ فراہم کرتے ہیں ڈیٹا سے چلنے والی دشواریوں۔
اب جب آپ بنیادی باتوں سے بخوبی واقف ہیں ، تو آئیے یہ سمجھیں کہ ڈیپ لرننگ کی ضرورت کی وجہ کیا ہے۔
گہری سیکھنے کی ضرورت: روایتی مشین لرننگ کی الگورتھم اور تکنیک کی حدود
مشین لرننگ تکنیکی دنیا میں ایک اہم پیشرفت تھی ، اس کی وجہ سے نیرس اور وقت گذارنے والے کاموں کی خود کاری ہوتی ہے ، اس نے پیچیدہ مسائل کو حل کرنے اور بہتر فیصلے کرنے میں مدد فراہم کی۔ تاہم ، مشین لرننگ میں کچھ خرابیاں تھیں جن کی وجہ سے ڈیپ لرننگ کا ظہور ہوا۔
مشین لرننگ کی کچھ حدود یہ ہیں:
- اعلی جہتی ڈیٹا پر کارروائی کرنے سے قاصر: مشین لرننگ اعداد و شمار کے صرف چھوٹے طول و عرض پر کارروائی کر سکتی ہے جس میں متغیرات کا ایک چھوٹا سیٹ موجود ہے۔ اگر آپ 100s متغیر پر مشتمل ڈیٹا کا تجزیہ کرنا چاہتے ہیں تو پھر مشین لرننگ استعمال نہیں کی جاسکتی ہے۔
- فیچر انجینئرنگ دستی ہے: استعمال کے معاملے پر غور کریں جہاں آپ کے پاس 100 پیش گو متغیر پائے جاتے ہیں اور آپ کو صرف اہم معاملات کو محدود کرنے کی ضرورت ہے۔ اس کے ل you ، آپ کو متغیرات میں سے ہر ایک کے مابین دستی طور پر مطالعہ کرنا پڑے گا اور یہ معلوم کرنا ہوگا کہ کون سے نتائج کی پیش گوئی کرنے میں اہم ہیں۔ یہ کام ایک ڈویلپر کے ل extremely انتہائی محنتی اور وقت طلب ہے۔
- آبجیکٹ کا پتہ لگانے اور تصویری پروسیسنگ کے ل ideal مثالی نہیں: چونکہ آبجیکٹ کی کھوج میں اعلی جہتی ڈیٹا کی ضرورت ہوتی ہے لہذا ، مشین لرننگ کو تصویری ڈیٹا سیٹوں پر کارروائی کرنے کے لئے استعمال نہیں کیا جاسکتا ہے ، لہذا یہ محدود اعداد و شمار کی خصوصیات کے حامل ڈیٹا سیٹ کے لئے بہترین ہے۔
اس سے پہلے کہ ہم گہرائی میں آجائیں نیورل نیٹ ورکس ، آئیے ایک حقیقی دنیا کے استعمال کے معاملے پر غور کریں جہاں ڈیپ لرننگ کا اطلاق ہوتا ہے۔
گہری لرننگ یوز کیس / ایپلی کیشنز
کیا آپ جانتے ہیں کہ پے پال اپنے 170 ملین سے زیادہ صارفین کے ذریعے چار بلین لین دین سے 235 بلین ڈالر کی ادائیگی کرتا ہے؟ یہ دیگر وجوہات کے علاوہ ممکنہ دھوکہ دہی کی سرگرمیوں کی نشاندہی کرنے کے لئے ڈیٹا کی اس وسیع مقدار کو استعمال کرتا ہے۔
ڈیپ لرننگ الگورتھم کی مدد سے ، پے پال نے اپنے صارف کے خریداری کی تاریخ کے اعداد و شمار کی کان کنی کے علاوہ اس کے ڈیٹا بیس میں محفوظ کردہ دھوکہ دہی کے نمونوں کا جائزہ لینے کے علاوہ یہ بھی پیش گوئی کی ہے کہ آیا کوئی خاص ٹرانزیکشن جعلساز ہے یا نہیں۔
کمپنی تقریبا 10 سالوں سے ڈیپ لرننگ اور مشین لرننگ ٹکنالوجی پر انحصار کر رہی ہے۔ ابتدا میں ، دھوکہ دہی کی نگرانی کرنے والی ٹیم آسان ، لکیری ماڈل استعمال کرتی تھی۔ لیکن سالوں کے دوران ، کمپنی ڈیپ لرننگ نامی ایک اور جدید مشین لرننگ ٹکنالوجی میں تبدیل ہوگئی۔
پے پال ، کی وانگ میں فراڈ رسک منیجر اور ڈیٹا سائنسدان کے حوالے سے بتایا گیا:
انہوں نے کہا کہ ہم جدید اور جدید مشین سیکھنے سے جو لطف اٹھاتے ہیں وہ اس میں بہت زیادہ اعداد و شمار کو استعمال کرنے ، تہوں اور تجریدی پرتوں کو سنبھالنے اور ایسی چیزوں کو 'دیکھنے' کے قابل بنانا ہے جو آسان ٹیکنالوجی نہیں دیکھ پائیں ، یہاں تک کہ انسان بھی شاید نہیں دیکھ سکے گا۔
قدر سے گزریں اور حوالہ جاوا سے گزریں
ایک سادہ لکیری ماڈل قریبا 20 20 متغیر استعمال کرنے کی صلاحیت رکھتا ہے۔ تاہم ، ڈیپ لرننگ ٹکنالوجی کی مدد سے کوئی ہزاروں ڈیٹا پوائنٹس چلا سکتا ہے۔ لہذا ، لاگو کرکے گہری لرننگ ٹکنالوجی ، پے پال آخر کسی بھی جعلسازی کی نشاندہی کرنے کیلئے لاکھوں لین دین کا تجزیہ کرسکتی ہے سرگرمی
آئیے اب ہم عصبی نیٹ ورک کی گہرائیوں میں جاتے ہیں اور سمجھتے ہیں کہ وہ کیسے کام کرتے ہیں۔
اعصابی نیٹ ورک کیسے کام کرتا ہے؟
عصبی نیٹ ورکس کو سمجھنے کے ل we ، ہمیں اسے توڑنے اور اعصابی نیٹ ورک کے سب سے بنیادی اکائی یعنی ایک پرسیپٹرن کو سمجھنے کی ضرورت ہے۔
ایک پریسپٹرن کیا ہے؟
پرسیپٹرن ایک سنگل پرت نیورل نیٹ ورک ہے جو لکیری ڈیٹا کی درجہ بندی کرنے کے لئے استعمال ہوتا ہے۔ اس کے 4 اہم اجزاء ہیں:
- ان پٹ
- وزن اور تعصب
- سمیشن فنکشن
- چالو کرنے یا تبدیلی کا کام
پریسپٹرن کے پیچھے بنیادی منطق اس طرح ہے:
ان پٹ پرت سے موصولہ آدانوں (x) کو ان کے مقرر کردہ وزن کے ساتھ ضرب دیا جاتا ہے۔ وزن والے سم کی تشکیل کے ل then ضرب والی اقدار کو شامل کیا گیا۔ ان پٹس اور ان کے متعلقہ وزن کی وزن والی رقم پھر متعلقہ ایکٹیویشن فنکشن پر لاگو ہوتی ہے۔ ایکٹیویشن فنکشن ان پٹ کو متعلقہ آؤٹ پٹ کا نقشہ بناتا ہے۔
دیپ لرننگ میں وزن اور تعصب
ہمیں ہر ان پٹ کے لئے وزن کیوں تفویض کرنا ہے؟
ایک بار جب ایک ان پٹ متغیر نیٹ ورک کو کھلایا جاتا ہے ، تو تصادفی طور پر منتخب کردہ قدر اس ان پٹ کے وزن کے طور پر تفویض کی جاتی ہے۔ ہر ان پٹ ڈیٹا پوائنٹ کا وزن اس بات کی نشاندہی کرتا ہے کہ نتائج کی پیش گوئی کرنے میں ان پٹ کتنا اہم ہے۔
دوسری طرف ، تعصب کا پیرامیٹر ، آپ کو ایکٹیویشن فنکشن وکر کو اس طرح ایڈجسٹ کرنے کی سہولت دیتا ہے کہ عین مطابق پیداوار حاصل ہوسکے۔
سمیشن فنکشن
ایک بار جب آدانوں کو کچھ وزن تفویض ہوجائے تو ، متعلقہ ان پٹ اور وزن کی مصنوعات لی جاتی ہے۔ ان تمام مصنوعات کو شامل کرنے سے ہمارا وزن مل جاتا ہے۔ یہ سمیشن فنکشن کے ذریعہ کیا جاتا ہے۔
چالو کرنے کا کام
چالو کرنے کے افعال کا بنیادی مقصد آؤٹ پٹ پر وزن والی رقم کا نقشہ بنانا ہے۔ چالو کرنے والے افعال جیسے تانہ ، ریلیو ، سگمائڈ اور اسی طرح کی تبدیلی کے افعال کی مثال ہیں۔
ایک صف کو چھانٹ رہا ہے ++
پرسیپٹرون کے افعال کے بارے میں مزید جاننے کے ل you ، آپ اس سے گزر سکتے ہیں بلاگ
ہم سے پہلے اس بلاگ کو سمیٹیں ، آئیے یہ سمجھنے کے لئے ایک آسان مثال بنائیں کہ نیورل نیٹ ورک کیسے چلاتا ہے۔
عصبی نیٹ ورک کی ایک مثال کے ساتھ وضاحت کی
ایک ایسے منظر نامے پر غور کریں جہاں آپ مصنوعی اعصابی نیٹ ورک (اے این این) بنانے کے لئے ہیں جو تصاویر کو دو طبقوں میں درجہ بندی کرتا ہے:
- کلاس A: بیمار پتے کی تصاویر پر مشتمل
- کلاس بی: بیمار پتے کی تصاویر پر مشتمل
تو آپ کیسے اعصابی نیٹ ورک تشکیل دیں گے جو پتیوں کو بیمار اور بیمار فصلوں میں درجہ بندی کرتا ہے؟
عمل کی شروعات ہمیشہ ان پٹ کو پروسیسنگ اور تبدیل کرنے کے ساتھ ہوتی ہے تاکہ اس پر آسانی سے عملدرآمد ہوسکے۔ ہمارے معاملے میں ، تصویر کے طول و عرض پر منحصر ہے ، ہر پتی کی تصویر کو پکسلز میں توڑ دیا جائے گا۔
مثال کے طور پر ، اگر شبیہہ 30 بائی 30 پکسلز پر مشتمل ہے ، تو پھر پکسلز کی کل تعداد 900 ہو گی۔ ان پکسلز کو میٹرکس کے طور پر پیش کیا جاتا ہے ، جس کو پھر نیورل نیٹ ورک کی ان پٹ پرت میں کھلایا جاتا ہے۔
بالکل اسی طرح جیسے ہمارے دماغوں میں نیوران ہوتے ہیں جو خیالات کو بنانے اور مربوط کرنے میں مدد دیتے ہیں ، ایک اے این این کے پاس قبول کنندہ ہوتا ہے جو ان پٹ کو قبول کرتے ہیں اور ان پٹ پرت سے پوشیدہ اور آخر میں آؤٹ پٹ پرت میں منتقل کرکے ان پر عملدرآمد کرتے ہیں۔
چونکہ ان پٹ ان پٹ پرت سے پوشیدہ پرت میں گزر جاتا ہے ، ہر ان پٹ کے لئے ابتدائی بے ترتیب وزن تفویض کیا جاتا ہے۔ پھر ان پٹس کو ان کے اسی وزن سے ضرب دیا جاتا ہے اور ان کی رقم اگلی پوشیدہ پرت میں ان پٹ کے بطور بھیجی جاتی ہے۔
یہاں ، تعصب نامی ایک عددی قیمت ہر پریسٹرپرن کو تفویض کی گئی ہے ، جو ہر ان پٹ کے وزن کے ساتھ وابستہ ہے۔ مزید یہ کہ ، ہر پریسٹران کو ایکٹیویشن یا ٹرانسفارمیشن فنکشن کے ذریعے منتقل کیا جاتا ہے جو اس بات کا تعین کرتا ہے کہ آیا ایک خاص پریسٹرون فعال ہوجاتا ہے یا نہیں۔
اگلی پرت میں ڈیٹا منتقل کرنے کے لئے ایک متحرک پرسیپٹرن استعمال کیا جاتا ہے۔ اس طریقے سے ، اعداد و شمار کو اعصابی نیٹ ورک کے ذریعے (فارورڈ پروپیگنڈا) تبلیغ کیا جاتا ہے جب تک کہ پریسٹرسن آؤٹ پٹ پرت تک نہ پہنچ جائیں۔
آؤٹ پٹ پرت میں ، احتمال حاصل کیا جاتا ہے جو فیصلہ کرتا ہے کہ ڈیٹا کلاس A یا کلاس B سے تعلق رکھتا ہے۔
آسان لگتا ہے ، ہے نا؟ ٹھیک ہے ، عصبی نیٹ ورک کے پیچھے تصور خالص طور پر انسانی دماغ کے کام پر مبنی ہے۔ آپ کو مختلف ریاضی کے تصورات اور الگورتھم کے بارے میں گہرائی سے جانکاری کی ضرورت ہے۔ آپ کو شروع کرنے کیلئے بلاگز کی ایک فہرست یہ ہے:
- ڈیپ لرننگ کیا ہے؟ ڈیپ لرننگ کے ساتھ آغاز کرنا
- ازگر کے ساتھ گہری تعلیم: ابتدائی افراد گہری تعلیم کے لئے رہنمائی کرتے ہیں
اگر آپ کو یہ بلاگ متعلقہ لگتا ہے تو ، 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 کا نیٹ ورک موجود ہے۔ ٹینسرفلو سرٹیفیکیشن ٹریننگ کورس کے ساتھ ایڈیورکا ڈیپ لرننگ سیکھنے کو ریئل ٹائم پروجیکٹس اور اسائنمنٹس کے ساتھ سافٹ ویکس فنکشن ، آٹو انکوڈر نیورل نیٹ ورکس ، ممنوعہ بولٹزمان مشین (آر بی ایم) جیسے تصورات کے ساتھ تربیت اور بنیادی اور مجازی عصبی نیٹ ورک کی اصلاح میں ماہر بننے میں مدد کرتا ہے۔