दीप लर्निंग: मशीन्स लर्निंग इन इट फायनान्स

काय कृत्रिम बुद्धिमत्ता उत्क्रांती बद्दल आपल्याला माहित असणे आवश्यक आहे

गहरी शिकणे हे यंत्र शिकण्याचे एक प्रभावी स्वरूप आहे (एमएल) ज्यामुळे प्रचंड प्रमाणात डेटा (माहिती) वापरून न्यूरल नेटवर्क म्हटल्या जाणार्या जटिल गणिती संरचना तयार होतात.

डीप लर्निंग डेफिनेशन

अधिक सखोल प्रकाराच्या डेटावर प्रक्रिया करण्यासाठी मज्जासंस्थांच्या नेटवर्कच्या एकाधिक स्तरांचा वापर करून एमएलएल अंमलबजावणी करण्याचा एक मार्ग म्हणजे खोल शिकणे. काहीवेळा श्रेणीबद्ध शिकणे असे म्हणतात, सखोल शिक्षण वैशिष्ट्ये जाणून घेण्यासाठी वेगवेगळ्या प्रकारच्या मज्जासंस्थेचा वापर करते (याला निवेदन देखील म्हणतात) आणि ते कच्च्या, लेबल न केलेले डेटा (असंरक्षित डेटा) च्या मोठ्या सेटमध्ये सापडतात. गहन शिक्षणांचा प्रथम प्रारंभीच्या प्रदर्शनांपैकी एक म्हणजे एक कार्यक्रम होता ज्याने यशस्वीरित्या YouTube व्हिडिओंच्या संचांमध्ये बिल्लेची चित्रे यशस्वीरित्या उचलली.

दैनंदिन जीवनशैलीतील उदाहरणे

डीप लर्निंगचा उपयोग केवळ आकृत्या ओळखण्यातच नव्हे तर भाषा अनुवाद, फसवणूक शोधणे आणि त्यांच्या ग्राहकांबद्दल असलेल्या कंपन्यांनी गोळा केलेल्या डेटाचे विश्लेषण करण्यासाठी केले आहे. उदाहरणार्थ, Netflix आपल्या पाहण्याच्या सवयींचे विश्लेषण करण्यासाठी गहन शिक्षण वापरते आणि अंदाज करते की कोणत्या शो आणि चित्रपट आपण पहायला प्राधान्य देता Netflix आपल्या सुचनेच्या कतार मध्ये क्रिया चित्रपट आणि निसर्ग वृत्तपत्रात ठेवणे माहीत आहे कसे. ऍमेझॉन आपल्या स्वारस्याची आपल्याला आवडणारी नवीन देश संगीत अल्बमसाठी सूचना तयार करण्यासाठी आपण अलीकडे शोधलेल्या आपल्या अलीकडील खरेदी आणि आयटमचे विश्लेषण करण्यासाठी सखोल शिक्षण वापरतो आणि आपण ग्रे आणि पिवळे टेनिसच्या जोडीसाठी बाजारात असल्याचे. शूज गहन शिक्षण हे असंघटित आणि कच्चा डेटापासून अधिकाधिक अंतर्दृष्टी मिळवून देत असल्याने, आपल्या ग्राहकांच्या गरजांची पूर्तता करणारी कंपन्या आपल्या ग्राहकांच्या गरजा अधिक चांगल्या प्रकारे चांगल्या प्रकारे पाहू शकतात, वैयक्तिक ग्राहक अधिक वैयक्तिकृत ग्राहक सेवा प्राप्त करतात.

कृत्रिम न्यूरल नेटवर्क आणि दीप लर्निंग

गहन शिक्षण समजून घेणे सोपे करण्यासाठी, आपण कृत्रिम मज्जासंस्थांच्या नेटवर्कच्या (एनएन) तुलनाची पुनरावृत्ती करूया. खोलवर शिक्षणासाठी, आमच्या 15-मंजूरीच्या कार्यालयीन इमारतीची कल्पना करा की पाच अन्य कार्यालयीन इमारतीसह शहर ब्लॉक आहे. रस्त्याच्या प्रत्येक बाजूला तीन इमारती आहेत आमची इमारत अ इमारत करीत असायची आणि इमारती "बी" आणि "सी" म्हणून रस्त्याच्या बाजूकडे एक अशी इमारत बांधते. इमारत ए पासून रस्त्याभोवती एक इमारत आहे, आणि इमारत बिल्डींग ओलांडून 2 इमारत बांधत आहे, इत्यादी. प्रत्येक इमारतीच्या वेगवेगळ्या मजल्यांची संख्या आहे, ती विविध सामग्रीपासून बनविली जाते आणि इतरांपेक्षा भिन्न वास्तू शैली आहे. तथापि, प्रत्येक इमारतीची अद्यापही कार्यालये (नोड्स) च्या वेगळ्या मजल्यांत (व्यवस्था) ठेवण्यात आली आहेत-त्यामुळे प्रत्येक इमारत एक अद्वितीय एएनएन आहे.

कल्पना करा की डिजिटल पॅकेज ए च्या इमारतीस येईल, ज्यामध्ये मजकूर-आधारित डेटा, व्हिडिओ प्रवाह, ऑडिओ प्रवाह, टेलिफोन कॉल, रेडिओ तरंग आणि छायाचित्रांसारख्या बहुविध स्त्रोतांकडून बर्याच प्रकारचे विविध प्रकारचे माहिती असू शकते - तथापि, हे एका मोठ्या गोंधळात येते आणि कोणत्याही तार्किक पद्धतीने (असंघटित डेटा) लेबल किंवा क्रमवारी केली नाही. माहिती प्रत्येक फळीद्वारे 1 ते 15 ^व्या प्रक्रियेसाठी पाठविली जाते. माहिती गंभर 15 ^फॅ (आऊटपुट) पर्यंत पोहचल्यानंतर ती इमारत 3 च्या 1 ^व्या मजला (इनपुट) कडे पाठविली जाते. ए बिल्डिंग 3 पासून अंतिम प्रक्रिया निष्कर्षापर्यंत. इमारत ए कडून पाठविलेले निकाल नंतर प्रत्येक तळ्याद्वारे त्याच पद्धतीने माहिती गळती करते. ही माहिती इमारत 3 च्या वरच्या मजल्यावर पोहोचते तेव्हा त्या बिल्डिंगच्या इमारतींच्या इमारतीसह तेथेुन पाठविली जाते. इमारत 1 वरून मजकुराने प्रक्रिया सुरू करण्यापूर्वी 3 इमारतींमधून शिकता येते आणि त्याचा परिणाम तयार होतो. बिल्डिंग 1 माहिती पास करते आणि सी बिल्ड करण्यासाठी याच पद्धतीने रिझल्ट करते, ज्याने 2 तयार करण्यासाठी प्रक्रिया केली आणि ती बनिवणे सुरू करते.

आमच्या एएनएन (इमारत) मध्ये आमच्या उदाहरणामध्ये अनस्ट्रक्टेड डेटा (माहितीच्या घोटाळा) मधील वेगळ्या वैशिष्ट्यांसाठी शोध लागतो आणि परिणाम पुढील इमारतीस पास करते. पुढील इमारती मागील एक पासून आउटपुट (परिणाम) एकत्रित करते (शिकवते). प्रत्येक एएनएन (इमारत) द्वारे डेटावर प्रक्रिया केल्याप्रमाणे, एखाद्या विशिष्ट वैशिष्ट्याने हे संघटित आणि लेबल केलेले (वर्गीकृत) केले जाते जेणेकरून जेव्हा डेटा शेवटच्या एएनएन (इमारत) च्या शेवटच्या आऊटपुटची (वरच्या मजल्यावर) पोहोचतो, तेव्हा त्याचे वर्गीकरण आणि लेबल केले जाते (अधिक संरचित).

कृत्रिम बुद्धिमत्ता, मशिन लर्निंग, आणि दीप लर्निंग

कृत्रिम बुद्धीमत्ता (एआय) आणि एमएलच्या एकूण चित्रात गहन शिक्षण कसे फिट आहे? डीप लर्निंगमुळे एमएलची शक्ती वाढली आहे आणि एआय कार्यान्वित करण्यास सक्षम आहे त्या गोष्टींची श्रेणी वाढविते. कारण खोल शिकणे साध्या कार्य-विशिष्ट अल्गोरिदम ऐवजी डेटा सेटमधील वैशिष्ट्यांवरील मज्जासंस्थांच्या जाळ्यांवर आधारित आणि वैशिष्ट्ये ओळखण्यावर आधारलेले असल्यामुळे ते असंरक्षित (कच्च्या) डेटावरून तपशीलवार माहिती न घेता स्वतःला लेबल करण्यासाठी प्रोग्रामरची आवश्यकता त्रुटी परिचय करू शकणारे कार्य करणे महाविद्यालये आणि व्यक्ती दोघांना मदत करण्यासाठी डेटाचा वापर करुन डबिंगमध्ये संगणकांना मदत करणे चांगले आणि चांगले आहे.