डीप लर्निंग

सितंबर 2024 डीप लर्निंग सीखने के साथ तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग विधियों का उपसमुच्चय है। विशेषण "डीप" नेटवर्क में कई परतों के उपयोग को संदर्भित करता है।लेकुन Yann Bengio Yoshua Hinton Geoffrey Deep learning https://www.nature.com/articles/nature14539 Nature 436–444 en 10.1038/nature14539 मई 2015 उपयोग की जाने वाली विधियाँ या तो पर्यवेक्षित, अर्ध-पर्यवेक्षित या अपर्यवेक्षित हो सकती हैं। डीप तंत्रिका नेटवर्क, डीप बिलीफ नेटवर्क, रिकरेंट न्यूरल नेटवर्क, कन्वोल्यूशनल न्यूरल नेटवर्क और ट्रांसफॉर्मर जैसे डीप-लर्निंग आर्किटेक्चर को कंप्यूटर विज़न, स्पीच रिकग्निशन,कन्नड़ भाषाविज्ञान, मशीन अनुवाद, बायोइन्फॉर्मेटिक्स, औषधि डिजाइन, मेडिकल इमेज एनालिसिस, क्लाइमेट साइंस, मैटेरियल इंस्पेक्शन और बोर्ड गेम प्रोग्राम जैसे क्षेत्रों में लागू किया गया है, जहाँ उन्होंने मानव विशेषज्ञ प्रदर्शन के बराबर और भी मामलों में बेहतर परिणाम दिये हैं तंत्रिका नेटवर्क के शुरुआती रूप जैविक प्रणालियों, विशेष रूप से मानव मस्तिष्क में सूचना प्रसंस्करण और वितरित संचार नोड्स से प्रेरित थे। हालाँकि, वर्तमान तंत्रिका नेटवर्क जीवों के मस्तिष्क के कार्यStudy urges caution when comparing neural networks to the brain https://news.mit.edu/2022/neural-networks-brain-function-1102 MIT News Massachusetts Institute of Technology हिंदी 2 नवम्बर 2022 को मॉडल करने का इरादा नहीं रखते हैं, और आम तौर पर उस उद्देश्य के लिए कम गुणवत्ता वाले मॉडल के रूप में देखे जाते हैं। अवलोकन अधिकांश आधुनिक डीप लर्निंग मॉडल बहु-स्तरित तंत्रिका नेटवर्क जैसे कि कन्वोल्यूशनल न्यूरल नेटवर्क और ट्रांसफॉर्मर पर आधारित होते हैं, हालांकि वे डीप जेनेरेटिव मॉडल जैसे कि डीप बिलीफ नेटवर्क और डीप बोल्ट्जमैन मशीनों में नोड्स में परत-वार व्यवस्थित प्रस्ताव सूत्र या अव्यक्त चर भी शामिल कर सकते हैं। मूल रूप से, डीप लर्निंग मशीन लर्निंग एल्गोरिदम के एक वर्ग को संदर्भित करता है जिसमें परतों के पदानुक्रम का उपयोग इनपुट डेटा को थोड़ा अधिक अमूर्त और समग्र प्रतिनिधित्व में बदलने के लिए किया जाता है। उदाहरण के लिए, एक छवि पहचान मॉडल में, कच्चा इनपुट एक छवि हो सकती है (पिक्सल के टेंसर के रूप में दर्शाया गया है)। पहली प्रतिनिधित्व परत रेखाओं और वृत्तों जैसी बुनियादी आकृतियों की पहचान करने का प्रयास कर सकती है, दूसरी परत किनारों की व्यवस्था की रचना और एन्कोड कर सकती है, तीसरी परत नाक और आंखों को एन्कोड कर सकती है, और चौथी परत पहचान सकती है कि छवि में एक चेहरा है। महत्वपूर्ण रूप से, एक गहन शिक्षण प्रक्रिया यह सीख सकती है कि किस स्तर पर कौन सी सुविधाएँ इष्टतम रूप से रखी जानी चाहिए। गहन शिक्षण से पहले, मशीन लर्निंग तकनीकों में अक्सर डेटा को एक वर्गीकरण एल्गोरिथ्म के संचालन के लिए अधिक उपयुक्त प्रतिनिधित्व में बदलने के लिए हाथ से तैयार की गई सुविधा इंजीनियरिंग शामिल होती थी। गहन शिक्षण दृष्टिकोण में, सुविधाएँ हाथ से तैयार नहीं की जाती हैं और मॉडल स्वचालित रूप से डेटा से उपयोगी सुविधा अभ्यावेदन खोजता है। यह हाथ से ट्यूनिंग की आवश्यकता को समाप्त नहीं करता है; उदाहरण के लिए, परतों और परत के आकार की अलग-अलग संख्याएँ अमूर्तता की विभिन्न डिग्री प्रदान कर सकती हैं। "डीप लर्निंग" में "डीप" शब्द परतों की संख्या को संदर्भित करता है जिसके माध्यम से डेटा को रूपांतरित किया जाता है। अधिक सटीक रूप से, डीप लर्निंग सिस्टम में पर्याप्त क्रेडिट असाइनमेंट पथ (CAP) गहराई होती है। CAP इनपुट से आउटपुट तक परिवर्तनों की श्रृंखला है। CAP इनपुट और आउटपुट के बीच संभावित कारण कनेक्शन का वर्णन करते हैं। फीडफॉरवर्ड न्यूरल नेटवर्क के लिए, CAP की गहराई नेटवर्क की गहराई होती है और छिपी हुई परतों की संख्या प्लस एक होती है (क्योंकि आउटपुट परत भी पैरामीटराइज़ की जाती है)। आवर्तक तंत्रिका नेटवर्क के लिए, जिसमें एक संकेत एक परत के माध्यम से एक से अधिक बार प्रसारित हो सकता है, CAP गहराई संभावित रूप से असीमित है। गहराई की कोई सार्वभौमिक रूप से सहमत सीमा उथले सीखने को डीप लर्निंग से अलग नहीं करती है, लेकिन अधिकांश शोधकर्ता इस बात से सहमत हैं कि डीप लर्निंग में 2 से अधिक CAP गहराई शामिल होती है। गहराई 2 के CAP को इस अर्थ में एक सार्वभौमिक सन्निकटनकर्ता के रूप में दिखाया गया है कि यह किसी भी फ़ंक्शन का अनुकरण कर सकता है। इससे आगे, अधिक परतें नेटवर्क की फ़ंक्शन सन्निकटन क्षमता में नहीं जुड़ती हैं। गहरे मॉडल उथले मॉडल की तुलना में बेहतर विशेषताएं निकालने में सक्षम हैं और इसलिए, अतिरिक्त परतें विशेषताओं को प्रभावी ढंग से सीखने में मदद करती हैं। डीप लर्निंग आर्किटेक्चर का निर्माण लालची परत-दर-परत विधि से किया जा सकता है।डीप लर्निंग इन अमूर्तताओं को अलग करने और यह चुनने में मदद करता है कि कौन सी विशेषताएँ प्रदर्शन को बेहतर बनाती हैं। डीप लर्निंग एल्गोरिदम को अनसुपरवाइज्ड लर्निंग कार्यों पर लागू किया जा सकता है। यह एक महत्वपूर्ण लाभ है क्योंकि लेबल रहित डेटा लेबल वाले डेटा की तुलना में अधिक प्रचुर मात्रा में होता है। डीप संरचनाओं के उदाहरण जिन्हें अनसुपरवाइज्ड तरीके से प्रशिक्षित किया जा सकता है, वे डीप बिलीफ नेटवर्क हैं। व्याख्याएँ गहरे तंत्रिका नेटवर्क की व्याख्या आम तौर पर सार्वभौमिक सन्निकटन प्रमेय के संदर्भ में की जाती है इतिहास कृत्रिम तंत्रिका नेटवर्क (एएनएन) के दो प्रकार थे: फीडफॉरवर्ड न्यूरल नेटवर्क (एफएनएन) और आवर्तक तंत्रिका नेटवर्क (आरएनएन)। आरएनएन की कनेक्टिविटी संरचना में चक्र होते हैं, एफएनएन में नहीं। 1920 के दशक में, विल्हेम लेनज़ और अर्न्स्ट इसिंग ने इसिंग मॉडल का निर्माण और विश्लेषण किया जो अनिवार्य रूप से न्यूरॉन जैसे थ्रेशोल्ड तत्वों से युक्त एक गैर-शिक्षण आरएनएन वास्तुकला है। 1972 में, शुनिची अमारी ने इस वास्तुकला को अनुकूली बनाया। उनके शिक्षण आरएनएन को 1982 में जॉन हॉपफील्ड द्वारा लोकप्रिय बनाया गया था। सीमाएँ और चुनौतियाँ डीप लर्निंग तकनीक के कई लाभों के बावजूद इसकी कुछ महत्वपूर्ण सीमाएँ और चुनौतियाँ भी हैं। सबसे प्रमुख चुनौती उच्च मात्रा में डेटा और कम्प्यूटेशनल संसाधनों की आवश्यकता है, क्योंकि डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए बड़े और विविध डेटा सेट तथा शक्तिशाली हार्डवेयर की आवश्यकता होती है। इसके अतिरिक्त, डीप लर्निंग मॉडल अक्सर "ब्लैक बॉक्स" की तरह कार्य करते हैं, जिनके निर्णय लेने की प्रक्रिया को समझना कठिन होता है। यह समस्या उन क्षेत्रों में अधिक गंभीर हो जाती है जहाँ पारदर्शिता और व्याख्येयता आवश्यक होती है, जैसे स्वास्थ्य सेवा और वित्तीय प्रणालियाँ। सुरक्षा के दृष्टिकोण से भी डीप लर्निंग प्रणालियाँ कई जोखिमों के प्रति संवेदनशील होती हैं। एडवर्सेरियल हमले (Adversarial Attacks) के माध्यम से इनपुट डेटा में सूक्ष्म परिवर्तन करके मॉडल को भ्रमित किया जा सकता है, जिससे वह गलत निष्कर्ष निकाल सकता है। इसी प्रकार डेटा पॉइज़निंग (Data Poisoning) के जरिए प्रशिक्षण डेटा में हेरफेर कर मॉडल के व्यवहार को प्रभावित किया जा सकता है। गोपनीयता (privacy) से जुड़ी चुनौतियाँ भी महत्वपूर्ण हैं, क्योंकि कई डीप लर्निंग मॉडल संवेदनशील डेटा पर आधारित होते हैं। ऐसे में डेटा सुरक्षा, मॉडल विश्वसनीयता और जोखिम प्रबंधन जैसे पहलुओं पर विशेष ध्यान देना आवश्यक होता है।https://www.modernsecurity.io/courses/ai-security-certification डीप लर्निंग सुरक्षा और जोखिम 2026 Modern Security en 2026-05-06 सन्दर्भ श्रेणी:कृत्रिम बुद्धिमत्ता