मेन्यू

आर्टिफिशियल इंटेलिजेंस क्या है: एआई की परिभाषा और उप-क्षेत्र

  • मुख्य
  • अन्य
  • आर्टिफिशियल इंटेलिजेंस क्या है: एआई की परिभाषा और उप-क्षेत्र

what is artificial intelligence

समस्याओं को खत्म करने के लिए हमारे साधन का प्रयास करें

जानें क्या है आर्टिफिशियल इंटेलिजेंस (एआई), इंटेलिजेंस के तत्व और एआई के उप-फील्ड जैसे मशीन लर्निंग, डीप लर्निंग, एनएलपी, आदि:

कंप्यूटर नेटवर्किंग सिस्टम ने विभिन्न प्रकार के गैजेट और डिवाइस प्रदान करके मानव जीवन शैली में सुधार किया है जो विभिन्न कार्यों को करने के लिए मानव शारीरिक और मानसिक प्रयासों को कम करते हैं। इस प्रयास में तार्किक, विश्लेषणात्मक और अधिक उत्पादक तकनीकों को लागू करके इसे और अधिक प्रभावी बनाने के लिए कृत्रिम बुद्धिमत्ता इस प्रक्रिया का अगला चरण है।

यह ट्यूटोरियल बताएगा कि कृत्रिम बुद्धिमत्ता क्या है और इसकी परिभाषा और घटक विभिन्न उदाहरणों की मदद से। हम मानव और मशीन बुद्धि के बीच अंतर का भी पता लगाएंगे।

आर्टिफिशियल इंटेलिजेंस क्या है

आप क्या सीखेंगे:

आर्टिफिशियल इंटेलिजेंस (AI) क्या है?

आर्टिफिशियल इंटेलिजेंस का वर्णन करने के लिए विभिन्न तकनीकी परिभाषाएं उपलब्ध हैं लेकिन ये सभी बहुत जटिल और भ्रामक हैं। हम आपकी बेहतर समझ के लिए सरल शब्दों में परिभाषा पर विस्तार से बताएंगे।

मनुष्यों को इस धरती पर सबसे बुद्धिमान प्रजाति माना जाता है क्योंकि वे किसी भी समस्या को हल कर सकते हैं और अपने कौशल के साथ विश्लेषणात्मक सोच, तार्किक तर्क, सांख्यिकीय ज्ञान और गणितीय या कम्प्यूटेशनल बुद्धि जैसे बड़े डेटा का विश्लेषण कर सकते हैं।

कौशल के इन सभी संयोजनों को ध्यान में रखते हुए, मशीनों और रोबोटों के लिए कृत्रिम बुद्धिमत्ता विकसित की जाती है जो मशीनों में जटिल समस्याओं को हल करने की क्षमता उन लोगों के समान है जो मनुष्यों द्वारा किए जा सकते हैं।

कृत्रिम बुद्धिमत्ता सभी क्षेत्रों में सम्मिलित है चिकित्सा क्षेत्र, ऑटोमोबाइल, दैनिक जीवन शैली के अनुप्रयोग, इलेक्ट्रॉनिक्स, संचार के साथ-साथ कंप्यूटर नेटवर्किंग सिस्टम।

तो तकनीकी रूप से कंप्यूटर नेटवर्क के संदर्भ में AI को कंप्यूटर डिवाइस और नेटवर्किंग सिस्टम के रूप में परिभाषित किया जा सकता है जो कच्चे डेटा को सही ढंग से समझ सकता है, उस डेटा से उपयोगी जानकारी एकत्र कर सकता है और फिर अंतिम समाधान प्राप्त करने के लिए उन निष्कर्षों का उपयोग कर सकता है। और लचीले दृष्टिकोण और आसानी से अनुकूलनीय समाधान के साथ समस्या का असाइनमेंट।

बुद्धि के तत्व

(1) तर्क: यह वह प्रक्रिया है जो हमें किसी भी समस्या में निर्णय लेने, भविष्यवाणी करने और निर्णय लेने के लिए बुनियादी मानदंड और दिशानिर्देश प्रदान करने की सुविधा प्रदान करती है।

रीज़निंग दो प्रकार की हो सकती है, एक सामान्यीकृत तर्क है जो सामान्य रूप से देखे जाने वाले बयानों और बयानों पर आधारित है। इस मामले में निष्कर्ष कभी-कभी गलत हो सकता है। अन्य तार्किक तर्क है, जो तथ्यों, आंकड़ों और विशिष्ट कथनों और विशिष्ट, उल्लिखित और देखे गए घटनाओं पर आधारित है। इस प्रकार इस मामले में निष्कर्ष सही और तार्किक है।

# 2) सीखना: यह विभिन्न स्रोतों जैसे पुस्तकों, जीवन की सच्ची घटनाओं, अनुभवों, कुछ विशेषज्ञों द्वारा सिखाया जा रहा है, आदि से ज्ञान और कौशल विकास प्राप्त करने की क्रिया है। अधिगम व्यक्ति के ज्ञान को उन क्षेत्रों में बढ़ाता है जिनसे वह अनजान है।

सीखने की क्षमता न केवल मनुष्यों द्वारा प्रदर्शित की जाती है, बल्कि कुछ जानवरों और कृत्रिम बुद्धिमान प्रणालियों द्वारा भी इस कौशल के अधिकारी हैं।

नीचे सूचीबद्ध के रूप में सीखने के विभिन्न प्रकार हैं:

  • ऑडियो भाषण सीखने की प्रक्रिया पर आधारित है जब कुछ शिक्षक व्याख्यान दे रहे होते हैं तब श्रव्य छात्र इसे सुनते हैं, इसे याद करते हैं, और फिर इसका ज्ञान प्राप्त करने के लिए इसका उपयोग करते हैं।
  • लीनियर लर्निंग उन घटनाओं की सरणी को याद करने पर आधारित है जो व्यक्ति ने सामना किया है और इससे सीखा है।
  • ऑब्जर्वेशनल लर्निंग का अर्थ है, जानवरों जैसे अन्य व्यक्तियों या प्राणियों के व्यवहार और चेहरे के भावों को देखकर सीखना। उदाहरण के लिए, छोटा बच्चा अपने माता-पिता की नकल करके बोलना सीखता है।
  • अवधारणात्मक शिक्षण दृश्यों और वस्तुओं की पहचान और वर्गीकरण करके और उन्हें याद करके सीखने पर आधारित है।
  • रिलेशनल लर्निंग पिछले घटनाओं और गलतियों से सीखने पर आधारित है और उन्हें सुधारने के प्रयास करते हैं।
  • स्थानिक सीखने का अर्थ है दृश्य, जैसे कि चित्र, वीडियो, रंग, नक्शे, चलचित्र आदि से सीखना, जो लोगों की छवि बनाने में मदद करेगा जब भी भविष्य के संदर्भ के लिए इसकी आवश्यकता होगी।

# 3) समस्या का समाधान: यह समस्या के कारण की पहचान करने और समस्या को हल करने के संभावित तरीके का पता लगाने की प्रक्रिया है। यह समस्या का विश्लेषण, निर्णय लेने और फिर समस्या के अंतिम और सबसे अनुकूल समाधान तक पहुंचने के लिए एक से अधिक समाधान खोजने के द्वारा किया जाता है।

यहां अंतिम आदर्श वाक्य न्यूनतम समय में समस्या-समाधान के सर्वोत्तम परिणामों को प्राप्त करने के लिए उपलब्ध लोगों में से सबसे अच्छा समाधान खोजना है।

# 4) धारणा: कच्चे इनपुट से उपयोगी डेटा को प्राप्त करना, आक्षेप करना, चुनना और व्यवस्थित करना यह घटना है।

मनुष्यों में, धारणा पर्यावरण के अनुभवों, भावना अंगों और स्थितिजन्य स्थितियों से ली गई है। लेकिन कृत्रिम बुद्धिमत्ता की धारणा के विषय में, इसे कृत्रिम सेंसर तंत्र द्वारा तार्किक तरीके से डेटा के साथ हासिल किया जाता है।

# 5) भाषाई बुद्धि: यह विभिन्न भाषाओं में मौखिक चीजों को तैनात करने, पता लगाने, पढ़ने और लिखने की क्षमता की घटना है। यह दो या दो से अधिक व्यक्तियों के बीच संचार के तरीके का बुनियादी घटक है और आवश्यक एक विश्लेषणात्मक और तार्किक समझ के लिए भी है।

बुद्धि के तत्व

मानव और मशीन इंटेलिजेंस के बीच अंतर

निम्नलिखित बिंदु अंतरों की व्याख्या करते हैं:

# 1) हमने मानव बुद्धि के घटकों के ऊपर बताया है जिसके आधार पर मानव विभिन्न प्रकार के जटिल कार्य करता है और विभिन्न परिस्थितियों में विभिन्न प्रकार की विशिष्ट समस्याओं को हल करता है।

#दो) इंसान इंसानों की तरह ही बुद्धिमत्ता से मशीनों का विकास करता है और वे इंसानों की तरह ही बहुत हद तक जटिल समस्या को भी परिणाम देते हैं।

# 3) मनुष्य दृश्य और श्रव्य पैटर्न, पिछली स्थितियों और परिस्थितियों की घटनाओं से डेटा को अलग करते हैं जबकि कृत्रिम रूप से बुद्धिमान मशीनें समस्या को पहचानती हैं और पूर्वनिर्धारित नियमों और बैकलॉग डेटा के आधार पर समस्या को संभालती हैं।

# 4) मनुष्य अतीत के डेटा को याद करते हैं और इसे याद करते हैं क्योंकि उन्होंने इसे सीखा था और मस्तिष्क में रखा था, लेकिन मशीन एल्गोरिदम खोजकर अतीत के डेटा को खोज लेंगे।

# 5) भाषाई बुद्धिमत्ता के साथ, मनुष्य विकृत छवि और आकार, आवाज, डेटा और छवियों के लापता पैटर्न को भी पहचान सकते हैं। लेकिन मशीनों में यह बुद्धि नहीं होती है और वे कंप्यूटर सीखने की पद्धति और गहरी सीखने की प्रक्रिया का उपयोग करते हैं जिसमें वांछित परिणाम प्राप्त करने के लिए फिर से विभिन्न एल्गोरिदम शामिल होते हैं।

# 6) मनुष्य हमेशा अपनी वृत्ति, दृष्टि, अनुभव, परिस्थितियों की स्थितियों, आसपास की जानकारी, दृश्य और कच्चे डेटा उपलब्ध का पालन करते हैं, और वे चीजें भी जो वे कुछ शिक्षकों या बड़ों द्वारा सिखाई गई हैं, किसी भी समस्या का विश्लेषण करने और कुछ प्रभावी और सार्थक परिणामों के साथ आने के लिए किसी भी मुद्दे पर।

दूसरी ओर, हर स्तर पर कृत्रिम रूप से बुद्धिमान मशीनें कुछ उपयोगी परिणामों पर पहुंचने के लिए विभिन्न एल्गोरिदम, पूर्वनिर्धारित चरणों, बैकलॉग डेटा और मशीन लर्निंग को तैनात करती हैं।

# 7) यद्यपि मशीनों द्वारा अपनाई जाने वाली प्रक्रिया जटिल होती है और इसमें बहुत सी प्रक्रिया शामिल होती है, फिर भी वे जटिल डेटा के बड़े स्रोत का विश्लेषण करने के मामले में सबसे अच्छे परिणाम देते हैं और जहाँ एक ही समय में एक ही समय पर विभिन्न क्षेत्रों के विशिष्ट कार्यों को करने की आवश्यकता होती है और सटीक और दिए गए समय सीमा के भीतर।

मशीनों के इन मामलों में त्रुटि दर मनुष्यों की तुलना में बहुत कम है।

आर्टिफिशियल इंटेलिजेंस के उप-क्षेत्र

आर्टिफिशियल इंटेलिजेंस के उप-क्षेत्र

(1) मशीन लर्निंग

मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस की एक विशेषता है जो कंप्यूटर को डेटा को स्वचालित रूप से इकट्ठा करने की क्षमता प्रदान करता है और दिए गए कार्य या कार्य को करने के लिए विशेष रूप से प्रोग्राम किए गए समस्याओं या मामलों के अनुभव से सीखता है।

मशीन लर्निंग एल्गोरिदम की वृद्धि पर जोर देती है जो डेटा की जांच कर सकती है और इसकी भविष्यवाणी कर सकती है। इसका मुख्य उपयोग स्वास्थ्य उद्योग में होता है जहां इसका उपयोग रोग के निदान, मेडिकल स्कैन व्याख्या, आदि के लिए किया जाता है।

पैटर्न मान्यता मशीन सीखने की एक उप-श्रेणी है। इसे कंप्यूटर एल्गोरिदम का उपयोग करके कच्चे डेटा से ब्लूप्रिंट की स्वचालित मान्यता के रूप में वर्णित किया जा सकता है।

कैसे एडोब फ़्लैश प्लेयर के साथ swf फ़ाइलों को खोलने के लिए

एक पैटर्न समय के साथ डेटा की एक निरंतर श्रृंखला हो सकती है, जिसका उपयोग घटनाओं और रुझानों के अनुक्रम की भविष्यवाणी करने के लिए किया जाता है, वस्तुओं की पहचान करने के लिए छवियों की विशेषताओं की विशेष विशेषताओं, भाषा सहायता के लिए शब्दों और वाक्यों के आवर्ती संयोजन और यह एक विशिष्ट हो सकता है किसी भी नेटवर्क में लोगों के कार्यों का संग्रह जो कुछ सामाजिक गतिविधि और कई और चीजों का संकेत दे सकता है।

पैटर्न मान्यता प्रक्रिया में कई चरण शामिल हैं। इन्हें इस प्रकार समझाया गया है:

(i) डेटा अधिग्रहण और संवेदन: इसमें भौतिक चर जैसे कच्चे डेटा का संग्रह और आवृत्ति, बैंडविड्थ, रिज़ॉल्यूशन आदि की माप शामिल है। डेटा दो प्रकार का है: प्रशिक्षण डेटा, और सीखने का डेटा।

प्रशिक्षण डेटा वह है जिसमें डेटासेट की कोई लेबलिंग नहीं दी गई है और सिस्टम उन्हें वर्गीकृत करने के लिए क्लस्टर लागू करता है। जबकि लर्निंग डेटा में एक अच्छी तरह से लेबल किया गया डेटासेट होता है ताकि इसे सीधे क्लासिफायर के साथ इस्तेमाल किया जा सके।

(ii) इनपुट डेटा की प्री-प्रोसेसिंग :इसमें इनपुट स्रोत से शोर जैसे अवांछित डेटा को फ़िल्टर करना शामिल है और यह सिग्नल प्रोसेसिंग के माध्यम से किया जाता है। इस स्तर पर, इनपुट डेटा में पहले से मौजूद पैटर्न का निस्पंदन भी आगे के संदर्भों के लिए किया जाता है।

(iii) सुविधा निष्कर्षण :सुविधाओं के संदर्भ में आवश्यकतानुसार मिलान पैटर्न खोजने के लिए विभिन्न एल्गोरिदम को एक पैटर्न मिलान एल्गोरिदम की तरह किया जाता है।

(iv) वर्गीकरण :एल्गोरिदम के आउटपुट के आधार पर और विभिन्न मॉडलों ने मिलान पैटर्न प्राप्त करने के लिए सीखा, वर्ग पैटर्न को सौंपा गया है।

(v) पोस्ट-प्रोसेसिंग :यहां अंतिम आउटपुट प्रस्तुत किया गया है और यह आश्वासन दिया जाएगा कि प्राप्त परिणाम लगभग आवश्यक होने की संभावना है।

पैटर्न मान्यता के लिए मॉडल:

पैटर्न मान्यता के लिए मॉडल

(छवि स्रोत )

जैसा कि ऊपर की आकृति में दिखाया गया है, फीचर एक्सट्रैक्टर इनपुट कच्चे डेटा, जैसे ऑडियो, छवि, वीडियो, ध्वनि, आदि से सुविधाओं को प्राप्त करेगा।

अब, क्लासिफायर x को इनपुट वैल्यू के रूप में प्राप्त करेगा और क्लास 1, क्लास 2 जैसे इनपुट वैल्यू के लिए अलग-अलग कैटेगरी आवंटित करेगा। डेटा की कक्षा के आधार पर कक्षा सी। पैटर्न की आगे की मान्यता और विश्लेषण किया जाता है।

इस मॉडल के माध्यम से त्रिकोण आकार की मान्यता का उदाहरण:

PR का उदाहरण

पैटर्न रिकॉग्निशन और नेविगेशन गाइडेंस और ऑटोमोबाइल इंडस्ट्री के लिए डिफेंस सिस्टम में वॉइस-बेस्ड रिकग्निशन और फेशियल ऑथेंटिकेशन जैसे आइडेंटिफिकेशन और ऑथेंटिकेशन प्रोसेसर्स में पैटर्न रिकॉग्निशन का इस्तेमाल किया जाता है।

# 2) गहरी सीख

यह इनपुट डेटा के प्रसंस्करण और विश्लेषण द्वारा सीखने की प्रक्रिया है, जब तक कि मशीन एकल वांछनीय आउटपुट का पता नहीं लगाती है। इसे मशीनों के स्व-शिक्षण के रूप में भी जाना जाता है।

मशीन आउटपुट के लिए इनपुट डेटा के इनपुट कच्चे अनुक्रम को मैप करने के लिए विभिन्न यादृच्छिक प्रोग्राम और एल्गोरिदम चलाता है। न्यूरोएवोल्यूशन जैसे अन्य एल्गोरिदम को तैनात करने और एक तंत्रिका टोपोलॉजी पर ग्रेडिएंट की तरह अन्य दृष्टिकोणों को आउटपुट वाई अंत में अज्ञात इनपुट फ़ंक्शन एफ (एक्स) से उठाया जाता है, यह मानते हुए कि एक्स और वाई सहसंबद्ध हैं।

यहां दिलचस्प बात यह है कि तंत्रिका नेटवर्क का काम सही एफ फ़ंक्शन का पता लगाना है।

डीप लर्निंग सभी संभव मानवीय विशेषताओं और व्यवहारिक डेटाबेस का गवाह होगा और पर्यवेक्षित शिक्षण का प्रदर्शन करेगा। इस प्रक्रिया में शामिल हैं:

  • विभिन्न प्रकार की मानवीय भावनाओं और संकेतों का पता लगाना।
  • विशेष चिन्हों, चिह्नों या विशेषताओं द्वारा चित्रों द्वारा मानव और जानवरों की पहचान करें।
  • विभिन्न वक्ताओं की आवाज पहचान और उन्हें याद।
  • पाठ डेटा में वीडियो और आवाज का रूपांतरण।
  • सही या गलत इशारों की पहचान, स्पैम चीजों और धोखाधड़ी के मामलों को वर्गीकृत करें (धोखाधड़ी के दावों की तरह)।

ऊपर उल्लिखित सहित अन्य सभी विशेषताओं का उपयोग गहन शिक्षण द्वारा कृत्रिम तंत्रिका नेटवर्क तैयार करने के लिए किया जाता है।

भविष्य कहनेवाला विश्लेषण: विशाल डेटासेट को इकट्ठा करने और सीखने के बाद, उपलब्ध मॉडल सेट के पास, इसी तरह के स्पीच सेट, चित्र, या दस्तावेजों की तुलना करने के समान डेटासेट की क्लस्टरिंग की जाती है।

चूंकि हमने डेटासेट्स का वर्गीकरण और क्लस्टरिंग किया है, हम भविष्य की घटनाओं की भविष्यवाणी का दृष्टिकोण करेंगे जो वर्तमान घटना के आधार पर उन दोनों के बीच संबंध स्थापित करके आधारित हैं। याद रखें कि भविष्य कहनेवाला निर्णय और दृष्टिकोण समयबद्ध नहीं है।

केवल एक ही बिंदु है जिसे एक भविष्यवाणी करते समय ध्यान में रखा जाना चाहिए कि आउटपुट को कुछ अर्थ देना चाहिए और तार्किक होना चाहिए।

पुनरावृत्ति लेने और आत्म-विश्लेषण करके, मशीनों के लिए समस्याओं का समाधान इसके द्वारा प्राप्त किया जाएगा। गहरी सीखने का उदाहरण फोन में भाषण मान्यता है जो स्मार्टफोन को स्पीकर के एक अलग तरह के लहजे को समझने और इसे सार्थक भाषण में बदलने की अनुमति देता है।

# 3) तंत्रिका नेटवर्क

तंत्रिका नेटवर्क कृत्रिम बुद्धि का मस्तिष्क हैं। वे कंप्यूटर सिस्टम हैं जो मानव मस्तिष्क में तंत्रिका कनेक्शन की प्रतिकृति हैं। मस्तिष्क के कृत्रिम इसी न्यूरॉन्स को पर्सेप्ट्रॉन के रूप में जाना जाता है।

विभिन्न परसेप्ट्रॉन के एक साथ जुड़ने से मशीनों में कृत्रिम तंत्रिका नेटवर्क बन जाता है। वांछनीय आउटपुट देने से पहले, तंत्रिका नेटवर्क विभिन्न प्रशिक्षण उदाहरणों को संसाधित करके ज्ञान प्राप्त करते हैं।

विभिन्न शिक्षण मॉडल के उपयोग के साथ, डेटा का विश्लेषण करने की यह प्रक्रिया कई संबद्ध प्रश्नों के लिए भी समाधान देगी जो पहले अनुत्तरित थे।

तंत्रिका नेटवर्क के सहयोग से गहन सीखने से छिपी डेटा की कई परतें सामने आ सकती हैं, जिसमें जटिल समस्याओं की आउटपुट परत भी शामिल है और यह उप-क्षेत्र के लिए भाषण मान्यता, प्राकृतिक भाषा प्रसंस्करण और कंप्यूटर दृष्टि, आदि के लिए सहयोगी है।

तंत्रिका नेटवर्क इनपुट-आउटपुट आरेख

(छवि स्रोत )

पहले के प्रकार के तंत्रिका नेटवर्क एक इनपुट और एक आउटपुट से बने होते थे और केवल एक छिपी हुई परत या केवल परसेप्ट्रॉन की एक ही परत होती थी।

गहरे तंत्रिका नेटवर्क इनपुट और आउटपुट परतों के बीच एक से अधिक छिपी हुई परत से बने होते हैं। इसलिए डेटा यूनिट की छिपी परतों को उजागर करने के लिए एक गहरी सीखने की प्रक्रिया की आवश्यकता होती है।

तंत्रिका नेटवर्क के गहरे सीखने में, प्रत्येक परत विशेषताओं के अनूठे सेट पर कुशल होती है, जो पिछली परतों के आउटपुट विशेषताओं के आधार पर होती है। जितना अधिक आप तंत्रिका नेटवर्क में आते हैं, नोड अधिक जटिल विशेषताओं को पहचानने की क्षमता प्राप्त करता है क्योंकि वे अधिक स्पष्ट अंतिम आउटपुट का उत्पादन करने के लिए सभी पिछली परतों के आउटपुट की भविष्यवाणी और पुनर्संयोजन करते हैं।

इस पूरी प्रक्रिया को फीचर पदानुक्रम कहा जाता है और जटिल और अमूर्त डेटा सेटों के पदानुक्रम के रूप में भी जाना जाता है। यह गहरी तंत्रिका नेटवर्क की क्षमता को बढ़ाता है ताकि बहुत विशाल और व्यापक आयामी डेटा इकाइयां हो सकें, जिससे अरबों की बाधा रैखिक और गैर-रैखिक कार्यों से गुजरेगी।

कई परत तंत्रिका नेटवर्क

मुख्य मुद्दा जो मशीन इंटेलिजेंस को हल करने के लिए संघर्ष कर रहा है, वह है दुनिया में अनबेल्ड और अनस्ट्रक्चर्ड डेटा को संभालना और प्रबंधित करना जो सभी क्षेत्रों और देशों में फैला हुआ है। अब तंत्रिका जाल में इन डेटा सबसेट की विलंबता और जटिल विशेषताओं को संभालने की क्षमता है।

कृत्रिम तंत्रिका नेटवर्क के साथ गहरे शिक्षण ने अनाम और कच्चे डेटा को वर्गीकृत किया है और उन्हें चित्रित किया है जो उचित लेबलिंग के साथ एक संगठित संबंधपरक डेटाबेस में चित्र, पाठ, ऑडियो आदि के रूप में थे।

उदाहरण के लिए, गहरी सीख हजारों कच्ची छवियों को इनपुट के रूप में लेगी, और फिर उन्हें उनकी मूलभूत विशेषताओं और पात्रों के आधार पर वर्गीकृत करेगी जैसे सभी जानवरों को एक तरफ कुत्ते, एक कोने पर गैर-जीवित चीजें और एक कोने पर आपके परिवार की सभी तस्वीरें तीसरा पक्ष इस प्रकार समग्र फोटो को पूरा करता है जिसे स्मार्ट-फोटो एल्बम के रूप में भी जाना जाता है।

एक और उदाहरण, पाठ डेटा के मामले को इनपुट के रूप में देखें, जहां हमारे हजारों ई-मेल हैं। यहां, गहन शिक्षण ईमेल को उनकी सामग्री के अनुसार प्राथमिक, सामाजिक, प्रचार और स्पैम ई-मेल जैसी विभिन्न श्रेणियों में विभाजित करेगा।

भरण-पोषण तंत्रिका नेटवर्क: तंत्रिका नेटवर्क का उपयोग करने का लक्ष्य न्यूनतम परिणाम और उच्च सटीकता के स्तर के साथ अंतिम परिणाम प्राप्त करना है।

इस प्रक्रिया में कई चरण शामिल हैं और प्रत्येक स्तर में भविष्यवाणी, त्रुटि प्रबंधन, और वजन अपडेट शामिल हैं जो कि सह-कुशल के लिए थोड़ी वृद्धि है क्योंकि यह धीरे-धीरे वांछनीय सुविधाओं में स्थानांतरित हो जाएगा।

तंत्रिका नेटवर्क के शुरुआती बिंदु पर, यह नहीं जानता कि कौन सा वजन और डेटा-उपसमुच्चय इनपुट को सर्वोत्तम उपयुक्त भविष्यवाणियों में परिवर्तित करेगा। इस प्रकार यह सबसे अच्छा परिणाम प्राप्त करने के लिए क्रमिक रूप से भविष्यवाणियां करने के लिए मॉडल के रूप में सभी प्रकार के डेटा और वज़न पर विचार करेगा और यह हर बार अपनी गलती से सीखता है।

उदाहरण के लिए, हम छोटे बच्चों के साथ तंत्रिका नेटवर्क का उल्लेख कर सकते हैं जब वे पैदा होते हैं, तो वे अपने आस-पास की दुनिया के बारे में कुछ भी नहीं जानते हैं और उनके पास कोई बुद्धिमत्ता नहीं है लेकिन जैसे-जैसे वे बूढ़े होते हैं वे अपने जीवन के अनुभवों और गलतियों से सीखते हैं ताकि वे एक बेहतर मानव और बौद्धिक बन सकें।

फ़ीड-फॉरवर्ड नेटवर्क की वास्तुकला को गणितीय अभिव्यक्ति द्वारा नीचे दिखाया गया है:

इनपुट * वजन = भविष्यवाणी
फिर,
जमीनी सच्चाई - भविष्यवाणी = त्रुटि
फिर,
त्रुटि * त्रुटि के लिए वजन योगदान = समायोजन

यह यहां समझाया जा सकता है, इनपुट डेटासेट नेटवर्क के लिए कई पूर्वानुमान प्राप्त करने के लिए गुणांक के साथ उन्हें मैप करेगा।

अब भविष्यवाणी की तुलना जमीनी तथ्यों से की जाती है जो वास्तविक समय के परिदृश्य से लिए जाते हैं, तथ्य त्रुटि दर को खोजने के लिए अनुभव को समाप्त करते हैं। समायोजन त्रुटि से निपटने और इसमें वजन के योगदान से संबंधित हैं।

पेड़ डेटा संरचना c ++

ये तीन कार्य तंत्रिका नेटवर्क के तीन मुख्य निर्माण खंड हैं जो इनपुट स्कोर कर रहे हैं, नुकसान का मूल्यांकन कर रहे हैं, और मॉडल के उन्नयन को तैनात कर रहे हैं।

इस प्रकार यह एक प्रतिक्रिया लूप है जो गुणांक को पुरस्कृत करेगा जो सही भविष्यवाणियां करने में समर्थन करता है और गुणांक को छोड़ देगा जो त्रुटियों को जन्म देता है।

लिखावट की पहचान, चेहरे और डिजिटल हस्ताक्षर की पहचान, लापता पैटर्न की पहचान तंत्रिका नेटवर्क के वास्तविक समय के कुछ उदाहरण हैं।

# 4) संज्ञानात्मक कम्प्यूटिंग

कृत्रिम बुद्धि के इस घटक का उद्देश्य जटिल कार्य पूरा करने और मनुष्यों और मशीनों के बीच समस्या-समाधान के लिए बातचीत को आरंभ करना और तेज करना है।

मनुष्यों के साथ विभिन्न प्रकार के कार्यों पर काम करते समय, मशीनें मानव व्यवहार, विभिन्न विशिष्ट परिस्थितियों में भावनाओं को सीखती हैं और समझती हैं और कंप्यूटर मॉडल में मनुष्यों की सोच प्रक्रिया को फिर से बनाती हैं।

इसका अभ्यास करके, मशीन मानव भाषा और छवि प्रतिबिंबों को समझने की क्षमता प्राप्त करती है। इस प्रकार कृत्रिम बुद्धि के साथ-साथ संज्ञानात्मक सोच एक ऐसा उत्पाद बना सकती है जिसमें मानव जैसी क्रियाएं होंगी और डेटा हैंडलिंग क्षमता भी हो सकती है।

संज्ञानात्मक कंप्यूटिंग जटिल समस्याओं के मामले में सटीक निर्णय लेने में सक्षम है। इस प्रकार यह उस क्षेत्र में लागू किया जाता है जिसे इष्टतम लागत के साथ समाधान में सुधार करने की आवश्यकता होती है और इसे प्राकृतिक भाषा और साक्ष्य-आधारित सीखने का विश्लेषण करके हासिल किया जाता है।

उदाहरण के लिए, Google सहायक संज्ञानात्मक कंप्यूटिंग का एक बहुत बड़ा उदाहरण है।

# 5) प्राकृतिक भाषा प्रसंस्करण

कृत्रिम बुद्धि की इस विशेषता के साथ, कंप्यूटर मानव भाषा और भाषण की व्याख्या, पहचान, पता और प्रक्रिया कर सकते हैं।

इस घटक को शुरू करने के पीछे की अवधारणा मशीनों और मानव भाषा के बीच बातचीत को सहज बनाना है और कंप्यूटर मानव भाषण या क्वेरी के प्रति तार्किक प्रतिक्रिया देने में सक्षम हो जाएंगे।

मानव भाषाओं के मौखिक और लिखित खंड दोनों पर प्राकृतिक भाषा प्रसंस्करण ध्यान केंद्रित करने का अर्थ है एल्गोरिदम का उपयोग करने के सक्रिय और निष्क्रिय दोनों तरीके।

प्राकृतिक भाषा पीढ़ी (एनएलजी) उन वाक्यों और शब्दों को संसाधित और डिकोड करेगी, जो मानव बोलते थे (मौखिक संचार) जबकि नेचुरल लैंग्वेज अंडरस्टैंडिंग (एनएलयू) लिखित शब्दावली पर जोर देगा ताकि भाषा को पाठ या पिक्सल में भाषा का अनुवाद किया जा सके, जिसे समझा जा सकता है मशीनें।

मशीनों के ग्राफिकल यूजर इंटरफेस (जीयूआई) आधारित अनुप्रयोग प्राकृतिक भाषा प्रसंस्करण का सबसे अच्छा उदाहरण हैं।

विभिन्न प्रकार के अनुवादक जो एक भाषा को दूसरी भाषा में बदलते हैं, प्राकृतिक भाषा प्रसंस्करण प्रणाली के उदाहरण हैं। वॉयस असिस्टेंट और वॉयस सर्च इंजन का गूगल फीचर भी इसका एक उदाहरण है।

# 6) कंप्यूटर विजन

कंप्यूटर विज़न आर्टिफिशियल इंटेलिजेंस का एक बहुत ही महत्वपूर्ण हिस्सा है क्योंकि यह कंप्यूटर को वास्तविक दुनिया की छवियों और विजुअल से दृश्य डेटा को स्वचालित रूप से पहचानने, विश्लेषण और व्याख्या करने और उन्हें इंटरसेप्ट करने की सुविधा देता है।

यह किसी भी डेटा से छवियों की सामग्री को निकालने के लिए गहरी सीखने और पैटर्न मान्यता के कौशल को शामिल करता है, जिसमें पीडीएफ दस्तावेज़, वर्ड दस्तावेज़, पीपीटी दस्तावेज़, एक्सएल फ़ाइल, ग्राफ़ और चित्र, आदि के भीतर चित्र या वीडियो फाइलें शामिल हैं।

मान लीजिए हमारे पास चीजों की एक बंडल की एक जटिल छवि है, तो केवल छवि को देखना और इसे याद रखना हर किसी के लिए आसानी से संभव नहीं है। कंप्यूटर विज़न में बिट और बाइट डिटेल निकालने के लिए इमेज में ट्रांसफ़ॉर्मेशन की एक श्रृंखला को शामिल किया जा सकता है जैसे ऑब्जेक्ट्स के तेज किनारों, असामान्य डिज़ाइन या रंग, आदि।

यह गणितीय अभिव्यक्तियों और आंकड़ों को लागू करके विभिन्न एल्गोरिदम का उपयोग करके किया जाता है। रोबोट दुनिया को देखने और वास्तविक समय की स्थितियों में कार्य करने के लिए कंप्यूटर विज़न तकनीक का उपयोग करते हैं।

इस घटक के अनुप्रयोग का उपयोग स्वास्थ्य सेवा उद्योग में बहुत हद तक एमआरआई स्कैन, एक्स-रे इत्यादि का उपयोग करके रोगी की स्वास्थ्य स्थिति का विश्लेषण करने के लिए किया जाता है, जिसका उपयोग ऑटोमोबाइल उद्योग में कंप्यूटर नियंत्रित वाहनों और ड्रोन से निपटने के लिए भी किया जाता है।

निष्कर्ष

इस ट्यूटोरियल में, पहले, हमने वांछित परिणाम प्राप्त करने के लिए वास्तविक जीवन स्थितियों में बुद्धिमत्ता को लागू करने के लिए आरेख और उनके महत्व के साथ बुद्धिमत्ता के विभिन्न तत्वों की व्याख्या की है।

फिर, हमने कृत्रिम बुद्धिमत्ता के विभिन्न उप-क्षेत्रों और मशीन बुद्धि में उनके महत्व और गणितीय अभिव्यक्तियों, वास्तविक समय अनुप्रयोगों और विभिन्न उदाहरणों की मदद से वास्तविक दुनिया का विस्तार से पता लगाया है।

हमने मशीन लर्निंग, पैटर्न रिकग्निशन और आर्टिफिशियल इंटेलिजेंस के न्यूरल नेटवर्क कॉन्सेप्ट के बारे में भी विस्तार से सीखा है, जो आर्टिफिशियल इंटेलिजेंस के सभी अनुप्रयोगों में बहुत महत्वपूर्ण भूमिका निभाते हैं।

इस ट्यूटोरियल के क्रमिक भाग में, हम आर्टिफिशियल इंटेलिजेंस के बारे में विस्तार से जानेंगे।

अनुशंसित पाठ

^