ডিপ লার্নিং মেশিন লার্নিং (এমএল) এর এক শক্তিশালী ফর্ম যা বিশাল পরিমাণ তথ্য (তথ্য) ব্যবহার করে জটিল গাণিতিক কাঠামো তৈরি করে।
গভীর শেখার সংজ্ঞা
ডিপ লার্নিং আরও জটিল ধরনের তথ্য প্রক্রিয়া করার জন্য নিউরাল নেটওয়ার্কগুলির একাধিক স্তর ব্যবহার করে এমএল বাস্তবায়ন করার একটি উপায়। কখনও কখনও হায়ারার্কিকাল লার্নিং বলা হয়, গভীর শেখার বৈশিষ্ট্যগুলি শিখতে বিভিন্ন ধরণের নিউরাল নেটওয়ার্ক ব্যবহার করে (এছাড়াও উপস্থাপনা বলা হয়) এবং তাদের কাঁচা, আনলবেড ডেটা (অনির্ধারিত ডেটা) এর বড় সেটগুলিতে সন্ধান করে। গভীর শিক্ষার প্রথম ব্রেকথ্রু প্রদর্শনীগুলির মধ্যে একটি হল এমন একটি প্রোগ্রাম যা সফলভাবে YouTube ভিডিওগুলির সেটগুলির বাইরে বিড়ালের চিত্রগুলি বাছাই করে।
দৈনিক জীবন গভীর শিক্ষা উদাহরণ
গভীর শিক্ষা শুধুমাত্র ছবির স্বীকৃতিতে ব্যবহার করা হয় না, তবে ভাষা অনুবাদ, জালিয়াতি সনাক্তকরণ এবং তাদের গ্রাহকদের সম্পর্কে সংগৃহীত তথ্য বিশ্লেষণের জন্য। উদাহরণস্বরূপ, নেটফ্লিক্স আপনার দেখার অভ্যাসগুলি বিশ্লেষণ করার জন্য গভীর শোভাযাত্রা ব্যবহার করে এবং যা দেখায় এবং আপনি কী দেখানোর জন্য পছন্দ করেন তা পূর্বাভাস দেয়। Netflix কিভাবে আপনার পরামর্শ সারিতে অ্যাকশন ছায়াছবি এবং প্রকৃতি ডকুমেন্টারি রাখা জানেন কিভাবে। অ্যামাজন আপনার সাম্প্রতিক ক্রয়গুলি এবং আইটেমগুলি সম্প্রতি অনুসন্ধানের জন্য গভীরভাবে শেখার ব্যবহার করে যা আপনি সম্প্রতি আগ্রহী হতে আগ্রহী এমন নতুন দেশ সঙ্গীত অ্যালবামগুলির জন্য পরামর্শ তৈরি করতে এবং আপনি একটি জুতা এবং হলুদ টেনিসের জোড়া জুড়ে বাজারে আছেন জুতা। গভীর শিক্ষার ফলে অনির্ধারিত এবং কাঁচা ডেটা থেকে আরও বেশি অন্তর্দৃষ্টি সরবরাহ করা হয়, যখন কর্পোরেশনগুলি আপনার গ্রাহকদের প্রয়োজনীয়তাগুলি আরও ভালভাবে তুলতে পারে তবে আপনার ব্যক্তিগত গ্রাহক আরও ব্যক্তিগতকৃত গ্রাহক পরিষেবা পেতে পারেন।
কৃত্রিম নিউরাল নেটওয়ার্ক এবং গভীর শিক্ষণ
গভীর শেখার সহজ বোঝার জন্য, এর একটি কৃত্রিম নিউরাল নেটওয়ার্ক (ANN) এর তুলনা আমাদের পুনর্বিবেচনার করা যাক। গভীর শিক্ষার জন্য, কল্পনা করুন আমাদের 15-তলা অফিস ভবনটি পাঁচটি অফিসের ভবনগুলির সাথে একটি শহর অবরোধ করে। রাস্তার প্রতিটি পাশে তিনটি ভবন রয়েছে। আমাদের ভবনটি বিল্ডিং এ তৈরি করছে এবং রাস্তার একই অংশ ভবন বিল্ডিং এবং সি হিসাবে ভাগ করে। বিল্ডিংয়ের রাস্তার পাশে A তৈরি হচ্ছে, এবং বিল্ডিং বিল্ডিংয়ের ভিতর থেকে 2 বিল্ডিং হয়, ইত্যাদি। প্রতিটি ভবনের বিভিন্ন ধরণের মেঝে রয়েছে, বিভিন্ন উপকরণ থেকে তৈরি করা হয়েছে এবং এটির থেকে অন্য একটি ভিন্ন স্থাপত্য শৈলী রয়েছে। যাইহোক, প্রতিটি ভবন এখনও অফিসের (নোড) পৃথক মেঝে (স্তর) মধ্যে সাজানো হয় -এমন প্রতিটি বিল্ডিং একটি অনন্য ANN হয়।
কল্পনা করুন যে বিল্ড ভিত্তিক ডেটা, ভিডিও স্ট্রিম, অডিও স্ট্রিমস, টেলিফোন কল, রেডিও তরঙ্গ এবং ফটোগ্রাফগুলির মতো একাধিক উত্স থেকে বিভিন্ন ধরণের তথ্য রয়েছে এমন একটি ডিজিটাল প্যাকেজ উপস্থিত রয়েছে-তবে এটি একটি বড় ঝগড়াতে আসে এবং লেবেলযুক্ত বা কোন লজিক্যাল ভাবে সাজানো হয় না (অনির্ধারিত তথ্য)। তথ্যের ভিত্তিতে প্রতিটি মেঝে মাধ্যমে পাঠানো হয় 1St মাধ্যমে 15ম প্রক্রিয়াকরণের জন্য. তথ্য ঝগড়া 15 পৌঁছানোর পরম মেঝে (আউটপুট), এটি 1 পাঠানো হয়St বিল্ডিং 3 এর মেঝে (ইনপুট) এর সাথে চূড়ান্ত প্রক্রিয়াকরণ ফলাফল সহ বিল্ডিং এ বিল্ডিং 3 থেকে শিখতে এবং এটি তৈরি করে ফলাফল তৈরি করা হয় এবং তারপর এটিকে একইভাবে প্রতিটি মেঝেতে তথ্যটি ঝাপসা করে প্রক্রিয়া করে। যখন তথ্য বিল্ডিংয়ের উপরের তলায় পৌঁছায় 3, তখন বিল্ডিং এর ফলাফলের সাথে এটি বিল্ডিংয়ের জন্য পাঠানো হয়। বিল্ডিং 1 থেকে এটি শিখতে এবং ফ্লোর-মে-মেঝেতে প্রক্রিয়াকরণের আগে 3 টি বিল্ডিংয়ের ফলাফল অন্তর্ভুক্ত করে। বিল্ডিং 1 সি তৈরির মতো তথ্য এবং ফলাফল পাস করে যা প্রক্রিয়া করে এবং বিল্ডিংয়ের জন্য প্রেরণ করে 2 যা প্রক্রিয়া করে এবং বিল্ডিংয়ের জন্য প্রেরণ করে।
আমাদের উদাহরণে প্রতিটি ANN (বিল্ডিং) অনির্ধারিত তথ্য (তথ্য ঝগড়া) মধ্যে একটি ভিন্ন বৈশিষ্ট্য অনুসন্ধান করে এবং পরবর্তী বিল্ডিংয়ের ফলাফলটি পাস করে। পরবর্তী বিল্ডিং পূর্ববর্তী এক থেকে আউটপুট (ফলাফল) অন্তর্ভুক্ত (শিখতে)। প্রতিটি ANN (বিল্ডিং) দ্বারা ডেটা প্রক্রিয়া করা হয়, এটি একটি বিশেষ বৈশিষ্ট্য দ্বারা সংগঠিত এবং লেবেলযুক্ত (শ্রেণীবদ্ধ) হয়ে যায় যাতে যখন তথ্যটি সর্বশেষ ANN (বিল্ডিং) এর চূড়ান্ত আউটপুট (উপরের তলায়) পৌঁছে যায়, এটি শ্রেণীবদ্ধ এবং লেবেলযুক্ত (আরো কাঠামোগত)।
কৃত্রিম গোয়েন্দা, মেশিন লার্নিং, এবং গভীর শিক্ষণ
কিভাবে গভীর শেখার কৃত্রিম বুদ্ধিমত্তা (এআই) এবং এমএল সামগ্রিক ছবিতে মাপসই করা হয়? গভীর শেখার এমএল শক্তি boosts এবং কর্মক্ষমতা পরিসীমা বৃদ্ধি এআই সক্ষম করতে সক্ষম। কারণ গভীর শিক্ষার স্নায়ু জাল ব্যবহারে নির্ভর করে এবং সরল টাস্ক-নির্দিষ্ট অ্যালগরিদমগুলি পরিবর্তে ডেটা সেটের মধ্যে বৈশিষ্ট্যগুলি স্বীকৃতি দেয়, এটি প্রোগ্রামারের ম্যানুয়ালি নিজে লেবেল করার প্রয়োজন ছাড়াই অনির্বাচিত (কাঁচা) ডেটা থেকে বিশদ খুঁজে পেতে এবং ব্যবহার করতে পারে। ত্রুটি পরিচয় করিয়ে দিতে পারে যে -সংখ্যক টাস্ক। ডিপ লার্নিং কর্পোরেশন এবং ব্যক্তি উভয় সাহায্য করার জন্য তথ্য ব্যবহার করে কম্পিউটার ভাল এবং ভাল পেতে সাহায্য করছে।
