#रुझान | मशीन सीखने

प्राचीन काल से, वैज्ञानिकों सहित, पास्कल और लाइबनिट्स का सपना देखा मशीन, देखने के लिए सक्षम है, दुनिया को समझते हैं और इसके साथ बातचीत. लेखकों और निर्देशकों, जैसे जूल्स वर्ने, मेरी शेली, जॉर्ज लुकास और स्टीवन स्पीलबर्ग बनाया है, एक बोल्ड उपस्थिति में इस तरह के स्मार्ट उपकरणों है । इस एपिसोड में हम बात के बारे में सीखने मशीन है, जो पहले से ही कामयाब साबित करने के लिए कि की गहराई में कहीं कंप्यूटर और रोबोट बहुत ज्यादा नहीं है अलग अलग लोगों से है ।

मशीन लर्निंग क्या है? संक्षेप में, वैज्ञानिक अनुशासन की कोशिश करता है कि जवाब देने के लिए निम्नलिखित प्रश्न: "कैसे कर सकते हैं हम कार्यक्रम प्रणाली के लिए स्वत: सीखने और सुधार के साथ नया अनुभव है?". प्रशिक्षण इस संदर्भ में होते हैं, नहीं नए ज्ञान प्राप्त करने में, लेकिन पहचानने में जटिल पैटर्न और बुद्धिमान निर्णय के आधार पर उपलब्ध डेटा । मुख्य कठिनाई तथ्य से उपजा है कि सेट के सभी संभव समाधान के जब आने वाले सभी डेटा बहुत जटिल है का वर्णन करने के लिए है । आदेश में इस समस्या को हल करने के ढांचे में, मशीन सीखने विकसित करता है कि एल्गोरिदम निकालने ज्ञान से विशिष्ट डेटा और अनुभव के आधार पर सांख्यिकीय और कम्प्यूटेशनल सिद्धांतों.

इतिहास मशीन सीखने के ही बहुत ही रोचक है और अधिक से अधिक 70 साल है । 1946 में, वह विकसित पहला कंप्यूटर प्रणाली ENIAC. कंप्यूटर है कि एक कैलकुलेटर है, उन दिनों में बुलाया गया था के लोगों के प्रदर्शन की गणना कागज पर, लेकिन ENIAC बुलाया गया था एक कंप्यूटिंग मशीन. यह मैन्युअल रूप से नियंत्रित किया गया था, कि है, व्यक्ति को आप की जरूरत से कनेक्ट करने के लिए एक दूसरे की मशीन घटक की गणना करने के लिए है । यह माना जाता था कि देने के लिए इस तरह की एक मशीन एक मानव दृष्टिकोण करने के लिए सीखने और सोच तार्किक था और प्राप्त काम है ।

1950 में ब्रिटिश गणितज्ञ एलन ट्यूरिंग का प्रस्ताव मापने के लिए एक विधि का प्रदर्शन सीखने मशीन है । "ट्यूरिंग परीक्षण" के आधार पर निम्न विचार: हम तय कर सकते हैं कि मशीन की सीखने की है, तो केवल उसके साथ काम कर जब, हम में सक्षम नहीं हो जाएगा से अलग करने के लिए अन्य व्यक्ति. लेकिन उन दिनों में से कोई भी मौजूदा सिस्टम में असमर्थ रहे हैं पारित करने के लिए "ट्यूरिंग परीक्षण" सेट, एक उच्च मानक के लिए प्रेरित अन्वेषकों बनाने के लिए एक बहुत ही दिलचस्प कार है ।

आर्थर शमूएल

1952 में, आर्थर शमूएल के आईबीएम ने लिखा है एक कंप्यूटर खेल कहा जाता है "चेकर्स", खुद को स्थापित करने में काम करने के लिए उसे दे कि कौशल के स्तर है, तो वह कर सकते हैं के साथ लड़ने के विश्व चैंपियन है । कार्यक्रम की मशीन सीखने शमूएल एक महान सफलता था और मदद की पेशेवर खिलाड़ियों के लिए चेकर्स में अपने कौशल में सुधार खेल ।

एक और महत्वपूर्ण मील का पत्थर की शुरूआत थी ELIZA, विकसित में शुरुआती 60-एँ के यूसुफ Weizenbaum. एलिजा एक सिमुलेशन के एक मनोचिकित्सक और इस तरह इस्तेमाल किया चाल के रूप में के प्रतिस्थापन शब्दों और डिब्बाबंद जवाब में प्रतिक्रिया करने के लिए कुछ कीवर्ड में. सामना पहली बार के लिए एलिजा के साथ, कुछ समझ लिया के लिए एक जीवित व्यक्ति है.

का भ्रम असली संचार किया गया था मजबूत महसूस किया है, यदि एक व्यक्ति को सीमित बातचीत के बारे में बात करके अपने आप को और अपने जीवन । के बावजूद तथ्य यह है कि एलिजा काम किया है, आदर्श से दूर है, यह बन गया है एक प्रारंभिक प्रोटोटाइप के आधुनिक इलेक्ट्रॉनिक सहायकों, इस तरह के रूप में सिरी और Cortana है । एक अन्य महत्वपूर्ण उपलब्धि के साथ आप कॉल कर सकते हैं प्रणाली MYCIN विकसित की है, जल्दी 70-ies में स्टैनफोर्ड विश्वविद्यालय से एक टीम के नेतृत्व के तहत टेड Shortliffe. एक श्रृंखला के माध्यम से सवाल और जवाब में, प्रणाली में मदद करता है एक चिकित्सा पेशेवर बनाने के लिए एक सही निदान करने के लिए रोगी और का चयन करने के लिए सबसे उपयुक्त उपचार की विधि है । MYCIN अक्सर कहा जाता है दुनिया की पहली विशेषज्ञ प्रणाली है ।

के बीच के उद्भव विशेषज्ञ प्रणालियों वहाँ थे अन्य तरीकों की समस्या के लिए मशीन सीखने. 1957 में, अमेरिकी neurophysiologist फ्रैंक रोज़ेनब्लाट विकसित perceptron — एक कंप्यूटर मॉडल के बारे में जानकारी की धारणा के द्वारा, मस्तिष्क, बाद में लागू किया में इलेक्ट्रॉनिक मशीन "मार्क-1" और एक बन गया के पहले मॉडल के तंत्रिका नेटवर्क है । 23 जून 1960 कॉर्नेल विश्वविद्यालय में पहली बार प्रदर्शन किया neurocomputer "मार्क-1", जो पहचान करने में सक्षम था कुछ अंग्रेजी वर्णमाला के अक्षरों.

फ्रैंक रोज़ेनब्लाट

करने के लिए "सिखाने" perceptron को वर्गीकृत करने के लिए छवियों, हम विकसित एक विशेष चलने का सीखने की विधि के परीक्षण और त्रुटि, जैसी की प्रक्रिया मानव सीखने की एक विधि — त्रुटि सुधार । इसके अलावा, मान्यता के कुछ अक्षरों के perceptron भेद सकता है की विशेषता विशेषताएं पत्र, सांख्यिकीय और अधिक आम की तुलना में मामूली अंतर अलग-अलग मामलों में. इस प्रकार, perceptron में सक्षम था सामान्यीकरण करने के लिए पत्र लिखा है, अलग अलग तरीकों में (लिखावट) में एक एकल समेकित छवि.

हालांकि, नहीं हर कोई साझा दृढ़ विश्वास है कि सीखने के लिए दृष्टिकोण कंप्यूटर तंत्रिका नेटवर्क के साथ सही है । के बाद एक प्रमुख वैज्ञानिक मारविन Minsky सार्वजनिक रूप से आलोचना की अवधारणा, अनुसंधान किया गया था मुख्य रूप से ध्यान केंद्रित के निर्माण पर मशीनों है कि प्रोग्राम किया गया है के तहत विशिष्ट कार्य है कि बर्बाद करने के लिए उद्योग के ठहराव तक चली, जो अधिक से अधिक 10 साल है ।

नब्बे के दशक में मशीन सीखने की फिर बन गया है एक बहुत लोकप्रिय विषय के कारण चौराहे के कंप्यूटर विज्ञान और सांख्यिकी. इस तालमेल के लिए नेतृत्व किया गया है के उद्भव के लिए सोच का एक नया तरीका के क्षेत्र में कृत्रिम बुद्धि — संभाव्य दृष्टिकोण. इस दृष्टिकोण से भिन्न है कि इस तथ्य के आधार पर डेटा की मात्रा और नहीं विकसित कौशल में विशेषज्ञसिस्टम है कि पहले दिखाई देते हैं. आज के कई सफल अनुप्रयोगों की मशीन सीखने के परिणाम हैं विचार है कि उस समय पैदा हुई है ।

एक महत्वपूर्ण पहलू की मशीन सीखने की एक घटना है, डेटा, या बड़ा डेटा । नब्बे के दशक में यह स्पष्ट हो गया है कि अधिक सांख्यिकीय जानकारी खिलाया जा करने के लिए कंप्यूटिंग प्रणाली, और अधिक संभावना यह है का निर्माण करने के लिए एक सच्चे समझ के लिए डेटा.

धन्यवाद के उद्भव के लिए इंटरनेट और लागत में कमी के लिए उपकरणों के भंडारण के बारे में जानकारी वैज्ञानिकों को उनके निपटान में डेटा का भारी मात्रा में है, जो पचास साल पहले शोधकर्ताओं और सपना नहीं देख सकता है । डेटा की मात्रा तेजी से बढ़ता है. उदाहरण के लिए, जीव विज्ञान आज है 1 exabyte पर डेटा के जीनोम, जो 10 के बराबर होती है बाइट्स में 18 डिग्री है । यह उम्मीद है कि 2024 में, एक नई पीढ़ी के रेडियो दूरबीनों उत्पन्न होगा के रूप में ज्यादा जानकारी हर दिन है । प्रक्रिया करने के लिए इस तरह के विशाल मात्रा में डेटा बनाया है, एक नए वैज्ञानिक अनुशासन के लिए समर्पित, बड़ा डेटा — और उनके तेजी से खोज, विश्लेषण, और रैंकिंग है.

एक सबसे बड़ी सफलताओं के हाल के वर्षों में कहा जा सकता है सहयोग वैज्ञानिक जेफ्री Hinton और के संस्थापक, ImageNet फी-फी ली, जो एक साथ महत्वपूर्ण प्रगति की है के विकास में एक ऐसी घटना के रूप में गहरी सीखने. के उपयोग के माध्यम से बहुपरत तंत्रिका नेटवर्क और छवियों के लाखों लोगों द्वारा एकत्र ImageNet, शोधकर्ताओं के लिए सक्षम थे सुनिश्चित करें कि कंप्यूटर सीखा है अनुभव करने के लिए जानकारी के आधार पर नहीं तर्क है, वयस्कों के रूप में, और के आधार पर डेटा से होश — कि है, एक बच्चे के रूप में दुनिया की खोज. द्वारा योजना के रूप में वैज्ञानिकों, गहरी सीखने की अनुमति दी जानी चाहिए से विदा करने के लिए सीखने की देखरेख, और मशीन उपलब्ध कराने की क्षमता जानने के लिए बिना, अपने दम पर किसी भी शिक्षा से आदमी.

एक उदाहरण के वैधता की पुष्टि के लिए इस दृष्टिकोण था प्रयोग किया जाता गूगल द्वारा 2012 में, के बाद शीघ्र ही यह बसे के काम पर जेफ्री Hinton. प्रयोग में थे 1000 सर्वर के साथ के बारे में 16 हजार की कोर. परीक्षण के दौरान तंत्रिका नेटवर्क विश्लेषण किया गया था 10 लाख screenshots के विभिन्न यादृच्छिक यूट्यूब वीडियो है, जो सक्षम थे के साथ सटीकता के एक उच्च डिग्री की पहचान करने के लिए बिल्लियों की छवियों. प्रयोग के ढांचे में आयोजित परियोजना गूगल मस्तिष्क, कि साबित कर दिया है के दृष्टिकोण Hinton करने के लिए मशीन सीखने वफादार है और एक बहुत ही प्रभावशाली संभावित व्यावसायीकरण के लिए. उदाहरण के लिए, पल में, मशीन सीखने की खपत के माध्यम से छवियों की एक बड़ी संख्या में सक्षम बनाता है सफलतापूर्वक लागू करने के लिए परियोजना के स्व-ड्राइविंग कार, गूगल है ।

प्रयोग गूगल के साथ बिल्लियों

सबसे दृढ़ता से महसूस प्रभाव मशीन सीखने हो सकता है जब यह में एकीकृत टूलकिट करने के लिए अन्य तरीकों कृत्रिम बुद्धि के रूप में इस तरह के एक तरीका है कि कभी नहीं किया गया है । उदाहरण के लिए, DeepMind परियोजना के सभी एक ही कंपनी गूगल में सक्षम था प्रदर्शित करने के लिए आश्चर्यजनक परिणाम के संयोजन के द्वारा गहरी सीखने नामक एक तकनीक के साथ सीखने प्रबलित है । कंपनी के एक सिस्टम बनाया है AlphaGo है कि मार्च 2015 में असमर्थ है, हरा करने के लिए की चैंपियन चीनी बोर्ड खेल जाओ. में इसके विपरीत करने के लिए आईबीएम कंप्यूटर डीप ब्लू होंगे शतरंज मैच में गैरी कास्परोव के खिलाफ 1997 में, AlphaGo नहीं का उपयोग कर क्रमादेशित तथाकथित निर्णय के पेड़ या समीकरणों का विश्लेषण करने की स्थिति में बोर्ड पर. प्रणाली मुख्य रूप से अध्ययन खेल, यह पेशेवरों द्वारा निभाई. के आधार पर टिप्पणियों AlphaGo खेला जाता है के साथ अपने आप को एक लाख दलों का विश्लेषण, परिणाम और इमारत एक स्वतंत्र रणनीति है ।

आज, मशीन सीखने में सक्रिय रूप से शामिल में हमारे जीवन को छू लेती है और हम में से प्रत्येक, यहां तक कि अगर आप सूचना नहीं है । इस प्रणाली के उत्पाद सिफारिशों में ऑनलाइन स्टोर, और सिस्टम स्पैम फ़िल्टरिंग ईमेल में. और कभी कभी कॉल ग्राहक समर्थन की किसी भी कंपनी में, हम शायद ही कर सकते हैं निर्धारित करते हैं, हमारे लिए बोलती है के लिए एक व्यक्ति या एक डिजिटल सहायक को पहचानता है कि भाषण और सवालों के जवाब जानने के संदर्भ में.

इसके अलावा करने के लिए स्पष्ट लाभ, इस घटना का एक प्रमुख स्रोत है चिंता का विषय है । यह भी तथ्य नहीं है कि छात्रों को मानवीय हस्तक्षेप के बिना एक बार मशीन चाहता है, हमें नष्ट करने के लिए है । नकारात्मक प्रभाव के कृत्रिम बुद्धि और मशीन सीखने हम महसूस करेंगे अगले कुछ वर्षों में, जब श्रम बाजार हो जाएगा के हजारों प्रशासकों, सचिव, अनुवादकों, सेल्समैन के प्रतिनिधियों और कई अन्य व्यवसायों । कुछ समय के बाद वे में शामिल हो सकते ड्राइवरों, ड्राइवरों को प्रशिक्षित है, और शायद यह भी पत्रकारों. के अनुसार, विश्व आर्थिक मंच, अगले पांच वर्षों में कंप्यूटर और रोबोट ले जाएगा पांच लाख नौकरियां वर्तमान में आयोजित की, लोगों के द्वारा, और के बारे में क्या करने के लिए इस सब के साथ, ऐसा लगता है, ऐसा नहीं लगता कि किसी को भी.