ڈیپ لرننگ ٹیوٹوریل: ابتدائیوں کے لیے نیورل نیٹ ورک کی بنیادی باتیں۔

ڈیپ لرننگ کیا ہے؟

گہری تعلیم ایک کمپیوٹر سافٹ ویئر ہے جو دماغ میں نیوران کے نیٹ ورک کی نقل کرتا ہے۔ یہ مشین لرننگ کا سب سیٹ ہے جو مصنوعی اعصابی نیٹ ورک پر مبنی ہے جو نمائندگی سیکھنے کے ساتھ ہے۔ اسے ڈیپ لرننگ کہا جاتا ہے کیونکہ یہ ڈیپ نیورل نیٹ ورکس کا استعمال کرتا ہے۔ اس سیکھنے کی نگرانی ، نیم نگرانی یا غیر نگرانی کی جا سکتی ہے۔

گہری سیکھنے کے الگورتھم منسلک پرتوں کے ساتھ بنائے جاتے ہیں۔

  • پہلی پرت کو ان پٹ لیئر کہا جاتا ہے۔
  • آخری پرت کو آؤٹ پٹ لیئر کہا جاتا ہے۔
  • درمیان کی تمام تہوں کو پوشیدہ پرتیں کہا جاتا ہے۔ گہرے لفظ کا مطلب ہے کہ نیٹ ورک نیوران کو دو سے زیادہ تہوں میں جوڑتا ہے۔

ڈیپ لرننگ کیا ہے؟

ہر پوشیدہ تہہ نیوران پر مشتمل ہوتی ہے۔ نیوران ایک دوسرے سے جڑے ہوئے ہیں۔ نیوران عمل کرے گا اور پھر ان پٹ سگنل کو پھیلائے گا جو اس کے اوپر کی پرت کو حاصل کرتا ہے۔ اگلی پرت میں نیوران کو دیے گئے سگنل کی طاقت وزن ، تعصب اور ایکٹیویشن فنکشن پر منحصر ہے۔

نیٹ ورک بڑی مقدار میں ان پٹ ڈیٹا استعمال کرتا ہے اور انہیں متعدد پرتوں کے ذریعے چلاتا ہے۔ نیٹ ورک ہر پرت میں ڈیٹا کی تیزی سے پیچیدہ خصوصیات سیکھ سکتا ہے۔

شروع کرنے والوں کے لیے اس گہرے سیکھنے کے سبق میں ، آپ گہری سیکھنے کی بنیادی باتیں سیکھیں گے جیسے-

سیکھنے کا گہرا عمل۔

ایک گہرا نیورل نیٹ ورک آبجیکٹ کا پتہ لگانے سے لے کر تقریر کی پہچان تک بہت سے کاموں میں جدید ترین درستگی فراہم کرتا ہے۔ وہ خود بخود سیکھ سکتے ہیں ، بغیر کسی وضاحتی پروگرام کے واضح طور پر کوڈ کیے گئے علم کے بغیر۔

سیکھنے کا گہرا عمل۔

گہری سیکھنے کے خیال کو سمجھنے کے لیے ، ایک خاندان کا تصور کریں ، ایک شیرخوار اور والدین کے ساتھ۔ چھوٹا بچہ اپنی چھوٹی انگلی سے اشیاء کی طرف اشارہ کرتا ہے اور ہمیشہ لفظ 'بلی' کہتا ہے۔ جیسا کہ اس کے والدین اس کی تعلیم کے بارے میں فکر مند ہیں ، وہ اسے کہتے رہتے ہیں کہ 'ہاں ، یہ ایک بلی ہے' یا 'نہیں ، وہ بلی نہیں ہے۔' بچہ اشاروں کی طرف اشارہ کرتا رہتا ہے لیکن 'بلیوں' سے زیادہ درست ہو جاتا ہے۔ چھوٹا بچہ ، گہرائی میں ، نہیں جانتا کہ وہ کیوں کہہ سکتا ہے کہ یہ بلی ہے یا نہیں۔ اس نے صرف یہ سیکھا ہے کہ بلی کے ساتھ آنے والی پیچیدہ خصوصیات کو مجموعی طور پر پالتو جانوروں کو دیکھ کر اور ذہن بنانے سے پہلے دم یا ناک جیسی تفصیلات پر توجہ مرکوز رکھنا سیکھا ہے۔

ایک اعصابی نیٹ ورک بالکل اسی طرح کام کرتا ہے۔ ہر پرت علم کی گہری سطح کی نمائندگی کرتی ہے ، یعنی علم کا درجہ بندی۔ چار تہوں والا نیورل نیٹ ورک دو پرتوں کے مقابلے میں زیادہ پیچیدہ خصوصیت سیکھے گا۔

سیکھنا دو مراحل میں ہوتا ہے۔

  • پہلا مرحلہ ان پٹ کی غیر خطی تبدیلی کو لاگو کرنے اور آؤٹ پٹ کے طور پر شماریاتی ماڈل بنانے پر مشتمل ہے۔
  • دوسرے مرحلے کا مقصد ریاضی کے طریقہ کار کے ساتھ ماڈل کو بہتر بنانا ہے جس کو مشتق کہا جاتا ہے۔

اعصابی نیٹ ورک ان دو مراحل کو سینکڑوں سے ہزاروں وقت تک دہراتا ہے یہاں تک کہ یہ درستگی کی قابل برداشت سطح پر پہنچ جاتا ہے۔ اس دو مرحلے کے اعادہ کو تکرار کہا جاتا ہے۔

گہری سیکھنے کی مثال دینے کے لیے ، نیچے کی حرکت پر ایک نظر ڈالیں ، ماڈل رقص سیکھنے کی کوشش کر رہا ہے۔ 10 منٹ کی ٹریننگ کے بعد ، ماڈل ناچنا نہیں جانتی ، اور یہ ایک سکریبل کی طرح لگتا ہے۔

48 گھنٹے سیکھنے کے بعد ، کمپیوٹر رقص کے فن میں مہارت رکھتا ہے۔

نیورل نیٹ ورکس کی درجہ بندی

اتلی نیورل نیٹ ورک۔ : اتلی نیورل نیٹ ورک میں ان پٹ اور آؤٹ پٹ کے درمیان صرف ایک پوشیدہ پرت ہوتی ہے۔

ڈیپ نیورل نیٹ ورک۔ : ڈیپ نیورل نیٹ ورکس میں ایک سے زیادہ پرتیں ہوتی ہیں۔ مثال کے طور پر ، تصویر کی پہچان کے لیے گوگل لی نیٹ ماڈل 22 تہوں میں شمار ہوتا ہے۔

آج کل ، گہری سیکھنے کو بہت سے طریقوں سے استعمال کیا جاتا ہے جیسے ڈرائیور کے بغیر گاڑی ، موبائل فون ، گوگل سرچ انجن ، دھوکہ دہی کا پتہ لگانا ، ٹی وی وغیرہ۔

ڈیپ لرننگ نیٹ ورکس کی اقسام

اب اس ڈیپ نیورل نیٹ ورک ٹیوٹوریل میں ، ہم ڈیپ لرننگ نیٹ ورکس کی اقسام کے بارے میں سیکھیں گے:

ڈیپ لرننگ نیٹ ورکس کی اقسام

فیڈ فارورڈ نیورل نیٹ ورکس۔

مصنوعی اعصابی نیٹ ورک کی آسان ترین قسم۔ اس قسم کے فن تعمیر کے ساتھ ، معلومات صرف ایک سمت میں بہتی ہیں ، آگے۔ اس کا مطلب ہے ، معلومات کا بہاؤ ان پٹ پرت سے شروع ہوتا ہے ، 'پوشیدہ' تہوں میں جاتا ہے ، اور آؤٹ پٹ پرت پر ختم ہوتا ہے۔ نیٹ ورک

لوپ نہیں ہے معلومات آؤٹ پٹ پرتوں پر رک جاتی ہے۔

بار بار اعصابی نیٹ ورک (RNNs)

آر این این ایک کثیر پرتوں والا نیورل نیٹ ورک ہے جو معلومات کو سیاق و سباق کے نوڈس میں محفوظ کر سکتا ہے ، جس کی مدد سے وہ ڈیٹا کی ترتیب سیکھ سکتا ہے اور ایک نمبر یا دوسرا تسلسل نکال سکتا ہے۔ آسان الفاظ میں یہ ایک مصنوعی اعصابی نیٹ ورک ہے جس کے نیوران کے درمیان رابطے میں لوپس شامل ہیں۔ RNNs ان پٹ کے تسلسل کی پروسیسنگ کے لیے مناسب ہیں۔

مثال کے طور پر ، اگر کام جملے میں اگلے لفظ کی پیش گوئی کرنا ہے 'کیا آپ کو …………؟

  • آر این این نیوران کو ایک سگنل ملے گا جو کہ جملے کے آغاز کی طرف اشارہ کرتا ہے۔
  • نیٹ ورک لفظ 'ڈو' کو بطور ان پٹ حاصل کرتا ہے اور نمبر کا ویکٹر تیار کرتا ہے۔ یہ ویکٹر نیورون کو واپس کھلایا جاتا ہے تاکہ نیٹ ورک کو میموری فراہم کی جا سکے۔ یہ مرحلہ نیٹ ورک کو یہ یاد رکھنے میں مدد کرتا ہے کہ اسے 'ڈو' موصول ہوا اور اس نے اسے پہلی پوزیشن پر حاصل کیا۔
  • نیٹ ورک اسی طرح اگلے الفاظ پر آگے بڑھے گا۔ یہ لفظ 'آپ' اور 'چاہتے ہیں' لیتا ہے۔ ہر ایک لفظ موصول ہونے پر نیورون کی حالت کو اپ ڈیٹ کیا جاتا ہے۔
  • آخری مرحلہ لفظ 'a' حاصل کرنے کے بعد ہوتا ہے۔ اعصابی نیٹ ورک ہر انگریزی لفظ کے لیے ایک امکان فراہم کرے گا جو جملے کو مکمل کرنے کے لیے استعمال کیا جا سکتا ہے۔ ایک اچھی طرح سے تربیت یافتہ RNN شاید 'کیفے ،' 'ڈرنک ،' 'برگر ،' وغیرہ کا زیادہ امکان تفویض کرتا ہے۔

RNN کے عام استعمالات

  • سیکیورٹیز ٹریڈرز کو تجزیاتی رپورٹس بنانے میں مدد کریں۔
  • مالی بیان کے معاہدے میں اسامانیتاوں کا پتہ لگانا۔
  • جعلی کریڈٹ کارڈ لین دین کا پتہ لگائیں۔
  • تصاویر کے لیے ایک سرخی فراہم کریں۔
  • پاور چیٹ بوٹس۔
  • RNN کے معیاری استعمال اس وقت ہوتے ہیں جب پریکٹیشنرز ٹائم سیریز کے اعداد و شمار یا تسلسل کے ساتھ کام کر رہے ہوتے ہیں (مثال کے طور پر ، آڈیو ریکارڈنگ یا متن)۔

کنورولوشنل نیورل نیٹ ورکس (CNN)

سی این این ایک کثیر پرتوں والا اعصابی نیٹ ورک ہے جس کا ایک منفرد فن تعمیر ہے جو کہ آؤٹ پٹ کا تعین کرنے کے لیے ہر پرت میں ڈیٹا کی تیزی سے پیچیدہ خصوصیات کو نکالنے کے لیے ڈیزائن کیا گیا ہے۔ سی این این ادراکی کاموں کے لیے موزوں ہے۔

Convolutional Neural Network۔

سی این این زیادہ تر استعمال کیا جاتا ہے جب کوئی غیر ساختہ ڈیٹا سیٹ ہوتا ہے (مثال کے طور پر ، تصاویر) اور پریکٹیشنرز کو اس سے معلومات نکالنے کی ضرورت ہوتی ہے۔

مثال کے طور پر ، اگر کام کسی تصویر کے عنوان کی پیش گوئی کرنا ہے:

  • سی این این کو ایک تصویر ملتی ہے آئیے ایک بلی کہتے ہیں ، یہ تصویر ، کمپیوٹر کی اصطلاح میں ، پکسل کا مجموعہ ہے۔ عام طور پر ، گرے اسکیل تصویر کے لیے ایک پرت اور رنگین تصویر کے لیے تین پرتیں۔
  • فیچر لرننگ (یعنی چھپی ہوئی تہوں) کے دوران ، نیٹ ورک منفرد خصوصیات کی شناخت کرے گا ، مثال کے طور پر ، بلی کی دم ، کان وغیرہ۔
  • جب نیٹ ورک نے تصویر کو پہچاننا مکمل طور پر سیکھ لیا ، تو وہ ہر تصویر کے لیے ایک امکان فراہم کر سکتا ہے جسے وہ جانتا ہے۔ سب سے زیادہ امکانات والا لیبل نیٹ ورک کی پیش گوئی بن جائے گا۔

کمک سیکھنا۔

کمک سیکھنا۔ مشین لرننگ کا ایک سب فیلڈ ہے جس میں سسٹمز کو ورچوئل 'انعامات' یا 'سزائیں' حاصل کرکے تربیت دی جاتی ہے ، بنیادی طور پر آزمائش اور غلطی سے سیکھنا۔ گوگل کے ڈیپ مائنڈ نے گو گیمز میں انسانی چیمپئن کو شکست دینے کے لیے کمک سیکھنے کا استعمال کیا ہے۔ تقویت سیکھنے کا استعمال ویڈیو گیمز میں ہوشیار بوٹ فراہم کرکے گیمنگ کے تجربے کو بہتر بنانے کے لیے بھی کیا جاتا ہے۔

سب سے مشہور الگورتھم میں سے ایک ہیں:

  • Q- سیکھنا
  • گہرا Q نیٹ ورک۔
  • اسٹیٹ ایکشن ریوارڈ اسٹیٹ ایکشن (سرسا)
  • ڈیپ ڈیٹرمینسٹک پالیسی گریڈینٹ (DDPG)

گہری سیکھنے کی ایپلی کیشنز کی مثالیں۔

اب شروع کرنے والوں کے لیے اس گہری سیکھنے میں ، آئیے ڈیپ لرننگ ایپلی کیشنز کے بارے میں سیکھیں:

فنانس میں AI:

مالیاتی ٹیکنالوجی کے شعبے نے پہلے ہی وقت بچانے ، اخراجات کو کم کرنے اور قیمت میں اضافے کے لیے AI کا استعمال شروع کر دیا ہے۔ زیادہ مضبوط کریڈٹ سکورنگ کا استعمال کرتے ہوئے گہری سیکھنا قرض دینے والی صنعت کو بدل رہی ہے۔ کریڈٹ فیصلہ کرنے والے مضبوط کریڈٹ لینڈنگ ایپلی کیشنز کے لیے AI کا استعمال کر سکتے ہیں تاکہ زیادہ تیز ، زیادہ درست رسک اسیسمنٹ حاصل کیا جا سکے ، مشین انٹیلی جنس کا استعمال کرتے ہوئے درخواست دہندگان کے کردار اور صلاحیت کا اندازہ لگایا جا سکے۔

انڈر رائٹ ایک فن ٹیک کمپنی ہے جو کریڈٹ بنانے والی کمپنی کو AI حل فراہم کرتی ہے۔ underwrite.ai AI کا استعمال یہ پتہ لگانے کے لیے کرتا ہے کہ کون سا درخواست دہندہ قرض واپس کرنے کا زیادہ امکان رکھتا ہے۔ ان کا انداز روایتی طریقوں سے یکسر بہتر ہے۔

HR میں AI:

آرمر کے تحت ، اسپورٹس ویئر کمپنی نے اے آئی کی مدد سے امیدوار کے تجربے کو بھرتی کرنے اور جدید بنانے میں انقلاب برپا کیا۔ درحقیقت ، انڈر آرمر اپنے ریٹیل اسٹورز کے لیے کرائے کا وقت 35 فیصد کم کرتا ہے۔ انڈر آرمر کو 2012 میں بڑھتی ہوئی مقبولیت کی دلچسپی کا سامنا کرنا پڑا۔ ان کے پاس اوسطا 300 30000 ماہانہ دوبارہ شروع ہوتے تھے۔ ان تمام ایپلی کیشنز کو پڑھنا اور اسکریننگ اور انٹرویو کے عمل کو شروع کرنا بہت زیادہ وقت لے رہا تھا۔ لوگوں کی خدمات حاصل کرنے اور جہاز میں سوار ہونے کا طویل عمل انڈر آرمر کی اپنی خوردہ دکانوں کو مکمل طور پر عملہ ، تیز رفتار اور کام کرنے کے لیے تیار کرنے کی صلاحیت کو متاثر کرتا ہے۔

اس وقت ، انڈر آرمر کے پاس تمام 'HR ٹیکنالوجی' ہونی چاہیے تھی جیسے کہ سورسنگ ، اپلائی ، ٹریکنگ اور آن بورڈنگ کے لیے لین دین کے حل لیکن وہ ٹولز کافی کارآمد نہیں تھے۔ آرمر کے تحت انتخاب کریں۔ HireVue ، HR حل کے لیے AI فراہم کنندہ ، آن ڈیمانڈ اور لائیو انٹرویو دونوں کے لیے۔ نتائج دھندلا رہے تھے وہ بھرنے کے وقت میں 35 فیصد کمی کرنے میں کامیاب رہے۔ بدلے میں ، اعلی معیار کے عملے کی خدمات حاصل کی گئیں۔

مارکیٹنگ میں AI:

اے آئی کسٹمر سروس مینجمنٹ اور ذاتی نوعیت کے چیلنجز کے لیے ایک قیمتی ٹول ہے۔ اے آئی تکنیک کے استعمال کے نتیجے میں کال سینٹر مینجمنٹ میں بہتر تقریر کی شناخت اور کال روٹنگ صارفین کے لیے زیادہ ہموار تجربے کی اجازت دیتی ہے۔

مثال کے طور پر ، آڈیو کا گہرا سیکھنے کا تجزیہ سسٹم کو کسٹمر کے جذباتی لہجے کا جائزہ لینے کی اجازت دیتا ہے۔ اگر کسٹمر AI چیٹ بوٹ کے لیے ناقص جواب دے رہا ہے تو ، نظام کو بات چیت کو حقیقی ، انسانی آپریٹرز کے لیے دوبارہ شروع کیا جا سکتا ہے جو اس مسئلے کو سنبھالتے ہیں۔

مذکورہ بالا تین گہری سیکھنے والی مثالوں کے علاوہ ، AI دوسرے شعبوں/صنعتوں میں بڑے پیمانے پر استعمال ہوتا ہے۔

گہری سیکھنا کیوں ضروری ہے؟

پیشگوئی کو قابل عمل نتیجہ بنانے کے لیے گہری تعلیم ایک طاقتور ذریعہ ہے۔ گہری تعلیم پیٹرن دریافت (غیر نگرانی سیکھنے) اور علم پر مبنی پیش گوئی میں سبقت حاصل کرتی ہے۔ بڑا ڈیٹا گہری سیکھنے کا ایندھن ہے۔ جب دونوں اکٹھے ہوجائیں تو ، ایک ادارہ پیداواریت ، فروخت ، انتظام اور جدت کی مدت میں بے مثال نتائج حاصل کرسکتا ہے۔

گہری سیکھنا روایتی طریقے سے بہتر ہو سکتا ہے۔ مثال کے طور پر ، ڈیپ لرننگ الگورتھم امیج کی درجہ بندی میں مشین لرننگ الگورتھم سے 41 فیصد زیادہ درست ہیں ، چہرے کی پہچان میں 27 فیصد زیادہ درست اور آواز کی پہچان میں 25 فیصد۔

گہری سیکھنے کی حدود

اب اس نیورل نیٹ ورک ٹیوٹوریل میں ، ہم گہری سیکھنے کی حدود کے بارے میں سیکھیں گے:

ڈیٹا لیبلنگ۔

زیادہ تر موجودہ AI ماڈلز کو 'زیر نگرانی سیکھنے' کے ذریعے تربیت دی جاتی ہے۔ اس کا مطلب یہ ہے کہ انسانوں کو بنیادی ڈیٹا کو لیبل اور درجہ بندی کرنا چاہیے ، جو کہ ایک بڑا اور غلطی کا شکار کام ہو سکتا ہے۔ مثال کے طور پر ، سیلف ڈرائیونگ کار ٹیکنالوجیز تیار کرنے والی کمپنیاں سیکڑوں لوگوں کو نوکری پر رکھ رہی ہیں تاکہ پروٹو ٹائپ گاڑیوں سے گھنٹوں ویڈیو فیڈ کی تشریح کریں تاکہ ان سسٹمز کو تربیت دی جا سکے۔

بہت بڑا ٹریننگ ڈیٹاسیٹ حاصل کریں۔

یہ دکھایا گیا ہے کہ CNN جیسی گہری سیکھنے کی تکنیک ، بعض صورتوں میں ، طب اور دیگر شعبوں کے ماہرین کے علم کی نقل کر سکتی ہے۔ کی موجودہ لہر۔ مشین لرننگ تاہم ، ٹریننگ ڈیٹا سیٹ کی ضرورت ہوتی ہے جو نہ صرف لیبل لگا ہوا ہے بلکہ کافی حد تک وسیع اور آفاقی بھی ہے۔

گہرے سیکھنے کے طریقوں کے لیے ہزاروں مشاہدات کی ضرورت ہوتی ہے تاکہ ماڈلز درجہ بندی کے کاموں میں نسبتا good اچھے بن سکیں اور بعض صورتوں میں ان کے لیے لاکھوں انسانوں کی سطح پر پرفارم کریں۔ حیرت کے بغیر ، گہری سیکھنا دیوہیکل ٹیک کمپنیوں میں مشہور ہے۔ وہ ڈیٹا کے پیٹا بائٹس جمع کرنے کے لیے بڑا ڈیٹا استعمال کر رہے ہیں۔ یہ انہیں ایک متاثر کن اور انتہائی درست گہری سیکھنے کا ماڈل بنانے کی اجازت دیتا ہے۔

ایک مسئلہ کی وضاحت کریں۔

بڑے اور پیچیدہ ماڈلز کی انسانی اصطلاحات میں وضاحت کرنا مشکل ہو سکتا ہے۔ مثال کے طور پر ، ایک خاص فیصلہ کیوں لیا گیا۔ یہ ایک وجہ ہے کہ کچھ اے آئی ٹولز کی قبولیت اطلاق کے علاقوں میں سست ہے جہاں تشریح مفید ہے یا درحقیقت درکار ہے۔

مزید برآں ، جیسا کہ اے آئی کا اطلاق بڑھتا ہے ، ریگولیٹری ضروریات بھی زیادہ وضاحت کرنے والے اے آئی ماڈلز کی ضرورت کو بڑھا سکتی ہیں۔

خلاصہ

گہری سیکھنے کا جائزہ: گہری سیکھنا مصنوعی ذہانت کے لیے جدید ترین ہے۔ ڈیپ لرننگ فن تعمیر ایک ان پٹ لیئر ، پوشیدہ تہوں اور آؤٹ پٹ لیئر پر مشتمل ہے۔ لفظ گہرا کا مطلب ہے کہ دو سے زیادہ مکمل طور پر جڑی ہوئی پرتیں ہیں۔

عصبی نیٹ ورک کی ایک بہت بڑی مقدار ہے ، جہاں ہر فن تعمیر کو دیے گئے کام کو انجام دینے کے لیے ڈیزائن کیا گیا ہے۔ مثال کے طور پر ، CNN تصاویر کے ساتھ بہت اچھا کام کرتا ہے ، RNN ٹائم سیریز اور ٹیکسٹ تجزیہ کے ساتھ متاثر کن نتائج فراہم کرتا ہے۔

ڈیپ لرننگ اب فنانس سے لے کر مارکیٹنگ ، سپلائی چین ، اور مارکیٹنگ تک مختلف شعبوں میں سرگرم ہے۔ بڑی فرمیں گہری سیکھنے کو استعمال کرنے والی پہلی کمپنی ہیں کیونکہ ان کے پاس پہلے ہی ڈیٹا کا ایک بڑا پول موجود ہے۔ گہری سیکھنے کے لیے ایک وسیع تربیتی ڈیٹاسیٹ ہونا ضروری ہے۔