प्रश्न:
कई मशीन सीखने की परियोजनाओं के लिए बड़ी संख्या में छवि फाइलें महत्वपूर्ण क्यों हैं?
ए:जो कंपनियां अपने पहले मशीन लर्निंग (एमएल) निवेश में शामिल होना चाहती हैं, उनके लिए पूरी प्रक्रिया थोड़ी गूढ़ और गूढ़ लग सकती है। कई लोगों के लिए, यह वास्तव में कल्पना करना मुश्किल है कि मशीन सीखना वास्तव में कैसे काम करता है, और वास्तव में यह व्यवसाय के लिए क्या करेगा।
कुछ मामलों में, जो लोग मशीन लर्निंग पर शोध कर रहे हैं, उनके पास काफी एपिफनी हो सकती है जब वे विचार करते हैं कि बड़ी संख्या में छवि फाइलें, स्वच्छ डिजिटल कंटेनरों में क्यों एकत्र की जाती हैं, एमएल परियोजनाओं के लिए बहुत महत्वपूर्ण हैं। ऐसा इसलिए है क्योंकि "छवि फ़ाइल" अवधारणा एमएल की कल्पना करने में मदद करती है। इस बारे में सोचने से हमें इस बारे में और समझने की अनुमति मिलती है कि इस तरह की तकनीकों को हमारी दुनिया में बहुत जल्द लागू किया जाएगा।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
संक्षिप्त उत्तर यह है कि ये बड़ी संख्या में इमेज फाइलें मशीन लर्निंग के लिए महत्वपूर्ण हैं क्योंकि वे प्रशिक्षण सेटों का प्रतिनिधित्व करते हैं - प्रारंभिक डेटा के सेट जो कंप्यूटर को सीखते ही काम करना होता है। लेकिन उससे थोड़ा ज्यादा है। चित्र इतने मूल्यवान क्यों हैं?
एक कारण यह है कि छवियां इतनी मूल्यवान हैं कि वैज्ञानिकों ने छवि प्रसंस्करण में बहुत प्रगति की है। लेकिन इससे परे, उन्होंने मशीनों में मदद करने के लिए प्रगति की है जो एक तस्वीर में मौजूद परिणामों के आधार पर पहचान करने में मदद करता है।
उदाहरण के लिए, किसी भी व्यक्ति ने जो जननाशक और भेदभावपूर्ण इंजनों के साथ गहरे जिद्दी नेटवर्क के बारे में सुना है, वह थोड़ा सा समझता है कि कंप्यूटर दृश्य डेटा और छवियों को कैसे पढ़ और समझ सकते हैं। वे पिक्सल को नहीं पढ़ रहे हैं जैसे वे करते थे - वे वास्तव में छवि को "देखकर" और घटकों की पहचान कर रहे हैं। उदाहरण के लिए, फेसबुक के चेहरे की पहचान के बारे में सोचें - कंप्यूटर सीखता है कि आप क्या दिखते हैं, और तस्वीरों में आपको पहचानता है - साथ ही साथ आपके आस-पास के लोगों को भी। यह अक्सर कई छवियों और पुनरावृत्ति प्रशिक्षण के एकत्रीकरण के माध्यम से संभव होता है जो मशीन सीखने की परियोजना के लिए आधार बनाता है।
जब हितधारकों ने एक योजना और अवधारणा की पहचान की है, और बाहर चले गए हैं और उन सभी छवियों को एकत्र किया है जो प्रासंगिक हैं, और उन्हें मशीन लर्निंग एल्गोरिदम में डाल दिया है, तो वे व्यावसायिक प्रक्रियाओं को चलाने के लिए कृत्रिम बुद्धि की अपार शक्ति का लाभ उठा सकते हैं।
एक कंपनी इंटरनेट पर एक वेब क्रॉलर भेज सकती है जो उन चित्रों की तलाश में है जिनमें एक विशेष ग्राहक हो सकता है, जो उस ग्राहक की पहचान और उसकी वरीयताओं और प्रवृत्तियों को दिखाने वाली फ़ाइल का निर्माण कर सकता है। कंपनी इस जानकारी का उपयोग प्रत्यक्ष मेल या अन्य प्रत्यक्ष विपणन को स्वचालित करने के लिए भी कर सकती है। जब आप इसके बारे में इस तरह से सोचना शुरू करते हैं, तो यह देखना आसान होता है कि कैसे छवि की पहचान और पहचान की प्रक्रिया को हर तरह की कार्यक्षमता से जोड़ा जा सकता है, जो कंप्यूटर को उन सभी चीजों के लिए बहुत सारे काम करने देगा जो मानव सभी के लिए करने के लिए उपयोग किए गए हैं हमारे दर्ज इतिहास। ग्राहक अनुसंधान का उदाहरण लेते हुए, उपरोक्त प्रकार के सेटअपों के साथ, मनुष्यों को इसमें शामिल होने की आवश्यकता नहीं है: कंप्यूटर "वेब पर बाहर जा सकता है" और अपने मालिकों या डेटा धारकों को वापस रिपोर्ट कर सकता है।
जो लोग मशीन लर्निंग के गहरे पानी में उतरने में शामिल हैं, उनके लिए मास इमेज डेटा माइनिंग की अवधारणा को समझना, मशीन लर्निंग पावर का दोहन करने के लिए एक रोड मैप में एक अच्छा पहला कदम प्रदान करता है और एक उद्यम को लाभ पहुंचाने के लिए इसका उपयोग करने का अनुमान लगाता है।
