हमसे जुडे

कृत्रिम बुद्धिमत्ता

एअर इंडिया और एमएल के भविष्य के विकास

अवतार

प्रकाशित

on

एआई और एमएल का भविष्य विकास

By राचेल रूमेलीओटिस

हम सभी इस तथ्य के साथ आए हैं कि कृत्रिम बुद्धिमत्ता (एआई) बदल रही है कि व्यवसाय कैसे संचालित होते हैं और यह लंबी अवधि में किसी व्यवसाय को कितना मदद कर सकता है। पिछले कुछ वर्षों में, इस समझ ने एआई प्रौद्योगिकियों का प्रयोग और मूल्यांकन करने वाली कंपनियों में एक स्पाइक को प्रेरित किया है और जो अब इसका उपयोग विशेष रूप से उत्पादन नियुक्तियों में कर रहे हैं।

बेशक, जब संगठन नई तकनीकों जैसे एआई और मशीन लर्निंग (एमएल) को अपनाते हैं, तो वे धीरे-धीरे यह विचार करना शुरू करते हैं कि नए क्षेत्र प्रौद्योगिकी से कैसे प्रभावित हो सकते हैं। यह उत्पादन और रसद, विनिर्माण, आईटी और ग्राहक सेवा सहित कई क्षेत्रों में हो सकता है। एक बार एआई और एमएल तकनीकों का उपयोग कैसे व्यापार कार्य में और विभिन्न तरीकों से इनका उपयोग करने में प्रवृत्त हो जाता है, संगठन नए ज्ञान प्राप्त करने में सक्षम होंगे जो उन्हें उभरती जरूरतों के अनुकूल बनाने में मदद करेंगे।

ओ'रेली के सीखने के मंच में तल्लीनता से, विभिन्न रुझानों और विषयों के बारे में विभिन्न प्रकार की तकनीक और व्यापारिक नेताओं को पता होना चाहिए। यह उन्हें अपनी नौकरियों को बेहतर ढंग से समझने की अनुमति देगा और यह सुनिश्चित करेगा कि उनके व्यवसाय जारी रहें।

पिछले कुछ महीनों में, हमने प्लेटफ़ॉर्म के उपयोगकर्ता उपयोग का विश्लेषण किया है और एआई और एमएल में सबसे लोकप्रिय और सबसे अधिक खोजे जाने वाले विषयों की खोज की है। हम नीचे कुछ सबसे महत्वपूर्ण खोज कर रहे हैं जो हमें एआई और एमएल के राज्य की एक व्यापक तस्वीर देता है, और अंततः, जहां यह नेतृत्व किया जाता है।

एअर इंडिया की एमएल में वृद्धि

सबसे पहले और सबसे महत्वपूर्ण, हमारे विश्लेषण ने इस बात पर प्रकाश डाला कि एआई में रुचि किस तरह से बढ़ रही है। 2018 से 2019 की तुलना करते समय, AI में सगाई 58% बढ़ गई - बहुत बड़ी मशीन सीखने के विषय में दूरगामी विकास, जो 5 में केवल 2019% बढ़ गया। सभी AI और ML विषयों को जोड़ते समय, यह लगभग 5% सभी उपयोगों के लिए है। मंच पर गतिविधि।

हालांकि यह डेटा-इंजीनियरिंग (उपयोग गतिविधि का 8%) और डेटा विज्ञान (उपयोग गतिविधि का 5%) जैसे उच्च-स्तरीय, अच्छी तरह से स्थापित विषयों से थोड़ा कम है, इन विषयों में रुचि डेटा विज्ञान की तुलना में 50% तेजी से बढ़ी है। डेटा प्रबंधन विषयों के साथ जुड़ाव में गिरावट के कारण डेटा इंजीनियरिंग वास्तव में उसी समय लगभग 8% कम हो गई।

हमने शुरुआती संकेत भी खोजे हैं कि संगठन उन्नत उपकरणों और विधियों के साथ प्रयोग कर रहे हैं। हमारे निष्कर्षों में, अनपेक्षित शिक्षण सामग्री में सगाई शायद सबसे दिलचस्प में से एक है। बिना पढ़े हुए सीखने में, एक AI एल्गोरिथ्म को पहले से निर्धारित पैटर्न में देखने के लिए प्रशिक्षित किया जाता है, जिसमें कोई पूर्व-मौजूदा लेबल नहीं होता है या न्यूनतम मानव पर्यवेक्षण या मार्गदर्शन के साथ वर्गीकरण होता है। 2018 में, अप्रशिक्षित सीखने के विषयों का उपयोग 53% और 172 में 2019% बढ़ा।

लेकिन यह विकास क्या है? हालांकि इसके तरीकों (क्लस्टरिंग और एसोसिएशन) और इसके अनुप्रयोगों (तंत्रिका नेटवर्क) के नाम से परिचित हैं, लेकिन अनचाहे सीखने को इसके पर्यवेक्षित शिक्षण समकक्ष के रूप में अच्छी तरह से नहीं समझा जाता है, जो अधिकांश लोगों के लिए एमएल के लिए डिफ़ॉल्ट रणनीति के रूप में कार्य करता है और अधिकांश मामलों का उपयोग करता है। ।

अनूपर्वेटेड लर्निंग एक्टिविटी में यह उछाल संभावित रूप से शब्द के साथ-साथ अपने उपयोग, लाभ और आवश्यकताओं के साथ अधिक परिष्कृत उपयोगकर्ताओं द्वारा परिचित होने की कमी से प्रेरित है, जो उपयोग किए गए मामलों के साथ सामना कर रहे हैं जो आसानी से पर्यवेक्षित तरीकों से संबोधित नहीं होते हैं।

यह भी संभावना है कि तंत्रिका नेटवर्क में अप्रकाशित सीखने की गहरी सफलता और गहन सीखने में हमारी रुचि को मदद मिली है, क्योंकि ओपन सोर्स टूल्स, लाइब्रेरी और ट्यूटोरियल की विविधता है, जो अनसेफर्ड लर्निंग का समर्थन करती है।

एक गहरी सीखने का पुनरुत्थान

जबकि 2019 में गहरी शिक्षा थोड़ी ठंडी हुई, फिर भी इसमें सभी AI और ML उपयोग का 22% हिस्सा था। हमें यह भी संदेह है कि इसकी सफलता ने कई अन्य अपमानित या उपेक्षित विचारों के पुनरुत्थान में मदद की है। इसका सबसे बड़ा उदाहरण सुदृढीकरण सीखना है। इस विषय ने घातीय वृद्धि का अनुभव किया, 1,500 से 2017% से अधिक बढ़ रहा है।

10 में सगाई की दरों में 2019% की गिरावट के साथ, डीप लर्निंग स्वयं उन कंपनियों के बीच सबसे लोकप्रिय एमएल तरीकों में से एक है जो एआई का मूल्यांकन कर रहे हैं, कई कंपनियों ने उत्पादन उपयोग के मामलों का समर्थन करने के लिए तकनीक का चयन किया है। यह हो सकता है कि गहन शिक्षण विषयों के साथ जुड़ाव की दलील दी गई है क्योंकि अधिकांश लोग पहले से ही सक्रिय रूप से प्रौद्योगिकी के साथ संलग्न हैं, जिसका अर्थ है कि विकास धीमा हो सकता है।

प्राकृतिक भाषा प्रसंस्करण एक और विषय है जिसने लगातार विकास दिखाया है। हालांकि इसकी विकास दर बहुत बड़ी नहीं है - यह 15 में 2018% और 9 में 2019% तक बढ़ गई - हमारे मंच पर सभी एआई और एमएल उपयोग के लगभग 12% के लिए प्राकृतिक भाषा प्रसंस्करण खाते हैं। यह लगभग 6x अप्रमाणित शिक्षा का हिस्सा है और 5x सुदृढीकरण सीखने के उपयोग का हिस्सा है, महत्वपूर्ण वृद्धि के बावजूद इन दो विषयों ने पिछले दो वर्षों में अनुभव किया है।

हालांकि सभी एआई / एमएल तरीकों को समान रूप से व्यवहार नहीं किया जाता है। उदाहरण के लिए, चैटबॉट्स की दिलचस्पी 17 में 2018% घटने और 34 में 2019% घटने के साथ, कम होती जा रही है। यह संभव है क्योंकि चैटबॉट एआई के पहले आवेदन में से एक थे और शायद इसकी सापेक्षता का एक प्रतिबिंब है आवेदन।

अप्रमाणित शिक्षा और सुदृढीकरण सीखने में बढ़ती व्यस्तता यह प्रदर्शित करती है कि संगठन उन्नत विश्लेषिकी उपकरण और विधियों के साथ प्रयोग कर रहे हैं। ये उपकरण और तकनीकें व्यवसायों के लिए उपयोग और लाभ के नए उपयोग के मामलों को खोलती हैं, जिसमें निर्णय समर्थन, इंटरैक्टिव गेम और वास्तविक समय खुदरा सिफारिश इंजन शामिल हैं। हम केवल कल्पना कर सकते हैं कि संगठन समस्याओं को हल करने, उत्पादकता बढ़ाने, प्रक्रियाओं में तेजी लाने और नए उत्पादों और सेवाओं को वितरित करने के लिए एआई और एमएल का उपयोग करना जारी रखेंगे।

चूंकि संगठन विश्लेषणात्मक तकनीकों को अपनाते हैं, वे अपने और अपनी दुनिया के बारे में अधिक खोज कर रहे हैं। एमएल को अपनाना, विशेष रूप से, किसी संगठन के सभी स्तरों पर लोगों को ऐसे प्रश्न पूछना शुरू करने के लिए प्रेरित करता है जो चुनौती देते हैं कि एक संगठन को क्या लगता है कि वह अपने बारे में जानता है।

एमएल और एआई के साथ, हम मशीनों को ज्ञान की नई वस्तुओं को सतह पर लाने के लिए प्रशिक्षण दे रहे हैं जो हमें नए, अलग, और कभी-कभी अपने बारे में कठिन प्रश्न पूछने में मदद करते हैं। सभी संकेतों से, हमें इसके साथ कुछ सफलता मिलती है। कौन जानता है कि भविष्य क्या है, लेकिन जैसे-जैसे प्रौद्योगिकियां होशियार हो जाती हैं, इसमें कोई संदेह नहीं है कि हम और अधिक निर्भर हो जाएंगे।

स्रोत: https://www.fintechnews.org/the-future-growth-of-ai-and-ml/

AI

डिजिटल आईडी सत्यापन सेवा IDnow जर्मनी से आईडी सॉफ्टवेयर के एक वैश्विक प्रदाता, ट्रस्ट ट्रस्ट एजी को प्राप्त करता है

अवतार

प्रकाशित

on

IDnow, के एक प्रदाता पहचान का सत्यापन समाधान, प्राप्त होगा पहचान ट्रस्ट प्रबंधन, जर्मनी से डिजिटल और ऑफलाइन आईडी सत्यापन सॉफ्टवेयर का एक वैश्विक प्रदाता।

IDnow ने पुष्टि की कि वह पहचान ट्रस्ट प्रबंधन के डसेलडोर्फ स्थान को बनाए रखना जारी रखेगा और अपने कर्मचारियों को भी बनाए रखेगा।

पिछली कक्षा का अर्जन जर्मनी और अन्य क्षेत्रों में बड़े और संभावित रूप से अधिक विविध क्लाइंट बेस में अपनी सेवाओं की पेशकश करते हुए आइडेंटिटी ट्रस्ट मैनेजमेंट को IDnow को नए वर्टिकल में और विस्तार करने में मदद करनी चाहिए।

संयुक्त उत्पाद पोर्टफोलियो का उद्देश्य व्यापक आईडी सत्यापन विधियों को प्रदान करना होगा, जिसमें स्वचालित से लेकर मानव-सहायता और शुद्ध रूप से ऑनलाइन से लेकर बिक्री तक शामिल है। ये सभी ID सत्यापन विधियाँ IDnow प्लेटफॉर्म के माध्यम से सुलभ होंगी।

आइडेंटिटी ट्रस्ट मैनेजमेंट ने पिछले 10 वर्षों के दौरान जर्मनी के पहचान उद्योग में अपने कार्यों की स्थापना की है, जिसमें दूरसंचार और बीमा सेवाओं पर ध्यान केंद्रित करने वाले ग्राहकों की एक ठोस प्रतिष्ठा और पोर्टफोलियो है।

एंड्रियास बोडेसेकपर सीईओ IDnow, कहा:

“पहचान ट्रस्ट प्रबंधन एजी ने उत्पाद पोर्टफोलियो और ग्राहक संबंधों के मामले में एक प्रभावशाली कंपनी का निर्माण किया है। हमने वर्षों से नेतृत्व टीम को जाना है और गहरी वफादारी और आपसी समझ में निहित साझेदारी की स्थापना की है। हम पहचान ट्रस्ट मैनेजमेंट एजी की प्रतिभाशाली टीम का स्वागत करने के लिए IDnow परिवार के लिए उत्साहित हैं और एक एकीकृत, बाजार-अग्रणी ब्रांड बनाने के लिए दोनों कंपनियों की ताकत का संयोजन करने के लिए तत्पर हैं। ”

उवे स्टेलिजिग, ट्रस्ट ट्रस्ट एजी में सीईओ, टिप्पणी:

“यह संयोजन पहचान के प्रबंधन के साथ IDnow की नवीन प्रौद्योगिकी की शक्ति को एकजुट करता है, एक विभेदित पहचान सत्यापन मंच बनाने के लिए क्षमताओं के एजी के विविध सेट। साथ में, हम ग्राहकों को पहचान सत्यापन के लिए एक अनूठा, एक-स्टॉप समाधान प्रदान करने की हमारी संयुक्त दृष्टि को प्राप्त करने के लिए अच्छी तरह से तैनात होंगे। ”

यह कथित तौर पर पिछले साल के सितंबर में वायरकार्ड कम्युनिकेशन सर्विसेज के बाद पिछले 6 महीनों में IDnow का दूसरा अधिग्रहण है।

As कवर दिसंबर 2020 में, यूरोपियन इन्वेस्टमेंट बैंक (EIB) ने जर्मनी स्थित पहचान सत्यापन प्लेटफॉर्म, IDnow को 15 मिलियन ग्रोथ फंड देने का फैसला किया था। 2014 में स्थापित, IDnow यूरोप में विनियमित क्षेत्रों में और पूरी तरह से नए डिजिटल बिजनेस मॉडल के लिए उपयोग के मामलों की एक विस्तृत श्रृंखला को शामिल करता है।

प्लेटफॉर्म प्रति प्रवाह के आधार पर पहचान के प्रवाह को विभिन्न क्षेत्रीय, कानूनी और व्यावसायिक आवश्यकताओं के अनुकूल होने की अनुमति देता है।

जैसा कि IDnow टीम द्वारा समझाया गया है:

“IDnow, आर्टिफिशियल इंटेलिजेंस का उपयोग आईडी दस्तावेजों पर सभी सुरक्षा सुविधाओं की जांच करने के लिए करता है और इसलिए जाली दस्तावेजों की मज़बूती से पहचान कर सकता है। संभावित रूप से, 7 विभिन्न देशों के 193 बिलियन से अधिक ग्राहकों की पहचान वास्तविक समय में सत्यापित की जा सकती है। सुरक्षा के अलावा, ध्यान ग्राहक के लिए एक सीधी आवेदन पर भी है। ट्रस्टपिलॉट ग्राहक रेटिंग पोर्टल पर पांच में से पांच सितारों को प्राप्त करना, आईडीनो तकनीक विशेष रूप से उपयोगकर्ता के अनुकूल है। "

चेकआउट PrimeXBT
एसी मिलान के आधिकारिक सीएफडी भागीदारों के साथ व्यापार
व्यापार क्रिप्टो करने के लिए सबसे आसान तरीका है।
स्रोत: https://www.crowdfundinsider.com/2021/03/172910-digital-id-verification-service-idnow-acquires-identity-trust-management-ag-a-global-provider-of-id-software जर्मनी से/

पढ़ना जारी रखें

AI

कैसे मशीन लर्निंग सॉफ्टवेयर डेवलपमेंट के लिए लागू किया जा रहा है

अवतार

प्रकाशित

on

लेखक प्रोफाइल पिक्चर

जब एलोन मस्क ने स्वायत्त वाहनों के विचार का प्रस्ताव रखा, तो सभी ने इसे काल्पनिक सपना माना और इसे कभी गंभीरता से नहीं लिया। हालांकि, अब वही वाहन सड़कों पर हैं, जो संयुक्त राज्य में सबसे अधिक बिकने वाली कारों में से एक है।

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के एप्लिकेशन सभी क्षेत्रों में दिखाई देते हैं, जो आपके स्मार्टफ़ोन में Google फ़ोटो से लेकर आपके घर में अमेज़न के एलेक्सा तक है, और सॉफ़्टवेयर डेवलपमेंट भी इसका अपवाद नहीं है। AI ने iOS और Android ऐप डेवलपर्स के काम करने के तरीके को पहले ही बदल दिया है।

मशीन लर्निंग एक पारंपरिक सॉफ्टवेयर विकास चक्र के काम करने के तरीके को बढ़ा सकता है। यह कंप्यूटर को प्रोग्रामिंग की आवश्यकता के बिना अनुभवों से सीखने और बेहतर बनाने की अनुमति देता है। एआई और एमएल का एकमात्र उद्देश्य कंप्यूटर को स्वचालित रूप से सीखने की अनुमति देना है।

इसके अलावा, एक सॉफ्टवेयर डेवलपर होने के नाते, आपको अपने कंप्यूटर को यह बताने के लिए मिनट विवरण निर्दिष्ट करने की आवश्यकता हो सकती है कि उसे क्या करना है। मशीन लर्निंग के साथ एकीकृत सॉफ्टवेयर विकसित करने से आपको अपने विकासशील अनुभव में महत्वपूर्ण अंतर लाने में मदद मिल सकती है।

मशीन इंटेलिजेंस अंतिम आविष्कार है जिसे मानवता को कभी भी बनाने की आवश्यकता होगी!

जब मशीन सीखने और एआई डेवलपर्स की मदद करने की बात आती है, तो केवल आकाश की सीमा होती है। इसे और भी व्यापक बनाते हुए, AI ने हमेशा अपने द्वारा दर्ज किए गए प्रत्येक उद्योग को बदल दिया है। यहाँ आँकड़ों का एक त्वरित विस्तार है जो समान है:

जैसा कि कहा गया है, कृत्रिम बुद्धि और मशीन लर्निंग निश्चित रूप से दुनिया को बदल रहे हैं, और विकास उद्योग कोई अपवाद नहीं है। आइए नजर डालते हैं कि यह आपको फाल्स कोड लिखने, तैनाती करने और बग्स को ठीक करने में कैसे मदद कर सकता है।

विकास में एआई और एमएल - यह कैसे लाभान्वित सॉफ्टवेयर डेवलपर्स करता है?

चाहे आप एंड्रॉइड ऐप डेवलपर के रूप में काम करने वाले व्यक्ति हों या कोई व्यक्ति जो किसी जीवित व्यक्ति के लिए कोड लिखता हो, आप सोच रहे होंगे कि आपके लिए इसमें AI क्या है। यहां बताया गया है कि डेवलपर्स मशीन लर्निंग और एआई की क्षमताओं का उपयोग कैसे कर सकते हैं:

1. कोड की नियंत्रित तैनाती

एआई और मशीन लर्निंग प्रौद्योगिकियां विकास में आवश्यक कोड परिनियोजन गतिविधियों की दक्षता बढ़ाने में मदद करती हैं। विकास स्पेक्ट्रम में, परिनियोजन तंत्र में एक विकास चरण शामिल होता है जहां आपको अपने कार्यक्रमों और अनुप्रयोगों को एक नए संस्करण में अपग्रेड करने की आवश्यकता होती है।

हालांकि, यदि आप प्रक्रिया को ठीक से निष्पादित करने में विफल रहते हैं, तो आपको सॉफ़्टवेयर या एप्लिकेशन के भ्रष्टाचार सहित कई जोखिमों का सामना करने की आवश्यकता है। एआई की मदद से, आप आसानी से ऐसी कमजोरियों को रोक सकते हैं और आसानी से अपने कोड को अपग्रेड कर सकते हैं।

2. बग्स और त्रुटि पहचान

आर्टिफिशियल इंटेलिजेंस में प्रगति के साथ, कोडिंग का अनुभव और भी बेहतर और बेहतर होता जा रहा है। यह डेवलपर्स को अपने कोड में आसानी से कीड़े को स्पॉट करने और उन्हें तुरंत ठीक करने की अनुमति देता है। उन्हें अपने कोड में संभावित खामियां खोजने के लिए बार-बार अपना कोड नहीं पढ़ना पड़ता है।

कई मशीन लर्निंग एल्गोरिदम स्वचालित रूप से आपके सॉफ़्टवेयर का परीक्षण कर सकते हैं और परिवर्तन का सुझाव दे सकते हैं।

एआई-संचालित परीक्षण उपकरण निश्चित रूप से डेवलपर्स के लिए समय की अधिकता को बचा रहे हैं और उन्हें अपनी परियोजनाओं को तेजी से वितरित करने में मदद करते हैं।

3. सुरक्षित डेटा संग्रहण

कई नेटवर्क से डेटा के लगातार बढ़ते हस्तांतरण के साथ, साइबर सुरक्षा विशेषज्ञ अक्सर नेटवर्क में चल रही हर गतिविधि की निगरानी के लिए इसे जटिल और भारी पाते हैं। इसके कारण, कोई खतरा पैदा हो सकता है या बिना किसी अलर्ट के, बिना किसी सूचना के दूर हो सकता है।

हालांकि, कृत्रिम बुद्धिमत्ता की क्षमताओं के साथ, आप विलंबित चेतावनी जैसे मुद्दों से बच सकते हैं और जितनी जल्दी हो सके अपने कोड में बग के बारे में सूचित करें। इन उपकरणों को धीरे-धीरे कम समय लगता है क्योंकि कंपनी को एक ब्रीच के बारे में सूचित करने में समय लगता है।

4. रणनीतिक निर्णय करना और प्रोटोटाइप बनाना 

एक डेवलपर के लिए यह एक आदत है कि वह जिस परियोजना या कोड को बना रहा है, उसमें शामिल होने के लिए एक विषम और अंतहीन सूची से गुजरना पड़ता है। हालांकि, मशीन लर्निंग और एआई द्वारा संचालित तकनीकी समाधान मौजूदा एप्लिकेशन के प्रदर्शन का विश्लेषण और मूल्यांकन करने में सक्षम हैं

इस तकनीक की मदद से, व्यापारिक नेता और इंजीनियर दोनों एक ऐसे समाधान पर काम कर सकते हैं जो जोखिम को कम करता है और प्रभाव को अधिकतम करता है। प्राकृतिक भाषा और दृश्य इंटरफेस का उपयोग करके, तकनीकी डोमेन विशेषज्ञ तेजी से प्रौद्योगिकियों का विकास कर सकते हैं।

5. कौशल वृद्धि

आगामी प्रौद्योगिकी के साथ विकसित होने के लिए, आपको प्रौद्योगिकी में प्रगति के साथ विकसित होने की आवश्यकता है। फ्रेशर्स और युवा डेवलपर्स के लिए, AI- आधारित टूल उन्हें विभिन्न सॉफ्टवेयर प्रोग्राम पर सहयोग करने और साथी टीम के सदस्यों और वरिष्ठों के साथ प्रोग्रामिंग भाषा और सॉफ्टवेयर के बारे में अधिक जानने के लिए साझा करने में मदद करते हैं।

बिदाई शब्द

जबकि मशीन लर्निंग और AI सॉफ्टवेयर डेवलपमेंट से संबंधित कई कार्यों और गतिविधियों को सरल बनाते हैं, इसका मतलब यह नहीं है कि परीक्षक और डेवलपर्स अपनी नौकरी खो देते हैं। एक काम पर रखा गया एंड्रॉइड ऐप डेवलपर अभी भी एआई और मशीन लर्निंग द्वारा समर्थित तेज, बेहतर और अधिक कुशल वातावरण में कोड लिखेगा।

टैग

हैकर दोपहर में शामिल हों

अपने कस्टम पढ़ने के अनुभव को अनलॉक करने के लिए अपना निःशुल्क खाता बनाएं।

चेकआउट PrimeXBT
एसी मिलान के आधिकारिक सीएफडी भागीदारों के साथ व्यापार
व्यापार क्रिप्टो करने के लिए सबसे आसान तरीका है।
स्रोत: https://hackernoon.com/how-machine-learning-and-ai-are-helping-developers-6g2s33w6?source=rss

पढ़ना जारी रखें

कृत्रिम बुद्धिमत्ता

जेनरेटिव एडवरसैरियल ट्रांसफॉर्मर: जेनरेटफॉर्मर्स का उपयोग दृश्यों को उत्पन्न करने के लिए

अवतार

प्रकाशित

on

लेखक प्रोफाइल पिक्चर

@व्हाईसाईलुई बुचार्ड

मैं गैर-विशेषज्ञों को कृत्रिम बुद्धिमत्ता के नियम और समाचार समझाता हूं।

वे मूल रूप से शक्तिशाली StyleGAN2 वास्तुकला में ट्रांसफॉर्मर का ध्यान तंत्र का लाभ उठाते हैं ताकि इसे और भी अधिक शक्तिशाली बनाया जा सके!

वीडियो देखना:

अध्याय:
0: 00अरे! Thumbs Up बटन पर टैप करें और सदस्यता लें। आप बहुत सारी चीजें सीखेंगे, मैं वादा करता हूँ।
0: 24टेक्स्ट-टू-इमेज अनुवाद
0: 51उदाहरण
5: 50निष्कर्ष

संदर्भ

काग़ज़: https://arxiv.org/pdf/2103.01209.pdfΣτρατός Assault - Παίξτε Funny Games
कोड: https://github.com/dorarad/gansformerΣτρατός Assault - Παίξτε Funny Games
पूरा संदर्भ:
ड्रू ए। हडसन और सी। लॉरेंस ज़िटनिक, जेनेरिक एडवरसरी ट्रांसफ़ॉर्मर्स, (2021), एर्क्सिव पर प्रकाशित।, अमूर्त:

“हम GANsformer, एक उपन्यास और कुशल प्रकार के ट्रांसफार्मर का परिचय देते हैं, और इसे दृश्य जनरेटिव मॉडलिंग के कार्य के लिए खोजते हैं। नेटवर्क एक द्विदलीय संरचना को नियोजित करता है, जो रेखीय रूप से दक्षता की गणना को बनाए रखते हुए, छवि को लंबे समय तक बातचीत करने में सक्षम बनाता है, जो आसानी से उच्च-रिज़ॉल्यूशन संश्लेषण के लिए स्केल कर सकता है। यह चलने वाले दृश्य सुविधाओं के एक अव्यक्त चर के सेट से जानकारी का प्रचार करता है और इसके विपरीत, एक दूसरे के प्रकाश में प्रत्येक के शोधन का समर्थन करने और वस्तुओं और दृश्यों के रचनात्‍मक निरूपण के उद्भव को प्रोत्साहित करने के लिए। क्लासिक ट्रांसफॉर्मर आर्किटेक्चर के विपरीत, यह गुणात्मक एकीकरण का उपयोग करता है जो लचीले क्षेत्र-आधारित मॉड्यूलेशन की अनुमति देता है, और इस प्रकार इसे सफल स्टाइलगन नेटवर्क के सामान्यीकरण के रूप में देखा जा सकता है। हम डेटासेट्स की एक श्रृंखला के प्रति सावधानीपूर्वक मूल्यांकन के माध्यम से मॉडल की ताकत और मजबूती का प्रदर्शन करते हैं, नकली बहु-वस्तु वातावरण से लेकर वास्तविक वास्तविक इनडोर और बाहरी दृश्यों तक, यह छवि की गुणवत्ता और विविधता के मामले में राज्य के प्रमुख परिणाम प्राप्त करता है, जबकि तेजी से सीखने और बेहतर डेटा दक्षता का आनंद ले रहे हैं। इसके अलावा गुणात्मक और मात्रात्मक प्रयोग हमें मॉडल के आंतरिक कामकाज में एक अंतर्दृष्टि प्रदान करते हैं, जिससे बेहतर व्याख्या और मजबूत असंतोष प्रकट होता है, और हमारे दृष्टिकोण के लाभों और प्रभावकारिता को दिखाता है। मॉडल का एक कार्यान्वयन पर उपलब्ध है https://github.com/dorarad/gansformer। "

वीडियो ट्रांसक्रिप्ट

नोट: यह प्रतिलेख Youtube द्वारा स्वतः-जनरेट किया गया है और पूरी तरह से सटीक नहीं हो सकता है।

00: 00

मूल रूप से लीवरेज ट्रांसफार्मर

00: 02

शक्तिशाली मूर्ति में ध्यान तंत्र

00: 04

बंदूक 2 वास्तुकला इसे और भी अधिक बनाने के लिए

00: 06

शक्तिशाली

00: 10

[संगीत]

00: 14

यह वही है जो मैं और मैं कृत्रिम साझा करते हैं

00: 16

हर हफ्ते खुफिया खबर

00: 18

यदि आप चैनल के लिए नए हैं और करेंगे

00: 19

कृपया आज तक बने रहने के लिए विचार करें

00: 21

आगे की कोई भी खबर मिस न करने की सदस्यता लें

00: 24

पिछले हफ्ते हमने दलाई ओपनई की तरफ देखा

00: 27

सबसे हाल का पेपर

00: 28

यह g3 के रूप में एक समान वास्तुकला का उपयोग करता है

00: 31

एक उत्पन्न करने के लिए ट्रांसफार्मर शामिल

00: 33

पाठ से छवि

00: 35

यह एक सुपर दिलचस्प और जटिल है

00: 37

कार्य कहा जाता है

00: 38

छवि अनुवाद का पाठ जैसा कि आप देख सकते हैं

00: 41

यहां फिर से परिणाम आश्चर्यजनक थे

00: 43

पिछले की तुलना में अच्छा

00: 45

अत्याधुनिक तकनीकें यह है

00: 47

मुख्य रूप से ट्रांसफार्मर के उपयोग के कारण

00: 49

और इस सप्ताह बड़ी मात्रा में डेटा

00: 52

बहुत समान कार्य को देखेंगे

00: 54

कहा जाता है जहां दृश्य मूल मॉडलिंग

00: 56

लक्ष्य एक उत्पन्न करना है

00: 58

उच्च संकल्प में पूरा दृश्य

01: 00

सड़क या कमरे के रूप में

01: 02

एक एकल चेहरे या एक विशिष्ट के बजाय

01: 04

ऑब्जेक्ट यह डेल्ही से अलग है

01: 06

चूंकि हम दृश्य उत्पन्न नहीं कर रहे हैं

01: 08

एक पाठ से लेकिन एक प्रशिक्षित मॉडल से

01: 10

दृश्यों की एक विशिष्ट शैली पर जो ए

01: 13

इस मामले में बेडरूम

01: 14

बल्कि यह स्टाइल गन जैसा है

01: 17

अद्वितीय और गैर-मौजूदा उत्पन्न करने में सक्षम

01: 19

मानव चेहरे

01: 20

वास्तविक के डेटा सेट पर प्रशिक्षित किया जा रहा है

01: 22

चेहरे के

01: 24

अंतर यह है कि यह इस गण का उपयोग करता है

01: 26

एक पारंपरिक पीढ़ी में वास्तुकला

01: 28

और भेदभावपूर्ण तरीका

01: 29

दृढ़ तंत्रिका नेटवर्क के साथ ए

01: 32

क्लासिक बंदूक वास्तुकला एक होगा

01: 34

जनक

01: 35

छवि और एक उत्पन्न करने के लिए प्रशिक्षित

01: 36

भेदभाव करनेवाला

01: 38

की गुणवत्ता को मापने के लिए इस्तेमाल किया

01: 40

उत्पन्न चित्र

01: 41

अनुमान लगाने से कि क्या यह एक वास्तविक छवि है

01: 43

डेटा सेट से

01: 44

या द्वारा बनाई गई एक नकली छवि

01: 46

जनक

01: 48

दोनों नेटवर्क आमतौर पर से बने होते हैं

01: 50

दृढ़ तंत्रिका नेटवर्क जहां

01: 52

जनक

01: 53

ऐसा लगता है कि मुख्य रूप से नीचे से बना है

01: 56

करने के लिए दृढ़ संकल्प का उपयोग कर छवि का नमूना

01: 58

इसे एनकोड करें

01: 59

और फिर यह छवि को फिर से नमूने देता है

02: 02

एक नया उत्पन्न करने के लिए दृढ़ संकल्प का उपयोग करना

02: 04

संस्करण

02: 05

एक ही शैली के साथ छवि के आधार पर

02: 07

एन्कोडिंग पर

02: 08

जिसके कारण इसे स्टाइल गन कहा जाता है

02: 12

विवेकशील उत्पन्न करता है

02: 14

छवि या

02: 15

आपके डेटा सेट से एक छवि और करने की कोशिश करता है

02: 17

यह पता लगाएं कि यह असली है या नहीं

02: 18

उत्पन्न

02: 19

इसके बजाय नकली कहा जाता है कि वे लाभ उठाते हैं

02: 22

ट्रांसफॉर्मर ध्यान तंत्र

02: 24

शक्तिशाली स्टारगन 2 के अंदर

02: 26

इसे बनाने के लिए वास्तुकला

02: 27

और भी शक्तिशाली ध्यान एक है

02: 30

इस नेटवर्क की आवश्यक विशेषता

02: 32

नेटवर्क को वैश्विक आकर्षित करने की अनुमति देता है

02: 34

के बीच निर्भरता

02: 36

इस मामले में इनपुट और आउटपुट

02: 39

के मौजूदा कदम पर इनपुट के बीच

02: 41

वास्तुकला

02: 42

और अव्यक्त कोड पहले से एन्कोड किया गया था

02: 44

जैसा कि हम एक मिनट में देखेंगे

02: 46

यदि आप नहीं हैं तो इसमें गोता लगाने से पहले

02: 48

ट्रांसफार्मर या ध्यान से परिचित

02: 50

मेरा सुझाव है कि आप मेरे द्वारा बनाया गया वीडियो देखें

02: 52

ट्रांसफार्मर के बारे में

02: 54

अधिक जानकारी के लिए और एक बेहतर

02: 55

ध्यान की समझ

02: 57

आप निश्चित रूप से एक नज़र रखना चाहिए

02: 58

वीडियो ध्यान आप सभी की जरूरत है

03: 01

एक साथी youtuber और प्रेरणा से

03: 03

मेरी जानिक

03: 04

इस अद्भुत कागज को कवर करने वाला किलो

03: 07

ठीक

03: 07

इसलिए हम जानते हैं कि वे ट्रांसफार्मर का उपयोग करते हैं

03: 09

और बंदूकें एक साथ बेहतर और उत्पन्न करने के लिए

03: 12

अधिक यथार्थवादी दृश्य

03: 13

इस पेपर का नाम बताते हुए

03: 15

ट्रान्सफ़ॉर्मर

03: 17

लेकिन उन्होंने ऐसा क्यों और कैसे किया

03: 20

y के रूप में वे उत्पन्न करने के लिए किया था

03: 22

जटिल और यथार्थवादी दृश्य

03: 24

इस तरह यह अपने आप हो सकता है

03: 26

कई के लिए एक शक्तिशाली अनुप्रयोग हो

03: 28

फिल्में या वीडियो गेम जैसे उद्योग

03: 30

बहुत कम समय और प्रयास की आवश्यकता है

03: 33

एक होने से

03: 34

कलाकार उन्हें कंप्यूटर या यहां तक ​​कि पर बनाते हैं

03: 36

उन्हें बनाओं

03: 37

वास्तविक जीवन में इसकी एक तस्वीर लेने के लिए

03: 40

भी

03: 40

कल्पना कीजिए कि यह कितना उपयोगी हो सकता है

03: 42

जब पाठ के साथ युग्मित डिजाइनर

03: 44

छवि अनुवाद कई पैदा करते हैं

03: 46

एक पाठ से अलग दृश्य

03: 48

निवेश

03: 48

और एक यादृच्छिक बटन दबाने पर वे एक का उपयोग करते हैं

03: 51

अत्याधुनिक शैली की बंदूक वास्तुकला

03: 53

क्योंकि बंदूकें शक्तिशाली जनरेटर हैं

03: 55

जब हम सामान्य छवि के बारे में बात करते हैं

03: 58

क्योंकि बंदूकें दृढ़ का उपयोग करके काम करती हैं

04: 00

तंत्रिका जाल

04: 01

वे स्थानीय उपयोग करके स्वभाव से हैं

04: 03

पिक्सल की जानकारी

04: 05

उन्हें सामान्य के साथ समाप्त करने के लिए विलय

04: 07

छवि के बारे में जानकारी

04: 09

लंबे समय से लापता है

04: 11

दूर के पिक्सेल की बातचीत

04: 13

उसी कारण से यह बंदूकों का कारण बनता है

04: 15

समग्र के लिए शक्तिशाली जनरेटर हो

04: 18

छवि की शैली

04: 19

अभी भी वे बहुत कम शक्तिशाली हैं

04: 21

छोटे की गुणवत्ता के बारे में

04: 23

उत्पन्न छवि में विवरण

04: 25

उसी कारण से असमर्थ रहा

04: 27

स्थानीय क्षेत्रों की शैली को नियंत्रित करें

04: 30

उत्पन्न छवि के भीतर ही यह

04: 33

यही कारण है कि उनके पास गठबंधन करने का विचार था

04: 34

ट्रांसफार्मर और एक में गण

04: 36

वास्तुकला वे कहते हैं

04: 38

G3 और कई के रूप में द्विपदीय ट्रांसफार्मर

04: 41

अन्य कागजात पहले से ही ट्रांसफार्मर साबित हुए

04: 44

लंबी दूरी की बातचीत के लिए शक्तिशाली हैं

04: 46

उन दोनों के बीच निर्भरता ड्राइंग

04: 48

पाठ के संदर्भ को समझना

04: 50

या छवियाँ हम देख सकते हैं कि यह बस

04: 53

ध्यान परतों को जोड़ा

04: 54

जो ट्रांसफार्मर का आधार है

04: 56

नेटवर्क के बीच में

04: 58

दोनों जनरेटर की परतें और

05: 00

भेदभाव करनेवाला

05: 01

इस प्रकार उपयोग करने पर ध्यान केंद्रित करने के बजाय

05: 03

वैश्विक जानकारी और नियंत्रण

05: 05

सभी सुविधाएँ विश्व स्तर पर दीक्षांत समारोह के रूप में होती हैं

05: 07

स्वभाव से

05: 08

वे इस ध्यान का उपयोग प्रचार करने के लिए करते हैं

05: 10

स्थानीय पिक्सेल से जानकारी

05: 12

वैश्विक उच्च स्तरीय प्रतिनिधित्व

05: 14

और इसके विपरीत अन्य ट्रांसफार्मर की तरह

05: 17

छवियों के लिए आवेदन किया

05: 18

यह ध्यान परत पिक्सेल की है

05: 20

स्थिति और अव्यक्त करने के लिए शैली बंदूक

05: 23

रिक्त स्थान w

05: 24

और z अव्यक्त अंतरिक्ष w एक एन्कोडिंग है

05: 27

एक मध्यवर्ती अव्यक्त में इनपुट की

05: 30

अंतरिक्ष

05: 30

नेटवर्क की शुरुआत में किया गया

05: 32

यहाँ निरूपित किया गया

05: 34

थोड़ी देर के लिए एन्कोडिंग z बस है

05: 37

पर इनपुट के परिणामस्वरूप विशेषताएं

05: 39

नेटवर्क का वर्तमान चरण

05: 40

यह पीढ़ी को बहुत अधिक बनाता है

05: 42

संपूर्ण छवि पर अभिव्यंजक

05: 44

विशेष रूप से चित्र बनाने में

05: 46

बहु वस्तु का चित्रण

05: 48

दृश्यों जो इस कागज का लक्ष्य है

05: 51

बेशक यह सिर्फ एक अवलोकन था

05: 53

फेसबुक एआई अनुसंधान द्वारा इस नए पेपर

05: 55

और स्टैनफोर्ड विश्वविद्यालय

05: 57

मैं दृढ़ता से कागज पढ़ने की सलाह देता हूं

05: 59

इसकी बेहतर समझ रखना

06: 00

यह पहली कड़ी है

06: 02

नीचे वर्णन

06: 03

कोड भी उपलब्ध है और में जुड़ा हुआ है

06: 05

वर्णन भी

06: 07

अगर आप इस वीडियो में कृपया दूर चले गए

06: 08

एक तरह से छोड़ने पर विचार करें

06: 10

और अपने विचारों पर टिप्पणी करूंगा

06: 12

निश्चित रूप से उन्हें पढ़ें और आपको जवाब दें

06: 14

और चूंकि अभी भी 80 प्रतिशत से अधिक है

06: 16

आप लोगों की जो अभी तक सदस्यता नहीं ले रहे हैं

06: 18

कृपया इस पर क्लिक करने पर विचार करें

06: 20

सदस्यता बटन

06: 21

आगे किसी भी खबर को स्पष्ट रूप से याद नहीं करना

06: 23

समझाया

06: 24

देखने के लिए धन्यवाद

06: 33

[संगीत]

लेखक प्रोफाइल पिक्चर

मेरी कहानियाँ पढ़ें

मैं गैर-विशेषज्ञों को कृत्रिम बुद्धिमत्ता के नियम और समाचार समझाता हूं।

टैग

हैकर दोपहर में शामिल हों

अपने कस्टम पढ़ने के अनुभव को अनलॉक करने के लिए अपना निःशुल्क खाता बनाएं।

चेकआउट PrimeXBT
एसी मिलान के आधिकारिक सीएफडी भागीदारों के साथ व्यापार
व्यापार क्रिप्टो करने के लिए सबसे आसान तरीका है।
स्रोत: https://hackernoon.com/generative-adversarial-transformers-use-gansformers-to-generate-scenes-013d33h4?source=rss

पढ़ना जारी रखें

कृत्रिम बुद्धिमत्ता

अगर मैं फिर से शुरू करने के लिए डेटा साइंस सीखता तो मैं कैसे सीखता

अवतार

प्रकाशित

on

लेखक प्रोफाइल पिक्चर

@शांतिविक्ज़सैंटियागो विक्ज़

भौतिक वैज्ञानिक डेटा वैज्ञानिक बने। Datasciencetrivia.com के निर्माता

कुछ दिन पहले मैंने यह सोचना शुरू किया कि क्या मुझे मशीन लर्निंग और डेटा साइंस को फिर से सीखना शुरू करना होगा जहाँ मैं शुरू करूँगा? मज़ेदार बात यह थी कि जिस रास्ते की मैंने कल्पना की थी, वह उस एक से पूरी तरह से अलग था जो मैंने वास्तव में किया था जब मैं शुरू कर रहा था।

मुझे पता है कि हम सभी अलग-अलग तरीकों से सीखते हैं। कुछ वीडियो पसंद करते हैं, दूसरों को सिर्फ पुस्तकों के साथ ठीक है और बहुत से लोगों को अधिक दबाव महसूस करने के लिए एक कोर्स के लिए भुगतान करने की आवश्यकता होती है। और यह ठीक है, महत्वपूर्ण बात यह है कि इसे सीखना और आनंद लेना है।

इसलिए, अपने स्वयं के दृष्टिकोण से बात करना और यह जानना कि मैं कैसे बेहतर सीखता हूं, मैंने इस पथ को डिज़ाइन किया है अगर मुझे डेटा विज्ञान फिर से सीखना शुरू करना पड़ा।

जैसा कि आप देखेंगे, सीखने का मेरा पसंदीदा तरीका धीरे-धीरे सरल से जटिल होता जा रहा है। इसका मतलब है कि व्यावहारिक उदाहरणों के साथ शुरू करना और फिर अधिक अमूर्त अवधारणाओं पर जाना।

माइक्रो-पाठ्यक्रम कागज़

मुझे पता है कि यहां शुरू करना अजीब हो सकता है, कई लोग प्रत्येक एमएल मॉडल के पीछे क्या हो रहा है, इसे पूरी तरह से समझने के लिए सबसे भारी नींव और गणित वीडियो के साथ शुरू करना पसंद करेंगे। लेकिन मेरे दृष्टिकोण से कुछ व्यावहारिक और ठोस के साथ शुरू करने से पूरी तस्वीर के बारे में बेहतर दृष्टिकोण रखने में मदद मिलती है।

इसके अलावा, ये सूक्ष्म पाठ्यक्रम लगभग 4 घंटे / प्रत्येक लेते हैं ताकि उन छोटे लक्ष्यों को पूरा करने के लिए एक अतिरिक्त प्रेरक बढ़ावा मिले।

केगल माइक्रो-कोर्स: पायथन

यदि आप पायथन से परिचित हैं तो आप इस हिस्से को छोड़ सकते हैं। यहाँ आप बुनियादी पायथन अवधारणाएँ सीखेंगे जो आपको डेटा विज्ञान सीखने में मदद करेगी। पायथन के बारे में बहुत सारी बातें होंगी जो अभी भी एक रहस्य बनने वाली हैं। लेकिन जैसा कि हम आगे बढ़ते हैं, आप इसे अभ्यास के साथ सीखेंगे।

लिंक: https://www.kaggle.com/learn/python

कीमत: नि: शुल्क

कग्गल माइक्रो-कोर्स: पंडों

पंडों हमें पायथन में डेटा हेरफेर शुरू करने के लिए कौशल देने जा रहे हैं। मैं मानता हूं कि 4 घंटे का माइक्रो-कोर्स और व्यावहारिक उदाहरण उन चीजों की धारणा के लिए पर्याप्त है जो किए जा सकते हैं।

लिंक: https://www.kaggle.com/learn/pandas

कीमत: नि: शुल्क

कागल माइक्रो-कोर्स: डेटा विज़ुअलाइज़ेशन

डेटा विज़ुअलाइज़ेशन शायद सबसे कम कौशल में से एक है, लेकिन यह सबसे महत्वपूर्ण में से एक है। यह आपको उस डेटा को पूरी तरह से समझने की अनुमति देगा जिसके साथ आप काम कर रहे होंगे।

लिंक: https://www.kaggle.com/learn/data-visualization

कीमत: नि: शुल्क

कागल माइक्रो-कोर्स: इन्ट्रो टू मशीन लर्निंग

यह वह जगह है जहाँ रोमांचक हिस्सा शुरू होता है। आप प्रशिक्षण मशीन सीखने के मॉडल को शुरू करने के लिए बुनियादी लेकिन बहुत महत्वपूर्ण अवधारणाओं को सीखने जा रहे हैं। यह स्वीकार करना कि बाद में उन्हें बहुत स्पष्ट होना आवश्यक होगा।

लिंक: https://www.kaggle.com/learn/intro-to-machine-सीख रहा हूँ

Precio: नि: शुल्क

कागल माइक्रो-कोर्स: इंटरमीडिएट मशीन लर्निंग

यह पिछले एक का पूरक है लेकिन यहां आप पहली बार श्रेणीबद्ध चर के साथ काम करने जा रहे हैं और अपने डेटा में अशक्त क्षेत्रों से निपट सकते हैं।

लिंक: https://www.kaggle.com/learn/intermediate-machine-learning

कीमत: नि: शुल्क

एक पल के लिए यहाँ रुकते हैं। यह स्पष्ट होना चाहिए कि ये 5 सूक्ष्म पाठ्यक्रम एक रैखिक प्रक्रिया नहीं होने जा रहे हैं, आपको संभवतः अवधारणाओं को ताज़ा करने के लिए उनके बीच आना और जाना होगा। जब आप पंडों में काम कर रहे होते हैं, तो आपको अपने द्वारा सीखी गई कुछ चीज़ों को याद रखने के लिए पंडों के पाठ्यक्रम पर वापस जाना पड़ सकता है या नए कार्यों को समझने के लिए पांडा के प्रलेखन में जाना चाहिए, जिन्हें आपने मशीन लर्निंग कोर्स के परिचय में देखा था। और यह सब ठीक है, ठीक यहीं पर वास्तविक शिक्षण होने जा रहा है।

अब, यदि आप महसूस करते हैं कि ये पहले 5 पाठ्यक्रम आपको खोजपूर्ण डेटा विश्लेषण (EDA) करने के लिए आवश्यक कौशल देंगे और आधारभूत मॉडल बनाएंगे, जो बाद में आप सुधार कर पाएंगे। तो अब सरल कागल प्रतियोगिताओं के साथ शुरुआत करने और आपने जो सीखा है उसे व्यवहार में लाने का सही समय है।

कागल प्लेग्राउंड प्रतियोगिता: टाइटैनिक

यहाँ आप अभ्यास में डालेंगे कि आपने परिचयात्मक पाठ्यक्रमों में क्या सीखा। शायद यह पहली बार में थोड़ा डराने वाला होगा, लेकिन इससे कोई फर्क नहीं पड़ता कि यह लीडरबोर्ड पर पहले होने के बारे में नहीं है, यह सीखने के बारे में है। इस प्रतियोगिता में, आप इस प्रकार की समस्याओं जैसे कि सटीक, याद, और सटीकता के लिए वर्गीकरण और प्रासंगिक मैट्रिक्स के बारे में जानेंगे।

लिंक: https://www.kaggle.com/c/titanic

कागले खेल का मैदान प्रतियोगिता: आवास की कीमतें

इस प्रतियोगिता में, आप प्रतिगमन मॉडल लागू करने जा रहे हैं और आरएमएसई जैसे प्रासंगिक मैट्रिक्स के बारे में सीखते हैं।

लिंक: https://www.kaggle.com/c/home-data-for-ml-course

इस बिंदु पर, आपके पास पहले से ही बहुत अधिक व्यावहारिक अनुभव है और आप महसूस करेंगे कि आप बहुत सारी समस्याओं को हल कर सकते हैं, इस बात की संभावना है कि आप पूरी तरह से समझ नहीं पा रहे हैं कि आपके द्वारा उपयोग किए जाने वाले प्रत्येक वर्गीकरण और प्रतिगमन एल्गोरिदम के पीछे क्या हो रहा है। तो यह वह जगह है जहाँ हमें अध्ययन करना है नींव हम क्या सीख रहे हैं।

कई पाठ्यक्रम यहां से शुरू होते हैं, लेकिन कम से कम मैं इस जानकारी को बेहतर तरीके से अवशोषित करता हूं, इससे पहले कि मैंने कुछ व्यावहारिक पर काम किया हो।

पुस्तक: स्क्रैच से डेटा विज्ञान

इस बिंदु पर, हम इन एल्गोरिदमों को "पीछे" करने के लिए व्यावहारिक रूप से सीखने के लिए खुद को पंडों, स्किटिट-लर्न और अन्य पायथन लाइब्रेरी से पल-पल अलग करेंगे।

यह पुस्तक पढ़ने में काफी अनुकूल है, यह प्रत्येक विषय के पायथन उदाहरणों को सामने लाता है और इसमें बहुत भारी गणित नहीं है, जो इस चरण के लिए मौलिक है। हम एल्गोरिदम के सिद्धांत को समझना चाहते हैं, लेकिन व्यावहारिक दृष्टिकोण के साथ, हम बहुत अधिक घनीभूत गणितीय संकेतन को पढ़कर इसे ध्वस्त नहीं करना चाहते हैं।

लिंक: वीरांगना

मूल्य: $ 26 aprox

यदि आपको यह मिल गया है तो मैं कहूंगा कि आप डेटा साइंस में काम करने में काफी सक्षम हैं और समाधान के पीछे के मूल सिद्धांतों को समझते हैं। इसलिए यहां मैं आपको और अधिक जटिल कागल प्रतियोगिताओं में भाग लेने, मंचों में संलग्न रहने और नए तरीकों का पता लगाने के लिए आमंत्रित करता हूं जो आपको अन्य प्रतिभागियों के समाधान में मिलते हैं।

ऑनलाइन कोर्स: मशीन लर्निंग एंड्रयू एनजी द्वारा

यहां हम कई चीजें देख रहे हैं जो हमने पहले ही सीख ली हैं लेकिन हम इसे क्षेत्र के एक नेता द्वारा समझाया गया है और उनका दृष्टिकोण अधिक गणितीय होने जा रहा है, इसलिए यह हमारे समझने का एक शानदार तरीका होगा मॉडल और भी अधिक।

लिंक: https://www.coursera.org/learn/machine-learning

मूल्य: प्रमाणपत्र के बिना नि: शुल्क - प्रमाणपत्र के साथ $ 79

पुस्तक: सांख्यिकीय शिक्षण के तत्व

अब भारी गणित भाग शुरू होता है। सोचिए अगर हमने यहां से शुरुआत की होती, तो यह एक उथल-पुथल वाली सड़क होती और हम शायद आसान रास्ता छोड़ देते।

लिंक: वीरांगना

मूल्य: $ 60, पर एक आधिकारिक मुफ्त संस्करण है स्टैनफोर्ड इस पृष्ठ पर ज़ूम कई वीडियो ट्यूटोरियल और अन्य साहायक साधन प्रदान करता है।

ऑनलाइन कोर्स: एंड्रयू एनजी द्वारा दीप लर्निंग

तब तक आप शायद पहले से ही कुछ मॉडल के साथ गहन सीखने और खेलने के बारे में पढ़ चुके हैं। लेकिन यहां हम तंत्रिका नेटवर्क क्या हैं, वे कैसे काम करते हैं, की नींव को जानने जा रहे हैं और विभिन्न आर्किटेक्चर को लागू करने और लागू करने के लिए सीखते हैं।

लिंक: https://www.deeplearning.ai/deep-learning-specialization/

मूल्य: $ 49 / महीना

इस बिंदु पर यह आपके स्वयं के हितों पर बहुत अधिक निर्भर करता है, आप प्रतिगमन और समय श्रृंखला की समस्याओं पर ध्यान केंद्रित कर सकते हैं या शायद अधिक गहराई से सीखने में जाएं।

मैं आपको बताना चाहता हूं कि मैंने सवालों और जवाबों के साथ एक डेटा साइंस ट्रिविया गेम लॉन्च किया है जो आमतौर पर साक्षात्कारों में सामने आता है। इसके बारे में अधिक जानने के लिए ट्विटर पर मुझे फॉलो करें.

पर भी प्रकाशित हुआ https://towardsdatascience.com/if-i-had-to-start-learning-data-science-again-how-would-i-do-it-78a72b80fd93

टैग

हैकर दोपहर में शामिल हों

अपने कस्टम पढ़ने के अनुभव को अनलॉक करने के लिए अपना निःशुल्क खाता बनाएं।

चेकआउट PrimeXBT
एसी मिलान के आधिकारिक सीएफडी भागीदारों के साथ व्यापार
व्यापार क्रिप्टो करने के लिए सबसे आसान तरीका है।
स्रोत: https://hackernoon.com/how-id-learn-data-science-if-i-were-to-start-all-over-again-5o2733tn?source=rs

पढ़ना जारी रखें
ब्लॉक श्रृंखला5 दिन पहले

क्रिप्टो टैक्स रिफॉर्म के बारे में 'बिटकॉइन सीनेटर' ल्यूमिस ऑप्टिमिस्टिक

ब्लॉक श्रृंखला5 दिन पहले

डॉगकोइन सबसे लोकप्रिय क्रिप्टोक्यूरेंसी बन जाता है

ब्लॉक श्रृंखला5 दिन पहले

बिलियनेयर हेज फंड मैनेजर और CFTC के पूर्व अध्यक्ष ने क्रिप्टो फर्म में कथित तौर पर निवेश किया

ब्लॉक श्रृंखला5 दिन पहले

बिटकॉइन मूल्य विश्लेषण: $ 50K से ऊपर, लेकिन अब भारी प्रतिरोध का सामना करना पड़ रहा है

ब्लॉक श्रृंखला5 दिन पहले

इंस्टीट्यूशनल इन्वेस्टर्स बिटकॉइन को प्राइस टॉप $ 50K के रूप में खरीदते रहें: रिपोर्ट

ब्लॉक श्रृंखला5 दिन पहले

नेक्स्ट चेन: नई पीढ़ी ब्लॉकचैन विथ द डेफी इंडस्ट्री

बड़ा डेटा2 दिन पहले

यूएस आईपीओ के लिए ऑनलाइन लर्निंग प्लेटफॉर्म कौरसेरा फाइलें

ब्लॉक श्रृंखला4 दिन पहले

ग्रेटर कनेक्टिविटी और तरलता के लिए एल्रोनड एंड रीफ फाइनेंस टीम अप

ब्लॉक श्रृंखला4 दिन पहले

फंतासी परिनियोजन के बाद SushiSwap Goes मल्टी-चेन

ब्लॉक श्रृंखला4 दिन पहले

यहाँ क्यों Bitcoin $ 45,000 की ओर जा सकता है

ब्लॉक श्रृंखला5 दिन पहले

ब्रिटेन के बजट बिटकॉइन लाभ के लिए कर बढ़ोतरी से बचता है

ब्लॉक श्रृंखला3 दिन पहले

गैर-मूर्त टोकन - एनएफटी 101 - क्यों लोग क्रिप्टो आर्ट और डिजिटल आइटम के लिए लाखों डॉलर खर्च कर रहे हैं

ब्लॉक श्रृंखला4 दिन पहले

eToro और DS TECHEETAH लाभ-केवल सौदे के साथ प्रायोजन का चेहरा बदलें

ब्लॉक श्रृंखला4 दिन पहले

Apple पे यूजर्स अब COTI Via सिम्पलेक्स खरीद सकते हैं

ब्लॉक श्रृंखला5 दिन पहले

Ethereum की मूल्य संभावनाएं: आपको क्या जानना चाहिए

व्यापार अंदरूनी सूत्र2 दिन पहले

वॉल स्ट्रीट के लोग सप्ताह के कदम: यहां हमारे पदोन्नति, निकास, और गोल्डमैन सैक्स, जेपी मॉर्गन, और थर्ड पॉइंट जैसी फर्मों में किराए पर हैं

ब्लॉक श्रृंखला4 दिन पहले

पिछले ऑल टाइम हाई रिटायर होने के बाद टॉमोहिन (TOMO) बढ़ता है

ब्लॉक श्रृंखला4 दिन पहले

ट्रॉन डैप्स मार्केट ने मेननेट सून को लॉन्च करने के लिए ब्रिज ऑरेकल के रूप में एक बूस्ट तैयार किया

ब्लॉक श्रृंखला4 दिन पहले

सिलिकॉन वैली-आधारित तारक्सा आगामी सार्वजनिक बिक्री का खुलासा करता है

एआर / वी.आर.5 दिन पहले

Farpoint स्टूडियो आगामी खेल के लिए गुप्त संदेश छेड़ो

रुझान