🌯 🤴🏿 🚻 पुस्तक "पीढ़ी की गहरी सीख। तंत्रिका नेटवर्क की रचनात्मक क्षमता ” 👨🏽‍🔬 👐🏼 💆🏼

हैलो, हब्रोज़िटेली! आर्टिफिशियल इंटेलिजेंस के क्षेत्र में जेनेरिक मॉडलिंग सबसे चर्चित विषयों में से एक है। संगीत को खींचना, लिखना और रचना करना मशीनों को सिखाया जा सकता है। आप स्वयं कृत्रिम बुद्धिमत्ता को अपने डेस्क या एक चित्रपट पर रख सकते हैं, इसके लिए यह जेनेरिक डीप लर्निंग मॉडल के सबसे प्रासंगिक उदाहरणों से परिचित होने के लिए पर्याप्त है: वैरिएबल ऑटो-एनकोडर, जेनेरिक-प्रतिस्पर्धी नेटवर्क, एनकोडर-डिकोडर जैसे मॉडल और भी बहुत कुछ।

डेविड फोस्टर जेनेरिक मॉडलिंग की वास्तुकला और तरीकों को समझने योग्य और सुलभ बनाता है, उनकी युक्तियां और चालें आपके मॉडल को प्रशिक्षण में अधिक रचनात्मक और प्रभावी बना देंगी। आप केरस पर आधारित इन-डेप्थ ट्रेनिंग की मूल बातों से शुरू करेंगे, और फिर सबसे उन्नत एल्गोरिदम पर आगे बढ़ेंगे।

समझें कि भिन्न-भिन्न ऑटो-एनकोडर्स तस्वीरों में भावनाओं को कैसे बदलते हैं।
खरोंच से एक गण बनाएँ।
जानें कि जनरेटिव टेक्स्ट जेनरेशन मॉडल के साथ कैसे काम किया जाए।
पता चलता है कि कैसे जेनरेटर मॉडल एजेंटों को प्रबलित शिक्षण कार्यों को पूरा करने में मदद करते हैं।
BERT, GPT-2, प्रोगान, स्टाइलगन, और बहुत कुछ का अन्वेषण करें।

लक्ष्य और दृष्टिकोण

इस पुस्तक में उन महत्वपूर्ण तरीकों पर चर्चा की गई है, जिन्होंने हाल के वर्षों में जनरेटिव मॉडलिंग के परिदृश्य को हावी किया है और रचनात्मक कार्यों में प्रभावशाली प्रगति की है। जेनेरिक मॉडलिंग के मूल सिद्धांत की खोज के अलावा, इस पुस्तक में हम साहित्य से उधार लिए गए कुछ प्रमुख मॉडलों के काम के उदाहरण बनाएंगे, और चरण दर चरण हम उनमें से प्रत्येक के कार्यान्वयन पर विचार करेंगे।

पुस्तक के दौरान, आप कुछ मॉडल के यांत्रिकी को समझाते हुए लघु निर्देश कहानियों में आएंगे। शायद एक नए अमूर्त सिद्धांत का अध्ययन करने का सबसे अच्छा तरीका यह है कि पहले इसे कुछ कम अमूर्त में बदल दिया जाए, जैसे कि एक कहानी, और उसके बाद ही एक तकनीकी वर्णन किया जाता है। सिद्धांत के अलग-अलग खंड एक संदर्भ में अधिक समझ में आएंगे, जिसमें लोग, क्रियाएं और भावनाएं शामिल हैं, और न कि अमूर्त अवधारणाओं के संदर्भ में, जैसा कि, कहते हैं, तंत्रिका नेटवर्क, बैकप्रोपैजेशन, या हानि फ़ंक्शन।

मॉडल की कहानी और विवरण एक ही बात को दो दृष्टिकोणों से समझाने की एक सामान्य विधि है। इसलिए, जब एक मॉडल का अध्ययन करते हैं, तो यह कभी-कभी संबंधित कहानी पर लौटने के लिए उपयोगी होगा। यदि आप पहले से ही किसी विशेष चाल से परिचित हैं, तो बस मॉडल के प्रत्येक तत्व के साथ प्रत्येक कहानी में समानताएं खोजने का मज़ा लें!

पुस्तक का पहला भाग जेनेरेटिव मॉडल बनाने के लिए प्रमुख विधियाँ प्रस्तुत करता है, जिसमें गहन शिक्षा, परिवर्तनशील ऑटोकॉडर्स और जेनेरिक-प्रतिस्पर्धी नेटवर्क का अवलोकन शामिल है। दूसरे भाग में, इन विधियों का उपयोग कई रचनात्मक समस्याओं (ड्राइंग, कहानियों और संगीत की रचना) को हल करने के लिए किया जाता है जैसे CycleGAN, कोडेक और डिकोडर और MuseGAN जैसे मॉडल का उपयोग करते हैं। हम देखेंगे कि गेम (वर्ल्ड मॉडल्स) की विजेता रणनीति को अनुकूलित करने के लिए जेनेरिक मॉडलिंग का उपयोग कैसे किया जा सकता है, आज उपलब्ध सबसे उन्नत जेनेरिक आर्किटेक्चर पर विचार करें: स्टाइलगन, बिगगन, बीईआरटी, जीपीटी -2 और म्यूजनेट।

Naive Bayes Parametric Model

भोले बायेसियन पैरामीट्रिक मॉडल मूल्यांकन करने के लिए मापदंडों की संख्या को काफी कम करने के लिए एक सरल धारणा का उपयोग करता है। हम भोलेपन से मानते हैं कि प्रत्येक विशेषता xj किसी अन्य विशेषता पर निर्भर नहीं है

, इरमा में प्राप्त डेटा सेट के संबंध में, इसका मतलब है, उदाहरण के लिए, कि बालों के रंग की पसंद कपड़ों के प्रकार को प्रभावित नहीं करती है, और चश्मे के प्रकार का चुनाव केश की पसंद को प्रभावित नहीं करता है। सभी संकेतों के लिए और अधिक औपचारिक रूप से

यह एक भोले बेसेसियन अनुमान के रूप में जाना जाता है। इसे लागू करने के लिए, हम पहले सशर्त संभावनाओं के उत्पाद के रूप में घनत्व फ़ंक्शन को लिखने के लिए श्रृंखला संभाव्यता नियम का उपयोग करते हैं:

जहाँ K संकेतों की कुल संख्या है (अर्थात, इरम ग्रह के साथ पाँच उदाहरण)।

अब अंतिम पंक्ति को सरल बनाने के लिए भोले बायेसियन धारणा को लागू करें:

यह एक भोला बायेसियन मॉडल है। कार्य

व्यक्तिगत रूप से प्रत्येक सुविधा के मापदंडों का मूल्यांकन करना है और किसी भी संभावित संयोजन की संभावना निर्धारित करने के लिए उन्हें गुणा करना है।

हमारे कार्य में कितने मापदंडों का मूल्यांकन करने की आवश्यकता है? प्रत्येक विशेषता के लिए, आपको प्रत्येक मान के लिए पैरामीटर का मूल्यांकन करने की आवश्यकता है जो यह विशेषता ले सकती है। इसलिए, इरम ग्रह के साथ उदाहरण में, यह मॉडल केवल 7 + 6 + 3 + 4 + 8 - 5 = 23 मापदंडों से निर्धारित होता है।

अधिकतम संभावना

स्कोर के रूप में गणना की जाती है

वह समय, जहां संख्या k गुणांक डेटा सेट में मान l लेता है, और N = 50 टिप्पणियों की कुल संख्या है।

तालिका में। 1.2 इरम ग्रह से एक डेटासेट के लिए गणना किए गए मापदंडों को दर्शाता है। संभावना को खोजने के लिए जिसके साथ मॉडल कुछ अवलोकन एक्स उत्पन्न करेगा, यह व्यक्तिगत विशेषताओं की संभावनाओं को गुणा करने के लिए पर्याप्त है। उदाहरण के लिए:

कृपया ध्यान दें: यह संयोजन मूल डेटा सेट में अनुपस्थित है, लेकिन हमारा मॉडल इसके लिए एक नॉनज़रो संभावना निर्धारित करता है, जिसका अर्थ है कि यह इसे उत्पन्न कर सकता है। इसके अलावा, इस संयोजन की संभावना अधिक है, उदाहरण के लिए, (लंबे बाल कटवाने, सीधे बाल; रेडहेड, गोल चश्मा; क्रू-नेक टी-शर्ट; ब्लू 01), क्योंकि कपड़ों का सफेद रंग नीले रंग की तुलना में अधिक बार अवलोकन सेट में दिखाई देता है।

यही है, भोले बायेसियन मॉडल कुछ डेटा संरचना की पहचान करने और नए नमूने बनाने के लिए उपयोग करने में सक्षम है जो मूल सेट में नहीं हैं। मॉडल ने अनुमान लगाया कि प्रत्येक विशेषता मूल्य दूसरों से स्वतंत्र रूप से मिलने की संभावना है, इसलिए, भोले बेज़ियन धारणा का उपयोग करते हुए, इन संभावनाओं को पूर्ण घनत्व फ़ंक्शन का निर्माण करने के लिए गुणा किया जा सकता है,

अंजीर में। 1.8 मॉडल द्वारा चयनित 10 टिप्पणियों को दर्शाता है।

इस सरल कार्य के लिए, विशेषताओं की स्वतंत्रता की भोली बेयसियन धारणा उचित है और इसलिए एक अच्छा पीढ़ीगत मॉडल प्रदान करती है।

अब देखते हैं कि अगर यह धारणा गलत निकली तो क्या होगा।

हाय इरम! विस्तार

जब आप अपने भोले बायेसियन मॉडल द्वारा बनाई गई दस नई कृतियों को देखते हैं, तो आप गर्व की एक निश्चित भावना महसूस करते हैं। अपनी सफलता से उत्साहित होकर, आप कार्य के दूसरे पक्ष पर ध्यान देते हैं, और इस बार यह उतना सरल नहीं दिखता है।

सीधा नाम प्लैनेट पिक्सेल के साथ जो डेटासेट आपको प्रदान किया गया था, उसमें उन पाँच उच्च-स्तरीय विशेषताओं को शामिल नहीं किया गया है जिन्हें आपने ऊपर देखा था (बालों का रंग, एक्सेसरी का प्रकार, आदि), लेकिन केवल 32 × 32 पिक्सेल जो प्रत्येक छवि बनाते हैं। यही है, प्रत्येक अवलोकन में अब 32 × 32 = 1024 संकेत हैं और प्रत्येक चिह्न 256 मान (पैलेट में अलग-अलग रंग) ले सकता है।

नए डेटासेट के चित्र अंजीर में दिखाए गए हैं। 1.9, और पहले दस अवलोकनों के लिए पिक्सेल मानों का एक नमूना तालिका में दिखाया गया है। 1.3।

आप एक बार फिर भोले बेज़ियन मॉडल की कोशिश करने का फैसला करते हैं, इस बार एक पिक्सेल डेटा सेट पर प्रशिक्षित किया गया है। मॉडल इस वितरण के आधार पर नई टिप्पणियों को उत्पन्न करने के लिए प्रत्येक पिक्सेल के रंग वितरण का निर्धारण करने वाले अधिकतम संभावना मापदंडों का मूल्यांकन करेगा। हालांकि, मॉडल को पूरा करने के बाद, आप समझते हैं कि कुछ गलत हो गया। नए फैशन नमूनों के बजाय, मॉडल ने दस समान छवियां निकालीं, जिन पर न तो सामान और न ही एक केश या कपड़ों के स्पष्ट संकेत प्रतिष्ठित किए जा सकते हैं (चित्र। 1.10)। ऐसा क्यों हुआ?

लेखक के बारे में

डेविड फोस्टर एक डेटा परामर्श कंपनी एप्लाइड डेटा साइंस के सह-संस्थापक हैं, जो ग्राहकों के लिए अनुकूलित समाधान विकसित करता है। उन्होंने ट्रिनिटी कॉलेज, कैम्ब्रिज, यूके से गणित में मास्टर डिग्री और वारविक विश्वविद्यालय से परिचालन अनुसंधान में मास्टर डिग्री प्राप्त की।

कई अंतरराष्ट्रीय मशीन सीखने की प्रतियोगिता जीती, जिसमें इनोवासिटी प्रिव्यूइंग प्रोडक्ट परचेज भी शामिल है। उन्हें पहले विज़ुअलाइज़ेशन पुरस्कार से सम्मानित किया गया था जिसने संयुक्त राज्य अमेरिका में एक नैदानिक कंपनी को नैदानिक परीक्षणों के लिए स्थान की पसंद को चुनने की अनुमति दी थी।

डेटा विज्ञान में रुचि रखने वाले ऑनलाइन समुदायों के एक सक्रिय सदस्य और कई सफल गहन सीखने वाले ब्लॉग लेखों के लेखक शामिल हैं"पायथन और केरस का उपयोग करके अपना खुद का अल्फ़ाज़ेरो एआई कैसे बनाएं । "

»किताब के बारे में अधिक जानकारी पर पाया जा सकता प्रकाशक की वेबसाइट
» सामग्री
» अंश

कूपन पर लिए Khabrozhiteley 25% छूट - दीप सीखने

पुस्तक के कागज संस्करण के भुगतान करने पर, एक ई बुक ई-मेल द्वारा भेजा जाता है।

पुस्तक "पीढ़ी की गहरी सीख। तंत्रिका नेटवर्क की रचनात्मक क्षमता ”

लक्ष्य और दृष्टिकोण

Naive Bayes Parametric Model

हाय इरम! विस्तार

लेखक के बारे में

More articles: