टेन्सरफ्लो क्यों

मशीन लर्निंग सॉफ्टवेयर को स्पष्ट प्रोग्रामिंग या नियमों के बिना कार्य करने में मदद करने का अभ्यास है। पारंपरिक कंप्यूटर प्रोग्रामिंग के साथ, एक प्रोग्रामर उन नियमों को निर्दिष्ट करता है जिनका कंप्यूटर को उपयोग करना चाहिए। हालाँकि, एमएल को एक अलग मानसिकता की आवश्यकता है। वास्तविक दुनिया एमएल कोडिंग की तुलना में डेटा विश्लेषण पर कहीं अधिक ध्यान केंद्रित करती है। प्रोग्रामर उदाहरणों का एक सेट प्रदान करते हैं और कंप्यूटर डेटा से पैटर्न सीखता है। आप मशीन लर्निंग को "डेटा के साथ प्रोग्रामिंग" के रूप में सोच सकते हैं।

एमएल का उपयोग करके डेटा से उत्तर प्राप्त करने की प्रक्रिया में कई चरण होते हैं। चरण-दर-चरण अवलोकन के लिए, इस गाइड को देखें जो पाठ वर्गीकरण के लिए संपूर्ण वर्कफ़्लो दिखाता है, और डेटासेट एकत्र करने, और TensorFlow के साथ एक मॉडल का प्रशिक्षण और मूल्यांकन करने जैसे महत्वपूर्ण चरणों का वर्णन करता है।

तंत्रिका नेटवर्क एक प्रकार का मॉडल है जिसे पैटर्न पहचानने के लिए प्रशिक्षित किया जा सकता है। यह परतों से बना है, जिसमें इनपुट और आउटपुट परतें और कम से कम एक छिपी हुई परत शामिल है। प्रत्येक परत में न्यूरॉन्स डेटा का तेजी से अमूर्त प्रतिनिधित्व सीखते हैं। उदाहरण के लिए, इस दृश्य आरेख में हम न्यूरॉन्स को रेखाओं, आकृतियों और बनावट का पता लगाते हुए देखते हैं। ये अभ्यावेदन (या सीखी गई विशेषताएं) डेटा को वर्गीकृत करना संभव बनाते हैं।

तंत्रिका नेटवर्क को ग्रेडिएंट डिसेंट द्वारा प्रशिक्षित किया जाता है। प्रत्येक परत में वजन यादृच्छिक मानों से शुरू होता है, और नेटवर्क को अधिक सटीक बनाने के लिए समय के साथ इनमें पुनरावृत्तीय रूप से सुधार किया जाता है। एक हानि फ़ंक्शन का उपयोग यह निर्धारित करने के लिए किया जाता है कि नेटवर्क कितना गलत है, और बैकप्रॉपैगेशन नामक एक प्रक्रिया का उपयोग यह निर्धारित करने के लिए किया जाता है कि नुकसान को कम करने के लिए प्रत्येक वजन को बढ़ाया जाना चाहिए या घटाया जाना चाहिए।