54:46
AI Complete Crash Course for Beginners in Hindi
The iScale
Overview
यह वीडियो आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया का एक शुरुआती क्रैश कोर्स है। यह बताता है कि AI क्या है, इसका इतिहास क्या है, और यह कैसे विकसित हुआ है। वीडियो मशीन लर्निंग, डीप लर्निंग, नेचुरल लैंग्वेज प्रोसेसिंग (NLP), और कंप्यूटर विजन जैसे AI के विभिन्न सब-फील्ड्स को समझाता है। यह डिस्क्रिमिनेटिव, जनरेटिव, और एजेंटिक AI मॉडल्स के बीच अंतर बताता है और AI में करियर बनाने के इच्छुक लोगों के लिए महत्वपूर्ण अवधारणाओं और भविष्य के रुझानों पर प्रकाश डालता है। इसका उद्देश्य दर्शकों को AI की बुनियादी समझ प्रदान करना है ताकि वे आगे की पढ़ाई या करियर के बारे में सूचित निर्णय ले सकें।
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- AI एक नई टेक्नोलॉजी है जिसे समझने और सही तरीके से लागू करने की आवश्यकता है।
- नई टेक्नोलॉजी को अपनाने वाले दो तरह के लोग होते हैं: जो तुरंत लागू करते हैं और जो समझकर लागू करते हैं।
- AI को समझना करियर के अवसरों को भुनाने के लिए महत्वपूर्ण है।
- AI में मशीन लर्निंग, डीप लर्निंग, NLP, और कंप्यूटर विजन जैसी कई सब-टेक्नोलॉजी शामिल हैं।
यह समझना महत्वपूर्ण है कि AI आज की दुनिया में क्यों प्रासंगिक है और इसे सही तरीके से समझने से करियर के नए रास्ते खुल सकते हैं।
ग्रीन रिवोल्यूशन का उदाहरण, जहां कुछ किसानों ने नई तकनीक को तुरंत अपनाया और कुछ ने समझकर, जिसके परिणामस्वरूप अलग-अलग परिणाम मिले।
- AI की शुरुआत 1950 में एलन ट्यूरिंग के पेपर से हुई और 1956 में 'आर्टिफिशियल इंटेलिजेंस' नाम दिया गया।
- 1960-70 के दशक में शुरुआती AI प्रोग्राम जैसे ELIZA विकसित हुए।
- 1970-80 के दशक में हार्डवेयर की सीमाओं के कारण AI में थोड़ी मंदी आई।
- 1990 के दशक में मशीन लर्निंग और डीप लर्निंग पर काम बढ़ा, और 1997 में डीप ब्लू ने गैरी कास्पारोव को हराया।
- 2010 के बाद डीप लर्निंग, चैटबॉट्स और पर्सनल असिस्टेंट का उदय हुआ, और 2020 के बाद सेल्फ-ड्राइविंग कार्स और जनरेटिव AI का विकास हुआ।
AI के विकास के इतिहास को जानने से इसकी वर्तमान क्षमताओं और भविष्य की संभावनाओं को बेहतर ढंग से समझने में मदद मिलती है।
1997 में IBM के डीप ब्लू द्वारा शतरंज के विश्व चैंपियन गैरी कास्पारोव को हराना।
- डिस्क्रिमिनेटिव मॉडल डेटा में अंतर करने या वर्गीकृत करने में मदद करते हैं (जैसे स्पैम डिटेक्शन, फेस रिकग्निशन)।
- जनरेटिव मॉडल नया कंटेंट (टेक्स्ट, इमेज, ऑडियो) बनाने के लिए प्रशिक्षित डेटा का उपयोग करते हैं (जैसे ChatGPT, Midjourney)।
- एजेंटिक AI मॉडल निर्णय लेने और कार्यों को स्वचालित रूप से पूरा करने में सक्षम होते हैं, जैसे एक व्यक्तिगत सहायक।
विभिन्न प्रकार के AI मॉडलों को समझना यह जानने के लिए महत्वपूर्ण है कि कौन सा मॉडल किस प्रकार की समस्या को हल करने के लिए उपयुक्त है।
ईमेल स्पैम डिटेक्शन (डिस्क्रिमिनेटिव), ChatGPT द्वारा टेक्स्ट जनरेट करना (जनरेटिव), और सेल्फ-ड्राइविंग कारें (एजेंटिक)।
- AI, मशीन लर्निंग (ML) का एक सब-फील्ड है, और ML, डीप लर्निंग (DL) का एक सब-फील्ड है।
- मशीन लर्निंग कंप्यूटर को डेटा से सीखने और बिना सीधे प्रोग्राम किए निर्णय लेने की अनुमति देता है।
- डीप लर्निंग मानव मस्तिष्क से प्रेरित न्यूरल नेटवर्क का उपयोग करता है और बड़े डेटासेट से सीखता है।
मशीन लर्निंग और डीप लर्निंग AI के मुख्य स्तंभ हैं; इन्हें समझना AI की कार्यप्रणाली को समझने के लिए मौलिक है।
मशीन लर्निंग का उपयोग करके Ola/Uber में किराए का अनुमान लगाना, और डीप लर्निंग का उपयोग करके फेस डिटेक्शन।
- सुपरवाइज्ड लर्निंग में लेबल किए गए डेटा का उपयोग करके मॉडल को प्रशिक्षित किया जाता है (जैसे क्लासिफिकेशन, रिग्रेशन)।
- अनसुपरवाइज्ड लर्निंग में बिना लेबल वाले डेटा का उपयोग करके पैटर्न खोजे जाते हैं (जैसे क्लस्टरिंग, फ्रॉड डिटेक्शन)।
- रिइंफोर्समेंट लर्निंग में एजेंट पर्यावरण के साथ इंटरैक्ट करके और रिवॉर्ड/पनिशमेंट से सीखकर निर्णय लेता है (जैसे सेल्फ-ड्राइविंग कारें, गेमिंग)।
मशीन लर्निंग के विभिन्न प्रकारों को जानने से यह समझने में मदद मिलती है कि विभिन्न प्रकार की समस्याओं को हल करने के लिए कौन सी विधि सबसे उपयुक्त है।
सुपरवाइज्ड लर्निंग के लिए इमेज क्लासिफिकेशन (बिल्ली बनाम कुत्ता), अनसुपरवाइज्ड लर्निंग के लिए ग्राहक सेगमेंटेशन, और रिइंफोर्समेंट लर्निंग के लिए अल्फागो गेम।
- डीप लर्निंग मानव मस्तिष्क के न्यूरॉन्स से प्रेरित है और इसमें इनपुट, हिडन और आउटपुट लेयर्स वाले न्यूरल नेटवर्क होते हैं।
- न्यूरल नेटवर्क में डेंड्राइट (सूचना प्राप्त करना), सेल बॉडी (प्रोसेस करना), और एक्सॉन (सिग्नल भेजना) जैसे भाग होते हैं।
- डीप लर्निंग को बड़ी मात्रा में डेटा और जटिल समस्याओं को हल करने के लिए डिज़ाइन किया गया है, जबकि मशीन लर्निंग छोटे डेटासेट के लिए अधिक उपयुक्त हो सकता है।
- फीचर इंजीनियरिंग डीप लर्निंग में ऑटोमेटिक होती है, जबकि मशीन लर्निंग में मैनुअल होती है।
डीप लर्निंग की संरचना और कार्यप्रणाली को समझना आधुनिक AI अनुप्रयोगों, विशेष रूप से इमेज और स्पीच रिकग्निशन में इसकी शक्ति को उजागर करता है।
एक पांडा की इमेज को पहचानने के लिए न्यूरल नेटवर्क का उपयोग, जहां विभिन्न लेयर्स इमेज के विभिन्न हिस्सों (नाक, आंखें, कान) का विश्लेषण करती हैं।
- NLP मशीनों को मानव भाषा को समझने, व्याख्या करने और उत्पन्न करने में सक्षम बनाता है (जैसे चैटबॉट्स, अनुवाद)।
- कंप्यूटर विजन मशीनों को विज़ुअल डेटा (इमेज, वीडियो) को समझने और व्याख्या करने की क्षमता देता है (जैसे सेल्फ-ड्राइविंग कारें, फेस रिकग्निशन)।
- दोनों ही AI के महत्वपूर्ण क्षेत्र हैं जो मशीनों को मानव जैसी क्षमताओं से लैस करते हैं।
NLP और कंप्यूटर विजन AI को हमारे दैनिक जीवन में अधिक इंटरैक्टिव और उपयोगी बनाते हैं, जिससे मशीनों को इंसानों के साथ संवाद करने और दुनिया को देखने की क्षमता मिलती है।
NLP के लिए Alexa/Siri का उपयोग करना और कंप्यूटर विजन के लिए सेल्फ-ड्राइविंग कार में ऑब्जेक्ट डिटेक्शन।
- LLMs बहुत बड़े टेक्स्ट डेटासेट पर प्रशिक्षित AI मॉडल हैं जो मानव-जैसी भाषा उत्पन्न कर सकते हैं (जैसे ChatGPT, Gemini)।
- LLMs को बनाने के लिए बड़े डेटासेट, ट्रांसफार्मर आर्किटेक्चर, और शक्तिशाली हार्डवेयर (GPU/TPU) की आवश्यकता होती है।
- AI एजेंटिक AI का भविष्य है, जो स्वायत्त रूप से निर्णय ले सकते हैं और कार्यों को पूरा कर सकते हैं।
- AI में करियर बनाने के लिए मजबूत नींव और निरंतर सीखना आवश्यक है।
LLMs और एजेंटिक AI AI के भविष्य का प्रतिनिधित्व करते हैं, और इन उभरती हुई तकनीकों को समझना भविष्य के करियर के अवसरों के लिए महत्वपूर्ण है।
ChatGPT द्वारा कोड जनरेट करना या व्यक्तिगत कार्यों के लिए AI एजेंट का उपयोग करना।
Key takeaways
- AI एक तेजी से विकसित होने वाला क्षेत्र है जिसमें करियर के अपार अवसर हैं, लेकिन इसके लिए एक मजबूत नींव और निरंतर सीखने की आवश्यकता है।
- AI के विभिन्न प्रकारों (डिस्क्रिमिनेटिव, जनरेटिव, एजेंटिक) और सब-फील्ड्स (ML, DL, NLP, CV) को समझना महत्वपूर्ण है।
- मशीन लर्निंग के तीन मुख्य प्रकार (सुपरवाइज्ड, अनसुपरवाइज्ड, रिइंफोर्समेंट) विभिन्न प्रकार की समस्याओं को हल करने के लिए अलग-अलग दृष्टिकोण प्रदान करते हैं।
- डीप लर्निंग, मानव मस्तिष्क से प्रेरित न्यूरल नेटवर्क का उपयोग करके, जटिल समस्याओं को हल करने में महत्वपूर्ण भूमिका निभाता है।
- NLP और कंप्यूटर विजन AI को मानव भाषा और दृश्य डेटा को समझने की क्षमता प्रदान करते हैं।
- लार्ज लैंग्वेज मॉडल्स (LLMs) और एजेंटिक AI AI के भविष्य का प्रतिनिधित्व करते हैं और ये प्रमुख विकास के क्षेत्र हैं।
- AI में सफलता के लिए केवल तकनीकी ज्ञान ही नहीं, बल्कि नई टेक्नोलॉजी को समझने और लागू करने की क्षमता भी महत्वपूर्ण है।
Key terms
Artificial Intelligence (AI)Machine Learning (ML)Deep Learning (DL)Natural Language Processing (NLP)Computer VisionDiscriminative ModelsGenerative AIAgentic AINeural NetworksSupervised LearningUnsupervised LearningReinforcement LearningLarge Language Models (LLMs)Transformer ModelsGPU/TPU
Test your understanding
- AI के इतिहास में कौन से प्रमुख मील के पत्थर थे जिन्होंने इसके विकास को आकार दिया?
- डिस्क्रिमिनेटिव, जनरेटिव और एजेंटिक AI मॉडल्स के बीच मुख्य अंतर क्या हैं और प्रत्येक का उपयोग किस लिए किया जाता है?
- मशीन लर्निंग के सुपरवाइज्ड, अनसुपरवाइज्ड और रिइंफोर्समेंट लर्निंग प्रकारों में क्या अंतर है और प्रत्येक के लिए एक उदाहरण दें?
- डीप लर्निंग मशीन लर्निंग से कैसे भिन्न है, और न्यूरल नेटवर्क कैसे काम करते हैं?
- AI में करियर बनाने के लिए कौन से प्रमुख कौशल और ज्ञान आवश्यक हैं?