TechSession - Demystifying Machine Learning with Amrit SanjeevYouTube↗  IA↗(long shot)
Education  5.4K views 158 likes 5 dislikes   04 May 2017
Google for Developers India 194K subscribers India YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
प्रौद्योगिकी सत्र अमृत संजीव के साथ
AMRIT SANJEEV: In this session, we're going to talk about
अमृत संजीव: इस सत्र में, हम बात करेंगे
machine learning from a 30,000-feet-high model.
३०,००० फुट ऊंची मॉडलद्वारा मशीन लर्निंग के विषय में।
I'm not going to talk technology here today.
मैं आज यहां प्रौद्योगिकीता की बात करने नहीं वाला।
But the whole idea is at the end of this talk,
मगर मैं चाहता हूँ की इस भाषण के बाद,
if you guys go back and read a paper on machine learning,
आप मशीन लर्निंग की पढाई करें,
you don't need a dictionary to understand
तो आपको समझने के लिए की
what is written there.
शब्दकोष की जरुरत न पड़े।
A lot of times, people have a lot of misconceptions
लोगों के मन में उस बारे में
about what's there.
बहुत गलत धारणाएं होती हैं।
They misinterpret certain things for something else.
वे कुछ चीजों को गलत समझ बैठते हैं।
Those sort of things are what we want
इन्ही सारी चीजों को
to avoid by doing this session.
हमे रोकना है इस सत्र के द्वारा।
A quick show of hands.
जरा हाथ खड़े कीजिए।
How many of you guys are developers here?
यहाँ आप में से कितने लोग डेवलपर्स हैं?
Wow, a good number.
बढ़िया, काफी सारे हैं।
How many of you guys have dabbled in machine learning?
आप में से कितने लोगो ने मशीन लर्निंग में हाथ आजमाया है?
Only one guy I have to be scared of.
मुझे बस एक ही व्यक्ति से डर है।
But that's Rupert.
वह रूपर्ट है।
It's fine.
कोई समस्या नही।
A good friend.
वह एक अच्छा मित्र है।
But again, the agenda is we're going
मगर हमारा एजेंडा है यह देखना की
to cover what's machine learning, how it's
मशीन लर्निंग क्या है,
different from artificial intelligence, which kind of
और यह आर्टिफिशल इंटेलिजेंससे अलग कैसे है,
gets interchanged and used.
जिसका इस्तेमाल में अदला-बदली होती रहती है।
Breakdown of some of the buzzwords.
कुछ प्रचलित शब्दों का अर्थ समझना।
Quite a few out there.
कई सारे शब्द हैं।
This is a really hot topic today.
यह आज की चर्चा का बड़ा मुद्दा है।
So quite a few of those buzzwords.
तो कई सारे ऐसे प्रचलित शब्द हैं।
What they mean and what you should understand
उनके अर्थ और आप यदि उन्हें पढ़े
when you see them in articles.
तो उनका क्या अर्थ निकाले।
Some of the Google tools that we have released lately,
गूगल के कुछ साधन, जो हमने हाल ही में जारी किए हैं,
which allow you to kind of get into this field
जो आपको इस क्षेत्र में जाकर बड़ी आसानी से
much easier and kind of apply them to the apps or solutions
और बड़ी अच्छी तरह से आप जो बना रहे हैं
that you're building.
उसमे मदद करेंगे।
And maybe how you can go ahead and improve your team
और कैसे आगे बढे और पनी टीम को बेहतर बनाएं
towards the end of it.
इसके अंत में।
I'm not going to be talking about this guy.
मैं इस आदमी के बारे में बात नहीं करने वाला।
Whenever we talk about machine learning
जब हम मशीन लर्निंग
or artificial intelligence--
या आर्टिफिशल इंटेलिजेंस--
OK, the doomsday and all the other theories come out.
ठीक है, प्रलय का दिन और सभी अन्य सिद्धांत बाहर आते हैं।
But we are not talking about it.
यह हमारा विषय नही है।
We'll reserve it for another day.
इसे किसी और दिन के लिए आरक्षित रखेंगे।
And in short, we'll try and understand
हम संक्षेप में समझेंगे
some of the words, some of the concepts.
कुछ शब्द, कुछ संकल्पनाएँ
So that when you read the more complicated stuff,
ताकि जब आप अधिक जटिल साहित्य पढ़ें,
you have the base ready for it.
आपके पास उसके लिए आधार तैयार हो।
To start with, when you say machine learning,
जब आप मशीन लर्निंग कहते हैं,
it's about a program that can actually
यह एक प्रोग्राम के बारे में है जो वास्तव में
learn from its experience.
अपने अनुभव से सीख सकता है।
That experience could be data that you
यह अनुभव आपका डेटा हो सकता है
feed into it and the additional information
जो फीड किया हो या कोई अतिरिक्त जानकारी
that you provide to it.
जो की आपने प्रदान की हो।
Again, it will also kind of change
और वह दोबारा
and it can adapt based on the new data
आपके दिए हुए डेटा के अनुसार
that you provide to it.
खुदको ढाल लेगा।
So as situations change, it's adapting to it.
तो वह परिस्थितियों के हिसाब से खुदको ढाल लेगा।
A very simple example to call out.
एक बहुत सरल सा उदाहरण है।
If you were writing a tic-tac-toe game,
यदि आप एक टिक-टॅक-टो का खेल लिख रहे हैं,
if you're telling it how to win, you're
अगर आप इसे बता रहे हैं कैसे जीतना हैं,
telling all the rules by which it wins.
आप सभी नियम बताते हैं जिसके द्वारा यह जीतता है।
All the if loops and conditions you
सभी इफ लूप और शर्तें जो आप
write into it, that's logical programming.
इसमें लिखते हैं, वह हुई लॉजिकल प्रोग्रामिंग।
That's what most of us are used to doing.
ज्यादातर लोगो को इसी की आदत है।
That's what most of the programs that we work with actually
जिन प्रोग्राम्स पर हम काम करते है उनमे से ज्यादातर
work like.
ऐसे ही काम करते हैं।
We give it the conditions to create the outcome.
हम इसे शर्तें देते हैं परिणाम बनाने के लिए।
We also ensure that those outcomes
हम सुनिश्चित करते हैं कि वह परिणाम
are achievable repeatedly by running those rules again.
उन्ही शर्तों के आधार पर बार-बार प्राप्त कर सकें।
In machine learning, if you were to do it,
अगर मशीन लर्निंग में यह करना है
you are going to give it a collection of games.
आपको इसे खेलों का एक संग्रह देना होगा।
It will go through those games, understand
वह उस संग्रह को देखेगा, समझेगा
what a win outcome is, what a loss outcome is,
जीतने का क्या परिणाम है, हारने का क्या परिणाम है,
and what are the rules to win.
और जीतने के नियम क्या हैं।
And it will interpret by learning that through the input
और वह इसे समझने के लिए आपके दिए हुए इनपुट का
that you give.
सहारा लेगा।
So in any machine learning system,
तो मशीन लर्निंग की व्यवस्था में,
you have two phases to it.
दो चरण होते हैं।
One is a training phase where you're providing information
एक है प्रशिक्षण चरण जहाँ आप सभी पहलु समझने के लिए
to understand all of these aspects.
जानकारी प्रदान करते हैं।
Second is the application phase where
दूसरा है लागू करने का चरण,
using that information or the model
जहाँ उस जानकारी का या उस मॉडल का
that you have developed to kind of apply to a problem
जो आपने बनाया है, आप इस्तेमाल करते है उस समस्या पर
that you're getting.
जो आपको आ रही है।
So initial, the training phase is something
प्रशिक्षण चरण हम
that we will do before you release your solution.
आपको हल मिलने के पहले करेंगे।
And then you take the model that you've created, and then
और फिर आप मॉडल लेंगे जो आपने बनाया है, और फिर
apply to input from real world, and then change it.
फिर इसे वास्तविक के इनपुट पर लागू करके बदलेंगे।
There are multiple ways you can do it,
इसे करने के कई तरीके हैं,
so let's go down to some of them.
तो चलिए उनमे से कुछ देखते हैं।
Before we jump into that, why is it
शुरू करने से पहले, ये जानते है की
becoming such a popular buzzword right now?
अभी यह इतना लोकप्रिय शब्द क्यों बन रहा है?
The reason there is there's real-world large enough data
हमारे पास वास्तविक दुनिया का बहुत सारा डेटा है
sets now, and technology to work with that.
और उसपर काम करने के लिए टेक्नोलॉजी भी है।
And machine learning requires a lot of data.
और मशीन लर्निंग के लिए बहुत सारे डेटा की आवश्यकता है।
1,000 data points or 10,000 data points is not enough.
१०००डेटा अंक या १०,००० डेटा बिंदु पर्याप्त नहीं है।
It needs a lot of data.
इसमें बहुत अधिक डेटा की आवश्यकता है।
There are multiple factors, like learning coefficients
इसमें कई तत्त्व हैं, जैसे गुणांक सीखना
and things like that, that you alter
और ऐसी कई बातें हैं, जो आप
in your machine learning algorithms
मशीन लर्निंग अल्गोरिथम में बदलते हैं
which makes it difficult if--
जो इसे मुश्किल बनाता है अगर -
the errors will increase if you actually
ज्यादा गलतियां होंगी
make them try to learn too fast with too little data.
अगर आपने मशीन को कम समय में बहुत कम डेटा सिखने के लिए दिया हो तो।
And that's why the training phase
और इसीलिए प्रशिक्षण चरण पर
has to be something that you're going to take care of well.
काफी ध्यान देना होगा।
And now we have hardware.
और अब हमारे पास हार्डवेयर है।
We have specialized hardware for it.
हमारे पास इसके लिए विशेष हार्डवेयर है।
We have computational capability for that working
हमारे पास ऐसे बड़े डेटा सेट के साथ काम करने की
with such large data sets.
कम्प्यूटेशनल क्षमता है।
Most of these large sets can't be even loaded into memory.
इनमें से अधिकांश बड़े सेट मेमोरी मे भरे भी नही जा सकते।
They're so large that you have to use a streaming model
वे इतने बड़े हैं कि आपको उन्हें स्ट्रीमिंग मॉडल का
to kind of get them working.
इस्तेमाल करके काममे लाना पड़ता है।
So we have technology which is there.
तो हमारे पास टेक्नोलॉजी है।
Advances in hardware makes it well.
नए हार्डवेयर भी अच्छे हैं।
We're also getting into the phase
हम भी ऐसे चरण में आ रहे हैं
where problems that we solve require
जहाँ समस्याएं छुड़ाने के लिए
some of these sort of mechanisms and techniques.
हमे इन तंत्र और तकनीक से कुछ की आवश्यकता है।
It can't be based on rules.
यह नियमों पर आधारित नहीं हो सकता।
If you were to make a machine learn how to play a game
यदि आप एक मशीन को खेल खेलना सिखाना चाहते हैं
or navigate a maze, you cannot always rely on rule-based
या एक भूलभुलैया पार करना, तो आप हमेशा नियम-आधारित सिस्टम पर भरोसा
systems.
नहीं कर सकते।
You want systems that adapt to the environment.
आपको समायोजित सिस्टम चाहिए।
And they're more efficient.
और वे अधिक कुशल हैं।
And sometimes, more efficient in solving problems for us.
और कभी-कभी, हमारे लिए समस्याओं को सुलझाने में अधिक कुशल।
And how is it different from AI?
और यह एआई से अलग कैसे है?
So when you talk about artificial intelligence,
तो जब आप आर्टिफिशल इंटेलिजेंस के बारे में बात करते हैं,
there is more aspect than just learning to it.
वह बस सिखने से ज्यादा है।
Learning definitely is one aspect.
निश्चित रूप से सीखना एक पहलू है।
An artificial intelligence system
एक कृत्रिम इंटेलिजेंस सिस्टम
will learn from its environment and from its input.
इसके बारे में अपने पर्यावरण और इनपुट से सीखेगा।
And it will also make cognitive decisions.
और यह संज्ञानात्मक निर्णय भी लेगा।
It will be creative.
वह रचनात्मक होगा।
There are additional aspects there--
यहाँ अतिरिक्त पहलू हैं-
creativity, knowledge representation,
रचनात्मकता, ज्ञान प्रतिनिधित्व,
rationalization.
युक्तिकरण।
There are multiple things that it
वह सीखने के आलावा भी
will do beyond just learning.
कई चीजे करेगा।
So you can't treat all machine learning systems
तो आप सभी मशीन लर्निंग सिस्टम्स को
to be artificially intelligent.
आर्टिफिशल इंटेलीजेंट नही बना सकते।
Don't make that analogy, artificial intelligence
कृत्रिम इंटेलिजेंस और मशीन लर्निंग
equal to machine learning.
एक ही चीज नहीं है।
No.
नहीं।
And again, another concept that people talk about
एक अन्य अवधारणा,
is deep learning.
गहराई तक सीखने के बारे में लोग बात करते हैं।
Deep learning is one aspect of--
गहराई तक सीखना एक पहलू है--
one type of machine learning.
एक प्रकार है मशीन लर्निंग का।
So artificial intelligence, machine learning,
तो आर्टिफिशल इंटेलिजेंस, मशीन लर्निंग,
and deep learning are three different things.
और गहराई तक सीखना, तीन अलग चीजें हैं।
First thing to keep in your mind.
पहले यह बात अपने दिमाग में रखें।
And artificial is more complicated [INAUDIBLE]
और कृत्रिम अधिक जटिल है
because it has more aspects to it.
क्योंकि इसके अधिक पहलू हैं।
So let's go into the buzzwords.
चलिए शब्दों की बात करते है।
Three classifications that you most probably see all the time
तीन वर्गीकरण हैं जो आप ज्यादातर देखते हैं
when you go and read papers is supervised learning,
जब आप इस बारे मे पढ़ते हैं, सुपरवाइसड लर्निंग,
unsupervised learning.
अनसुपरवाइसड लर्निंग।
Sometimes, semi-supervised learning, or reinforcement
कभी-कभी, सेमी-सुपरवाइसड लर्निंग,
learning.
रिइंफोर्समेंट लर्निंग।
These are three large classifications
हमारे पास अभी सीखने के लिए
of learning algorithms that we have right now.
ये तीन बड़े वर्गीकरण एल्गोरिदम है।
And a lot of focus is happening on these three.
और इन तीनों पर बहुत ध्यान दिया जा रहा है।
Let me just make this really simple.
चलो इसे मैं सरल बनता हूँ।
This is oversimplification in some extent, I'll be honest.
सच कहूँ तो यह कुछ हद तक अतिसरलीकरण है।
But this will help understand the concept really well.
लेकिन यह समझने में मदद करेगा।
In a supervised learning system, you're
सुपरवाइसड लर्निंग सिस्टम मे,
having a large data set--
आपके पास बड़े डाटा
the input-- along with the labels.
सेट होते हैं- इनपुट - लेबल के साथ।
You're giving it properties along with the data so
आप इसे प्रॉपर्टीज दे रहे हैं डेटा के साथ
that system could learn.
ताकि सिस्टम सीख सकें।
The system would actually learn using
सिस्टम आपने दी हुई प्रॉपर्टीज
the data plus the properties that you provide.
डेटा से ही सीखेगा।
And then when it creates a model for itself, it then goes ahead.
और फिर जब यह खुद के लिए एक मॉडल बनाता है, तो आगे जाता है।
And when you give an input, it'll use that to classify.
जब आप इनपुट देते हैं, यह उसे वर्गीकृत करता है।
So a lot of this is task-oriented.
तो यह बहुत कार्य-उन्मुख है।
So if you have a task-oriented system that you're building,
इसलिए यदि आप कार्य-उन्मुख प्रणाली बना रहे हैं,
supervised learning can be a good way of doing that.
सुपरवाईसड़ लर्निंग ऐसा करने का एक अच्छा तरीका हो सकता है।
And again, neural networks, yes, can be
और हाँ, इसमें न्यूरल नेटवर्क का इस्तेमाल
used for something like this.
किया जा सकता है।
[INAUDIBLE], support vector machines.
साथ ही सपोर्ट वेक्टर मशीन्स।
There are many, many different types
एक सुपरवाईसड़ लर्निंग सिस्टम
in which you can actually realize a supervised learning
बनाने के लिए कई अलग-अलग प्रकार का
system.
किया जा सकता है।
But to give a real-world example,
लेकिन एक वास्तविक उदाहरण देना हो,
if I were to do supervised learning to kind of identify
अगर मैं वर्णमाला पहचानने के लिए सुपरवाइसड लर्निंग कर रहा हूँ,
alphabets, I will provide a lot of pictures of alphabets
तो मैं वर्णों की बहुत सी तस्वीरे लूँगा,
if I'm learning from pixel data.
अगर मैं पिक्सेल डेटा से सीख रहा हूँ।
If the machine is learning from pixel data,
अगर मशीन पिक्सेल डेटा से सीख रही है,
I'll provide a lot of pictures of alphabets written along
तो मैं बहुत सारी तस्वीरें डालूंगा वर्णमाला के लिखे गए
with what alphabet is written because I'm labeling it.
अक्षर के साथ, क्योंकि मैं इसे लेबलिंग कर रहा हूँ।
This is English.
यह अंग्रेजी है।
This is A. This is B. This is French.
यह ए है। यह बी है। यह फ्रेन्च है।
This is a different character.
यह एक अलग करैक्टर है।
That is how I would provide.
इस तरह से प्रदान करूँगा।
So that next time when the system--
तो अगली बार जब सिस्टम --
so when it learns, it has provided a large data set along
तो जब यह सीखता है, तो इसे एक बड़ा डेटा सेट
with these labels.
इन लेबल के साथ प्रदान किया गया है।
So that when you provide a completely new input,
ताकि जब आप एक नया इनपुट दें,
it can actually use the information it got earlier
यह वास्तव में पहले मिली जानकारी का उपयोग करके
and then decide, oh, is this a French one?
तय कर सके, ओह, क्या यह एक फ्रेंच है?
Is it English?
क्या यह अंग्रेजी है?
Or is it another language?
या यह दूसरी भाषा है?
One property.
एक प्रॉपर्टी।
And also say, or is it A or another character?
बता सके यह ए है, की कुछ और।
So that's how supervised learning systems work.
तो सुपरवाइसड लर्निंग सिस्टम्स ऐसे काम करता है।
Is this clear enough?
क्या यह स्पष्ट है?
Is this pace OK?
क्या यह गति ठीक है?
Good.
अच्छा।
Moving on to the next one.
अगले विषय पर चलते हैं।
Unsupervised learning is different.
अन सुपरवाइसड लर्निंग अलग है।
Unsupervised learning, you are not giving it patterns.
अन सुपरवाइसड मे आप पैटर्नों को नही दें रहे हैं।
So you are asking it to figure out
तो आप मशीन को ही पता लगाने को कह रहे हैं
the patterns and clusterings within the data
सारे पैटर्न और क्लस्टरिंग्स के बारे मे
that you're passing.
जिन्हे आप पास कर रहे हैं।
You're giving a lot of data, but you're not giving it
आप बहुत सारा डेटा दे रहे हैं, लेकिन आप इसे
the additional labels.
अतिरिक्त लेबल नहीं दे रहे हैं।
You're asking it to find the hidden patterns,
आप इसे छुपे हुए पैटर्न खोजने के लिए कह रहे हैं,
and then use these hidden patterns to classify or add
और फिर इन छिपे पैटर्न का उपयोग वर्गीकरण करने या
properties to the new data that you've actually passing to it.
नए डेटा में गुण जोड़ने के लिए करे जिसे आप वास्तव में पारित कर रहे हैं।
So during the learning phase, you give it a lot of data
तो सीखने के चरण के दौरान, आप इसे बहुत सारा डेटा देते हैं
and it will actually create model--
और यह वास्तव में मॉडल बनाएँगा --
it will create a model that will classify
यह एक ऐसा मॉडल बनाएगा जो आपके द्वारा दिए गए
based on the properties of the data you gave.
डेटा के गुणों के आधार पर वर्गीकृत करेगा।
It infers those properties.
यह उन गुणों से निष्कर्ष निकालता है।
Second, when you're in the real world,
दूसरा, जब आप वास्तविक दुनिया में होते हैं,
you give it actually an input.
आप इसे वास्तव में इनपुट देते हैं,
It actually uses that information, that model,
यह मॉडल आउटपुट देने के लिए
to kind of give an output.
वास्तव में उस जानकारी का उपयोग करता है।
So anything that is like data-driven--
तो कुछ भी जो डेटा संचालित है, जैसे--
pictures, classifiers, those sort of things
चित्र, वर्गीकारक, तरह की चीजों को
can be used in this model.
इस मॉडल में इस्तेमाल किया जा सकता है।
And it is usually quite useful in pattern recognition
और यह आमतौर पर पैटर्न पहचानने में काफी उपयोगी है,
and things like that.
और इस तरह की चीेजे।
Reinforcement learning, this is like the most talked-about
सुदृढ़ करते हुए सीखना,
[INAUDIBLE] lately.
आज कल इसके बारे मे सबसे अधिक बात की जा रही है।
Good credit to AlphaGo for this when it actually
इसके लिए AlphaGo को इसका अच्छा श्रेय जाता है,
did something amazing.
जब इसने वाकई कुछ अद्भुत किया।
Reinforcement learning is what it actually is.
सुदृढ़ करते हुए सीखना, यह वास्तव में क्या है
Reinforcement learning is similar to unsupervised
सुदृढ़ करते हुए सीखना बिना देख-रेख के
learning.
सीखने के समान है।
But whenever you actually give it an input
लेकिन जब भी आप इसे वास्तव में इनपुट देते हैं
and it actually does the right thing,
और यह वास्तव में सही काम करता है,
you reinforce it by giving that data back
आप उस डेटा को बैकप्रोपेगेशन माध्यम से
through back propagation.
वापस देकर इसे सुदृढ़ करते हैं।
Back propagation is very simple.
बैकप्रोपेगेशन बहुत सरल है
It basically makes the data error.
यह मूल रूप से डेटा त्रुटि को ठीक करता है।
So if you are saying that--
तो यदि आप कह रहे हैं कि--
assume I am training a dog.
मान लें कि मै एक कुत्ते को प्रशिक्षित कर रहा हूँ।
That's a great example of reinforcement learning.
यह सुदृढ़ करते हुए सीखने का एक अच्छा उदाहरण है।
I am training a dog to kind of act
मैं एक कुत्ते को एक निश्चित कार्य करने या ऐसा कार्य जो मैं दे रहा हूँ,
on a certain task or an action that I'm providing.
करने के लिए प्रशिक्षित कर रहा हूँ।
And I say, sit.
और मैं कहता हूँ, बैठो।
And when it sits, I give it a treat.
और जब वह बैठता है, मैं उसे दावत देता हूँ।
That treat is the reinforcement.
वो दावत ही सुदृढीकरण है।
In neural network terms, if you look at it,
तंत्रिका नेटवर्क शब्दावली में, यदि आप इसे देखेंगे,
what we do is we actually take your input.
हम वास्तव में आपका इनपुट ले लेते हैं।
We run it through the network.
हम इसे नेटवर्क के माध्यम से चलाते हैं।
Finally, when you actually have the right outcome or the error,
अंत में, जब आपके पास वास्तव में सही परिणाम या त्रुटि होती है,
you take that information and pass it back
आप उस जानकारी को लेते हैं और अपने नेटवर्क में
to adjust the weights in your network.
वजन को समायोजित करने के लिए उसे वापस कर देते हैं।
So in neural network, basically simple thing.
इसलिए तंत्रिका नेटवर्क में, मूल रूप से सरल बात--
I mean, I'm going explain it with neural networks, which
मेरा मतलब है, मै न्यूरल नेटवर्क के साथ इसे समझाने रहा हू,
is one way of doing it.
जो इसे करने का एक तरीका है।
It basically is layers of computation.
यह मूल रूप से गणना की परत है
And each layer has a weight that transfers to the next one.
और प्रत्येक परत में एक वजन होता है कि आगे स्थानान्तरित कर देता है।
So based on the weight and the computation,
तो वजन और गणना के आधार पर,
it transfers to the next layer a certain data.
यह अगले परत को एक निश्चित डेटा स्थानांतरित करता है।
And that's how you come to a final outcome.
और इसी तरह आप एक अंतिम परिणाम पर आते हैं।
Now, when you're doing that, you can adjust the computation
अब, जब आप ऐसा कर रहे है, तो आप गणना को समायोजित कर सकते है,
or you can adjust the weights.
या आप वजन को समायोजित कर सकते हैं।
Computation usually is never adjusted.
गणना को आमतौर पर कभी भी समायोजित नहीं किया जाता है।
It's always the biases and weights that get adjusted.
यह हमेशा पक्षपात और भार हैं जो समायोजित हो जाते हैं।
But based on the outcome, when you're training,
लेकिन परिणाम के आधार पर, जब आप प्रशिक्षित कर रहे हैं,
you can actually back propagate those errors or differences
आप उन त्रुटियों या अंतर को वास्तव में बैकप्रोपेगेट कर सकते हैं
and ensure that you're getting closer to the outcome.
और सुनिश्चित कर सकते हैं कि आप परिणाम के करीब आ रहे हैं।
Let me explain that with the help of an example.
मुझे इसको एक उदाहरण की मदद से समझाने दें।
I'll come back to that.
मैं उस पर वापस आ जाऊँगा।
Neural network.
तंत्रिका नेटवर्क।
Again, another buzzword that you might hear a lot of times.
एक प्रचलित शब्द, जिसे आप कई बार सुन सकते हैं।
Neural network is how we mimic the brain's working.
तंत्रिका नेटवर्क वह है जिसमें हम मस्तिष्क के काम की नकल करते हैं।
How your brain works is basically by creating synapses,
आपका मस्तिष्क सिनैपसेस बनाकर, मूल रूप से सूचना स्थानान्तरण का
networks of information transfer.
नेटवर्क बना कर काम करता है।
When you're getting information, it actually connects
जब आपको जानकारी मिलती है, वास्तव में यह एक निश्चित नेटवर्क
and creates a certain network.
को जोड़ता है और बनाता है।
When information is passed through it in a certain way,
जब किसी विशिष्ट तरीके से जानकारी इससे पारित होती है,
it creates an outcome.
यह परिणाम देता है।
That's why we recognize things.
इसी कारण हम चीजों को पहचानते हैं।
So if you have seen a cat before,
तो यदि आपने पहले एक बिल्ली देखी है,
and you know that it's a cat, the next time
और आप जानते है कि यह एक बिल्ली है,
you see it, the way you recognize
अगली बार आप इसे देखते है, जिस तरह आप इसे पहचानते है,
it, even though it's not the same cat,
भले यह वही बिल्ली नहीं है,
is because when you run through it,
जब आप उसे चलाते है
it can classify itself and say, hey, that's the way.
यह खुद को वर्गीकृत कर सकता है और मै कह सकता हू, हे, यही रास्ता है।
Neural networks is very similar.
तंत्रिका नेटवर्क बहुत मिलता-जुलता है।
We have a set of computational nodes, which can
हमारे पास अभिकलन नोड्स का सेट है,
be considered to be a nerve.
जिसे तंत्रिका माना जा सकता है।
Then, the nerve ending, how it's transferred to something else
फिर तंत्रिका का अंत, जिस तरह इसे किसी अन्य चीज को स्थानांतरित किया जाता है,
can be considered to be a node.
उसे नोड माना जा सकता है।
Each node has weights and the computation has biases.
प्रत्येक नोड का वजन हैं और अभिकलन में पक्षपात है।
These are two parameters that you would alter in order
ये दो मानदण्ड हैं, जिसे आप सही परिणाम
to get the right outcome.
प्राप्त करने के लिए बदल देंगे।
So we create a standard neural network.
इसलिए हम मानक तंत्रिका नेटवर्क बनाते हैं।
Just create a random neural network, assign random weights,
बस एक यादृच्छिक तंत्रिका नेटवर्क बनाए, यादृच्छिक वजन प्रदान करे,
and you pass data through it.
और आप इसके माध्यम से डेटा पास करते हैं।
It is not going to get an outcome correctly.
यह सही परिणाम प्राप्त नहीं करने जा रहा है।
But as it starts getting outcomes,
लेकिन जैसे ही यह परिणाम प्राप्त करने लगता हैं,
if you back propagate the errors down,
यदि आप बैकप्रोपेगेट करते हैं, त्रुटियाँ कम हो जाती हैं,
like from one layer to the next layer,
एक परत से अगले परत तक,
from the last-- from the output to output minus 1
अंतिम से -- आउटपुट से आउटपुट घटाव 1
to output minus 2, then what happens is for the same input,
से आउटपुट घटाव 2, तो उसी इनपुट के लिए क्या होता है,
you get a much better outcome.
आप एक बेहतर परिणाम प्राप्त करते हैं
So if you're saying that your tolerance would be
इसलिए यदि आप कह रहे है कि संख्यात्मक रुप से
between 10 and 5 numerically--
आपकी सहिष्णुता १० से ५ के बीच होगी-
I'm just making it really simple.
मै इसे वास्तव में सरल बना रहा हू।
Numerically, the answer should be between 10 and 5
संख्यात्मक रूप से, इस इनपुट के लिए जवाब
for this input.
१० और ५ के बीच होना चाहिए।
And you got 8.
और आपको ८ मिला।
You're going to take, OK, the median, 7.5.
ठीक है, आप माध्यिका ७.५ लेने जा रहे हैं।
8.
८।
You're back propagating that 0.5,
आप उस ०.५ को बैकप्रोपेगेट करने रहे है,
and then you're going to back propagate that error.
और फिर आप उस त्रुटि को बैकप्रोपेगेट करने जा रहे है।
And sometimes, errors go through a couple
और कभी-कभी, त्रुटियाँ बैकप्रोपेगेशन
of layers of back propagation.
के कुछ परतों तक जाती हैं।
But at the end of it when you give, you get 7.5.
इसके अंत में आपको ७.५ मिलता है।
If you're outside the range, you give
यदि आप सीमा के बाहर हैं,
that difference, more network layers or more neurons
और आप उस अंतर को देते हैं, तो अधिक नेटवर्क परत या अधिक तंत्रिकाएँ
will be affected.
प्रभावित होंगी।
But at the end of the day, the right outcome comes in--
लेकिन दिन के अंत में, सही परिणाम आता है-
it comes out the right way.
यह सही तरीके से आता है।
So reinforcement learning is really, really strong.
इसलिए सुदृढृ करके सीखना वास्तव में दमदार है।
AlphaGo works like this.
AlphaGo इस तरह काम करता है।
What it does, it actually learns from the pixels,
यह वास्तव में पिक्सेल से सीखता है,
understands how it learns, and then plays against itself,
समझता है कि यह कैसे सीखता है, और फिर खुद के खिलाफ खेलता है,
every time reinforcing when it wins.
हर बार सुदृढ़ करते हुए, जब यह जीतता है।
So two AlphaGo versions play with each other.
इसलिए AlphaGo के दो संस्करण एक-दूसरे के साथ खेलते हैं।
Then it says, oh, I won.
तब यह कहता है, ओह, मैं जीत गया।
It will update its algorithm, and then
यह अपने एल्गोरिथ्म को अपडेट करेगा,
continues to play again till--
और फिर से खेलना जारी रखता है, जबतक--
If the second guy wins, that data is taken and updates.
यदि दूसरा जीतता है, तो वह डेटा लिया जाता है, और अपडेट होता है।
So a better version of it comes over a period of time.
इसलिए समय के साथ इसका एक बेहतर संस्करण आता है।
in AlphaGo, I think they made it play
AlphaGo में, मुझे लगता है कि उन्होंने इसे ३ करोड़ बार
30 million times or something.
या कुछ और चलाने के लिए बनाया है।
So this requires a lot of runs for it
इसलिए इसके लिए सही मॉडल पर पहुँचने के लिए इसे कई बार चलाने
to get to the right model.
की आवश्यकता है।
But once the right model is created from the training,
लेकिन सही मॉडल एक बार जब प्रशिक्षण से बना लिया जाता है,
they can be applied anywhere else.
उसे कहीं भी लागू किया जा सकता है।
And that doesn't require all the same amount
और उसमें उसी मात्रा की परिकलन संसाधनो की
of computational resource.
आवश्यकता नहीं होती है।
A simple neural network example, cat and dog.
एक सरल तंत्रिका नेटवर्क उदाहरण, बिल्ली और कुत्ते।
I don't know the fascination with cats,
मुझे बिल्लियों से मोह नहीं है,
but YouTube is full of them.
लेकिन यूट्यूब उससे भरा हुआ है।
And we assume we are creating a neural network,
और हम मानते हैं कि हम एक तंत्रिका नेटवर्क का निर्माण कर रहे हैं,
which kind of identifies from a picture cats or dogs.
जो कुछ कुत्तो और बिल्लियों की पहचान कर सकता है।
This is how it might be.
यह ऐसे भी हो सकता है।
This is a deep neural network, which
यह एक गहरा तंत्रिका नेटवर्क है,
means there are multiple layers of neural networks.
जिसका अर्थ है कि तंत्रिका नेटवर्क के कई परतें हैं।
And like I said, the free input is given to the input layer.
और जैसे मैंने कहा, मुक्त इनपुट इनपुट परत को दिया जाता है।
Then, that activates a few neurons.
तब वह कुछ तंत्रिका कोशिकाओ को सक्रिय करता है।
It goes to the next layer.
यह अगली परत पर जाता है,
That creates a different set of activations.
वो अलग तरह की सक्रियता के एक सेट का निर्माण करता है,
Goes to the next layer.
अगली परत पर जाता है,
And finally, the outcome comes in.
और अंत में, परिणाम में आता है।
During the training phase, you will
प्रशिक्षण चरण के दौरान बिल्लियों
feed it a million pictures of cats and dogs and say,
और कुत्तों की लाखों तस्वीरों को आप इसमें डालेंगे और कहेंगे,
this is right.
यह सही है।
This is wrong.
ये गलत है।
When you get the output, we say, oh, this is right
जब आप आउटपुट पाते है हम कहते है यह सही है
and you back propagate.
और आप पीछे आते है
When a dog is identified as cat, you
जब एक कुत्ते को बिल्ली के रूप में पहचाना जाता है,
will actually back propagate that error
तो अपने आप सही करने के लिए
for it to correct itself.
आप उस त्रुटि को बैकप्रोपेगेट करेंगे।
And that way, it will automatically
और इस तरह, यह स्वचालित रूप से
ensure that when it comes in the next time,
यह सुनिश्चित करेगा कि अगली बार जब यह आता है,
it actually understands it.
यह वास्तव में इसे समझता है।
So over a period of time, your neural network
तो समय के साथ आपका तंत्रिका नेटवर्क
will start identifying everything correctly.
सब कुछ ठीक से पहचानना शुरू कर देगा।
To a great extent, there will always be tolerances of error.
काफी हद तक, वहाँ त्रुटियों के लिए हमेशा सहनशीलता होगी।
It's not going to be like writing an if statement.
यह एक यदि बयान लिखने की तरह नहीं होगा।
If statements will always work as expected.
यदि बयान हमेशा अपेक्षित काम करेंगे।
But this one, if you give something which--
लेकिन यह वाला, यदि आप ऐसा कुछ देते हं जो
a cat which looks like a dog, maybe
एक बिल्ली है लेकिन कुत्ते की तरह लगता है,
it can get missed because of the parameters is used.
तो हो सकता है, उपयोग किए गए मानदण्ड के कारण गलती हो सकती है।
But this layered approach makes it really,
लेकिन स्तरित दृष्टिकोण वास्तव में इसे
really, really strong.
बहुत, बहुत मजबूत बनाता है।
In Google, most of our speech learning systems
गूगल में, हमारी अधिकांश वाणी सीखने की व्यवस्था में
are about 30 layers.
लगभग ३० परतें हैं।
So there are 30 layers of networks
इसलिए तंत्रिका कोशिका नेटवर्क के ३० स्तर हैं
of neurons that actually go in with thousands of nodes
जो वास्तव में हजारों नोड्स या १०,००० नोड्स
or 10,000 of nodes.
के साथ काम करते हैं।
A lot of it.
इसके बहुत सारे।
So some of them are complicated, depending
उनमें से कुछ जटिल हैं, यह निर्भर करता है कि आप
on how complex you're solving.
कितनी जटिल समस्या हल कर रहे है।
Speech is a really hard problem to solve.
वाणी, हल करने के लिए वास्तव में एक कठिन समस्या है।
So that's why it has such a large network to solve that.
इसलिए यही कारण है कि इसका समाधान करने के लिए एक ऐसा बड़ा नेटवर्क है।
What is there from Google side from it?
इसमें गूगल की तरफ से क्या है?
>From a machine learning perspective from Google,
मशीन के सीखने के परिप्रेक्ष्य से, गूगल में
we actually have something called as a Google Brain
हमें वास्तव में गूगल मस्तिष्क दल कहा जाता है,
Team, which is a team which is specifically building tools
जो एक ऐसा दल है जो विशेष रूप से हमारे शोधकर्ताओं
for our researchers to use.
के उपयोग के लिए उपकरणों का निर्माण कर रहा है।
And one of the things that the brain team actually--
और एक चीज जो मस्तिष्क दल वास्तव में--
the Google Brain Team actually were working--
गूगल मस्तिष्क दल वास्तव में काम कर रहा था--
what they found was that there are three classification
उन्होंने पाया कि इसके लिए उपयोगकर्ताओं के तीन
of users for this.
वर्गीकरण हैं।
One is your researcher, who's really interested in building
एक आपका शोधकर्ता है, जिसकी कुछ के लिए वास्तव में
a new algorithm or a new computation
एक नई कलन-विधि या एक नया परिकलन मॉडल
model for something.
बनाने में दिलचस्पी है।
Then, you have somebody who's a data scientist, who
फिर, आपके पास कोई है जो डेटा वैज्ञानिक है,
wants to take this algorithm, apply it to an interesting data
जो इस कलन-विधि को लेना चाहता है, इसे एक दिलचस्प डेटा सेट पर
set, and create an outcome for it
लागू करना चाहता है, और इसके लिए परिणाम बनाना
or create a model out of that.
या उससे एक मॉडल बनाना चाहता है।
The first guy is creating algorithms which kind of
पहला व्यक्ति कलन-विधि निर्मित कर रहा है, जो किसी निश्चित क्षेत्र में
computes in a certain area.
कलन करता है।
So he might find a better way of back propagating
इसलिए वह संभवतः जानकारी को वापस प्रचार करने वाला बेहतर तरीका खोज सकता है,
information, coming to a certain conclusion in half the time.
आधे समय मे एक निश्चित निष्कर्ष पर आ सकता है।
That could be what the researcher would do.
ऐसा होगा तो शोधकर्ता क्या करेंगे।
Now, taking that algorithm and applying it
अब, उस कलन-विधि को लेना और उसे वास्तविक दुनिया डेटा सेट के साथ
into a real-world problem with a real-world data set
वास्तविक दुनिया की समस्या में लागू करने का काम ही
is what your data scientists are doing.
आपके डेटा वैज्ञानिक कर रहे हैं।
A lot of the data scientists will actually
बहुत सारे डेटा वैज्ञानिक वास्तव में
take real-world data, use algorithms, and then convert
वास्तविक दुनिया के डेटा लेते हैं, कलन-विधि का उपयोग करते हैं,
into interesting information or models that
और फिर रोचक जानकारी या मॉडल में तब्दील करते हैं, जिसे
can be applied in an application or a solution.
किसी अनुप्रयोग या समाधान में लागू किया जा सकता है।
Now, then the app developers are there.
अब, फिर ऐप्प विकसित करने वाले वहां हैं।
The app developers usually take these models
अॅप विकसित करने वाले आमतौर पर इन मॉडलों को लेते हैं,
and then apply it into a solution.
और फिर उसे किसी समाधान में लागू करते हैं।
They're the ones that feed an input and get an output
वे वो है जो इनपुट डालते है और उस पर आउटपुट प्राप्त करते है,
and act on that.
और उस पर कार्य करते हैं।
So there are these different classifications of people.
इसलिए लोगों के ये विभिन्न वर्गीकरण हैं।
One of the things that we wanted to kind of improve
उन चीजों में से एक, जिसे हम गूगल के अंदर
within Google was the fact that these three segments of people
सुधार करना चाहते थे, वह यह तथ्य था कि इन तीन क्षेत्रों के लोगों को बेहतर संवाद
need to communicate better.
स्थापित करने की आवश्यकता है।
And that's why the tools that we build around it,
और यही कारण है कि TensorFlow जैसे उपकरणों का हम
like TensorFlow, were built from a factor.
जो निर्माण कर रहे हैं, वो एक कारक से बनाया गया था।
They can actually perform these different tasks
ये वास्तव में इन अलग-अलग कार्यों को कर सकते हैं,
and they can transfer that information across these teams.
और ये इन दलों में उस जानकारी को स्थानांतरित कर सकते हैं।
Initially, some of our teams used it.
शुरू मे, हमारे कुछ टीमने इसका इस्तेमाल किया था।
Now, there are hundreds of products in Google
अब, गूगल मे सैकड़ो उत्पाद है,
which use machine learning, because people have started
जो मशीनके सीखने का उपयोग करते है, क्योंकि लोगों को इसका लाभ
seeing the benefit of it.
मिलता शुरू हो गया है।
And there are more and more teams
और अधिक से अधिक दलें
using machine-learned data to kind of optimize or solve
मशीन के सीखे गए डेटा का उपयोग कुछ समस्याओं का समाधान करने
certain problems.
या अनुकूलतम बनाने के लिए कर रही हैं।
And some of these tools and techniques have come in
और इनमें से कुछ उपकरण और तकनीकें आ गई हैं,
and we built an infrastructure specifically for that.
और हम उसके लिए विशेष रूप से एक बुनियादी ढांचे का निर्माण करते है।
And that is something that is applicable--
और वह ऐसा कुछ है जो उपयोगकारी है--
I mean, that's something you guys can also use.
मेरा मतलब है कि यह ऐसा कुछ है जिसका उपयोग आप लोग भी कर सकते है।
Again, from a TensorFlow perspective,
फिर से, TensorFlow परिप्रेक्ष्य से,
this is one of the tools that we have open-sourced.
यह उन उपकरणों में से एक है जिसे हमने खुले स्रोत का कर दिया है।
This is the most [INAUDIBLE] project from Google.
यह गूगल की सबसे उपयोगी परियोजना है।
So a lot of people are adding more data to it,
तो बहुत सारे लोग इसमें ज्यादा डेटा,
more algorithms to it.
ज्यादा कलन-विधि जोड़ रहे हैं।
This is a great start.
यह एक बढ़िया शुरुआत है।
If your team is actually starting off with something,
यदि आपका दल वास्तव मे कुछ के साथ शुरू हो रहा है,
this is a great start.
यह एक बढ़िया शुरुआत है।
Because this comes with a lot of the algorithms,
क्योंकि यह चीजों को सरल बनाने के लिए आवश्यक
a lot of the toolset that is required to make things simple.
बहुत सारे कलन-विधि, बहुत सारे टूलसेट के साथ आता है।
Rather than starting from building computational models,
परिकलन मॉडलों के निर्माण से शुरू करने के बजाय,
you have a set of libraries that allow
आपके पास पुस्तकालयों का एक सेट है,
you to do this way better.
जो आपको बेहतर तरीके से करने देता है।
So if you are giving it to a data scientist
इसलिए यदि आप इसे किसी डेटा वैज्ञानिक को दे रहे है
or if you're giving it to the researcher side of things,
या इन चीजों को किसी शोधकर्ता पक्ष को दे रहे हैं,
this makes it really easy.
यह वास्तव में आसान कर देता है।
The researcher can go ahead and change something in the model,
शोधकर्ता मॉडल में कुछ और आगे बढ़ कर बदलाव कर सकता है,
and then transfer that information straight off
और फिर उस जानकारी को सीधे अनुसंधान के लिए स्थानांतरित
to research--
कर सकता है --
I mean, researcher can transfer that same thing into the model,
मेरा मतलब है, शोधकर्ता मॉडल मे उसी चीज को स्थानांतरित कर सकता है,
and then pass it to the development team directly here.
और फिर इसे सीधे विकास दल को यहाँ दे सकता है।
So this makes it really, really fast to do.
तो, यह वास्तव में करना तेज कर देता है।
Again, it can run on your laptop or desktop.
फिर से, यह आपके लैपटॉप या डेस्कटॉप पर चल सकता है।
It can, again, run on data centers
फिर से, यह डेटा केंद्रों पर चल सकता है,
if your data set's large.
यदि आपका डेटा सेट बहुत बड़ा है।
You can train the model, even use it in Android, iOS, or even
आप मॉडल को प्रशिक्षित कर सकते हैं, यहाँ तक कि उसके लिए अँड्रॉइड, आईओएस,
a Raspberry Pi for that matter.
या रास्पबेरी पीआई में भी इस्तेमाल कर सकते हैं।
The models can be applied everywhere.
मॉडलों का उपयोग हर जगह किया जा सकता है।
This is not something completely on the server side of things.
यह पूरी तरह से सर्वर तरफ की चीजें नहीं है।
A lot of people have this misconception that, oh,
बहुत सारे लोगों को यह गलतफहमी है कि, ओह,
machine learning, that's a lot of data.
मशीन का सीखना, मतलब, बहुत सारा डेटा है
It will only work on server side technology.
यह केवल सर्वर तरफ की तकनीक पर काम करेगा।
No.
नहीं।
There are a lot of tools that you have on your phones
अभी आपके पास बहुत सारे उपकरण है जो आपके फोन पर हैं,
right now, which anyways is using all this.
जो वैसे भी इस सब का उपयोग कर रहा है।
The other company, the notable thing that we want to call out
दूसरी कंपनी जो उल्लेखनीय है, उसे हम कहना चाहते हैं,
is DeepMind.
DeepMind.
This is an acquisition Google made in 2014.
यह एक अधिग्रहण है जिसे गूगल ने २०१४ में किया है।
This company started in 2010.
यह कंपनी २०१० में शुरू हुई थी।
And they are specializing in reinforcement learning.
और वे सुदृढ़ कर सीखने में विशेषज्ञता प्राप्त कर रहे हैं।
There are a lot of nice papers that they publish.
बहुत सारे अच्छे कागजात हैं, जो वे प्रकाशित करते हैं।
If you guys are interested in this area,
यदि आप इस क्षेत्र में रुचि रखते हैं, तो आपको उनमें से
you should read some of them.
कुछ को पढ़ना चाहिए।
Lately, they publish an article on how auxiliary tasks--
हाल ही में, उन्होंने सहायक कार्यों को कैसे करें पर लेख प्रकाशित किया है--
there's primary tasks for which the reinforcement
वहाँ प्राथमिक कार्य है जिसके लिए सुदृढ़
learning is working and there are auxiliary tasks.
करके सीखना काम कर रहा है और सहायक कार्य हैं।
And how the auxiliary tasks can actually help
और सहायक कार्य वास्तव में
speed up the whole training cycle.
कैसे पूरे प्रशिक्षण चक्र की गति बढ़ाने में मदद करते हैं।
So you should check that paper out.
तो आपको उस कागजात को देखना चाहिए।
I'll share a link with it later.
मैं बाद में उसके साथ एक लिंक साझा करुँगा।
But they are actually creating these solutions,
लेकिन वे वास्तव में ये समाधान बना रहे हैं,
which are actually learning through experience.
जो वास्तव में अनुभव के माध्यम से सीख रहा है।
One of the things that they specialize
अन्य चीजों अलावा उनकी विशेषज्ञता
is in general purpose algorithms.
सामान्य उद्देश्य कलन-विधि में है।
General purpose algorithms are slightly different.
सामान्य उद्देश्य कलन-विधि थोड़ा अलग है।
They are not [INAUDIBLE] for one piece of information.
वे सूचना के एक टुकड़े के लिए समायोजित नहीं हैं।
So if I make it learn one type of app,
तो यदि मैं इसे एक प्रकार का ऐप्प,
game, the information that it figured out from there
खेल सीखाता हूँ, तो उस जानकारी का उपयोग
can be applied onto another game.
दूसरे खेल में किया जा सकता है।
So they are not for one specific purpose.
इसलिए वे एक विशिष्ट उद्देश्य के लिए नहीं हैं।
It's not like, oh, this can play just chess.
यह ऐसा नहीं है, ओह, यह सिर्फ शतरंज खेल सकता है।
So if it gets play Go.
तो यदि यह गो खेल खेलता है,
AlphaGo is specialized for Go.
AlphaGo की विशेषज्ञता गो के लिए है।
But it can use that information that it figured out
लेकिन AlphaGo खेलने से पता लगे जानकारी का
from playing AlphaGo and use it to study another game now
उपयोग यह अब किसी और खेल का अध्ययन तेजी से करने के लिए
way faster.
कर सकता है।
So general purpose algorithms are very, very interesting.
तो सामान्य उद्देश्य कलन-विधि बहुत, बहुत दिलचस्प है।
They are how human brains actually really try and--
इसी तरह से मानव दिमाग वास्तव में सीखता है और --
I mean, very similar to how our brains actually learn.
मेरा मतलब है, हमारे दिमाग के सीखने के तरीके बहुत मिलता जुलता है।
We learn from all the information there
हम सभी जानकारी से सीखते हैं,
and we correlate it with other things.
और हम इसे अन्य चीजों से सह-संबंधित करते है।
So if you have learned one language, it's easier for you
इसलिए यदि आप एक भाषा सीख चुके हैं, तो आपके लिए
to learn another language.
दूसरी भाषा सीखना आसान है।
Because you use the same techniques
क्यूंकि आप उसी तकनीक का उपयोग करते है
that you found useful in the first set, first language,
जिसे आपने पहले सेट में उपयोगी पाया था, पहली भाषा,
and you apply to the second one.
और दूसरे में आप उसका उपयोग करते है।
Similar thing happens with general purpose algorithms.
सामान्य उद्देश्य एल्गोरिदम के साथ ऐसा ही होता है।
So this is a really interesting space that you should watch.
तो यह वास्तव मे एक दिलचस्प जगह है जिसे आपको देखना चाहिए।
Quick question.
त्वरित प्रश्न।
When is the last time that you think
आपको क्या लगता है कि पिछली बार
you used machine learning?
आपने मशीन के सीखने का इस्तेमाल कब किया था?
AUDIENCE: Counter-strike.
काऊँटर-स्ट्राईक।
AMRIT SANJEEV: Counter-strike?
काऊँटर-स्ट्राईक?
OK.
ठीक है।
When was the last time you played?
पिछली बार आपने कब खेला था?
AUDIENCE: Yesterday.
कल।
AMRIT SANJEEV: Yesterday?
कल?
OK, good.
ठीक है, अच्छा।
I like you already.
मैं आपको पहले से ही पसंद करता हूँ।
What about the others?
दूसरो के बारे में क्या?
Do you think you use machine learning on a regular basis,
क्या आपको लगता है कि आप नियमित रूप से मशीन के सीखने या इसके समाधान
or solutions with it?
का उपयोग करते हैं?
These are some of them.
ये उनमें से कुछ हैं।
Gmail.
जीमेल।
If you use email today morning while you are traveling,
आज सुबह जब आप यात्रा कर रहे है यदि आप ईमेल का उपयोग करते है,
yes, you've used some part of it.
हा, आपने इसका कुछ हिस्से का इस्तेमाल किया है।
Inbox.
इनबॉक्स।
Photos.
तस्वीरें।
Google Now.
गूगल अभी सेवा।
Music recommendations from Play, all these
Play से संगीत की सिफारिशें, ये सब
are based on machine learning.
मशीन के सीखने पर आधारित है।
This is just a small set of things
यह कुछ चीजों का एक छोटा समूह है
that you might be using on your devices today.
जो आप आज अपने उपकरणों पर उपयोग कर सकते हैं।
But the answer to the question I asked is, yeah, the last time
लेकिन मैने जो प्रश्न पूछा है उसका जवाब है, हा, पिछली बार
I checked my phone.
मैंने अपना फोन चेक किया।
Because yes, at that point, you might have used something
क्योंकि हा, हो सकता है कि आपने किसी ऐसे मॉडल से
from a model that is applied.
कुछ उपयोग किया हो जो लागू हो।
The models are actually built on the servers,
मॉडल वास्तव में सर्वर पर बनाए गए हैं,
but they were applied on applications which
लेकिन उन्हें आपके उपकरण पर चल रहे
are running on your devices.
एप्लिकेशन में उपयोग किया गया था।
So this is another interesting example I wanted to call out.
तो, यह एक और दिलचस्प उदाहरण है, जिसे मैं कहना चाहता हूँ।
In this model, what we tried to do was we gave it a picture.
इस मॉडल में, हमने इसे एक तस्वीर देने की कोशिश की थी।
And we gave it a set of pictures, the second site,
और हमने इसे चित्रों का एक सेट दिया, दूसरी साइट,
and asked it to apply the style to the first pictures,
और इसे पहली तस्वीरों पर, अगले इनपुट पर, शैली का उपयोग
to the next input.
करने के लिए कहा।
The input is the first one.
इनपुट पहला है।
The training data was the second picture.
प्रशिक्षण डेटा दूसरी तस्वीर थी।
And you see the outcome.
और आप परिणाम देखते हैं।
That's what the computer automatically
यही वह है जिसने सीखने के बाद
made after learning this.
कंप्यूटर ने स्वचालित तरीके से स्वयं बनाया।
You can see that it's not a superimposition
आप देख सकते हैं कि पहली पर दूसरी तस्वीर
of the second picture on the first.
आरोपित नहीं है।
It actually understood the style in which the second picture was
इसने वास्तव में उस शैली को समझा था जिसमें दूसरा चित्र खींचा गया था,
drawn, and then applied that style back.
और फिर उस शैली को इसने वापस लागू कर दिया था।
Imagine trying to create a filter like this
पारंपरिक प्रोग्रामिंग के साथ ऐसा फिल्टर
with conventional programming.
बनाने की कल्पना करने की कोशिश करें।
It's going to be very, very difficult.
यह बहुत, बहुत मुश्किल होने जा रहा है।
Imagine you created one.
कल्पना करें कि आपने एक बनाया।
And it was successful and you want
और यह सफल था और आप
to create a ton of filters like this.
इस तरह के अनेको फिल्टर बनाना चाहते हैं।
Because yeah, you're making a ton of money because of that.
क्योंकि हाँ, आप उस वजह से बहुत सारा धन बना रहे हैं
How would it be, if you're taking
कैसा रहेगा यदि आपके
a lot of time programming it in rather
प्रोग्रामिंग करने पर समय देने के बदले
than making a machine learn it?
मशीन को इसे करना सिखा दें?
So these are sort of the problems where you actually
तो ये समस्याएं हैं, जहाँ उन्हें अधिक कुशलता से
would need machine learning to solve them more efficiently.
हल करने के लिए आपको वास्तव मे मशीन के सीखने की आवश्यकता होगी।
More efficiently than how we would actually
अधिक कुशलता से जहाँ हम वास्तव में
write it in code.
इसे कोड में लिखेंगे।
What can you do today?
आज आप क्या कर सकते हैं?
One is identify the three types of people
पहले, तीन प्रकार के लोगों की पहचान करना है
that you have in your orgs.
जो आपके संगठन में हैं।
Because in your organization, you
क्योंकि आपके संगठन में,
would have different types of people.
आपके पास विभिन्न प्रकार के लोग होंगे।
Some people would be really interested in using the library
कुछ लोगों को वास्तव में पुस्तकालय का उपयोग करने और एक समाधान
and getting a solution out.
प्राप्त करने में रुचि होगी।
Some people would be really interested in building
कुछ लोगों को अल्गोरिदम बनाने मे
the algorithms.
वास्तवमे रुचि होगी
Some people would be really interested in kind
कुछ लोगों को वास्तव में डेटा का उपयोग
of using the data and using the--
करने में रुचि होगी--
maybe mix match the data and algorithms
हो सकता है कि डेटा और अल्गोरिदम का मिलान करे,
and kind of create a model.
और एक मॉडल बनाएँ।
Now, from a complexity to effort perspective,
अब, जटिलता से प्रयास परिप्रेक्ष्य में,
you could use one of the standard APIs,
आप मानक API मे से एक का उपयोग कर सकते है,
like the Vision API that we have.
जैसे कि विजन एपीआई हमारे पास है।
It recognizes a thousand features
यह एक हजार फीचर को पहचानता है,
which you can use to make a solution, which
जिसका आप समाधान निकालने के लिए उपयोग कर सकते हैं,
is kind of the less--
जो इस तरह का है--
basically, you're using a pre-trained model,
मूल रूप से आप एक पूर्व-प्रशिक्षित मॉडल का उपयोग कर रहे है,
and then you're making a solution out of that.
और फिर आप उससे एक समाधान निकाल रहे हैं।
There are Indian companies which are doing this.
ऐसी भारतीय कंपनियां हैं जो यह कर रही हैं।
There is one company, [INAUDIBLE],
एक कंपनी है,
which I think [INAUDIBLE] mentioned about earlier.
जिसके बारे में मैंने पहले उल्लेख किया है।
They actually use that, the recipes.
वे वास्तव में उसका इस्तेमाल करते हैं, व्यंजन।
You can actually take a picture of vegetables in your fridge.
आप अपने फ्रिज में सब्जियों की एक तस्वीर वास्तव में ले सकते हैं।
You can open the fridge, take the picture,
आप फ्रिज खोल सकते है, तस्वीर लेते है,
and it will tell you what you can make out of that.
और यह आपको बताएगा कि आप उससे क्या कर सकते है।
It uses machine learning to understand
यह आपके पास के विभिन्न सब्जियों या
the different vegetables or different ingredients that you
विभिन्न सामग्रियों को समझने के लिए मशीन के सीखने का उपयोग करता है,
have, and then creates recipes and searches for recipes
और फिर उससे व्यंजनों को बनाता है और व्यंजनों को खोजता है,
with that, and then shows it to you all in a flash.
और फिर इसे आपको एक फ्लैश में दिखाता है।
Imagine I have to input 20 vegetables that I
कल्पना कीजिए कि मेरे पास कुंजीपटल पर २० सब्जियाँ हैं,
have on a keyboard into a mobile app.
जिसे मुझे मोबाइल ऐप्प में इनपुट करना है।
How many times do you think I'll do it?
आपको क्या लगता है कि मै यह कितनी बार करूँगा?
Taking a picture?
एक चित्र ले रहा?
Fairly simple.
काफी सरल।
Cooking is another problem, but at least getting the recipes
पाककला एक और समस्या है, लेकिन कम से कम व्यंजनों को प्राप्त करना
is easy.
आसान है।
So things like that are simple use case.
तो इस तरह चीजें सरल उपयोग के मामले हैं।
They are seeing tremendous traction with this.
वे इसके साथ जबरदस्त कर्षण देख रहे हैं।
And this is not something that they built yesterday.
और ये ऐसा कुछ नहीं है जो उन्होंने कल बनाया था।
They built it two years ago.
उन्होंने इसे दो साल पहले बनाया था।
And they've been training that model
और वे पिछले कुछ वर्षों से
for the last couple of years.
उस मॉडल को प्रशिक्षित कर रहे हैं।
>From what I know, about 18 months they've
मुझे जो पता है, लगभग १८ महीने से
been continuously updating their algorithms
वे लगातार अपने एल्गोरिदम को अद्यतन कर रहे हैं,
and now they have great accuracy on what they are actually
और अब वे वास्तव में वहाँ जो आगे बढ़ा रहे हैं, उसमें अच्छी
pushing on there.
सटीकता है।
And it's really fast.
और यह वास्तव में तेज है।
I have used it myself.
मैंने स्वयं इसका प्रयोग किया है।
You should try it out.
आपको इसकी कोशिश करनी चाहिए।
It's really fast and it's really fun
यह वास्तव में तेज है और ऐसा करना
to do because you take a picture and you shake the phone.
वास्तव में मजेदार है, क्योंकि आप तस्वीर लेते है, और फोन हिलाते है।
It tells you a set of recipes in a matter of seconds.
यह क्षणों में आपको व्यंजनों के एक सेट के बारे में बताता है।
If I were to actually do this myself,
यदि मुझे वास्तव मे यह सब करना होता,
I'm going to take at least one minute to input all that thing.
मैं सब कुछ इनपुट करने के लिए कम से कम एक मिनट लेने जा रहा हूँ।
And that's just too painful.
और यह बस जरुरत से ज्यादा दर्दनाक है।
So there are a lot of ways in which you
तो ऐसे कई तरीके हैं जिनमें आप
can improve users' experience on your solutions with this.
इसके साथ अपने समाधान से उपयोगकर्ताओं के अनुभव को बेहतर बना सकते हैं।
The second one is basically have the interesting data
दूसरा, मूल रूप से आपके पास जो दिलचस्प आंकड़े हैं,
that you have, add it to an algorithm, and create a model.
उसे किसी एल्गोरिदम में जोड़े, और एक मॉडल बनाएँ।
This takes a little more because if you're building a solution
यह थोड़ा अधिक लेता है क्योंकि यदि आप एक ई-कॉमर्स समाधान
like an e-commerce solution, you have a lot of data that you
जैसा समाधान बना रहे हैं, आपके पास बहुत सारे डेटा हैं,
have in terms of usage patterns and how people are--
जो आपके पास उपयोग पैटर्न के संदर्भ में हैं और लोगों के खरीदने
buying patterns, interest, click-throughs, how much
का पैटर्न, रुचि का पैटर्न, क्लिक करने का पैटर्न,लोग कितना
time people are spending.
समय बितारहे हैं।
All this information can be added to models,
यह सारी जानकारी मॉडल मे जोड़ी जा सकती है,
and then create a predictable [INAUDIBLE] for that.
और फिर उस के लिए एक पूर्वानुमान मॉडल तैयार करे।
But because that data, interesting data is just
लेकिन क्योंकि वो डेटा, दिलचस्प डेटा सिर्फ
with you, you can actually use that data
आपके पास है, आप उस डेटा और इनमें से कुछ अल्गोरिदम
and use some of these algorithms,
का उपयोग वास्तव में कर सकते हैं,
and then create models out of that.
और उसके बाद उससे मॉडल बनाएँ।
The last one is to create completely new algorithms
अंतिम वाला नई समस्याओं के लिए पूरी तरह से नया अल्गोरिदम
for new problems.
बनाने के लिए है।
This is more complicated, but that's
यह अधिक जटिल है, लेकिन यह एक और स्थान है,
another space in which people can actually do work in ML.
जिसमें लोग वास्तव में मशीन के सीखने में काम कर सकते हैं।
So you would usually see that your problem would fall
तो आप आमतौर पर देखेंगे कि आपकी समस्या इन श्रेणियों में
into one of these categories.
से किसी एक में आ जाएगी।
Most people would love the first one.
अधिकांश लोगों को पहले वाला अच्छा लगेगा।
Standard solution, use an API, get an output.
मानक समाधान, एपीआई का उपयोग करें, आउटपुट प्राप्त करें।
Yeah, but that's not always going
. हाँ, लेकिन यह हमेशा वहाँ नही होगा
to be there because the data sets might not
क्योंकि डेटा सेट आपके लिए बराबर
be [INAUDIBLE] for you.
नहीं भी हो सकता है।
You might need to do some fine-tuning
आपको समय के साथ कुछ हल्के
over a period of time.
बदलाव करने की आवश्यकता पड़ सकती है।
Now, to start with, how do you get your team ready?
अब, शुरू करने के लिए, आप अपने दल को कैसे तैयार करते हैं?
You need to understand the fact that as agencies or as software
आपको इस तथ्य को समझना होगा कि एजेंसियों या सॉफ्टवेयर कंपनियों के रूप में,
companies, we can't really completely ignore this.
हम वास्तव में इसकी पूरी तरह से अनदेखी नहीं कर सकते हैं।
This is not a fad.
यह सनक नहीं है।
This is how a lot of the software is going to work.
इस तरह से बहुत सारे सॉफ्टवेयर काम करने जा रहे हैं।
And it is not the future.
और यह भविष्य नहीं है।
It is today.
यह आज है।
It is a present.
यह वर्तमान है।
It's not the future because you see so many solutions
यह भविष्य नहीं है क्योंकि आप इस का उपयोग करके इतने सारे
using this.
समाधान देखते हैं।
And so many other solutions which
और ऐसे कई अन्य समाधान
you might be using on a regular basis,
जिन्हेंआप नियमित आधार पर उपयोग कर सकते है,
not just Google solutions, but there
न केवल गूगल समाधान,
are many other major players in India who is actually
लेकिन भारत में कई अन्य प्रमुख खिलाड़ी हैं
using a lot of machine learning to kind of give you
जो वास्तव में आपको बेहतर अनुशंसाएं देने
better recommendations, surface up the right information to you
के लिए बहुत सारी मशीन सीख कर रहे हैं, जो सही समय पर आपको सही जानकारी
at the right time.
प्रदान करते हैं।
Even newsreaders are using it lately
यहाँ तक कि हाल ही में समाचार पढ़नेवाले
to kind of understand users pattern
उपयोगकर्ता पैटर्न को समझने और
and show the most interesting news to the user.
उपयोगकर्ता को सबसे दिलचस्प समाचार दिखाने के लिए इसका उपयोग कर रहे हैं।
So there are a lot of places it's getting used right now.
तो ऐसे बहुत सारे स्थान है जहाँ इसका उपयोग किया जा रहा है।
So a solution that you build will most probably
इसलिए आपके द्वारा बनाए गए समाधान को इस तरह की
need to leverage such technologies.
तकनीकों का लाभ की आवश्यकता होगी।
So getting your team ready is definitely important.
इसलिए आपके दल को तैयार रखना है निश्चित रूप से महत्वपूर्ण है।
And again, start looking for these integration points.
और फिर, इन एकीकरण बिन्दुओं की तलाश शुरू करें।
They don't come naturally because we
वे स्वाभाविक रूप से नहीं आते है
tend to think in a certain way, the logical programming
क्योंकि हम एक निश्चित तरीके से सोचते है, तार्किक प्रोग्रामिंग
procedural way.
प्रक्रियात्मक तरीके से।
You need to start looking for points where you
आपको उन बिंदुओ की तलाश शुरू करना होगा जहाँ आप
can integrate some of these.
इनमें से कुछ को एकीकृत कर सकते हैं।
Have an awareness of what's there as standard APIs,
मानक एपीआई के रूप में क्या है, इसके बारे में जागरूकता रखें,
and then kind of backtrack into, say, places where, hey, this
और फिर में बैकट्रैक पर, हे, यह एक ऐसी जगह है
is a place where I can introduce something really interesting.
जहां मैं वास्तव में दिलचस्प कुछ पेश कर सकता हूँ।
I've seen one where they show a picture
मैंने एक को देखा है, जहाँ वे एक तस्वीर दिखाते हैं
and recognize how the person reacted to it--
और पहचानते हैं कि उस व्यक्ति ने इस पर किस तरह प्रतिक्रिया दी है- -
not when the user clicks it, just by facial recognition.
उस समय नही, जब उपयोगकर्ता उस पर क्लिक करता है, सिर्फ चेहरे की मान्यता से।
You don't like it.
आप इसे पसंद नहीं करते हैं।
You like it.
आप इसे पसंद करते हैं।
You smiled at it.
आप इस पर मुस्कुराए थे।
This was funny.
यह मजेदार था।
So they actually would tag all this additional information
इसलिए वे वास्तव में चित्रों के माध्यम से दिखाकर
by showing through the pictures.
इस अतिरिक्त जानकारी को टैग करेंगे।
And that is done during the time you
और यह आपके द्वारा वास्तविक समाधान में
load into the actual solution.
लोड करने के दौरान किया जाता है।
So you got that training data.
तो आपको वह प्रशिक्षण डेटा मिला है।
Your data takes 10 seconds to load, your application
आपका डेटा लोड करने में १० सेकंड लगते हैं, आपका एप्लिकेशन
or whatever solution that they're building.
या जो कुछ भी समाधान वे बना रहे हैं।
They didn't give you a spinner.
उन्होंने आपको स्पिनर नही दिया,
Instead, they showed you pictures and made
इसके बजाय, उन्होंने आपको चित्र दिखाए
you react to those pictures.
और चित्रों पर प्रतिक्रिया देने के लिए कहा।
Such a nice way of collecting data. .
डेटा इकट्ठा करने का यह एक अच्छा तरीका है।
A simple way of actually training your model.
अपने मॉडल को प्रशिक्षण देने का आसान तरीका है।
You're getting the data to train your model
अपने मॉडल को प्रशिक्षित करने
at the end of the day.
के लिए डेटा प्राप्त कर रहे है।
Where they're using it I'm not exactly sure,
वे कहाँ उपयोग कर रहे हैं मुझे मालूम नहीं है,
but that is a nice way of doing it.
लेकिन ऐसा करने का यह एक अच्छा तरीका है।
Downloads to TensorFlow.
TensorFlow को डाउनलोड करने के लिए।
This particular thing is a great starter.
यह विशेष बात एक महान स्टार्टर है।
There is a ton of tutorials that we have.
हमारे पास बहुत सारे ट्यूटोरियल हैं।
I'll talk about them as we go.
जैसे हम बढ़ते हैं, मैं उनके बारे में बात करूँगा।
And then also, have an awareness.
और फिर भी, जागरूकता है।
Go back and be aware of what are the APIs that are there.
वापस जाएं और जानें कि वहाँ पर क्या एपीआई हैं।
If you want to add voice interactions
यदि आप संदर्भ के साथ
to your application with context, look no further.
अपने अनुप्रयोग में बातचीत की आवाज जोड़ना चाहते हैं, तो आगे नहीं देखें।
There's the API-- [? any.ai, ?] which
वहाँ एपीआई है -- [? any.ai, ?] जो
is an acquisition, again, from Google, which
एक अधिग्रहण है, फिर से, गूगल से, जो आपको
allows you to add interactions.
इंटरैक्शन जोड़ने की अनुमति देता है।
If you are interested, I can show you something
यदि आप रुचि रखते हैं, तो मैं आपको कुछ दिखा
that I coded over the weekend.
सकता हूँ जो मैंने सप्ताह के अंत में कोडित किया था।
It's really simple lines of--
ये वास्तव में सरल लाइने हैं --
10 lines of code gets you voice interactions
कोड की १० लाइनें आपको एप्लिकेशन पर बातचीत की
on your application.
आवाज उठाती हैं।
Like I have a newsreader.
जैसे कि मेरे पास समाचार वाचक है।
I said, OK, now I talk to it.
मैंने कहा, ठीक है, अब मैं उससे बात करता हूँ।
I can say, OK, search for interesting Android articles.
मैं कह सकता हूँ, ठीक है, दिलचस्प अँड्रॉइडलेखों की खोज करें।
And it just goes automatically, figures
और यह स्वचालित रूप से जाता है,
out that I want interesting Android articles, gets that.
बताता है कि मैं दिलचस्प अँड्रॉइड लेख चाहता हूं, उसे लाओ।
But at the same time, I don't have to always say search for.
लेकिन साथ ही, मुझे हमेशा खोजें कहना नहीं है।
Find, search, get me.
खोजो, तलाशों, मुझे लाओ।
It figures it out.
यह पता लगा लेता है।
So I don't really have to, say, train the user
इसलिए मुझे वाकई उपयोगकर्ता को बताने की ज़रूरत नहीं है
to talk like I have programmed the system.
कि मैंने सिस्टम क्रमादेशित किया है।
The user can say.
उपयोगकर्ता कह सकता है।
In most cases, it's figuring it out.
ज्यादातर मामलों मे, वह इसे बताता है।
And the success rate is really high,
और सफलता दर वास्तव में उच्च है,
at least from the analytics that I'm seeing so far.
कम से कम ऐसे विश्लेषिकी से जो मै अब तक देख रहा हू।
And I'm yet to see somebody talking something else.
और मुझे अभी तक देखना बाकी है कि कोई किसी और से बात कर रहा है।
Where I've seen a little bit is a global app.
जहाँ मैंने थोड़ा देखा है वह एक वैश्विक ऐप है।
So it's a little bit differences when somebody
तो यह थोड़ा अंतर है जब कोई अपनी भाषा में
talks in their own language.
वार्ता करता है।
When you say talk, they actually talk in
जब आप बोलो कहते हैं, वे वास्तव में
like Portuguese or French.
पुर्तगाली या फ्रेंच में बात करते हैं।
And then the system actually doesn't get that all right.
और तब सिस्टम वास्तव में ठीक काम नहीं करता है।
But when you're speaking English, most people get that.
लेकिन जब आप अंग्रेजी बोलते है, तो ज्यादातर लोग उसे समझते हैं।
This is a great way of search.
यह खोज का एक शानदार तरीका है।
If you want to actually type in a sign.
यदि आप वास्तव में एक संकेत टाइप करना चाहते हैं।
You want to type in your user ID or your email,
आप अपना यूजर आईडी या ईमेल टाइप करना चाहते हैं,
that's such a cumbersome way of doing it.
ऐसा करने का यह बोझल तरीका है।
I mean, you've got to speak to it.
मेरा मतलब है, आपको इससे बात करना होगा।
And you say, oh, what's the latest information?
और आप कहते है, ओह, नवीनतम जानकारी क्या है?
Like you talk to Google Home, for instance.
उदाहरण के लिए, जैसे आप गूगल होम से बात करते हैं।
How many have seen the videos of Google Home?
कितनो ने गूगल होम के वीडियो को देखा है?
Interesting?
दिलचस्प?
What is the reaction?
प्रतिक्रिया क्या है?
If you can integrate into that system,
यदि आप उस सिस्टम में एकीकृत कर सकते हैं,
how it actually talks to you is very similar to how--
यह वास्तव में आपसे कैसे बात करता है यह बहुत समान है--
I mean, building something very similar,
मेरा मतलब है, कुछ बहुत समान बनाना,
at least a rudimentary way of building that with the data
कम से कम आपके पास डेटा सेट के साथ वाले टूल के साथ
set you have is straightforward with tools like [? any.ai. ?]
निर्माण का या मूल तरीका है।
So you should explore that one.
तो आपको उसे तलाशना चाहिए।
Things to explore.
पता लगाने वाली चीजें
One is the TensorFlow tutorial set.
एक TensorFlow ट्यूटोरियल सेट है।
There is things for beginners.
आरंभकर्ता के लिए कुछ चीजें हैं।
There are things for experts.
विशेषज्ञों के लिए चीजें हैं।
If you want to actually have code labs,
यदि आप वास्तव में कोड लैब्स चाहते हैं,
there are code labs as well as videos.
वहाँ कोड प्रयोगशालाओं के साथ ही वीडियो हैं।
So you can actually go ahead and make
तो आप वास्तव में आगे जा सकते हैं और अपने दलों को इनमें से कुछ का
your teams use some of this.
उपयोग कर सकते हैं।
Go through the tutorial, get your team ready,
ट्यूटोरियल देखें, अपना दल तैयार करें,
get them a better understanding of the system.
उन्हें सिस्टम की बेहतर समझ दें।
Then, the code labs as well as the videos kind of
फिर, कोड प्रयोगशालाओं और साथ ही साथ व्हिडिओ की मदद से आप
help you speed up things.
चीजों की गति बढ़ा सकते हैं।
The code lab, this particular one
कोड लैब, कवियों के लिए जिसे
called TensorFlow for Poets, it's very nice.
TensorFlow कहा जाता है, बहुत अच्छा है
It's image recognition.
यह छवि पहचानता है।
The existing system understands a lot of things,
मौजूदा प्रणाली बहुत सी बातें समझती है,
but then you can actually train it with new data sets,
लेकिन आप इसे नए डेटा सेट से प्रशिक्षित कर सकते हैं,
and then start applying that model to it.
और उसके बाद उस मॉडल को लागू करना शुरू करें।
One example that I've seen is in TensorFlow Mobile,
एक उदाहरण जो मैंने देखा है, वो TensorFlow Mobile में है,
where you're applying that data into a mobile application,
जहाँ आप उस डेटा को मोबाइल एप्लिकेशन में उपयोग कर रहे हैं,
where they actually did show it a lot of pictures of paintings.
जहाँ उन्होंने वास्तव में चित्रकारी के बहुत सारे चित्र दिखाए।
It's a museum app.
यह संग्रहालय अॅप है।
So you go to the museum and you show your phone to the painting
तो आप संग्रहालय में जाएँ और अपने फोन को चित्रकारी दिखाएँ
and it gives you information about the painting.
और यह आपको चित्रकारी के बारे में जानकारी देता है।
It recognizes the painting from the picture.
यह चित्र से चित्रकारी को पहचानता है।
No matter what angle, what lighting it is,
फर्क नहीं पड़ता कि कोण, प्रकाश क्या है,
it actually figures it out.
वास्तव में यह पता लगा लेता है।
Then, it actually goes back and searches
फिर, यह वास्तव में वापस जाता है
for information, additional information,
और जानकारी, अतिरिक्त जानकारी खोजता है
and then presents you with that.
और फिर उस के साथ आपको प्रस्तुत करता है।
Simple thing.
साधारण बात।
Now, if I wanted to add 10 more pictures to it
अब, यदि मैं इसमें १० और फोटो
or 10 more new paintings to it, it
या इसमें १० और नई चित्रकारी जोड़ना चाहता था,
knows how to classify these has as paintings.
यह जानता है कि इन्हें चित्रकारी के रूप में कैसे वर्गीकृत करना है।
It knows how to go and search for them.
यह जानता है कि कैसे जाना है और उनके लिए कैसे खोजना है।
You don't really have to train those models extensively
आपको वास्तव में उसके लिए उन मॉडलों को
for that.
बड़े पैमाने पर प्रशिक्षण नहीं देना है।
Yeah.
हाँ।
This is a set of tutorials that you guys have
यह ट्यूटोरियल का एक सेट है जो आपके पास हैं
which you guys can go ahead and run through.
जिस पर आप आगे बढ़कर चला सकते हैं।
But the ML recipes is pretty interesting.
लेकिन मशीन लर्निंग व्यंजन बहुत दिलचस्प हैं।
There is a very nice talk called "TensorFlow and Deep Learning
एक बहुत ही अच्छी बातचीत है जिसे "टेंसरफ्लो और दीप लर्निंग
Without a PhD."
बिना पीएचडी के" कहा जाता है।
A colleague of ours have actually talked last year
हमारे एक सहयोगी ने वास्तव में पिछले साल इस सामग्री
with this content.
पर बातचीत की है।
Brilliant talk.
शानदार बातचीत।
You should see it.
आपको इसे देखना चाहिए।
Really interesting.
वाकई दिलचस्प।
He explains it with a little bit of math.
वे इसे थोड़ा सा गणित के साथ बताते हैं।
I have not touched any code here so far.
मैंने यहाँ पर अभी तक किसी भी कोड को नहीं छुआ है।
I don't intend to, either.
और मेरा इरादा भी नहीं है।
But this talk is really, really, really nice.
लेकिन यह बातचीत सचमुच बहुत अच्छा है।
You should actually go back and get your team
आपको वास्तव में वापस जाना चाहिए और आपके दल को कम से कम
to at least watch this.
इसे देखना चाहिए।
They will get new ideas.
वे नए विचार प्राप्त करेंगे।
There's a little bit of mathematical background
जब आप वास्तव में मशीन लर्निंग पर
that you need when you're actually working with ML.
काम करते हैं, तब आपको थोड़ी गणितीय पृष्ठभूमि की जरूरत है।
So if your teams are not coming from that background,
इसलिए यदि आपका दल उस पृष्ठभूमि से नहीं आ रहा है,
yes, they might see that as a blocker.
हाँ, वे उसे एक अवरोधक के रूप में देख सकते हैं।
It's not like using an API without understanding
यह इसके पीछे के गणित समझे बिना एपीआई का उपयोग करने
of math behind it.
जैसा नहीं है।
Here, you might need to understand a bit of the math.
यहाँ आपको कुछ गणित समझने की जरुरत हो सकती है।
So that says something-- matrix multiplication-- things
तो यह कुछ कहता है -- मैट्रिक्स गुणा --
like that are part and parcel of how
इस तरह की चीजें आप के TensorFlow कार्यक्रमों को
you write TensorFlow programs.
लिखने का अभिन्न हिस्सा हैं।
Because matrix multiplication, bare minimum at least.
मैट्रिक्स गुणा के कारण, कम से कम न्यूनतम।
And there are some best practices around it,
और इसके आस-पास कुछ सर्वोत्तम प्रथाएँ हैं,
which most of these tutorials cover as you go.
जो इन ट्यूटोरियल्स में से अधिकांश में है, जैसे आप आगे बढ़ते हैं।
So having your teams trained for these things
इसलिए इन चीजों के लिए अपने दल को
is really, really important.
प्रशिक्षित करना वास्तव में बहुत महत्वपूर्ण है।
And that's it from me today.
और आज मेरे पास इतना ही है।
I hope this makes it a little bit more clear,
मुझे उम्मीद है कि यह थोड़ा और अधिक स्पष्ट करता है,
at least sparks some interest in you guys to go back
आप लोगों को वापस जाने और अपने दलों को इनमें से
and tell your teams to explore some of these things.
कुछ चीजों का पता लगाने के लिए कहने वास्ते कुछ रुचि पैदा करता है।
It is a really high-level overview, I understand that.
यह वास्तव मे उच्च स्तर का अवलोकन है, मै इसे समझता हू।
But since we don't have a real hardcore developer population
लेकिन चूंकि हमारे यहाँ वास्तविक कट्टर डेवलपर आबादी नहीं है,
here, I thought it would be best that we
मैंने सोचा कि यह सबसे अच्छा होगा कि
keep it really abstract.
हम वास्तव मे इसे सार रखेंगे।
And I'm really looking forward to seeing you guys build
और मैं वास्तव में आप लोगों को कुछ आकर्षक बनाते
something exciting.
हुए देख रहा हूँ।
And when you do, please let us know
और जब आप करते हैं, कृपया हमें बताएँ
so that we can actually showcase it and talk about it more.
ताकि हम इसे वास्तव में प्रदर्शित कर सकें और इसके बारे में अधिक बात कर सकें।
Thank you. [APPLAUSE]
आपको धन्यवाद।
Similar videos:

Bhupat's Journey - Google AAD Certification
Google for Developers India
156.2K views 6.1K likes 72 dislikes 01 Jun 201881% match

Associate Android Developer - Karan
Google for Developers India
26.1K views 671 likes 12 dislikes 21 Sep 201781% match

Associate Android Developer - Kunal
Google for Developers India
448.4K views 11.9K likes 333 dislikes 07 Sep 201781% match

Associate Android Developer - Vignesh
Google for Developers India
150.6K views 4.1K likes 60 dislikes 30 Aug 201781% match

Associate Android Developer - Harshit
Google for Developers India
59.2K views 1.7K likes 27 dislikes 28 Sep 201781% match

Android Developer Fundamentals Introduction
Google for Developers India
102.8K views 693 likes 8 dislikes 04 Feb 201772% match

"The Most Advanced Airtable I've Ever Seen!"
Tool Finder
34.8K views 534 likes 19 dislikes 20 Sep 201971% match

The Master of Notion | How Marie Poulin Uses Notion
Tool Finder
114.6K views 1.7K likes 29 dislikes 20 Oct 201971% match

How Far is Too Far? | The Age of A.I.
YouTube Originals
60.6M views 976.9K likes -1 dislikes 18 Dec 201970% match

Python Web Apps with Flask by Ezra Zigmond
CS50
58.6K views 587 likes 22 dislikes 28 Jun 201669% match










JUNE BEAUTY FAVORITES 2018 | Roxette Arisa
Roxette Arisa
109K views 4.4K likes 104 dislikes 06 Jul 201868% match

My 2019 Notion Layout: Tour
Tool Finder
87.1K views 1.1K likes 45 dislikes 03 Dec 201868% match


Android Student Testimonial - Ashok
Google for Developers India
1.9M views 1.4K likes 88 dislikes 04 Feb 201768% match

5 Ways To Make FREE Money 🤑 (Even As A Teenager) NO PAYPAL REQUIRED - Working Worldwide 🌎
Wholesale Ted
2.4M views 113K likes -1 dislikes 04 Jun 202068% match

The Trolley Problem - Mind Field S2 (Ep 1)
Vsauce
11M views 286.9K likes 9.8K dislikes 06 Dec 201767% match

СВАДЬБЫ и РАЗВОДЫ - Серия 9 / Мелодрама
EPIC MEDIA
825.5K views 1.8K likes -1 dislikes 10 Jun 201967% match

Full Notion Tour | Kylie Stewart (2019 Edition)
Tool Finder
62.8K views 824 likes 22 dislikes 10 May 201967% match


Homayoun Shajarian - Studio Talks with Emre Yücelen # 4
Emre Yücelen Vocal Coach Istanbul (Online Education)
130.7K views 2.6K likes 44 dislikes 09 Sep 201767% match






Google Developers India Channel Trailer
Google for Developers India
1.8M views 925 likes 79 dislikes 04 Feb 201764% match

Google Developers India Channel Teaser
Google for Developers India
2M views 419 likes 11 dislikes 05 Feb 201764% match


Settings Privacy About Contact Donate