Google Cloud AutoML Vision
पाठ्यक्रम के अभ्यास की तैयारी करने के लिए AutoML Vision व्यवस्थित करना सीखें
मशीन लर्निंग से चित्रों का वर्गीकरण करना
As mentioned in the previous lesson, Texty used two different algorithms in the production of Leprosy of the Land.
यूक्रेन के जंगलों के सेटलाइट चित्रों को खंडों में दृष्टिगत रूप से एकसमान उपखंडों में विभाजित करने हेतु प्रथम एल्गोरिद्म द्वारा अनुमति प्रदान करने के पश्चात उन्हें एक दूसरे एल्गोरिद्म की आवश्यकता हुई थी जो उन खंडो की पहचान कर सके जो ऐंबर खनन के वर्तमान चित्रों के उदाहरणों से अत्यंत मेल खाते सेटलाइट चित्रों के खंडों की पहचान कर सके। दरअसल उन्हें तथाकथित “custom classifer” चाहिए था।
सीखने के लिए लेबल लगे उदाहरणों का प्रयोग करना
एक तदनुकूल वर्गीकारक एक प्रकार का मशीन लर्निंग मॉडल है जिसे आप उस समय प्रयोग कर सकते हैं जब आपका केस खोजबीन करने के लिए, आपको चित्रों के किसी डैटा-सेट का वर्गीकरण करने के लिए पूर्व-परिभाषित लेबलों का प्रयोग करना आवश्यक करता है।
हमारे केस में वे पूर्व-परिभाषित लेबल साधारण होते हैं : “हाँ, आमतौर पर इस चित्र में ऐंबर खनन गतिविधि दर्शाती आकृतियों के अनुकूल दृष्टिगत तत्व सम्मिलित हैं" और “नहीं : इस चित्र में ऐंबर खनन गतिविधिें सुझाते दृष्टिगत तत्व सम्मिलित नहीं हैं"।
Google Cloud AutoML Vision हमें बिलकुल वहीं करने के लिए सक्षम करता है। पर्यवेक्षण लर्निंग पूरी करने के लिए हमें सीखना होगा कि इसे किस प्रकार उपयोग करें, अर्थात हम एक मशीन लर्निंग मॉडल को अपने द्वारा पोषित चित्रो के डैटा-सेट पर उपयुक्त YES और NO के लेबल लगाना सिखायेंगेे।
एल्गोरिद्म का चयन करना
जैसा कि Quartz AI Studio के Jeremy Merrill ने अपने Crash Course in Classifying Text with Machine Learning में कहा, “पत्रकार के रूप में अपने आपके प्रयोजनों के लिए - इससे कोई फर्क नहीं पड़ता कि आप किस एल्गोरिद्म का चयन करते हैं, जब तक आपका एल्गोरिद्म ठीक प्रकार के कार्य करे।”
हमारे वांछित लक्ष्यों की प्राप्ति हेतु केवल AutoML Vision ही एकमात्र संसाधन नहीं है। दरअसल, Texty ने अपनी विवेचनाओं में एल्गोरिद्म का प्रयोग नहीं किया था। इस पाठ्यक्रम में AutoML Vision के उपयोग का कारण इसकी पहुंच है : यह कैसे कार्य करता है और अपने आंकड़ों पर उच्च-निष्पादन मॉडल को शिक्षित करने के लिए आपको किसी कोडिंग कौशल की आवश्यकता नहीं होती है।
If you do have coding skills already and you want to dig deeper, have a look at fast.ai's Practical Deep Learning for Coders.
अपना Google Cloud खाता तैयार करना
AutoML Vision का प्रयोग करने के लिये आपको Google Cloud खाते के लिय साइन-अप करना होगा। साइन-अप करने पर अपने प्रयोग प्रारम्भ करने के लिये आपको $300 का क्रेडिट स्वीकृत किया जायेगा। मशीन लर्निंग मॉडल को सिखाने, जैसा की हम इस पाठ्यक्रम में करेंगे, के लिये $20 की लागत आती है। इस उत्तरोत्तर गाइड का अनुसरण करें :
“Get Started with Google Cloud Platform” के अंतर्गत “Try for Free” पर क्लिक करें और अपना खाता तैयार करने के लिये निर्देशों का अनुसरण करें।
अपना खाता तैयार करने के पश्चात, पृष्ठ के बाईं ओर दिये नैविगेशन मैन्यू को खोलें और “Artificial Intelligence” खंड में “Vision” खोजने के लिये बिलकुल नीचे तक स्क्रॉल करें। “Dashboard” पर क्लिक करें।
अब आप अपने कार्यक्षेत्र पर पहुंच गए हैं, जहां आपको हमारे द्वारा प्रयोग किए जाने वाले संसाधन के साथ-साथ Google Cloud “Vision” संसाधन दिखेंगे। “चित्र श्रेणीकरण”। बाईं ओर स्थित नैविगेशन मैन्यू में “Datasets” पर क्लिक करें।
फिर, “Enable AutoML API” पर क्लिक करें। इस क्रिया में कुछ सेकंड लग सकते हैं। फिर, “Get Started” पर क्लिक करें।
इस बिन्दु पर, अधिकतर आपको एक रिक्त स्क्रीन नज़र आनी चाहिये क्योंकि अभी तक आपने किसी डैटासैट को अपडेट नहीं किया होगा। हम इसे अगले पाठ में करेंगे।
आगे बढ़ना
अब आप AutoML Vision का प्रयोग करने के लिये तैयार हैं। पाठ्यक्रम के शेष भाग में, हम सीखेंगे कि अपने वांछित परिणामों को पाने हेतु इसका कैसे प्रयोग करें : गैरकानूनी ऐंबर खनन को पहचानने के लिये किसी मशीन लर्निंग मॉडल को शिक्षित करना।
इस पाठ्यक्रम के प्रकाशन में Texty और JournalismAI भागीदार हैं। इस भागीदारी के कारण हम Texty द्वारा Leprosy of the Land की विवेचना के दौरान प्रयोग किये गए वास्तविक सेटेलाइट चित्रों के सैंपल का प्रयोग कर पायेंगे।
Before we move forward, make sure to check the other AI and machine learning products offered by Google Cloud, including Natural Language, Translation, Speech-to-Text and Text-to-Speech, and much more.