सभी प्रविष्टियाँ

सदिश और सदिश समष्टि

एआई हर चीज़ — शब्द, चित्र, ध्वनि — को संख्याओं की सूची बना देता है

प्रवणता और प्रवणता अवरोहण

संपूर्ण गहन शिक्षण एक ही बात पर टिका है: ढलान की ओर एक छोटा कदम

आव्यूह संक्रियाएँ और रैखिक प्रतिचित्रण

आव्यूह गुणन केवल गुणा-जोड़ की सूची नहीं, बल्कि पूरे समष्टि को एक साथ बदल देने वाला रूपांतरण है

प्रायिकता और प्रायिकता वितरण

मॉडल «उत्तर» नहीं देता, बल्कि हर संभव उत्तर पर अपना विश्वास-स्तर देता है

बेज़ प्रमेय

थोड़ा विश्वास करो, प्रमाण देखो, थोड़ा सुधारो — यही बेज़ है

एन्ट्रॉपी और सूचना सिद्धांत

वाक्य जितना अप्रत्याशित होगा, उतनी ही अधिक सूचना देगा; भाषा मॉडल का हानि-फलन ठीक इसी «आश्चर्य» को मापता है

पर्यवेक्षित अधिगम

‘प्रश्न–उत्तर’ के जोड़े मॉडल को स्वयं उत्तर देना सिखाते हैं

अनुपर्वेक्षित अधिगम

उत्तर न होने पर संरचना को स्वयं डेटा से उभरना होता है — और ‘अच्छा’ की परिभाषा फिर से तय करनी पड़ती है

हानि फलन

हानि फलन तय करता है कि आप वास्तव में किसे दंडित करते हैं — इसे बदलिए, तो सही-गलत की धारणा ही बदल जाती है

अति-अनुकूलन और नियमीकरण

मॉडल प्रशिक्षण डेटा को रट लेता है, पर नए डेटा पर बुरी तरह विफल हो जाता है

मॉडल मूल्यांकन और क्रॉस-वैलिडेशन

सटीकता सबसे भ्रामक मापदंड है — मूल्यांकन गलत हुआ तो बाकी सब बेकार है

पूर्वाग्रह–प्रसरण संतुलन

हर पूर्वानुमान त्रुटि तीन भागों में बँटती है — अति-सरल मॉडल, अति-अस्थिर मॉडल, और स्वयं विश्व की यादृच्छिकता

न्यूरॉन और परसेप्ट्रॉन

तंत्रिका जाल का सबसे छोटा पुर्ज़ा: भारित योग, एक बायस और अरैखिकता का एक मोड़

बैकप्रोपेगेशन

«प्रवणता निकालना» को गणितीय पटर-मज़दूरी से एक फंक्शन कॉल बनाना — यही वह क्षण है जब गहन शिक्षण ने उड़ान भरी

सक्रियण फलन

इसके बिना, बहुत गहरा जाल भी केवल एक रैखिक रूपांतरण है

संवलनीय तंत्रिका जाल

पूर्ण संयोजन की जगह «स्थानीय रूप से देखो, हर जगह वही पैमाना दोहराओ» — यही विचार छवि पहचान को वास्तव में कारगर बनाया

आवर्ती तंत्रिका जाल

जाल को «स्मृति» देना: एक ही इकाई को समय के साथ दोहराकर किसी भी लंबाई के अनुक्रम संभालना

सामान्यीकरण और अवशिष्ट संयोजन

सैकड़ों परतों वाले जाल को वाकई प्रशिक्षित करना: एक तत्समक शॉर्टकट और हर परत पर पुनः-मापन

टोकनाइज़ेशन

मॉडल अक्षर नहीं, टोकन पढ़ते हैं — विभाजन का तरीका चुपचाप क्षमता और लागत तय करता है

शब्द एम्बेडिंग

शब्दों को निर्देशांक बनाना — समानार्थी स्वयं पास आ जाते हैं और अर्थ को जोड़ना-घटाना संभव हो जाता है

अटेंशन तंत्र

हर स्थान बाकी सभी स्थानों को सीधे देख सकता है और प्रासंगिकता के अनुसार ध्यान बाँट सकता है

Transformer आर्किटेक्चर

शब्द-दर-शब्द relay की जगह वह कक्ष जहाँ सब एक साथ बोलते हैं, जिससे दूर की निर्भरताएँ एक कदम पर आ जाती हैं

प्री-ट्रेनिंग और फाइन-ट्यूनिंग

पहले विशाल अलेबल पाठ से भाषा सीखना, फिर थोड़े डेटा से विशेषज्ञ बनना — आधुनिक एआई का सबसे डेटा-कुशल प्रतिमान

प्रॉम्प्ट इंजीनियरिंग और अलाइनमेंट

मॉडल को उपयोगी, ईमानदार और हानिरहित बनाना उसे केवल बड़ा करने से कठिन है

छवि का डिजिटल निरूपण

मशीन के लिए तस्वीर संख्याओं के परतदार जाल के अलावा कुछ नहीं

कन्वोल्यूशन संक्रियाएँ

एक छोटा टेम्पलेट पूरी छवि पर सरकता है और किनारे, बनावट व आकृति खोजता है

छवि वर्गीकरण

“बिल्लियों की मूँछें होती हैं” बताइए मत — ढेर सारी बिल्लियाँ दिखाइए, वह खुद समझ जाएगा

वस्तु संसूचन

“चित्र में क्या है” से “क्या, कहाँ और कितने” तक

अर्थपूर्ण विभाजन

हर पिक्सेल को रंगना — वस्तु के चारों ओर बॉक्स नहीं, रंग भरने वाली किताब

स्व-पर्यवेक्षित दृष्टि और बहुविध कंट्रास्टिव अधिगम

लेबल की ज़रूरत नहीं: “कौन-सी छवियाँ एक जैसी हैं” से देखना सीखना

मार्कोव निर्णय प्रक्रिया

«क़दम-दर-क़दम निर्णय लेना» को पाँच प्रतीकों में लिखें — सुदृढ़ीकरण अधिगम यहीं से शुरू होता है

मूल्य फलन और Q-लर्निंग

«क्या करें» का अनुमान लगाने के बजाय पहले हर विकल्प का मूल्य आँकें

नीति प्रवणता

नीति को सीधे समायोजित करें ताकि अच्छे कार्य अधिक बार हों

अन्वेषण और उपयोग

अभी का सर्वोत्तम विकल्प ज़रूरी नहीं कि लंबे समय में सर्वोत्तम हो

गहन सुदृढ़ीकरण अधिगम

तंत्रिका जाल को सीधे पिक्सेल से निर्णय लेने दें, पुराने विचारों से स्थिर करें

मानव प्रतिक्रिया से सुदृढ़ीकरण अधिगम

जब «अच्छा उत्तर» सूत्र में न लिखा जा सके, मनुष्य को पुरस्कार फलन बनने दें

जनरेटिव मॉडल: एक अवलोकन

विभेदक मॉडल बताते हैं "यह क्या है", जनरेटिव मॉडल बताते हैं "यह कैसा दिखना चाहिए"

ऑटोएन्कोडर और वीएई

सूचना को एक संकीर्णता से गुज़ारें, फिर उसे दोबारा उगने दें

जनरेटिव एडवरसैरियल नेटवर्क

जालसाज़ बनाम निरीक्षक: हर एक दूसरे को उसकी सीमा तक धकेलता है

विसरण मॉडल

हज़ार छोटे शोर-हटाने के चरण सीखें, और शुद्ध शोर से चित्र बना सकेंगे

अव्यक्त-समष्टि विसरण और सशर्त नियंत्रण

विसरण पिक्सेल पर नहीं, बल्कि संपीड़ित अर्थ-समष्टि के भीतर चलाएँ

बहु-मॉडल जनरेशन

एक ही मॉडल बोलना, चित्र बनाना, हिलना, और यहाँ तक कि 3D संसार का नमूना बनाना सीखता है

प्रशिक्षण एवं अनुमान अधोसंरचना

स्मृति तय करती है कि कितना बड़ा मॉडल प्रशिक्षित हो सकता है, और संचार तय करता है कि कितना समय लगेगा

मॉडल संपीड़न

सटीकता लगभग बनाए रखते हुए मॉडल को छोटा, तेज़ और सस्ता बनाना — पर तीनों एक साथ कम ही मिलते हैं

अनुमान अनुकूलन एवं सर्विंग

प्रशिक्षण एक बार होता है, अनुमान दिन में अरबों बार — और पहला टोकन एवं थ्रूपुट प्रायः एक-दूसरे से टकराते हैं

पुनर्प्राप्ति-संवर्धित जनरेशन

ज्ञान को पैरामीटर में ठूँसने के बजाय बाहर रखकर ज़रूरत पर देखना — खुली किताब वाली परीक्षा की तरह

एजेंट और टूल उपयोग

मॉडल केवल उत्तर न दे, बल्कि खोजे, API बुलाए, कोड चलाए — और परिणाम के आधार पर अगला कदम तय करे

सुरक्षा, संरेखण और प्रॉम्प्ट इंजेक्शन

मॉडल वह अनुकूलित करता है जो हमने loss में लिखा, वह नहीं जो हम वास्तव में चाहते हैं — यही अंतराल संरेखण समस्या का पूरा सार है