Multidisciplinary Research methodology - Artificial intelligence - Kannada

Multidisciplinary Research methodology - Artificial intelligence - Kannada

Multidisciplinary Research methodology - Artificial intelligence
ಬಹುಶಿಸ್ತೀಯ ಅಧ್ಯಯನ - ಆರ್ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್

ಜಗದಗಲ ಮಂಟಪ ಜ್ಞಾನ ದಾಸೋಹ - ಶೋಧಕಲ್ಪ - ಸಿದ್ಧಗಂಗಾ ಸೇವಾಕೇಂದ್ರ

ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಂಶೋಧನಾ ಮಾರ್ಗದರ್ಶಕರ ಪುನಶ್ಚೇತನ ಶಿಬಿರ
International Research Guides Orientation Programme

B5a067386e1890d3c8b6f753593e89e9?s=128

omshivaprakash

July 18, 2020
Tweet

Transcript

  1. ಪ"ಚಯ %ಾಗೂ ಕ*+,ೂಂದು ಮುನು23 ಓಂ5ವಪ78ಾ9 ಎ;. ಎ< https://sanchifoundation.org https://sanchaya.org Multidisciplinary

    Research methodology - Artificial intelligence ಬಹು5?@ೕಯ ಅಧDಯನ - ಆFGHIಯ< ಇಂK*LMN International Research Guides Orientation Programme ಜಗದಗಲ ಮಂಟಪ Rಾನ SಾTೂೕಹ - UೂೕಧಕಲV ಅಂತರYಾIZೕಯ ಸಂUೂೕಧ\ಾ ]ಾಗGದಶGಕರ ಪ_ನU`ೕತನ 5aರ ಜುbೖ ೧೮, ೨೦೨೦
  2. None
  3. ಮ ಷk k ೕ . ತನk k ಂ , ¾ೕ

    ದ ಂದ ತನk ಶಲ ಯ kೕ ಯಬಲk ( ೕರಬಲk - ಡ ಆಗಬ ) ಯಂತk ಗಳ k , ತಂತk k ನಗಳ k ಶತ ನಗಳ, ಇ kೕ ನ ಲಘಟk ದ k ದಶಕಗಳ ಅಂತರದ k ಕ k ತk ೕ ಬಂ k . hೕK - ಕೃI - +ೖjಾ"8ಾ 8ಾ7ಂk - ಕಂಪlDಟm ಯುಗ - ಇಂಟnGo ಯುಗ …
  4. ಅಲM ಟೂD"ಂp Alan Turing (1912-1954) ಇಂ,qಂr ಗsತt, ಕಂಪlDಟm uRಾv !ೖ#ಾ%ಂ'ಕ

    ಕಂಪ*+ಟ- ./ಾನ 1ಾಗೂ ಆ5678ಯ: ಇಂ<=>?@ ನ ABಾಮಹ Image Source: Wikimedia Commons, Unknown author / Public domain https://commons.wikimedia.org/wiki/File:Alan_Turing_Aged_16.jpg Raynaudmarc / CC BY-SA (https://creativecommons.org/licenses/by-sa/3.0) ಟೂ+EಂF ಮ8ೕ? (Turing machine) - ಒಂದು ಅನುLಾMನ ಕಂಪ*+ಟ- ಮನುಷ+ನOPೕ ಬುR%ಮST ಪUಯಬಲWದು ಎಂಬ ಕನಸು ಕ5Pದ. ಯಂತ7ಗwಂದ xqಷz{ಾದ |ಾಂk7ಕ ಸ{ಾಲುಗಳನು2 v{ಾ"ಸುವ ~ೂಸ ಯುಗದ ಆರಂಭ
  5. None
  6. ಆ"#$%ಯ' ಇಂ*+,-. ( AI) - /0ದು ಬಂದ 4ಾ6 ೧೯೫೦ ರ

    - ಅಲ? ಟೂ+EಂF ಸಂ_ೂೕಧaಾ ಪbಬಂಧ ಇBಾ+RಗcdಂRe fಾbರಂಭhಾi ೧೯೮೦ ರ - Decision Trees & ಇತl ಅmಾnEಧo ಗಳq , ನೂ+ರ: rಟst6 1990ರ ಆಸುfಾuನ=W ಬಂದರೂ, ತಂತb/ಾನದ ಇ'v'ಗಳq ಅದನುw xಾಧ+hಾiಸ=ಲW. ೨೦೧೦ ರ Bಾಂ'bಕ/ತಂತb/ಾನ ಪbಗ' - ನೂ+ರ: rಟst6, zೕ{ ಲ|6ಂF ನಂತಹ ಎಐ xಾಧ+Sಗಳನುw ನಮ~ ಮುಂR 5Pತು.
  7. ಆFGHIಯ< ಇಂK*LMN ೨೦೩೦ ರ ~ೂk@, - ೧೩ F7*ಯM •ಾಲm ]ಾರುಕKz

    ]ೌಲD ಸೃIzಸ*ƒ . ಗೂಗ< ಮುಂ„ನ ೭ ವಷGಗಳ*q ೧೦ a*ಯM •ಾಲm ಹೂ3+ಯನು2 †ಾರತ ದ ಆ‡ೂೕಗD, ಕೃI, 5ˆಣ Šೕತ7ಗಳ *q - ಮIೕM ಲvGಂp %ಾಗೂ ಆFGHIಯ< ಇಂK*LMN ಅ‹ವೃ„Œjಾ• ]ಾಡ*ƒ.
  8. AI - ಕವಲುಗಳ• •ಾಂk7ಕ ಅನು{ಾದ, ವ•ೕGಕರಣ, ಸ‘ಯಂ’ಾ*ತ 8ಾರು, “” ಆಡುವ

    ‡ೂೕhೂೕo, ಪ7U2 - ಉತ@ರಗಳನು2 ಕ*ತು ~ೕಳ•ವ ಅb8ಾN, ಗೂಗ< ~ೂೕ–, ಶಸ—˜x™N ]ಾಡಬಲq ‡ೂೕhೂೕo, ಅಂತ"ˆದ*q +ಲಸ ]ಾಡಬಲq ‡ೂೕವm, ˜ತ7ಗಳನು2 ಮತು@ ಅದರ*qನ ಮನುಷDನ ಮುಖಚ›G, %ಾವ†ಾವ ಗುರುkಸುವ_ದು - ಮುಂಬರುವ ಅಪœಾತಗಳನು2 ತ•ಯಲು ಮುನೂNಚn vೕಡುವ_ದು - ಇ|ಾD„ Symbolic AI Non-symbolic AI
  9. Deep Blue ಆFGHIಯ< ಇಂK*LMN - Symbolic AI vಂದ Tೂೕಲುಂಡ “”

    ]ಾಸzm jಾD" 8ಾDಸV‡ೂž
  10. A Non-symbolic representation: Convolutional Neural Network. (Image from: https://www.mdpi.com/1099-4300/19/6/242) ಮನುಷDನ

    Ÿದುwನ ಾಮಥDGದಂ™ ಹತು@ ಹಲವ_ ಆ›¢ಗಳ*q ಉತ@ಮ{ಾದುದನು2 ಹುಡುx, u’ಾರ ]ಾ3 ಅತುDತ@ಮ{ಾದುದನು2 ಆಯು£+ೂಡುವ ಾಧD™. ಇದ+¢ ಅk ~ಚು` ]ಾದ"ಗಳನು2 ಕೂ7¤ೕಕ"?, ಊ3ಸhೕ8ಾಗುತ@ƒ. ತನ2*qರುವ ಎ¦ಾq ]ಾದ"ಗಳನು2 ಬಳ?, ಲಭD{ಾದ kೕ]ಾGನವನು2 ]ಾನವv,ೂೕ ಲಭD{ಾ•?, ಅಥ{ಾ |ಾnೕ §ಂƒ ಪ•„ದ£ ಉತ@ರ+¢ ~ೂೕ*+ ]ಾ3 ~ೂಸ ಾಧD™ಯನು2 ಕಂಡು+ೂಳ•¨ವ_ƒೕ - 3ೕ© ಲvGಂp.
  11. Lೖuಕ v/s ಕೃತಕ ನೂDYಾನುಗಳ•

  12. ೧. ಕಂಪ:;ಟ= >ೖ-. - ಕಂಪ:;ಟ= @:AೕCಾADಂE FGHರ/ೕಕು - ~ೂಸSಾ• ಕ*ಯುವ_ದು

    ಕಷzªೕನಲq. ಉತ@ಮ «ಾ7ರಂಭ+¢ - Harvard University CS50 Course ಮತು@ CS50-AI ತರಗkಗಳ• - https://edx.org ನ*q %ಾಗೂ https://cs50.net ನ*q ಲಭDuª. Lೂ™, ಗsತದ Rಾನವl ಬಹುಮುಖD ೨. ಮೂಲ AI ಪ6ಕಲNOಗಳನುS ಅಥ#VಾWXೂGY - Machine Learning, Neural Net work, Deep learning ಇZಾ;H. ಇದ+¢ ಬಹಳಷುz +ೂೕ” Gಗಳ•, Sಾಖbಗಳ•, ಜನ¬7ಯ ಪ_ಸ@ಕಗಳ• ಲಭDuª. ಗೂಗ< h-M ಎಂದು ಕ‡?+ೂಳ•¨ವ David Ha ಮತು@ JÜRGEN SCHMIDHUBER ಬ‡„ರುವ ಈ "ಸ;G ¯ೕಪm https://worldmodels.github.io/ ಉSಾಹರ°ಗ±²ಂ„, AI ]ಾ•< ಗಳನು2, ಪ7³ೕಗಗಳ•, u´ಾನಗಳ•, ಚ“G, ಉbqೕಖಗಳ• ಇ|ಾD„ಗ±²ಂ„, ಒದ•?Sಾ£‡. ನಮ¶ ಕ*+ ಎ*qಂದ «ಾ7ರಂ ಭ{ಾಗಬಹುದು?
  13. ೩. Relative AI Libraries - ಲಭDuರುವ bೖಬ7", ತಂ|ಾ7ಂಶಗಳ ಬ,· ಅ"ತು+ೂw¨.

    ಉSಾ: Keras - ನೂDರ< nಟ‘¸G bೖಬ7", TensorFlow - ಮIೕM ಲvGಂp , ಬಳಸುವ ಅnೕಕ +ಲಸಗw, bೖಬ7"ಯನು2 ಒದ•ಸುತ@ƒ. ೪. Python ¯l7ೕjಾ7Ÿಂp ಪ7ಮುಖ{ಾ• ಬಳ+, ಬರುತ@ƒ. ಉ. vಮ¶ ಕಂಪlDಟm/¦ಾD© ºಾ© ಅಥ{ಾ ಅವಶD •ªಲ© »ಂo ಪ"ಸರವನು2 ಸೃIz?+ೂw¨. (Development Environment). ಈಗ 8ೌqr ಕಂಪlDFಂp ಮೂಲಕ xqಷzಕರ{ಾದ ಪ"ಸರ ಸೃIz ಕೂಡ ಸುಲಭ ಾಧD. AI •ªಲ¯¶ಂo ಪ"ಸರದ*q ಾ]ಾನD{ಾ• anaconda, tensorflow, keras, pandas ಇ|ಾD„ bೖಬ7"ಗಳ•, ಇರುತ@ª. jypyter notebook OpenCV ಇ|ಾD„ ಅವಶDಕ™, ತಕ¢ಂ ೫. ಆFGHIಯ< ಇಂK*LMN - vಮ¶ ಸಂUೂೕಧn/AI ಬಳ+ಯ ಅವ8ಾಶ (Usecase) ಅನು2 ಗುರುk?+ೂw¨. ೬. ಅವಶD ದ|ಾ@ಂಶ ಸಂಗ7ಹ° ]ಾ3 - Collect Data for Usecase ೭. AI Model ಸೃIz? ೮. ಸೃIz?ದ AI Modelನ 8ಾಯGˆಮ™ಯನು2 ಪ"ೕ¾? ೯. ಅಗತDuರುವಂ™ AI Model ಅ ನು2 ಸು´ಾ"? - ಎM ಎ< ¬, ~ೖಪm «ಾDYಾŸೕಟm ಗಳ•, %ಾr Gªೕm, ಟೂ< To ಗಳ• ಇ|ಾD„ಗಳನು2 ಉತ@ಮ,ೂw ಸುವ_ದು ೧೦. ಸು´ಾ"ತ AI ಪ"ಕಲVnಗಳ ಕ•, ]ಾಗGಸೂ˜ ಸೃIz? - Neural Networks ಇ|ಾD„
  14. ಮ ಷk ಮ k ಯಂತk ಸಹ ೕ ಮ ೕ ವ

    ಂ ಲಸ ವಂ ಡ k ಯಂತkಗ ಂತ kನÞೕ ಪ ಸ ರ A I ¾ೕ . ಮ ಷk ನ k ೕ ೖ ಜ , ಅಥ ಗ ತ ಲಸ ವಂತಹ k ಸk ಂ/ ವk ವ kಗಳ k k k ನ ಮ k ಕ ೕ ಸ . ಜಗ kನ ನಮk ಅ ವ k k ಳk , ಣಮಟk ದ ೕಗ ದ ರಗಳ k kವ k ಆ ಕ AI ತಂತk k ನ ಹ k ಗಳ k ೕ kÞ. ಾ]ಾನDನು ಕುಶಲ™, Àಾ°¶ %ಾಗೂ ಪ7Á ಬಳ? ]ಾಡುವ +ಲಸಗಳನು2, ಇಂಟnGo ನ*qರುವಷೂz ಅjಾಧ ]ಾ§k ಇSಾ£ಗಲೂ, ತ¬Vಲqƒೕ ]ಾಡುವ_ದನು2 ಕಂಪlDಟm ಗw, ಕ*ಸುವ_ದನು2 ಅಭD?ಸುವ_ƒೕ AI.
  15. –16 Terabytes of RAM –Can process 500 gigabytes (1 million

    books) per second –Content was stored in Watson’s RAM rather than memory to be more easily accessed –Cost about $3 Million ಐaಎಂ {ಾDಟNM
  16. ಕನ2ಡದ ಮFz, AI ಸಂUೂೕಧn %ಾಗೂ ಬಳ+ಯ ಅವ8ಾಶಗಳ• TV< “ಕm, jಾ7ಮm

    “ಕm, •ಾಂk7ಕ †ಾÃಾಂತರ ವDವTÄ, OCR - ಆ¬zಕ< 8ಾD‡ಕzm ‡ಕ•2ಷM , ¯qೕಗ"ಸಂ/ಕೃk’ೌಯG, Åಾಸನ / ಕೃkಗಳ ಆಳ{ಾದ ಅಧDಯನ, 5ˆಣದ ಗುಣಮಟz ~˜`ಸಲು, ಇk%ಾಸದ ಮರುಸೃIz, ಮೂD?ಯಂ, ಪ7{ಾTೂೕಧDಮ ಇತ‡•ಗಳ*q ವಚುGಅ< ಆ,¶ಂKೕಷM ತಂತ7Rಾನಗಳ*q nೖಜ ಅನುಭವ vೕಡುವ {ಾDವ%ಾ"ಕ ಅವ8ಾಶಗಳ• ಇ|ಾD„ uಪ_ಲ{ಾ•ª.
  17. ಊ§?+ೂw¨ ಕನ2ಡದ ಎ¦ಾq ಾ§ತD ಪ78ಾರಗಳನು2 AI , ಲಭD{ಾ•?, ಶತ]ಾನಗಳ ಅಂತರದ*q

    ಬಳ+, ಬಂದ ಅಥ{ಾ ಬಳ+Æಂದ ~ೂರಗುwದ ಪದಗಳನು2 ಪFz ]ಾ3, ಅದ+¢ 8ಾರಣ{ಾದ ಘಟnಗಳನು2, ನಮ¶ ಐk%ಾ?ಕ |ಾಣಗಳ*qನ 5¦ಾÅಾಸನಗಳ•, |ಾ±ಗ"ಗಳ•, ವDx@, ಪ7ƒೕಶ ಪ"ಚಯ ಇ|ಾD„ಗಳನು2 ಕನ2ಡದbqೕ ನಮ¶ ಮುಂ„ನ ತb]ಾರು nೂೕಡುವಂ|ಾದ‡? ಇk%ಾಸದ ಮರುಸೃIz %ಾಗೂ ನ5? ~ೂೕಗುk@ರುವ ಪ_Yಾªಗಳನು2 ಉwಸಬಹುSಾದ ಬಹುƒೂಡÈ ಾಧD™ ಇ*qಂದbೕ ƒೂರಕು|ಾ@ ~ೂೕಗುತ@ƒ.
  18. Tesseract OCR KಸYಾ¸z ಓ?ಆm - ಕಡತಗಳನು2 ಯುv+ೂೕr , ಪ"ವkGಸುವ ಓಪM

    Tೂೕ”G ತಂ|ಾ7ಂಶ. ಕನ2ಡದ ಕಡತಗಳನು2 Google Docs ಬಳ? ಯುv+ೂೕr ಪ"ವkG?ದ£‡, vಮ, ಓ?ಆm ಅವಶDಕ™ ,ೂ™@ೕ ಇರುತ@ƒ. ಗೂಗ< ನ uಷM ಎ¬ಐ %ಾಗೂ •ಾ¸N ನ §ಂ„ರುವ ತಂ|ಾ7ಂಶ ಇSಾ•ƒ. 120ಕೂ[ \ಚು^ _ಾ`ಗಳನುS ಗುರುFಸುವ *ಸcಾde, ಆ"#$%ಯ' ನೂ;cಾ- Oಟfd# ಬಳXಯನೂS gಾAರಂhij. kಾ;"- _ಾ`l ೪೫೦೦ಕೂ[ \p^ನ qಾಂಟುಗಳನುS, ಕನSಡX[ ೨೦ಕೂ[ \p^ನ qಾಂಟುಗಳನುS ಬಳi *s-t uೕvಾ iದwಪWಸkಾxj. ೨೦೧೯6ಂದ ಈ{l *ಸcಾde ಆವೃF} ೪.೦ ಕನSಡದ ಮ"el ಬಹಳ ಉತ}ಮ•ಾx Xಲಸ VಾಡುF}j. https://github.com/tesseract-ocr/
  19. 1890 ರ*q ಮು„7ತ,ೂಂಡ ಪ_ಸ@ಕದ ಪ_ಟªlಂದನು2 ಓ?ಆm ]ಾ3Sಾಗ

  20. •ೕºಾTo ಗಳ• • https://en.wikipedia.org/wiki/List_of_datasets_for_machine- learning_research • ux¬ೕ3ಯ - https://dumps.wikimedia.org/ •

    ಅಂತÀಾಲ |ಾಣಗಳ• - prajavani.net, , Éಾqp ಗಳ•, ಕಣಜ, †ಾರತ{ಾs ಇ|ಾD„ • archive.org / waybackmachine.com • https://www.kaggle.com/tags/artificial-intelligence • https://www.kaggle.com/c/Kannada-MNIST • Êಾಸ•ೕ •ೕºಾTo ಗಳ• • ಸಮುSಾಯ ಒºಾz•?ದ •ೕºಾTo ಗಳ• - ವಚನ ಸಂಚಯ, Sಾಸ ಸಂಚಯ %ಾಗೂ ಇತ‡ ಕನ2ಡ ಸಂUೂೕಧ\ಾ ಸಲಕರ°ಗಳ• • Endangered Archives Program - https://eap.bl.uk/ • https://research.google/tools/ datasets/ ‚ƒ„ೕWಯದ+… 28 billion ಪದಗಳ• 52 million bೕಖನಗಳ• 309 †ಾËಗಳ*q ಲಭDuª
  21. •ೕºಾTo ಗಳ• General Datasets Housing Datasets Boston Housing Dataset: Contains

    information collected by the US Census Service concerning housing in the area of Boston Mass. It was obtained from the StatLib archive and has been used extensively throughout the literature to benchmark algorithms. Geographic Datasets Google-Landmarks-v2: An improved dataset for landmark recognition and retrieval. This dataset contains 5M+ images of 200k+ landmarks from across the world, sourced and annotated by the Wiki Commons community. Dataset Finders Google Dataset Search: Similar to how Google Scholar works, Dataset Search lets you find datasets wherever they’re hosted, whether it’s a publisher’s site, a digital library, or an author’s web page. It’s a phenomenal dataset finder, and it contains over 25 million datasets. Kaggle: Kaggle provides a vast container of datasets, sufficient for the enthusiast to the expert. UCI Machine Learning Repository: The Machine Learning Repository at UCI provides an up to date resource for open-source datasets. VisualData: Discover computer vision datasets by category; it allows searchable queries. CMU Libraries: Discover high-quality datasets thanks to the collection of Huajin Wang, at CMU. Machine Learning Datasets: Computer Vision Datasets xView: xView is one of the most massive publicly available datasets of overhead imagery. It contains images from complex scenes around the world, annotated using bounding boxes. ImageNet: The largest image dataset for computer vision. Providing an accessible image database that is organized hierarchically according to WordNet. Kinetics-700: A large-scale dataset of video URLs from Youtube. Including human-centered actions. Containing over 700,000 videos. Google’s Open Images: A vast dataset from Google AI containing over 10 million images. Sentiment Analysis Datasets Lexicoder Sentiment Dictionary: This dataset is specific for sentiment analysis. Contains over 3000 negative words, and over 2000 positive sentiment words. IMDB reviews: An interesting dataset with over 50,000 movie reviews from Kaggle. Stanford Sentiment Treebank: Standard sentiment dataset with sentiment annotations. NLP Datasets HotspotQA Dataset: Question answering dataset featuring natural, multi-hop questions, with intense supervision for supporting facts to enable more explainable question answering systems. Amazon Reviews: A vast dataset from Amazon, containing over 45 million Amazon reviews. Rotten Tomatoes Reviews: Archive of more than 480,000 critic reviews (fresh or rotten). SMS Spam Collection in English: A dataset that consists of 5,574 English SMS spam messages Self-driving (Autonomous Driving) Datasets Waymo Open Dataset: Fantastic resource from the folks at Waymo. Includes a vast dataset of autonomous driving, enough to train deep nets from zero. Berkeley DeepDrive BDD100k: One of the largest datasets for self- driving cars, containing over 2000 hours of driving experiences across New York and California. Bosch Small Traffic Light Dataset: Dataset for small traffic lights for deep learning. LaRa Traffic Light Recognition: Another dataset for traffic lights. This is taken in Paris. WPI datasets: Datasets for traffic lights, pedestrian, and lane detection. Clinical Datasets COVID-19 Dataset: The Allen Institute of AI research has released a vast research dataset of over 45,000 scholarly articles about COVID-19. MIMIC-III: Openly available dataset developed by the MIT Lab for Computational Physiology, comprising de-identified health data associated with ~40,000 critical care patients. It includes demographics, vital signs, laboratory tests, medications, and more.
  22. The Jetsons - 1962

  23. ಸಂಚಯದ ಕನ2ಡ ಪ_ಸ@ಕಗಳ 3Ìಟ*ೕಕರಣ ³ೕಜnಯ ಮೂಲಕ 3Ìಟ*ೕಕ"ಸ¦ಾದ ಪ_ಸ@ಕಗಳ• https://sanchaya.org/project/kannada-digitization-project/ ಪ_ಸ@ಕಗಳ•

    ಇ*q ಲಭDuª: https://archive.org/details/ServantsOfKnowledge
  24. ಸಮುSಾಯ ಸಹ†ಾ•ತ‘ ಮತು@ ]ಾ§k ಹಂ˜+

  25. ಧನD{ಾದಗಳ• ಓಂ5ವಪ78ಾ9 ಎ;. ಎ< E-Mail: omshivaprakash@gmail.com info@sanchaya.org info@sanchifoundation.org Facebook &

    Twitter omshivaprakash
  26. - Salvador Dalí “Intelligence without ambition is a bird without

    wings.” “ಮಹ|ಾ‘8ಾಂŠÆಲqದ ಬು„Œವಂk+ ‡+¢ಗwಲqದ ಹx¢ಯಂ™.” - xಾಲs•ಾ- •ಾ=