You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
164 lines
24 KiB
164 lines
24 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
|
|
"translation_date": "2025-09-06T06:35:01+00:00",
|
|
"source_file": "1-Introduction/2-history-of-ML/README.md",
|
|
"language_code": "ne"
|
|
}
|
|
-->
|
|
# मेसिन लर्निङको इतिहास
|
|
|
|
|
|
> स्केच नोट: [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
|
|
|
## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/N6wxM4wZ7V0 "मेसिन लर्निङको इतिहास - शुरुवात")
|
|
|
|
> 🎥 माथिको तस्बिरमा क्लिक गरेर यो पाठको छोटो भिडियो हेर्नुहोस्।
|
|
|
|
यस पाठमा, हामी मेसिन लर्निङ र कृत्रिम बुद्धिमत्ताको इतिहासका प्रमुख उपलब्धिहरूको बारेमा छलफल गर्नेछौं।
|
|
|
|
कृत्रिम बुद्धिमत्ता (AI) को इतिहास मेसिन लर्निङको इतिहाससँग जोडिएको छ, किनकि ML को आधारभूत एल्गोरिदम र कम्प्युटेशनल प्रगति AI को विकासमा योगदान पुर्याएको छ। यो सम्झनु उपयोगी हुन्छ कि यी क्षेत्रहरू १९५० को दशकमा छुट्टै अध्ययनको रूपमा स्थापित भए पनि, [एल्गोरिदमिक, सांख्यिकीय, गणितीय, कम्प्युटेशनल र प्राविधिक खोजहरू](https://wikipedia.org/wiki/Timeline_of_machine_learning) यस युगभन्दा पहिले र यससँग मिल्दोजुल्दो थिए। वास्तवमा, मानिसहरूले [सयौं वर्षदेखि](https://wikipedia.org/wiki/History_of_artificial_intelligence) 'सोच्ने मेसिन' को विचारको बारेमा सोच्दै आएका छन्।
|
|
|
|
---
|
|
## उल्लेखनीय खोजहरू
|
|
|
|
- १७६३, १८१२ [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) र यसको पूर्ववर्ती। यो थ्योरम र यसको प्रयोगले पूर्व ज्ञानको आधारमा घटना हुने सम्भावनाको वर्णन गर्दछ।
|
|
- १८०५ [Least Square Theory](https://wikipedia.org/wiki/Least_squares) फ्रेन्च गणितज्ञ Adrien-Marie Legendre द्वारा। यो थ्योरी, जुन तपाईं हाम्रो Regression युनिटमा सिक्नुहुनेछ, डाटा फिटिङमा सहयोग गर्दछ।
|
|
- १९१३ [Markov Chains](https://wikipedia.org/wiki/Markov_chain), रूसी गणितज्ञ Andrey Markov द्वारा नामाकरण गरिएको, पूर्व अवस्था आधारित सम्भावित घटनाहरूको क्रम वर्णन गर्न प्रयोग गरिन्छ।
|
|
- १९५७ [Perceptron](https://wikipedia.org/wiki/Perceptron) अमेरिकी मनोवैज्ञानिक Frank Rosenblatt द्वारा आविष्कार गरिएको एक प्रकारको रेखीय वर्गीकरणकर्ता हो जसले गहिरो सिकाइमा प्रगति ल्याएको छ।
|
|
|
|
---
|
|
|
|
- १९६७ [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) मूल रूपमा मार्गहरू नक्सा बनाउन डिजाइन गरिएको एल्गोरिदम हो। ML सन्दर्भमा यो ढाँचाहरू पत्ता लगाउन प्रयोग गरिन्छ।
|
|
- १९७० [Backpropagation](https://wikipedia.org/wiki/Backpropagation) [feedforward neural networks](https://wikipedia.org/wiki/Feedforward_neural_network) लाई प्रशिक्षण दिन प्रयोग गरिन्छ।
|
|
- १९८२ [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) कृत्रिम न्युरल नेटवर्कहरू हुन् जुन feedforward neural networks बाट व्युत्पन्न हुन्छन् र अस्थायी ग्राफहरू सिर्जना गर्छन्।
|
|
|
|
✅ थोरै अनुसन्धान गर्नुहोस्। ML र AI को इतिहासमा अन्य कुन मितिहरू महत्त्वपूर्ण छन्?
|
|
|
|
---
|
|
## १९५०: सोच्ने मेसिनहरू
|
|
|
|
Alan Turing, एक असाधारण व्यक्ति जसलाई [२०१९ मा जनताले](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) २०औं शताब्दीको महान वैज्ञानिकको रूपमा मतदान गरे, 'सोच्न सक्ने मेसिन' को अवधारणाको आधार तयार गर्न मद्दत गरेको श्रेय दिइन्छ। उनले [Turing Test](https://www.bbc.com/news/technology-18475646) सिर्जना गरेर यो अवधारणाको अनुभवजन्य प्रमाणको आवश्यकता र आलोचकहरूसँग जुझ्न प्रयास गरे।
|
|
|
|
---
|
|
## १९५६: Dartmouth Summer Research Project
|
|
|
|
"Dartmouth Summer Research Project on artificial intelligence कृत्रिम बुद्धिमत्ताको क्षेत्रको लागि एक महत्वपूर्ण घटना थियो," र यहीँ 'कृत्रिम बुद्धिमत्ता' शब्दको निर्माण गरिएको थियो ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।
|
|
|
|
> सिकाइको हरेक पक्ष वा बुद्धिमत्ताको कुनै पनि विशेषता यति स्पष्ट रूपमा वर्णन गर्न सकिन्छ कि मेसिनलाई यसलाई अनुकरण गर्न बनाइन्छ।
|
|
|
|
---
|
|
|
|
मुख्य अनुसन्धानकर्ता, गणितका प्राध्यापक John McCarthy, "सिकाइको हरेक पक्ष वा बुद्धिमत्ताको कुनै पनि विशेषता यति स्पष्ट रूपमा वर्णन गर्न सकिन्छ कि मेसिनलाई यसलाई अनुकरण गर्न बनाइन्छ" भन्ने अनुमानको आधारमा अगाडि बढ्न चाहन्थे। सहभागीहरूमा क्षेत्रका अर्को प्रमुख व्यक्तित्व Marvin Minsky पनि थिए।
|
|
|
|
यो कार्यशालाले "प्रतीकात्मक विधिहरूको उदय, सीमित डोमेनमा केन्द्रित प्रणालीहरू (प्रारम्भिक विशेषज्ञ प्रणालीहरू), र deductive प्रणालीहरू बनाम inductive प्रणालीहरू" जस्ता छलफलहरूलाई सुरु र प्रोत्साहित गरेको श्रेय दिइन्छ। ([source](https://wikipedia.org/wiki/Dartmouth_workshop))।
|
|
|
|
---
|
|
## १९५६ - १९७४: "सुनौलो वर्षहरू"
|
|
|
|
१९५० को दशकदेखि ७० को दशकको मध्यसम्म, AI ले धेरै समस्याहरू समाधान गर्न सक्ने आशामा उच्च उत्साह थियो। १९६७ मा, Marvin Minsky ले आत्मविश्वासका साथ भने, "एक पुस्ताभित्र ... 'कृत्रिम बुद्धिमत्ता' सिर्जना गर्ने समस्या पर्याप्त रूपमा समाधान हुनेछ।" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
|
|
|
|
प्राकृतिक भाषा प्रशोधन अनुसन्धान फस्टायो, खोजलाई परिष्कृत र शक्तिशाली बनाइयो, र 'माइक्रो-वर्ल्ड्स' को अवधारणा सिर्जना गरियो, जहाँ साधारण कार्यहरू साधारण भाषा निर्देशनहरू प्रयोग गरेर पूरा गरियो।
|
|
|
|
---
|
|
|
|
सरकारी निकायहरूले अनुसन्धानलाई राम्रोसँग वित्त पोषण गरे, कम्प्युटेशन र एल्गोरिदममा प्रगति भयो, र बुद्धिमान मेसिनहरूको प्रोटोटाइप निर्माण गरियो। यी मेसिनहरूमा समावेश छन्:
|
|
|
|
* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), जसले 'बुद्धिमानी' रूपमा कार्यहरू प्रदर्शन गर्ने निर्णय गर्न र चल्न सक्थ्यो।
|
|
|
|
|
|
> Shakey १९७२ मा
|
|
|
|
---
|
|
|
|
* Eliza, एक प्रारम्भिक 'च्याटरबोट', मानिसहरूसँग संवाद गर्न र एक प्राथमिक 'थेरापिस्ट' को रूपमा कार्य गर्न सक्थ्यो। तपाईं NLP पाठहरूमा Eliza को बारेमा थप जान्नुहुनेछ।
|
|
|
|
|
|
> Eliza को एक संस्करण, एक च्याटबोट
|
|
|
|
---
|
|
|
|
* "Blocks world" माइक्रो-वर्ल्डको एक उदाहरण थियो जहाँ ब्लकहरू थुपार्न र क्रमबद्ध गर्न सकिन्थ्यो, र मेसिनलाई निर्णय लिन सिकाउने प्रयोगहरू परीक्षण गर्न सकिन्थ्यो। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) जस्ता पुस्तकालयहरूसँग निर्माण गरिएका प्रगतिले भाषा प्रशोधनलाई अगाडि बढायो।
|
|
|
|
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU सँग ब्लक वर्ल्ड")
|
|
|
|
> 🎥 माथिको तस्बिरमा क्लिक गरेर भिडियो हेर्नुहोस्: SHRDLU सँग ब्लक वर्ल्ड
|
|
|
|
---
|
|
## १९७४ - १९८०: "AI Winter"
|
|
|
|
१९७० को दशकको मध्यसम्म, 'बुद्धिमान मेसिन' बनाउने जटिलता कम आँकलन गरिएको र उपलब्ध कम्प्युट पावरको आधारमा यसको वाचा बढी आँकलन गरिएको स्पष्ट भयो। वित्त पोषण सुक्यो र क्षेत्रको विश्वास सुस्त भयो। विश्वासलाई असर गर्ने केही मुद्दाहरू समावेश छन्:
|
|
---
|
|
- **सीमितता**। कम्प्युट पावर अत्यधिक सीमित थियो।
|
|
- **Combinatorial explosion**। कम्प्युटरहरूबाट थप माग गरिएसँगै प्रशिक्षित गर्न आवश्यक प्यारामिटरहरूको संख्या गुणात्मक रूपमा बढ्यो, कम्प्युट पावर र क्षमता समानान्तर रूपमा विकसित नभएको।
|
|
- **डाटाको अभाव**। डाटाको अभावले एल्गोरिदम परीक्षण, विकास, र परिष्कृत गर्ने प्रक्रियालाई बाधा पुर्यायो।
|
|
- **के हामी सही प्रश्न सोध्दैछौं?**। सोधिएका प्रश्नहरू नै प्रश्न गर्न थालियो। अनुसन्धानकर्ताहरूले आफ्नो दृष्टिकोणको आलोचना सामना गर्न थाले:
|
|
- Turing परीक्षणहरू 'चिनियाँ कोठा सिद्धान्त' जस्ता विचारहरूद्वारा प्रश्न गरियो, जसले "डिजिटल कम्प्युटर प्रोग्रामिङले भाषा बुझ्न सक्षम देखिन सक्छ तर वास्तविक बुझाइ उत्पादन गर्न सक्दैन।" ([source](https://plato.stanford.edu/entries/chinese-room/))
|
|
- समाजमा "थेरापिस्ट" ELIZA जस्ता कृत्रिम बुद्धिमत्ताहरूको परिचयको नैतिकता चुनौती दिइयो।
|
|
|
|
---
|
|
|
|
यसै समयमा, विभिन्न AI विचारधाराहरूको निर्माण हुन थाल्यो। ["scruffy" बनाम "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) अभ्यासहरू बीच एक विभाजन स्थापित भयो। _Scruffy_ प्रयोगशालाहरूले चाहिएको परिणाम प्राप्त गर्न प्रोग्रामहरू घण्टौंसम्म परिमार्जन गर्थे। _Neat_ प्रयोगशालाहरू "तर्क र औपचारिक समस्या समाधानमा केन्द्रित" थिए। ELIZA र SHRDLU प्रसिद्ध _scruffy_ प्रणालीहरू थिए। १९८० को दशकमा, ML प्रणालीहरू पुन: उत्पादक बनाउन माग बढेसँगै, _neat_ दृष्टिकोणले क्रमशः अग्रता लियो किनकि यसको परिणामहरू बढी व्याख्यायोग्य छन्।
|
|
|
|
---
|
|
## १९८० को दशक: विशेषज्ञ प्रणालीहरू
|
|
|
|
क्षेत्र बढ्दै जाँदा, यसको व्यापारिक लाभ स्पष्ट भयो, र १९८० को दशकमा 'विशेषज्ञ प्रणालीहरू' को प्रसार भयो। "विशेषज्ञ प्रणालीहरू कृत्रिम बुद्धिमत्ता (AI) सफ्टवेयरका पहिलो सफल रूपहरू मध्ये थिए।" ([source](https://wikipedia.org/wiki/Expert_system))।
|
|
|
|
यस प्रकारको प्रणाली वास्तवमा _hybrid_ हो, जसमा आंशिक रूपमा व्यापारिक आवश्यकताहरू परिभाषित गर्ने नियम इन्जिन र नयाँ तथ्यहरू अनुमान गर्न नियम प्रणाली प्रयोग गर्ने इन्फरेन्स इन्जिन समावेश छ।
|
|
|
|
यस युगले न्युरल नेटवर्कहरूमा बढ्दो ध्यान पनि देखायो।
|
|
|
|
---
|
|
## १९८७ - १९९३: AI 'Chill'
|
|
|
|
विशेषज्ञ प्रणालीहरूको हार्डवेयरको अत्यधिक विशेषज्ञीकरणले दुर्भाग्यवश अत्यधिक सीमित बनायो। व्यक्तिगत कम्प्युटरहरूको उदयले यी ठूला, विशेषज्ञ, केन्द्रित प्रणालीहरूसँग प्रतिस्पर्धा गर्यो। कम्प्युटिङको लोकतान्त्रिकरण सुरु भयो, जसले अन्ततः ठूला डाटाको आधुनिक विस्फोटको बाटो खोल्यो।
|
|
|
|
---
|
|
## १९९३ - २०११
|
|
|
|
यस युगले ML र AI लाई डाटा र कम्प्युट पावरको अभावले पहिले सिर्जना गरेका केही समस्याहरू समाधान गर्न सक्षम बनायो। डाटाको मात्रा तीव्र रूपमा बढ्न थाल्यो र राम्रो र नराम्रोका लागि व्यापक रूपमा उपलब्ध भयो, विशेष गरी २००७ को आसपास स्मार्टफोनको आगमनसँगै। कम्प्युट पावर गुणात्मक रूपमा विस्तार भयो, र एल्गोरिदमहरू पनि विकसित भए। क्षेत्रले परिपक्वता प्राप्त गर्न थाल्यो किनकि विगतका स्वतन्त्र दिनहरू एक साँचो अनुशासनमा क्रिस्टलाइज हुन थाले।
|
|
|
|
---
|
|
## अहिले
|
|
|
|
आज मेसिन लर्निङ र AI हाम्रो जीवनका लगभग हरेक भागमा छ। यो युगले यी एल्गोरिदमहरूको मानव जीवनमा जोखिम र सम्भावित प्रभावहरूको सावधानीपूर्वक बुझाइको माग गर्दछ। Microsoft का Brad Smith ले भनेका छन्, "सूचना प्रविधिले गोपनीयता र अभिव्यक्तिको स्वतन्त्रता जस्ता मौलिक मानव-अधिकार संरक्षणको मुटुमा जाने मुद्दाहरू उठाउँछ। यी मुद्दाहरूले यी उत्पादनहरू सिर्जना गर्ने प्रविधि कम्पनीहरूको जिम्मेवारीलाई बढाउँछ। हाम्रो दृष्टिकोणमा, तिनीहरूले विचारशील सरकारी नियमन र स्वीकार्य प्रयोगहरूको वरिपरि मानदण्डहरूको विकासको लागि पनि आह्वान गर्छन्।" ([source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))।
|
|
|
|
---
|
|
|
|
भविष्यले के ल्याउँछ भन्ने कुरा अझै देख्न बाँकी छ, तर यी कम्प्युटर प्रणालीहरू र तिनीहरूले चलाउने सफ्टवेयर र एल्गोरिदमहरू बुझ्न महत्त्वपूर्ण छ। हामी आशा गर्छौं कि यो पाठ्यक्रमले तपाईंलाई राम्रो बुझाइ प्राप्त गर्न मद्दत गर्नेछ ताकि तपाईं आफैं निर्णय गर्न सक्नुहुन्छ।
|
|
|
|
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "गहिरो सिकाइको इतिहास")
|
|
> 🎥 माथिको तस्बिरमा क्लिक गरेर भिडियो हेर्नुहोस्: Yann LeCun ले गहिरो सिकाइको इतिहासको बारेमा यस व्याख्यानमा छलफल गर्छन्।
|
|
|
|
---
|
|
## 🚀 चुनौती
|
|
|
|
यी ऐतिहासिक क्षणहरू मध्ये एकमा गहिरो अध्ययन गर्नुहोस् र तिनीहरू पछाडि रहेका व्यक्तिहरूको बारेमा थप जान्नुहोस्। त्यहाँ आकर्षक पात्रहरू छन्, र कुनै पनि वैज्ञानिक खोज सांस्कृतिक खालीपनमा कहिल्यै सिर्जना गरिएको थिएन। तपाईं के पत्ता लगाउनुहुन्छ?
|
|
|
|
## [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
## समीक्षा र आत्म अध्ययन
|
|
|
|
हेर्न र सुन्नका लागि यहाँ केही सामग्रीहरू छन्:
|
|
|
|
[यो पोडकास्ट जहाँ Amy Boyd ले AI को विकासको बारेमा छलफल गर्छिन्](http://runasradio.com/Shows/Show/739)
|
|
|
|
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd द्वारा AI को इतिहास")
|
|
|
|
---
|
|
|
|
## असाइनमेन्ट
|
|
|
|
[समयरेखा बनाउनुहोस्](assignment.md)
|
|
|
|
---
|
|
|
|
**अस्वीकरण**:
|
|
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं। |