अनुक्रमणिका[लपवा][दाखवा]
- 1. डीप लर्निंग म्हणजे नक्की काय?
- 2. डीप लर्निंग आणि मशीन लर्निंगमध्ये काय फरक आहे?
- 3. न्यूरल नेटवर्क्सबद्दल तुमची सध्याची समज काय आहे?
- 4. पर्सेप्ट्रॉन म्हणजे नक्की काय?
- 5. डीप न्यूरल नेटवर्क म्हणजे नक्की काय?
- 6. मल्टीलेअर परसेप्ट्रॉन (MLP) म्हणजे नक्की काय?
- 7. न्यूरल नेटवर्कमध्ये सक्रियकरण कार्ये कोणत्या उद्देशाने खेळतात?
- 8. ग्रेडियंट डिसेंट म्हणजे नेमके काय?
- 9. खर्चाचे कार्य नक्की काय आहे?
- 10. डीप नेटवर्क्स उथळ नेटवर्क्सला कसे मागे टाकू शकतात?
- 11. पुढे प्रसाराचे वर्णन करा.
- 12. बॅकप्रोपेगेशन म्हणजे काय?
- 13. सखोल शिक्षणाच्या संदर्भात, तुम्ही ग्रेडियंट क्लिपिंग कसे समजून घेता?
- 14. Softmax आणि ReLU फंक्शन्स काय आहेत?
- 15. न्यूरल नेटवर्क मॉडेल 0 वर सेट केलेल्या सर्व वजनांसह प्रशिक्षित केले जाऊ शकते?
- 16. एका युगाला बॅच आणि पुनरावृत्तीपासून काय वेगळे करते?
- 17. बॅच सामान्यीकरण आणि ड्रॉपआउट म्हणजे काय?
- 18. बॅच ग्रेडियंट डिसेंटपासून स्टोकास्टिक ग्रेडियंट डिसेंट काय वेगळे करते?
- 19. न्यूरल नेटवर्कमध्ये नॉन-लाइनरिटी समाविष्ट करणे महत्वाचे का आहे?
- 20. सखोल शिक्षणामध्ये टेन्सर म्हणजे काय?
- 21. सखोल शिक्षण मॉडेलसाठी तुम्ही सक्रियकरण कार्य कसे निवडाल?
- 22. CNN म्हणजे काय?
- 23. CNN चे अनेक स्तर कोणते आहेत?
- 24. ओव्हर- आणि अंडरफिटिंगचे काय परिणाम होतात आणि तुम्ही ते कसे टाळू शकता?
- 25. सखोल शिक्षणात, RNN म्हणजे काय?
- 26. अॅडम ऑप्टिमायझरचे वर्णन करा
- 27. डीप ऑटोएनकोडर: ते काय आहेत?
- 28. Tensorflow मध्ये Tensor चा अर्थ काय आहे?
- 29. संगणकीय आलेखाचे स्पष्टीकरण
- 30. जनरेटिव्ह अॅडव्हर्सियल नेटवर्क (GAN): ते काय आहेत?
- 31. तुम्ही आर्किटेक्चरची रचना करताना न्यूरॉन्स आणि लपलेल्या स्तरांची संख्या न्यूरल नेटवर्कमध्ये समाविष्ट करण्यासाठी कशी निवडाल?
- 32. सखोल मजबुतीकरण शिक्षणाद्वारे कोणत्या प्रकारचे न्यूरल नेटवर्क कार्यरत आहेत?
- निष्कर्ष
सखोल शिक्षण ही नवीन कल्पना नाही. कृत्रिम न्यूरल नेटवर्क हे मशीन लर्निंग सबसेटचा एकमेव पाया म्हणून काम करतात ज्याला डीप लर्निंग म्हणून ओळखले जाते.
सखोल शिक्षण हे मानवी मेंदूचे अनुकरण आहे, जसे की न्यूरल नेटवर्क्स आहेत, कारण ते मानवी मेंदूचे अनुकरण करण्यासाठी तयार केले गेले आहेत.
हे काही काळापासून आहे. आजकाल, प्रत्येकजण याबद्दल बोलत आहे कारण आमच्याकडे आता जितकी प्रोसेसिंग पॉवर किंवा डेटा नाही.
गेल्या 20 वर्षांमध्ये, प्रक्रिया क्षमतेत नाट्यमय वाढ झाल्यामुळे सखोल शिक्षण आणि मशीन लर्निंग उदयास आले आहे.
तुमची स्वप्नातील नोकरी शोधताना तुम्हाला सामोरे जावे लागणाऱ्या कोणत्याही चौकशीसाठी तयार होण्यासाठी तुम्हाला मदत करण्यासाठी, हे पोस्ट तुम्हाला साध्या ते क्लिष्ट अशा अनेक सखोल अभ्यास मुलाखतीच्या प्रश्नांद्वारे मार्गदर्शन करेल.
1. डीप लर्निंग म्हणजे नक्की काय?
आपण उपस्थित असाल तर a खोल शिकणे मुलाखत, तुम्हाला निःसंशयपणे समजले आहे की सखोल शिक्षण म्हणजे काय. तथापि, मुलाखतकाराची अपेक्षा आहे की तुम्ही या प्रश्नाच्या उत्तरात उदाहरणासह तपशीलवार प्रतिसाद द्याल.
प्रशिक्षण देण्यासाठी न्यूरल नेटवर्क सखोल शिक्षणासाठी, लक्षणीय प्रमाणात संघटित किंवा असंरचित डेटा वापरणे आवश्यक आहे. लपलेले नमुने आणि वैशिष्ट्ये शोधण्यासाठी, ते क्लिष्ट प्रक्रिया करते (उदाहरणार्थ, मांजरीची प्रतिमा कुत्र्याच्या प्रतिमेपासून वेगळे करणे).
2. डीप लर्निंग आणि मशीन लर्निंगमध्ये काय फरक आहे?
मशीन लर्निंग म्हणून ओळखल्या जाणार्या कृत्रिम बुद्धिमत्तेची एक शाखा म्हणून, आम्ही संगणकांना डेटा आणि सांख्यिकी आणि अल्गोरिदमिक तंत्रांचा वापर करून प्रशिक्षण देतो जेणेकरून ते कालांतराने चांगले होतील.
एक पैलू म्हणून मशीन शिक्षण, सखोल शिक्षण मानवी मेंदूमध्ये दिसणार्या न्यूरल नेटवर्क आर्किटेक्चरचे अनुकरण करते.
3. न्यूरल नेटवर्क्सबद्दल तुमची सध्याची समज काय आहे?
न्यूरल नेटवर्क म्हणून ओळखल्या जाणार्या कृत्रिम प्रणाली मानवी शरीरात आढळणार्या सेंद्रिय तंत्रिका नेटवर्कशी अगदी जवळून साम्य देतात.
एक तंत्र वापरणे जे कसे सारखे दिसते मानवी मेंदू फंक्शन्स, न्यूरल नेटवर्क हा अल्गोरिदमचा संग्रह आहे ज्याचा उद्देश डेटाच्या तुकड्यात अंतर्निहित सहसंबंध ओळखणे आहे.
या प्रणाली कोणत्याही कार्य-विशिष्ट नियमांचे पालन करण्याऐवजी स्वतःला डेटासेट आणि उदाहरणांच्या श्रेणीमध्ये उघड करून कार्य-विशिष्ट ज्ञान प्राप्त करतात.
कल्पना अशी आहे की या डेटासेटचे पूर्व-प्रोग्राम केलेले आकलन होण्याऐवजी, सिस्टीम त्याला दिलेल्या डेटामधून वेगळे वैशिष्ट्ये शिकते.
न्यूरल नेटवर्क्समध्ये सामान्यतः वापरले जाणारे तीन नेटवर्क स्तर खालीलप्रमाणे आहेत:
- इनपुट स्तर
- लपलेला थर
- आउटपुट स्तर
4. पर्सेप्ट्रॉन म्हणजे नक्की काय?
मानवी मेंदूमध्ये आढळणारे जैविक न्यूरॉन हे परसेप्ट्रॉनशी तुलना करता येते. परसेप्ट्रॉनद्वारे एकाधिक इनपुट प्राप्त होतात, जे नंतर असंख्य परिवर्तने आणि कार्ये करतात आणि आउटपुट तयार करतात.
परसेप्ट्रॉन नावाचे रेखीय मॉडेल बायनरी वर्गीकरणात वापरले जाते. हे विविध प्रकारच्या इनपुटसह न्यूरॉनचे अनुकरण करते, प्रत्येकाचे वजन भिन्न असते.
न्यूरॉन या भारित इनपुटचा वापर करून फंक्शनची गणना करतो आणि परिणाम आउटपुट करतो.
5. डीप न्यूरल नेटवर्क म्हणजे नक्की काय?
डीप न्यूरल नेटवर्क हे एक कृत्रिम न्यूरल नेटवर्क (ANN) आहे ज्यामध्ये इनपुट आणि आउटपुट लेयर्स (DNN) दरम्यान अनेक स्तर असतात.
डीप न्यूरल नेटवर्क हे खोल आर्किटेक्चर न्यूरल नेटवर्क आहेत. "खोल" हा शब्द एकाच लेयरमधील अनेक स्तर आणि युनिट्स असलेल्या फंक्शन्सचा संदर्भ देतो. नमुन्यांचे मोठे स्तर कॅप्चर करण्यासाठी अधिक आणि मोठे स्तर जोडून अधिक अचूक मॉडेल तयार केले जाऊ शकतात.
6. मल्टीलेअर परसेप्ट्रॉन (MLP) म्हणजे नक्की काय?
MLP मध्ये इनपुट, लपलेले आणि आउटपुट स्तर असतात, जसे की न्यूरल नेटवर्क्समध्ये. हे एक किंवा अधिक लपलेल्या स्तरांसह सिंगल-लेयर पर्सेप्ट्रॉन प्रमाणेच तयार केले आहे.
सिंगल लेयर पर्सेप्ट्रॉनचे बायनरी आउटपुट केवळ रेखीय विभक्त वर्ग (0,1) वर्गीकृत करू शकते, तर MLP नॉनलाइनर वर्गांचे वर्गीकरण करू शकते.
7. न्यूरल नेटवर्कमध्ये सक्रियकरण कार्ये कोणत्या उद्देशाने खेळतात?
सक्रीयीकरण कार्य हे ठरवते की न्यूरॉन सर्वात मूलभूत स्तरावर सक्रिय व्हावे की नाही. कोणतेही सक्रियकरण फंक्शन इनपुट्सची भारित बेरीज आणि बायस इनपुट म्हणून स्वीकारू शकते. सक्रियकरण फंक्शन्समध्ये स्टेप फंक्शन, सिग्मॉइड, आरएलयू, तान्ह आणि सॉफ्टमॅक्स यांचा समावेश होतो.
8. ग्रेडियंट डिसेंट म्हणजे नेमके काय?
खर्चाचे कार्य किंवा त्रुटी कमी करण्यासाठी सर्वोत्तम दृष्टीकोन म्हणजे ग्रेडियंट डिसेंट. फंक्शनचा स्थानिक-जागतिक मिनिमा शोधणे हे ध्येय आहे. त्रुटी कमी करण्यासाठी मॉडेलने कोणत्या मार्गाचे अनुसरण केले पाहिजे हे हे निर्दिष्ट करते.
9. खर्चाचे कार्य नक्की काय आहे?
तुमचे मॉडेल किती चांगले कार्य करते याचे मूल्यमापन करण्यासाठी खर्च कार्य हे एक मेट्रिक आहे; हे कधीकधी "तोटा" किंवा "त्रुटी" म्हणून ओळखले जाते. बॅकप्रोपॅगेशन दरम्यान, आउटपुट लेयरच्या त्रुटीची गणना करण्यासाठी त्याचा वापर केला जातो.
न्यूरल नेटवर्कच्या प्रशिक्षण प्रक्रियेला न्यूरल नेटवर्कद्वारे मागे ढकलून आम्ही त्या चुकीचे शोषण करतो.
10. डीप नेटवर्क्स उथळ नेटवर्क्सला कसे मागे टाकू शकतात?
इनपुट आणि आउटपुट स्तरांव्यतिरिक्त न्यूरल नेटवर्कमध्ये लपलेले स्तर जोडले जातात. इनपुट आणि आउटपुट स्तरांदरम्यान, उथळ न्यूरल नेटवर्क्स एकच छुपा स्तर वापरतात, तर खोल न्यूरल नेटवर्क असंख्य स्तर वापरतात.
कोणत्याही फंक्शनमध्ये बसण्यासाठी उथळ नेटवर्कला अनेक पॅरामीटर्सची आवश्यकता असते. डीप नेटवर्क्स थोड्या प्रमाणात पॅरामीटर्ससह फंक्शन्सला अधिक चांगल्या प्रकारे अनुकूल करू शकतात कारण त्यात अनेक स्तर समाविष्ट असतात.
कोणत्याही प्रकारच्या डेटा मॉडेलिंगसह कार्य करण्याच्या त्यांच्या बहुमुखीपणामुळे डीप नेटवर्क्सना आता प्राधान्य दिले जाते, मग ते भाषण किंवा चित्र ओळखण्यासाठी असो.
11. पुढे प्रसाराचे वर्णन करा.
अग्रेषित प्रसार म्हणून ओळखल्या जाणार्या प्रक्रियेत दफन केलेल्या स्तरावर वजनासह इनपुट एकत्रितपणे प्रसारित केले जातात.
पुढील स्तरावर प्रक्रिया करण्यापूर्वी सक्रियकरण कार्याचे आउटपुट प्रत्येक दफन केलेल्या लेयरमध्ये मोजले जाते.
प्रक्रिया इनपुट लेयरपासून सुरू होते आणि अंतिम आउटपुट स्तरापर्यंत प्रगती करते, अशा प्रकारे नाव पुढे प्रसारित होते.
12. बॅकप्रोपेगेशन म्हणजे काय?
जेव्हा न्यूरल नेटवर्कमध्ये वजन आणि पूर्वाग्रह समायोजित केले जातात, तेव्हा मूल्य कसे बदलते याचे प्रथम निरीक्षण करून खर्चाचे कार्य कमी करण्यासाठी बॅकप्रोपॅगेशन वापरले जाते.
प्रत्येक लपलेल्या स्तरावरील ग्रेडियंट समजून घेतल्याने या बदलाची गणना करणे सोपे होते.
बॅकप्रोपेगेशन म्हणून ओळखली जाणारी प्रक्रिया आउटपुट लेयरपासून सुरू होते आणि इनपुट स्तरांवर मागे सरकते.
13. सखोल शिक्षणाच्या संदर्भात, तुम्ही ग्रेडियंट क्लिपिंग कसे समजून घेता?
ग्रेडियंट क्लिपिंग ही बॅकप्रोपॅगेशन दरम्यान उद्भवणार्या ग्रेडियंटच्या विस्फोटाच्या समस्येचे निराकरण करण्याची एक पद्धत आहे (अशी स्थिती ज्यामध्ये वेळोवेळी महत्त्वपूर्ण चुकीचे ग्रेडियंट जमा होतात, ज्यामुळे प्रशिक्षणादरम्यान न्यूरल नेटवर्क मॉडेलच्या वजनांमध्ये महत्त्वपूर्ण समायोजन होते).
एक्सप्लोडिंग ग्रेडियंट्स ही समस्या उद्भवते जेव्हा प्रशिक्षणादरम्यान ग्रेडियंट खूप मोठे होतात, ज्यामुळे मॉडेल अस्थिर होते. जर ग्रेडियंटने अपेक्षित श्रेणी ओलांडली असेल, तर ग्रेडियंट मूल्ये घटक-दर-घटकांना पूर्वनिर्धारित किमान किंवा कमाल मूल्याकडे ढकलले जातात.
ग्रेडियंट क्लिपिंग प्रशिक्षणादरम्यान न्यूरल नेटवर्कची संख्यात्मक स्थिरता वाढवते, परंतु मॉडेलच्या कार्यक्षमतेवर त्याचा कमीतकमी प्रभाव पडतो.
14. Softmax आणि ReLU फंक्शन्स काय आहेत?
Softmax नावाचे सक्रियकरण फंक्शन 0 आणि 1 मधील श्रेणीमध्ये आउटपुट तयार करते. प्रत्येक आउटपुट विभाजित केले जाते जेणेकरून सर्व आउटपुटची बेरीज एक असेल. आउटपुट स्तरांसाठी, Softmax वारंवार कार्यरत आहे.
रेक्टिफाइड लिनियर युनिट, जे काहीवेळा ReLU म्हणून ओळखले जाते, हे सर्वात जास्त वापरले जाणारे सक्रियकरण कार्य आहे. जर X पॉझिटिव्ह असेल तर ते X आउटपुट करते, अन्यथा ते शून्य आउटपुट करते. ReLU नियमितपणे पुरलेल्या थरांवर लागू केला जातो.
15. न्यूरल नेटवर्क मॉडेल 0 वर सेट केलेल्या सर्व वजनांसह प्रशिक्षित केले जाऊ शकते?
न्यूरल नेटवर्क दिलेले कार्य पूर्ण करण्यास कधीही शिकणार नाही, म्हणून सर्व वजन 0 वर आरंभ करून मॉडेलला प्रशिक्षण देणे शक्य नाही.
डब्ल्यू [१] मधील प्रत्येक वजनासाठी व्युत्पन्न समान राहतील जर सर्व वजन शून्यावर सुरू केले गेले, ज्यामुळे न्यूरॉन्स पुनरावृत्तीने समान वैशिष्ट्ये शिकतील.
केवळ 0 वर वजन सुरू केले नाही तर स्थिरांकाच्या कोणत्याही स्वरूपाचा परिणाम सबपार परिणाम होण्याची शक्यता आहे.
16. एका युगाला बॅच आणि पुनरावृत्तीपासून काय वेगळे करते?
प्रोसेसिंग डेटासेट आणि ग्रेडियंट डिसेंट तंत्राच्या विविध प्रकारांमध्ये बॅच, पुनरावृत्ती आणि युग समाविष्ट आहे. Epoch मध्ये संपूर्ण डेटासेटसह एकदाच न्यूरल नेटवर्कचा समावेश होतो, पुढे आणि मागे दोन्ही.
विश्वासार्ह परिणाम प्रदान करण्यासाठी, डेटासेट वारंवार पास केला जातो कारण तो एकाच प्रयत्नात पास होण्यासाठी खूप मोठा आहे.
न्यूरल नेटवर्कद्वारे वारंवार कमी प्रमाणात डेटा चालवण्याच्या या प्रथेला पुनरावृत्ती म्हणतात. डेटा सेट यशस्वीरित्या न्यूरल नेटवर्क्समधून मार्गक्रमण करतो याची हमी देण्यासाठी, त्याला अनेक बॅच किंवा उपसंचांमध्ये विभागले जाऊ शकते, ज्याला बॅचिंग म्हणतात.
डेटा संकलनाच्या आकारावर अवलंबून, तीनही पद्धती - युग, पुनरावृत्ती आणि बॅच आकार - मूलत: वापरण्याचे मार्ग आहेत ग्रेडियंट डिसेंट अल्गोरिदम.
17. बॅच सामान्यीकरण आणि ड्रॉपआउट म्हणजे काय?
ड्रॉपआउट दृश्यमान आणि लपविलेले दोन्ही नेटवर्क युनिट्स यादृच्छिकपणे काढून टाकून डेटा ओव्हरफिटिंग प्रतिबंधित करते (सामान्यत: 20 टक्के नोड्स सोडतात). हे नेटवर्कला एकत्र येण्यासाठी आवश्यक पुनरावृत्तीची संख्या दुप्पट करते.
प्रत्येक लेयरमधील इनपुटचे सामान्यीकरण करून शून्याचे सरासरी आउटपुट सक्रियकरण आणि एकाचे मानक विचलन, बॅच सामान्यीकरण ही तंत्रिका नेटवर्कची कार्यक्षमता आणि स्थिरता वाढविण्यासाठी एक धोरण आहे.
18. बॅच ग्रेडियंट डिसेंटपासून स्टोकास्टिक ग्रेडियंट डिसेंट काय वेगळे करते?
बॅच ग्रेडियंट डिसेंट:
- संपूर्ण डेटासेटचा वापर बॅच ग्रेडियंटसाठी ग्रेडियंट तयार करण्यासाठी केला जातो.
- प्रचंड प्रमाणात डेटा आणि हळुहळू अपडेट होत असलेले वजन अभिसरण कठीण करतात.
स्टोकास्टिक ग्रेडियंट डिसेंट:
- स्टोकास्टिक ग्रेडियंट ग्रेडियंटची गणना करण्यासाठी एकल नमुना वापरतो.
- अधिक वारंवार वजन बदलांमुळे, ते बॅच ग्रेडियंटपेक्षा लक्षणीयरीत्या अधिक वेगाने एकत्रित होते.
19. न्यूरल नेटवर्कमध्ये नॉन-लाइनरिटी समाविष्ट करणे महत्वाचे का आहे?
कितीही स्तर असले तरीही, न्यूरल नेटवर्क नॉन-लाइनरिटीच्या अनुपस्थितीत परसेप्ट्रॉनसारखे वागेल, ज्यामुळे आउटपुट इनपुटवर रेषीयपणे अवलंबून असेल.
दुसर्या मार्गाने सांगायचे तर, n स्तर आणि m लपविलेले एकके आणि रेखीय सक्रियकरण कार्ये असलेले न्यूरल नेटवर्क हे लपलेल्या स्तरांशिवाय आणि केवळ रेखीय विभक्त सीमा शोधण्याच्या क्षमतेसह रेखीय न्यूरल नेटवर्कच्या समतुल्य आहे.
नॉन-लाइनरिटीशिवाय, न्यूरल नेटवर्क क्लिष्ट समस्यांचे निराकरण करण्यात आणि इनपुटचे अचूक वर्गीकरण करण्यात अक्षम आहे.
20. सखोल शिक्षणामध्ये टेन्सर म्हणजे काय?
टेन्सर म्हणून ओळखले जाणारे बहुआयामी अॅरे मॅट्रिक्स आणि व्हेक्टरचे सामान्यीकरण म्हणून काम करते. सखोल शिक्षणासाठी ही एक महत्त्वपूर्ण डेटा संरचना आहे. टेन्सर्सचे प्रतिनिधित्व करण्यासाठी मूलभूत डेटा प्रकारांचे N-आयामी अॅरे वापरले जातात.
टेन्सरच्या प्रत्येक घटकामध्ये समान डेटा प्रकार असतो आणि हा डेटा प्रकार नेहमी ज्ञात असतो. हे शक्य आहे की आकाराचा फक्त एक तुकडा-म्हणजेच, किती परिमाणे आहेत आणि प्रत्येक किती मोठा आहे हे ज्ञात आहे.
अशा परिस्थितीत जेव्हा इनपुट देखील पूर्णपणे ज्ञात असतात, बहुतेक ऑपरेशन्स पूर्णपणे ज्ञात टेन्सर्स तयार करतात; इतर प्रकरणांमध्ये, टेन्सरचे स्वरूप केवळ आलेख अंमलबजावणी दरम्यान स्थापित केले जाऊ शकते.
21. सखोल शिक्षण मॉडेलसाठी तुम्ही सक्रियकरण कार्य कसे निवडाल?
- अपेक्षित परिणाम वास्तविक असल्यास रेखीय सक्रियकरण कार्य वापरण्यात अर्थ आहे.
- ज्या आउटपुटचा अंदाज बांधायचा आहे ती बायनरी क्लास संभाव्यता असल्यास सिग्मॉइड फंक्शनचा वापर केला पाहिजे.
- प्रक्षेपित आउटपुटमध्ये दोन वर्गीकरण असल्यास टॅन्ह फंक्शनचा वापर केला जाऊ शकतो.
- गणनेच्या सुलभतेमुळे, ReLU फंक्शन विविध परिस्थितींमध्ये लागू होते.
22. CNN म्हणजे काय?
डीप न्यूरल नेटवर्क्स जे व्हिज्युअल इमेजरीचे मूल्यमापन करण्यात माहिर असतात त्यात कॉन्व्होल्युशनल न्यूरल नेटवर्क्स (CNN, किंवा ConvNet) समाविष्ट असतात. येथे, न्यूरल नेटवर्कमध्ये जेथे वेक्टर इनपुटचे प्रतिनिधित्व करतो त्याऐवजी, इनपुट बहु-चॅनेल चित्र आहे.
मल्टीलेअर परसेप्ट्रॉन्सचा वापर CNNs द्वारे एका खास पद्धतीने केला जातो ज्यासाठी फार कमी प्रीप्रोसेसिंग आवश्यक असते.
23. CNN चे अनेक स्तर कोणते आहेत?
कन्व्होल्युशनल लेयर: मुख्य थर हा कन्व्होल्यूशनल लेयर आहे, ज्यामध्ये विविध प्रकारचे शिकण्यायोग्य फिल्टर आणि ग्रहणक्षम फील्ड आहे. हा प्रारंभिक स्तर इनपुट डेटा घेतो आणि त्याची वैशिष्ट्ये काढतो.
ReLU लेयर: नेटवर्क्स नॉन-लाइनर बनवून, हा लेयर नकारात्मक पिक्सेलला शून्यात बदलतो.
पूलिंग लेयर: प्रक्रिया आणि नेटवर्क सेटिंग्ज कमी करून, पूलिंग लेयर हळूहळू प्रतिनिधित्वाचा अवकाशीय आकार कमी करते. कमाल पूलिंग ही पूलिंगची सर्वाधिक वापरली जाणारी पद्धत आहे.
24. ओव्हर- आणि अंडरफिटिंगचे काय परिणाम होतात आणि तुम्ही ते कसे टाळू शकता?
हे ओव्हरफिटिंग म्हणून ओळखले जाते जेव्हा एखादे मॉडेल प्रशिक्षण डेटामधील गुंतागुंत आणि आवाज अशा बिंदूपर्यंत शिकते जिथे ते मॉडेलच्या नवीन डेटाच्या वापरावर नकारात्मक परिणाम करते.
गोल फंक्शन शिकत असताना अधिक जुळवून घेणार्या नॉनलाइनर मॉडेल्ससह हे घडण्याची अधिक शक्यता असते. मॉडेलला ऑटोमोबाईल आणि ट्रक शोधण्यासाठी प्रशिक्षित केले जाऊ शकते, परंतु ते केवळ विशिष्ट बॉक्स फॉर्मसह वाहने ओळखण्यास सक्षम असू शकते.
हे फक्त एका प्रकारच्या ट्रकवर प्रशिक्षित केले गेले आहे हे लक्षात घेता, तो फ्लॅटबेड ट्रक शोधण्यात सक्षम होऊ शकत नाही. प्रशिक्षण डेटावर, मॉडेल चांगले कार्य करते, परंतु वास्तविक जगात नाही.
अंडर-फिट केलेले मॉडेल म्हणजे डेटावर पुरेसे प्रशिक्षित नसलेले किंवा नवीन माहितीचे सामान्यीकरण करण्यास सक्षम नसलेले मॉडेल. जेव्हा एखादे मॉडेल अपुरे किंवा चुकीच्या डेटासह प्रशिक्षित केले जाते तेव्हा हे सहसा घडते.
अचूकता आणि कार्यप्रदर्शन दोन्ही अंडरफिटिंगमुळे तडजोड करतात.
मॉडेलच्या अचूकतेचा अंदाज लावण्यासाठी डेटाचे पुनर्नमुने करणे (के-फोल्ड क्रॉस-व्हॅलिडेशन) आणि मॉडेलचे मूल्यांकन करण्यासाठी प्रमाणीकरण डेटासेट वापरणे हे ओव्हरफिटिंग आणि अंडरफिटिंग टाळण्याचे दोन मार्ग आहेत.
25. सखोल शिक्षणात, RNN म्हणजे काय?
आवर्ती न्यूरल नेटवर्क्स (RNNs), कृत्रिम न्यूरल नेटवर्क्सचे एक सामान्य प्रकार, RNN या संक्षेपाने जातात. ते इतर गोष्टींबरोबरच जीनोम, हस्तलेखन, मजकूर आणि डेटा अनुक्रमांवर प्रक्रिया करण्यासाठी नियुक्त केले जातात. आवश्यक प्रशिक्षणासाठी, RNNs बॅकप्रोपगेशनचा वापर करतात.
26. अॅडम ऑप्टिमायझरचे वर्णन करा
अॅडम ऑप्टिमायझर, ज्याला अॅडॉप्टिव्ह मोमेंटम म्हणूनही ओळखले जाते, हे एक ऑप्टिमायझेशन तंत्र आहे जे विरळ ग्रेडियंटसह गोंगाटयुक्त परिस्थिती हाताळण्यासाठी विकसित केले आहे.
जलद अभिसरणासाठी प्रति-पॅरामीटर अद्यतने प्रदान करण्याव्यतिरिक्त, अॅडम ऑप्टिमायझर गतीद्वारे अभिसरण वाढवते, हे सुनिश्चित करते की मॉडेल सॅडल पॉइंटमध्ये अडकणार नाही.
27. डीप ऑटोएनकोडर: ते काय आहेत?
डीप ऑटोएनकोडर हे दोन सममितीय खोल विश्वास नेटवर्कचे एकत्रित नाव आहे ज्यात नेटवर्कच्या एन्कोडिंग अर्ध्या भागासाठी साधारणपणे चार किंवा पाच उथळ स्तर आणि डीकोडिंग अर्ध्यासाठी चार किंवा पाच स्तरांचा दुसरा संच समाविष्ट असतो.
हे स्तर सखोल विश्वास नेटवर्कचा पाया बनवतात आणि बोल्टझमन मशीनद्वारे विवश आहेत. प्रत्येक RBM नंतर, डीप ऑटोएनकोडर MNIST डेटासेटमध्ये बायनरी बदल लागू करतो.
ते इतर डेटासेटमध्ये देखील वापरले जाऊ शकतात जेथे RBM पेक्षा गॉसियन रेक्टिफाइड ट्रान्सफॉर्मेशनला प्राधान्य दिले जाईल.
28. Tensorflow मध्ये Tensor चा अर्थ काय आहे?
हा आणखी एक सखोल अभ्यास मुलाखत प्रश्न आहे जो नियमितपणे विचारला जातो. टेन्सर ही एक गणितीय संकल्पना आहे जी उच्च-आयामी अॅरे म्हणून दृश्यमान आहे.
टेन्सर हे डेटा अॅरे आहेत जे न्यूरल नेटवर्कला इनपुट म्हणून प्रदान केले जातात आणि विविध परिमाणे आणि रँकिंग असतात.
29. संगणकीय आलेखाचे स्पष्टीकरण
टेन्सरफ्लोचा पाया म्हणजे संगणकीय आलेख तयार करणे. प्रत्येक नोड नोड्सच्या नेटवर्कमध्ये कार्य करते, जेथे नोड्स गणितीय ऑपरेशन्ससाठी आणि टेन्सर्ससाठी कडा असतात.
डेटा ग्राफच्या आकारात वाहतो म्हणून काहीवेळा त्याला "डेटाफ्लो आलेख" म्हणून संबोधले जाते.
30. जनरेटिव्ह अॅडव्हर्सियल नेटवर्क (GAN): ते काय आहेत?
डीप लर्निंगमध्ये, जनरेटिव्ह मॉडेलिंग जनरेटिव्ह अॅडव्हर्सियल नेटवर्कचा वापर करून पूर्ण केले जाते. हे एक पर्यवेक्षण न केलेले काम आहे जेथे इनपुट डेटामधील नमुने ओळखून परिणाम तयार केला जातो.
जनरेटरद्वारे तयार केलेल्या उदाहरणांचे वर्गीकरण करण्यासाठी भेदभावाचा वापर केला जातो, तर जनरेटरचा वापर नवीन उदाहरणे तयार करण्यासाठी केला जातो.
31. तुम्ही आर्किटेक्चरची रचना करताना न्यूरॉन्स आणि लपलेल्या स्तरांची संख्या न्यूरल नेटवर्कमध्ये समाविष्ट करण्यासाठी कशी निवडाल?
व्यावसायिक आव्हान दिल्यास, न्यूरल नेटवर्क आर्किटेक्चर तयार करण्यासाठी आवश्यक न्यूरॉन्स आणि लपलेल्या स्तरांची अचूक संख्या कोणत्याही कठोर आणि जलद नियमांद्वारे निर्धारित केली जाऊ शकत नाही.
न्यूरल नेटवर्कमध्ये, लपलेल्या थराचा आकार इनपुट आणि आउटपुट स्तरांच्या आकाराच्या मध्यभागी कुठेतरी पडला पाहिजे.
न्यूरल नेटवर्क डिझाइन तयार करण्याची सुरुवात काही सोप्या पद्धतींमध्ये केली जाऊ शकते, तरीही:
तत्सम रिअल-वर्ल्ड सेटिंग्जमधील न्यूरल नेटवर्क्सच्या आधीच्या अनुभवावर आधारित कोणत्याही विशिष्ट डेटासेटसाठी काय सर्वोत्तम कामगिरी करेल हे पाहण्यासाठी काही मूलभूत पद्धतशीर चाचणीसह प्रारंभ करणे हा प्रत्येक अद्वितीय वास्तविक-जागतिक भविष्यसूचक मॉडेलिंग आव्हानाचा सामना करण्याचा सर्वोत्तम मार्ग आहे.
नेटवर्क कॉन्फिगरेशन समस्या डोमेन आणि पूर्वीच्या न्यूरल नेटवर्क अनुभवाच्या आधारे निवडले जाऊ शकते. न्यूरल नेटवर्कच्या सेटअपचे मूल्यांकन करताना, संबंधित समस्यांवर वापरल्या जाणार्या स्तर आणि न्यूरॉन्सची संख्या हे प्रारंभ करण्यासाठी एक चांगले ठिकाण आहे.
न्यूरल नेटवर्कची जटिलता अंदाजित आउटपुट आणि अचूकतेच्या आधारे हळूहळू वाढली पाहिजे, एका साध्या न्यूरल नेटवर्क डिझाइनपासून सुरू होते.
32. सखोल मजबुतीकरण शिक्षणाद्वारे कोणत्या प्रकारचे न्यूरल नेटवर्क कार्यरत आहेत?
- रीइन्फोर्समेंट लर्निंग नावाच्या मशीन लर्निंग पॅराडाइममध्ये, मॉडेल थेट गोष्टींप्रमाणेच एकत्रित बक्षीसाची कल्पना जास्तीत जास्त वाढवण्याचे कार्य करते.
- खेळ आणि स्व-ड्रायव्हिंग वाहने या दोन्ही समस्यांचा समावेश आहे असे वर्णन केले आहे मजबुतीकरण शिक्षण.
- प्रस्तुत करण्याची समस्या गेम असल्यास स्क्रीन इनपुट म्हणून वापरली जाते. पुढील टप्प्यांसाठी आउटपुट तयार करण्यासाठी, अल्गोरिदम पिक्सेल इनपुट म्हणून घेते आणि कॉन्व्होल्युशनल न्यूरल नेटवर्कच्या अनेक स्तरांद्वारे त्यावर प्रक्रिया करते.
- मॉडेलच्या कृतींचे परिणाम, एकतर अनुकूल किंवा वाईट, मजबुतीकरण म्हणून कार्य करतात.
निष्कर्ष
अक्षरशः प्रत्येक उद्योग क्षेत्रात अनुप्रयोगांसह, डीप लर्निंगची लोकप्रियता गेल्या काही वर्षांत वाढली आहे.
कंपन्या अधिकाधिक सक्षम तज्ञांच्या शोधात आहेत जे सखोल शिक्षण आणि मशीन लर्निंग पद्धती वापरून मानवी वर्तनाची प्रतिकृती बनवणारे मॉडेल डिझाइन करू शकतात.
जे उमेदवार आपले कौशल्य वाढवतात आणि या अत्याधुनिक तंत्रज्ञानाचे ज्ञान टिकवून ठेवतात त्यांना आकर्षक मोबदल्यासह कामाच्या विस्तृत संधी मिळू शकतात.
तुम्ही आता मुलाखतींपासून सुरुवात करू शकता कारण तुम्हाला बर्याचदा विनंती केल्या जाणार्या काही सखोल शिक्षण मुलाखतीच्या प्रश्नांना प्रतिसाद कसा द्यायचा यावर तुमच्याकडे मजबूत आकलन आहे. तुमच्या उद्दिष्टांवर आधारित पुढील पाऊल उचला.
हॅशडॉर्कला भेट द्या मुलाखत मालिका मुलाखतीची तयारी करण्यासाठी.
प्रत्युत्तर द्या