आर्टिफिसियल इन्टेलिजेन्स (एआई) लाई पहिले टाढाको सपना, भविष्यको लागि प्रविधिको रूपमा सोचिएको थियो, तर अब त्यो अवस्था छैन।
जुन कुरा कुनै समय अनुसन्धानको विषय थियो त्यो अहिले वास्तविक संसारमा फैलिरहेको छ। AI अब तपाईको कार्यस्थल, विद्यालय, बैंकिङ, अस्पताल र तपाईको फोन समेत विभिन्न ठाउँमा पाइन्छ।
तिनीहरू सेल्फ-ड्राइभिङ गाडीहरू, सिरी र एलेक्साको आवाजहरू, मौसम पूर्वानुमानको पछाडिको दिमाग, रोबोट-सहायता शल्यक्रियाको पछाडि हातहरू, र थप कुराहरू हुन्।
कृत्रिम बुद्धि (AI) आधुनिक जीवनको एक सामान्य विशेषता बनिरहेको छ। पछिल्ला धेरै वर्षहरूमा, AI IT प्रविधिहरूको विस्तृत श्रृंखलामा एक प्रमुख खेलाडीको रूपमा उभिएको छ।
अन्तमा, न्यूरल नेटवर्क एआई द्वारा नयाँ चीजहरू सिक्नको लागि प्रयोग गरिन्छ।
त्यसैले आज हामी न्यूरल नेटवर्कहरू, यसले कसरी काम गर्छ, तिनीहरूका प्रकारहरू, अनुप्रयोगहरू, र अन्य धेरै कुराहरू बारे जान्नेछौं।
न्यूरल नेटवर्क भनेको के हो?
In मेशिन सिकाइ, एक तंत्रिका नेटवर्क कृत्रिम न्यूरोन्स को एक सफ्टवेयर प्रोग्राम नेटवर्क हो। यसले मानव मस्तिष्कको नक्कल गर्ने प्रयास गर्दछ "न्यूरोन्स" को धेरै तहहरू, जुन हाम्रो मस्तिष्कमा न्यूरोन्सहरू जस्तै छन्।
न्यूरोन्सको पहिलो तहले फोटो, भिडियो, ध्वनि, पाठ, र अन्य इनपुटहरू स्वीकार गर्नेछ। यो डेटा सबै स्तरहरू मार्फत बग्छ, एक तहको आउटपुट अर्कोमा बग्छ। यो सबैभन्दा कठिन कार्यहरूको लागि महत्त्वपूर्ण छ, जस्तै मेशिन शिक्षाको लागि प्राकृतिक भाषा प्रशोधन।
यद्यपि, अन्य अवस्थामा, सटीकता र दक्षता कायम राख्दा मोडेलको आकार घटाउन प्रणाली कम्प्रेसनको लागि लक्ष्य राख्नु राम्रो हुन्छ। न्यूरल नेटवर्क छाँट्ने एउटा कम्प्रेसन विधि हो जसमा सिकेको मोडेलबाट वजनहरू हटाउने समावेश छ। एक कृत्रिम बुद्धिमत्ता तंत्रिका नेटवर्कलाई विचार गर्नुहोस् जुन मानिसहरूलाई जनावरहरूबाट छुट्याउन प्रशिक्षित गरिएको छ।
तस्विरलाई न्यूरोन्सको पहिलो तहले उज्यालो र गाढा भागहरूमा विभाजन गरिनेछ। यो डेटा निम्न तहमा पठाइनेछ, जसले किनाराहरू कहाँ छन् भनेर निर्धारण गर्नेछ।
अर्को तहले किनाराको संयोजनले उत्पन्न गरेको रूपहरू पहिचान गर्ने प्रयास गर्नेछ। यसमा प्रशिक्षित गरिएको डाटा अनुसार, तपाईले प्रस्तुत गर्नुभएको छवि मानव वा जनावरको हो कि भनेर निर्धारण गर्न डाटा धेरै तहहरू मार्फत समान रूपमा पारित हुनेछ।
जब डाटा न्यूरल नेटवर्कमा दिइन्छ, यसले यसलाई प्रशोधन गर्न थाल्छ। त्यसपछि, डेटा इच्छित परिणाम प्राप्त गर्न यसको स्तर मार्फत प्रशोधन गरिन्छ। न्यूरल नेटवर्क एउटा मेसिन हो जसले संरचित इनपुटबाट सिक्ने र परिणामहरू प्रदर्शन गर्दछ। त्यहाँ तीन प्रकारका सिकाइहरू छन् जुन तंत्रिका नेटवर्कहरूमा हुन सक्छ:
- पर्यवेक्षित शिक्षा - लेबल गरिएको डाटा प्रयोग गरेर एल्गोरिदमहरूलाई इनपुट र आउटपुटहरू दिइन्छ। डेटाको विश्लेषण कसरी गर्ने भनेर सिकाइसकेपछि, तिनीहरूले अपेक्षित नतिजाको भविष्यवाणी गर्छन्।
- असुरक्षित शिक्षा - ANN ले मानिसको सहयोग बिना सिक्दछ। त्यहाँ कुनै लेबल गरिएको डाटा छैन, र आउटपुट आउटपुट डाटामा पाइने ढाँचाहरूद्वारा निर्णय गरिन्छ।
- सुदृढीकरण अध्ययन जब नेटवर्कले प्राप्त गरेको प्रतिक्रियाबाट सिक्छ।
तंत्रिका नेटवर्कले कसरी काम गर्छ?
कृत्रिम न्यूरोनहरू तंत्रिका नेटवर्कहरूमा प्रयोग गरिन्छ, जुन परिष्कृत प्रणालीहरू हुन्। कृत्रिम न्यूरोन्स, जसलाई परसेप्ट्रोन पनि भनिन्छ, निम्न अवयवहरू मिलेर बनेको हुन्छ:
- आगत
- वजन
- Bias
- सक्रियता कार्य
- उत्पादन
न्यूरोनको तहहरू जसले तंत्रिका नेटवर्कहरू बनाउँछ। एक तंत्रिका नेटवर्क तीन तहहरू हुन्छन्:
- इनपुट तह
- लुकेको तह
- आउटपुट तह
संख्यात्मक मानको रूपमा डेटा इनपुट तहमा पठाइन्छ। सञ्जालका लुकेका तहहरू सबैभन्दा धेरै गणना गर्नेहरू हुन्। आउटपुट तह, अन्तिम तर कम से कम, नतिजा पूर्वानुमान गर्दछ। न्युरोन्सले न्यूरल नेटवर्कमा एकअर्कालाई हावी गर्छन्। प्रत्येक तह निर्माण गर्न न्यूरोन्स प्रयोग गरिन्छ। इनपुट तहले यसलाई प्राप्त गरेपछि डेटा लुकेको तहमा पठाइन्छ।
प्रत्येक इनपुटमा वजनहरू लागू गरिन्छ। न्यूरल नेटवर्कको लुकेका तहहरू भित्र, वजन एक मान हो जसले आगमन डेटा अनुवाद गर्दछ। इनपुट लेयरमा रहेको तौल मानद्वारा इनपुट डेटालाई गुणन गरेर वजन कार्य गर्दछ।
त्यसपछि यो पहिलो लुकेको तहको मान सुरु हुन्छ। इनपुट डेटा रूपान्तरित छ र लुकेका तहहरू मार्फत अर्को तहमा पठाइन्छ। आउटपुट तह अन्तिम परिणाम उत्पन्न गर्न जिम्मेवार छ। इनपुटहरू र तौलहरू गुणा हुन्छन्, र नतिजा लुकेको तह न्यूरन्सहरूलाई योगको रूपमा डेलिभर गरिन्छ। प्रत्येक न्यूरोनलाई पूर्वाग्रह दिइएको छ। कुल गणना गर्न, प्रत्येक न्यूरोनले प्राप्त गरेको इनपुटहरू थप्छ।
त्यस पछि, मान सक्रियता प्रकार्य मार्फत जान्छ। एक्टिभेसन प्रकार्यको नतिजाले न्यूरोन सक्रिय छ कि छैन भनेर निर्धारण गर्दछ। जब एक न्यूरोन सक्रिय हुन्छ, यसले अन्य तहहरूमा जानकारी पठाउँछ। यो विधि प्रयोग गरेर न्युरोन आउटपुट तहमा नपुगेसम्म डाटा नेटवर्कमा सिर्जना गरिन्छ। फर्वार्ड प्रचार यसको लागि अर्को शब्द हो।
इनपुट नोडमा डाटा फिड गर्ने र आउटपुट नोड मार्फत आउटपुट प्राप्त गर्ने प्रविधिलाई फिड-फर्वार्ड प्रोपेगेशन भनिन्छ। जब इनपुट डेटा लुकेको तह द्वारा स्वीकार गरिन्छ, फिड-फर्वार्ड प्रसार हुन्छ। यो सक्रियता प्रकार्य अनुसार प्रशोधन गरिन्छ र त्यसपछि आउटपुटमा पास गरिन्छ।
नतिजा उच्चतम सम्भाव्यता संग आउटपुट तह मा न्यूरोन द्वारा अनुमान गरिएको छ। आउटपुट गलत हुँदा ब्याकप्रोपेगेशन हुन्छ। न्यूरल नेटवर्क सिर्जना गर्दा प्रत्येक इनपुटमा तौल प्रारम्भ गरिन्छ। ब्याकप्रोपेगेशन भनेको गल्तीहरू कम गर्न र थप सटीक आउटपुट प्रदान गर्न प्रत्येक इनपुटको वजनहरू समायोजन गर्ने प्रक्रिया हो।
न्यूरल नेटवर्क को प्रकार
1. पर्सेप्ट्रोन
Minsky-Papert perceptron मोडेल सबैभन्दा सरल र पुरानो न्यूरोन मोडेल मध्ये एक हो। यो न्यूरल नेटवर्कको सबैभन्दा सानो एकाइ हो जसले आगमन डेटामा विशेषताहरू वा व्यापार बुद्धिमत्ता पत्ता लगाउन निश्चित गणनाहरू गर्दछ। यसले भारित इनपुटहरू लिन्छ र अन्तिम परिणाम प्राप्त गर्न सक्रियता प्रकार्य लागू गर्दछ। TLU (थ्रेशोल्ड तर्क एकाइ) perceptron को अर्को नाम हो।
Perceptron एक बाइनरी वर्गीकरणकर्ता हो जुन एक पर्यवेक्षित शिक्षा प्रणाली हो जसले डाटालाई दुई समूहमा विभाजन गर्दछ। तर्क गेट्स जस्तै AND, OR, र NAND लाई perceptrons को साथ लागू गर्न सकिन्छ।
2. फिड-फर्वार्ड न्यूरल नेटवर्क
न्यूरल नेटवर्कहरूको सबैभन्दा आधारभूत संस्करण, जसमा इनपुट डेटा विशेष रूपमा एक दिशामा प्रवाह हुन्छ, कृत्रिम न्यूरल नोडहरू मार्फत जान्छ र आउटपुट नोडहरू मार्फत बाहिर निस्कन्छ। इनपुट र आउटपुट तहहरू ठाउँहरूमा उपस्थित हुन्छन् जहाँ लुकेका तहहरू उपस्थित हुन सक्छन् वा नहुन सक्छन्। तिनीहरू या त एकल-तह वा बहु-स्तरित फिड-फर्वार्ड न्यूरल नेटवर्कको रूपमा यस आधारमा चित्रण गर्न सकिन्छ।
प्रयोग गरिएको तहहरूको संख्या प्रकार्यको जटिलता द्वारा निर्धारण गरिन्छ। यसले एक दिशामा मात्र अगाडि बढ्छ, पछाडि प्रचार गर्दैन। यहाँ, वजन स्थिर रहन्छ। इनपुटहरू सक्रियता प्रकार्य फीड गर्न वजनद्वारा गुणन गरिन्छ। एक वर्गीकरण सक्रियता प्रकार्य वा एक चरण सक्रियता प्रकार्य यो गर्न प्रयोग गरिन्छ।
3. बहु-तह परसेप्ट्रोन
परिष्कृत को परिचय तंत्रिका जाल, जसमा इनपुट डेटा कृत्रिम न्यूरोन्सका धेरै तहहरू मार्फत रूट गरिन्छ। यो एक पूर्ण रूपमा लिङ्क गरिएको न्यूरल नेटवर्क हो, किनकि प्रत्येक नोड निम्न तहमा सबै न्यूरोन्ससँग जोडिएको हुन्छ। धेरै लुकेका तहहरू, अर्थात् कम्तिमा तीन वा बढी तहहरू इनपुट र आउटपुट तहहरूमा उपस्थित हुन्छन्।
यसमा द्विदिशात्मक प्रचार छ, जसको मतलब यो अगाडि र पछाडि दुवै प्रचार गर्न सक्छ। इनपुटहरू तौलद्वारा गुणन गरिन्छ र सक्रियता कार्यमा पठाइन्छ, जहाँ तिनीहरू हानि कम गर्न ब्याकप्रोपेगेशन मार्फत परिवर्तन हुन्छन्।
तौलहरू तंत्रिका नेटवर्कहरूबाट मेसिन-सिकेका मानहरू हुन्, यसलाई सरल रूपमा भन्नुपर्दा। अपेक्षित आउटपुट र प्रशिक्षण इनपुटहरू बीचको असमानतामा निर्भर गर्दै, तिनीहरू स्वयं-समायोजित हुन्छन्। Softmax nonlinear सक्रियता कार्यहरू पछि आउटपुट तह सक्रियता प्रकार्यको रूपमा प्रयोग गरिन्छ।
4. कन्भोलुसनल न्यूरल नेटवर्क
परम्परागत द्वि-आयामी एरेको विपरित, कन्भोलुसन न्यूरल नेटवर्कमा न्यूरन्सको त्रि-आयामी कन्फिगरेसन हुन्छ। पहिलो तहलाई कन्भोलुसनल लेयर भनिन्छ। कन्भोलुसनल तहमा प्रत्येक न्यूरोनले दृश्य क्षेत्रको सीमित भागबाट मात्र जानकारी प्रशोधन गर्छ। फिल्टर जस्तै, इनपुट सुविधाहरू ब्याच मोडमा लिइन्छ।
नेटवर्कले खण्डहरूमा चित्रहरू बुझ्दछ र सम्पूर्ण छवि प्रशोधन समाप्त गर्न यी कार्यहरू धेरै पटक गर्न सक्छ।
चित्रलाई RGB वा HSI बाट ग्रेस्केलमा प्रशोधन गर्दा रूपान्तरण गरिन्छ। पिक्सेल मानमा थप भिन्नताहरूले किनाराहरू पत्ता लगाउन मद्दत गर्नेछ, र चित्रहरूलाई धेरै समूहहरूमा क्रमबद्ध गर्न सकिन्छ। यूनिडायरेक्शनल प्रोपेगेशन तब हुन्छ जब CNN ले एक वा बढी कन्भोलुसनल लेयरहरू समावेश गर्दछ जसमा पूलिङ हुन्छ, र द्विदिशात्मक प्रचार तब हुन्छ जब कन्भोलुसन लेयरको आउटपुट छवि वर्गीकरणको लागि पूर्ण रूपमा जडान गरिएको न्यूरल नेटवर्कमा पठाइन्छ।
छविको केहि तत्वहरू निकाल्न, फिल्टरहरू प्रयोग गरिन्छ। MLP मा, इनपुटहरू भारित हुन्छन् र सक्रियता प्रकार्यमा आपूर्ति गरिन्छ। RELU कन्वोल्युसनमा प्रयोग गरिन्छ, जबकि MLP ले सफ्टम्याक्स पछि ननलाइनर सक्रियता प्रकार्य प्रयोग गर्दछ। तस्विर र भिडियो पहिचानमा, सिमेन्टिक पार्सिङ, र प्याराफ्रेज पत्ता लगाउने, कन्भोलुसनल न्यूरल नेटवर्कहरूले उत्कृष्ट परिणामहरू उत्पादन गर्छन्।
5. रेडियल पूर्वाग्रह नेटवर्क
एक इनपुट भेक्टर पछि RBF न्यूरोन्सको तह र रेडियल आधार प्रकार्य नेटवर्कमा प्रत्येक वर्गको लागि एक नोडको साथ आउटपुट तह हुन्छ। इनपुटलाई प्रशिक्षण सेटबाट डेटा बिन्दुहरूसँग तुलना गरेर वर्गीकृत गरिएको छ, जहाँ प्रत्येक न्यूरोनले प्रोटोटाइप राख्छ। यो प्रशिक्षण सेटको उदाहरणहरू मध्ये एक हो।
प्रत्येक न्युरोनले इनपुट र यसको प्रोटोटाइप बीचको इक्लिडियन दूरी गणना गर्दछ जब ताजा इनपुट भेक्टर [तपाईले वर्गीकरण गर्न प्रयास गरिरहनुभएको n-आयामिक भेक्टर] वर्गीकरण गर्नुपर्दछ। यदि हामीसँग दुई वर्गहरू छन्, कक्षा A र कक्षा B, वर्गीकरण गरिने नयाँ इनपुट कक्षा B प्रोटोटाइपहरू भन्दा कक्षा A प्रोटोटाइपहरूसँग मिल्दोजुल्दो छ।
नतिजाको रूपमा, यो वर्ग A को रूपमा लेबल वा वर्गीकृत हुन सक्छ।
6. आवर्ती न्यूरल नेटवर्क
पुनरावर्ती न्यूरल नेटवर्कहरू लेयरको आउटपुट बचत गर्न र त्यसपछि तहको नतिजाको पूर्वानुमान गर्न मद्दत गर्न इनपुटमा फिर्ता फिड गर्न डिजाइन गरिएको हो। एक फिड-फर्वार्ड तंत्रिका सञ्जाल सामान्यतया प्रारम्भिक तह हो, त्यसपछि पुनरावर्ती तंत्रिका नेटवर्क तह, जहाँ मेमोरी प्रकार्यले अघिल्लो चरणमा भएको जानकारीको अंश सम्झन्छ।
यो परिदृश्य अगाडि प्रसार प्रयोग गर्दछ। यसले भविष्यमा आवश्यक पर्ने डाटा बचत गर्छ। यदि भविष्यवाणी गलत छ भने, सिकाइ दरलाई सानो समायोजन गर्न प्रयोग गरिन्छ। नतिजाको रूपमा, ब्याकप्रोपेगेशन बढ्दै जाँदा, यो बढ्दो सही हुँदै जान्छ।
आवेदन
तंत्रिका नेटवर्कहरू विभिन्न विषयहरूमा डेटा समस्याहरू ह्यान्डल गर्न प्रयोग गरिन्छ; केही उदाहरणहरू तल देखाइएको छ।
- अनुहार पहिचान - अनुहार पहिचान समाधान प्रभावकारी निगरानी प्रणाली को रूप मा काम गर्दछ। पहिचान प्रणालीहरूले डिजिटल फोटोहरूलाई मानव अनुहारसँग सम्बन्धित गर्दछ। तिनीहरू छनौट प्रविष्टिको लागि कार्यालयहरूमा प्रयोग गरिन्छ। यसरी, प्रणालीहरूले मानव अनुहार प्रमाणित गर्दछ र यसको डाटाबेसमा भण्डारण गरिएका आईडीहरूको सूचीसँग तुलना गर्दछ।
- स्टक भविष्यवाणी - लगानीहरू बजार जोखिममा पर्छन्। अत्यन्त अस्थिर स्टक बजारमा भविष्यका घटनाक्रमहरू अनुमान गर्न व्यावहारिक रूपमा गाह्रो छ। न्यूरल नेटवर्कहरू अघि, निरन्तर परिवर्तन हुने बुलिश र बियरिश चरणहरू अप्रत्याशित थिए। तर, के सबै कुरा परिवर्तन भयो? निस्सन्देह, हामी न्यूरल नेटवर्कहरूको बारेमा कुरा गर्दैछौं... एक बहु-लेयर पर्सेप्ट्रोन MLP (फिडफर्वार्ड कृत्रिम बुद्धिमत्ता प्रणालीको एक प्रकार) वास्तविक समयमा सफल स्टक पूर्वानुमान सिर्जना गर्न प्रयोग गरिन्छ।
- सामाजिक संजाल - यो जतिसुकै नराम्रो लागे पनि, सोशल मिडियाले अस्तित्वको सांसारिक बाटो परिवर्तन गरेको छ। सामाजिक सञ्जाल प्रयोगकर्ताहरूको व्यवहार आर्टिफिसियल न्यूरल नेटवर्कहरू प्रयोग गरेर अध्ययन गरिन्छ। प्रतिस्पर्धात्मक विश्लेषणको लागि, भर्चुअल अन्तरक्रियाहरू मार्फत दैनिक आपूर्ति गरिएका डाटाहरू ढेर र जाँच गरिन्छ। सामाजिक सञ्जाल प्रयोगकर्ताहरूको कार्यहरू तंत्रिका सञ्जालहरूद्वारा प्रतिकृत हुन्छन्। एक पटक सामाजिक मिडिया नेटवर्कहरू मार्फत डेटा विश्लेषण गरिसकेपछि व्यक्तिहरूको व्यवहारहरू मानिसहरूको खर्चको ढाँचामा जडान हुन सक्छ। सोशल मिडिया अनुप्रयोगहरूबाट डाटा मल्टिलेयर पर्सेप्ट्रोन एएनएन प्रयोग गरेर खनिन्छ।
- स्वास्थ्य सेवा - आजको संसारमा व्यक्तिहरूले स्वास्थ्य सेवा उद्योगमा प्रविधिको फाइदाहरू प्रयोग गरिरहेका छन्। स्वास्थ्य सेवा व्यवसायमा, कन्भोलुसनल न्यूरल नेटवर्कहरू एक्स-रे पत्ता लगाउन, सीटी स्क्यान र अल्ट्रासाउन्डका लागि प्रयोग गरिन्छ। माथि उल्लिखित परीक्षणहरूबाट प्राप्त मेडिकल इमेजिङ डाटालाई न्यूरल नेटवर्क मोडेलहरू प्रयोग गरी मूल्याङ्कन गरिन्छ, जस्तै CNN छवि प्रशोधनमा प्रयोग गरिन्छ। आवाज पहिचान प्रणालीको विकासमा, पुनरावर्ती न्यूरल नेटवर्क (RNN) पनि प्रयोग गरिन्छ।
- मौसम रिपोर्ट - आर्टिफिसियल इन्टेलिजेन्सको कार्यान्वयन अघि, मौसम विभागको अनुमानहरू कहिल्यै सटीक थिएनन्। मौसम पूर्वानुमान धेरै हदसम्म भविष्यमा हुने मौसमी अवस्थाहरूको भविष्यवाणी गर्न गरिन्छ। आधुनिक युगमा प्राकृतिक प्रकोपको सम्भावना अनुमान गर्न मौसम पूर्वानुमान प्रयोग गरिन्छ। मौसम पूर्वानुमान मल्टिलेयर पर्सेप्ट्रोन (MLP), कन्भोलुसनल न्यूरल नेटवर्क (CNN), र पुनरावर्ती न्यूरल नेटवर्क (RNN) को प्रयोग गरी गरिन्छ।
- रक्षा - रसद, सशस्त्र आक्रमण विश्लेषण, र वस्तु स्थान सबै तंत्रिका नेटवर्कहरू रोजगार। तिनीहरू हावा र समुद्री गस्तीमा पनि कार्यरत छन्, साथै स्वायत्त ड्रोनहरू व्यवस्थापन गर्न। आर्टिफिसियल इन्टेलिजेन्सले रक्षा उद्योगलाई आफ्नो टेक्नोलोजीलाई मापन गर्न आवश्यक पर्ने अति आवश्यक बढावा दिइरहेको छ। पानीमुनि रहेका खानीहरूको अस्तित्व पत्ता लगाउन कन्भोलुसनल न्यूरल नेटवर्क (CNN) को प्रयोग गरिन्छ।
फाइदा
- यदि न्यूरल नेटवर्कमा केही न्यूरोन्सहरू राम्ररी काम गर्दैनन् भने, तंत्रिका नेटवर्कहरूले अझै पनि आउटपुटहरू उत्पन्न गर्नेछन्।
- तंत्रिका सञ्जालहरूसँग वास्तविक समयमा सिक्ने र तिनीहरूको परिवर्तन सेटिङहरूमा अनुकूलन गर्ने क्षमता छ।
- तंत्रिका नेटवर्कहरूले विभिन्न कार्यहरू गर्न सिक्न सक्छन्। प्रदान गरिएको तथ्याङ्कको आधारमा सही नतिजा प्रदान गर्न।
- न्यूरल नेटवर्कहरूसँग एकै समयमा धेरै कार्यहरू ह्यान्डल गर्न बल र क्षमता हुन्छ।
बेफाइदा
- न्यूरल नेटवर्कहरू समस्याहरू समाधान गर्न प्रयोग गरिन्छ। यसले "किन र कसरी" सञ्जालको जटिलताको कारणले गरेको निर्णयको पछाडि स्पष्टीकरण खुलासा गर्दैन। नतिजाको रूपमा, नेटवर्क विश्वास क्षय हुन सक्छ।
- न्यूरल नेटवर्कका कम्पोनेन्टहरू एकअर्कामा निर्भर हुन्छन्। अर्थात्, न्यूरल नेटवर्कहरूले पर्याप्त कम्प्युटिङ पावर भएका कम्प्युटरहरूको माग (वा अत्यन्तै निर्भर छन्) गर्छ।
- एक तंत्रिका नेटवर्क प्रक्रिया को कुनै विशेष नियम (वा औंठा को नियम) छैन। परीक्षण-र-त्रुटि प्रविधिमा, इष्टतम नेटवर्क प्रयास गरेर सही नेटवर्क संरचना स्थापित हुन्छ। यो एक प्रक्रिया हो जसलाई धेरै फाइन-ट्यूनिंग चाहिन्छ।
निष्कर्ष
को क्षेत्र तंत्रिका सञ्जालहरू द्रुत रूपमा विस्तार भइरहेको छ। तिनीहरूसँग व्यवहार गर्न सक्षम हुनको लागि यो क्षेत्रका अवधारणाहरू सिक्न र बुझ्न महत्त्वपूर्ण छ।
यस लेखमा धेरै प्रकारका न्यूरल नेटवर्कहरू समावेश गरिएको छ। यदि तपाइँ यस अनुशासनको बारेमा थप जान्नुहुन्छ भने तपाइँ अन्य क्षेत्रहरूमा डाटा समस्याहरू समाधान गर्न तंत्रिका नेटवर्कहरू प्रयोग गर्न सक्नुहुन्छ।
जवाफ छाड्नुस्