مصنوعي ذهانت (AI) اصل ۾ هڪ پري جو خواب، مستقبل لاءِ هڪ ٽيڪنالاجي سمجهيو ويندو هو، پر هاڻي اهو معاملو ناهي.
جيڪو هڪ تحقيقي موضوع هو، هاڻي حقيقي دنيا ۾ ڌماڪو ٿي رهيو آهي. AI هاڻي مختلف هنڌن تي مليو آهي، بشمول توهان جي ڪم جي جڳهه، اسڪول، بينڪنگ، اسپتالون، ۽ توهان جو فون پڻ.
اهي خود ڊرائيونگ گاڏين جون اکيون، سري ۽ ايڪسا جا آواز، موسم جي اڳڪٿي ڪرڻ جي پويان ذهن، روبوٽ جي مدد سان سرجري جي پويان هٿ، ۽ وڌيڪ.
مصنوعي معلومات (AI) جديد زندگي جي هڪ عام خصوصيت بڻجي رهيو آهي. گذريل ڪيترن سالن ۾، AI آئي ٽي ٽيڪنالاجيز جي وسيع رينج ۾ هڪ اهم پليئر طور اڀري آيو آهي.
آخرڪار، نيورل نيٽورڪ AI پاران استعمال ڪيو ويندو آهي نئين شيون سکڻ لاء.
تنهن ڪري اڄ اسان Neural Networks بابت ڄاڻنداسين، اهو ڪيئن ڪم ڪري ٿو، انهن جا قسم، ايپليڪيشنون، ۽ گهڻو ڪجهه.
نيورل نيٽورڪ ڇا آهي؟
In مشين جي سکيا، هڪ نيورل نيٽورڪ مصنوعي نيورسن جو هڪ سافٽ ويئر پروگرام ٿيل نيٽورڪ آهي. اهو انساني دماغ جي تقليد ڪرڻ جي ڪوشش ڪري ٿو "نيورون" جي ڪيترن ئي تہن سان، جيڪي اسان جي دماغ ۾ نيورسن وانگر آهن.
نيورسن جي پهرين پرت تصويرون، وڊيو، آواز، ٽيڪسٽ، ۽ ٻين ان پٽن کي قبول ڪندي. هي ڊيٽا سڀني سطحن جي ذريعي وهندو آهي، هڪ پرت جي پيداوار سان گڏ ايندڙ ۾ وهندي آهي. اهو انتهائي مشڪل ڪمن لاءِ نازڪ آهي، جهڙوڪ مشين جي سکيا لاءِ قدرتي ٻولي پروسيسنگ.
جڏهن ته، ٻين ڪيسن ۾، سسٽم جي ڪمپريشن جو مقصد ماڊل سائيز کي گهٽائڻ لاءِ جڏهن ته درستگي ۽ ڪارڪردگي کي برقرار رکڻ بهتر آهي. هڪ اعصابي نيٽ ورڪ کي ڇڪڻ هڪ کمپريشن طريقو آهي جنهن ۾ شامل آهي وزن کي هٽائڻ هڪ سکيا ماڊل مان. ھڪڙي مصنوعي ذھني اعصابي نيٽ ورڪ تي غور ڪريو جيڪو ماڻھن کي جانورن کان ڌار ڪرڻ جي تربيت ڏني وئي آھي.
تصوير کي نيورون جي پهرين پرت ذريعي روشن ۽ اونداهي حصن ۾ ورهايو ويندو. هي ڊيٽا هيٺين پرت ۾ منتقل ڪيو ويندو، جيڪو اهو طئي ڪندو ته ڪنارا ڪٿي آهن.
ايندڙ پرت انهن شڪلن کي سڃاڻڻ جي ڪوشش ڪندي جيڪي ڪنارن جي ميلاپ ٺاهيا آهن. ڊيٽا جي مطابق ان تي تربيت ڪئي وئي هئي، ڊيٽا ڪيترن ئي تہن مان گذري ويندي ساڳئي طريقي سان اهو طئي ڪرڻ لاء ته توهان جيڪا تصوير پيش ڪئي آهي اها انسان جي آهي يا ڪنهن جانور جي.
جڏهن ڊيٽا نيورل نيٽ ورڪ ۾ ڏني وئي آهي، اهو ان کي پروسيس ڪرڻ شروع ڪري ٿو. ان کان پوء، ڊيٽا گهربل نتيجو حاصل ڪرڻ لاء ان جي سطحن ذريعي پروسيس ڪيو ويندو آهي. هڪ نيورل نيٽ ورڪ هڪ مشين آهي جيڪا منظم ٿيل ان پٽ مان سکي ٿي ۽ نتيجا ڏيکاري ٿي. اتي ٽي قسم جا سکيا آهن جيڪي نيورل نيٽ ورڪ ۾ ٿي سگهن ٿيون:
- نگراني ٿيل سکيا - ليبل ٿيل ڊيٽا استعمال ڪندي انپٽس ۽ آئوٽ پُٽ الگورتھم کي ڏنا ويا آهن. سيکارڻ کان پوءِ ڊيٽا کي ڪيئن تجزيو ڪيو وڃي، اهي اڳڪٿي ڪن ٿا مطلوب نتيجو.
- غير نگراني ٿيل سکيا - هڪ ANN انسان جي مدد کان سواءِ سکي ٿي. ڪو به ليبل ٿيل ڊيٽا نه آهي، ۽ پيداوار جو فيصلو ڪيو ويندو آهي نمونن جي ذريعي حاصل ڪيل ڊيٽا جي ڊيٽا ۾.
- تقليد سکڻ اهو آهي جڏهن هڪ نيٽ ورڪ انهي موٽ مان سکي ٿو جيڪو اهو حاصل ڪري ٿو.
نيورل نيٽ ورڪ ڪيئن ڪم ڪندا آهن؟
مصنوعي نيورسن کي نيورل نيٽ ورڪ ۾ استعمال ڪيو ويندو آهي، جيڪي نفيس سسٽم آهن. مصنوعي نيورسن، جن کي perceptrons جي نالي سان پڻ سڃاتو وڃي ٿو، هيٺيان اجزاء مان ٺهيل آهن:
- پٽ
- وزن
- واس
- چالو ڪرڻ جي فنڪشن
- پيداوار
نيورسن جا پرت جيڪي ٺاهيندا آهن نيورل نيٽ ورڪ. هڪ اعصابي نيٽ ورڪ ٽن تہن تي مشتمل آهي:
- ان پٽ پرت
- لڪيل پرت
- آئوٽ پرت
ڊيٽا هڪ عددي قدر جي صورت ۾ ان پٽ پرت ڏانهن موڪليو ويو آهي. نيٽ ورڪ جي لڪيل پرت اهي آهن جيڪي سڀ کان وڌيڪ حساب ڪتاب ڪندا آهن. آئوٽ پرت، آخري نه پر گهٽ ۾ گهٽ، نتيجو پيش ڪري ٿو. نيورسن هڪ ٻئي تي غالب ڪن ٿا نيورل نيٽ ورڪ ۾. هر پرت جي تعمير لاء نيورون استعمال ڪيا ويا آهن. ڊيٽا ان پٽ پرت حاصل ڪرڻ کان پوء پوشیدہ پرت ڏانهن منتقل ڪيو ويندو آهي.
وزن هر ان پٽ تي لاڳو ڪيا ويا آهن. نيورل نيٽ ورڪ جي لڪيل تہن جي اندر، وزن ھڪڙو قدر آھي جيڪو ايندڙ ڊيٽا کي ترجمو ڪري ٿو. وزن ڪم ڪري ٿو ان پٽ ڊيٽا کي ضرب ڪندي ان پٽ پرت ۾ وزن جي قيمت سان.
اهو وري شروع ٿئي ٿو پهرين لڪيل پرت جي قيمت. ان پٽ ڊيٽا کي تبديل ڪيو ويو آهي ۽ پوشیدہ پرت ذريعي ٻئي پرت ڏانهن منتقل ڪيو ويو آهي. آئوٽ پرت حتمي نتيجو پيدا ڪرڻ لاء ذميوار آهي. ان پٽ ۽ وزن کي وڌايو ويندو آهي، ۽ نتيجو لڪايل پرت نيورسن ڏانهن پهچايو ويندو آهي رقم جي طور تي. هر نيورون کي هڪ تعصب ڏنو ويو آهي. مجموعي کي ڳڻڻ لاء، هر نيورون ان پٽن کي شامل ڪري ٿو جيڪو حاصل ڪري ٿو.
ان کان پوء، قدر ايڪٽيويٽ فنڪشن ذريعي گذري ٿو. فعال ٿيڻ جي ڪارڪردگي جو نتيجو اهو طئي ڪري ٿو ته نيورون چالو آهي يا نه. جڏهن هڪ نيورون فعال هوندو آهي، اهو معلومات ٻين تہن ڏانهن موڪليندو آهي. ڊيٽا نيٽ ورڪ ۾ ٺاهي ويندي آهي جيستائين نيورون هن طريقي سان استعمال ڪندي آئوٽ پرت تائين پهچي. اڳتي وڌڻ لاءِ هڪ ٻيو اصطلاح آهي.
ان پٽ نوڊ ۾ ڊيٽا کي فيڊ ڪرڻ ۽ آئوٽ پٽ نوڊ ذريعي آئوٽ حاصل ڪرڻ جي ٽيڪنڪ کي فيڊ فارورڊ پروپيگيشن طور سڃاتو وڃي ٿو. جڏهن ان پٽ ڊيٽا کي پوشيده پرت طرفان قبول ڪيو ويندو آهي، فيڊ-فارورڊ پروپيگيشن ٿيندي آهي. اهو عمل ڪيو ويندو آهي ايڪٽيوشن فنڪشن جي مطابق ۽ پوءِ ٻاھر موڪليو ويندو آھي.
نتيجو پيش ڪيو ويو آهي نيورون پاران آئوٽ پرت ۾ سڀ کان وڌيڪ امڪان سان. پٺڀرائي ٿيندي آهي جڏهن پيداوار غلط آهي. نيورل نيٽ ورڪ ٺاهڻ دوران وزن هر ان پٽ تي شروع ڪيا ويا آهن. بيڪ پروپيگيشن غلطين کي گهٽائڻ ۽ وڌيڪ صحيح پيداوار مهيا ڪرڻ لاءِ هر ان پٽ جي وزن کي ٻيهر ترتيب ڏيڻ جو عمل آهي.
نيورل نيٽ ورڪ جا قسم
1. Perceptron
Minsky-Papert perceptron ماڊل ھڪڙو آسان ۽ پراڻو نيورون ماڊل آھي. اهو هڪ نيورل نيٽ ورڪ جو ننڍڙو يونٽ آهي جيڪو ايندڙ ڊيٽا ۾ خاصيتن يا ڪاروباري انٽيليجنس کي ڳولڻ لاء ڪجهه حسابن کي انجام ڏئي ٿو. اهو وزن وارو ان پٽ وٺندو آهي ۽ حتمي نتيجو حاصل ڪرڻ لاءِ فعال ٿيڻ واري فنڪشن کي لاڳو ڪندو آهي. TLU (threshold logic unit) perceptron جو ٻيو نالو آهي.
Perceptron هڪ بائنري درجه بندي آهي جيڪو هڪ نگراني ٿيل سکيا وارو نظام آهي جيڪو ڊيٽا کي ٻن گروپن ۾ ورهائي ٿو. منطق جا دروازا جهڙوڪ AND، OR، ۽ NAND کي پرسيپٽرن سان لاڳو ڪري سگهجي ٿو.
2. فيڊ-فارورڊ نيورل نيٽورڪ
نيورل نيٽ ورڪ جو سڀ کان بنيادي نسخو، جنهن ۾ ان پٽ ڊيٽا خاص طور تي هڪ طرفي طرف وهندو آهي، مصنوعي نيورل نوڊس ذريعي گذري ٿو ۽ ٻاھر نڪرندڙ نوڊس ذريعي. ان پٽ ۽ آئوٽ پُٽ پرت انهن هنڌن تي موجود آهن جتي لڪيل پرتون موجود هجن يا نه هجن. ان جي بنياد تي انهن کي هڪ واحد پرت يا گھڻ-پرت فيڊ-فارورڊ نيورل نيٽ ورڪ جي طور تي منسوب ڪري سگهجي ٿو.
استعمال ٿيل تہن جو تعداد فنڪشن جي پيچيدگي سان طئي ڪيو ويندو آھي. اهو صرف هڪ طرفي طرف اڳتي وڌڻ جي پروپيگنڊا ڪري ٿو ۽ پوئتي پروپيگنڊا نه ڪندو آهي. هتي، وزن مسلسل رهي ٿو. انپٽس کي وزن سان ضرب ڪيو ويندو آهي هڪ ايڪٽيوشن فنڪشن کي فيڊ ڪرڻ لاءِ. ھڪڙي درجه بندي چالو ڪرڻ واري فنڪشن يا ھڪڙو قدم چالو ڪرڻ وارو فعل استعمال ڪيو ويندو آھي ھن کي ڪرڻ لاء.
3. ملٽي پرت perceptron
نفيس جو تعارف اعصابي جال، جنهن ۾ ان پٽ ڊيٽا مصنوعي نيورسن جي ڪيترن ئي تہن ذريعي روٽ ڪئي ويندي آهي. اهو هڪ مڪمل طور تي ڳنڍيل نيورل نيٽ ورڪ آهي، ڇاڪاڻ ته هر نوڊ هيٺئين پرت ۾ سڀني نيورسن سان ڳنڍيل آهي. گھڻا لڪيل تہه، يعني گھٽ ۾ گھٽ ٽي يا وڌيڪ تہون، ان پٽ ۽ آئوٽ پُٽ تہن ۾ موجود آھن.
اهو ٻه طرفي پروپيگنڊا آهي، جنهن جو مطلب آهي ته اهو اڳتي ۽ پوئتي ٻنهي پروپيگنڊا ڪري سگهي ٿو. انپٽس کي وزن سان ضرب ڪيو ويندو آهي ۽ چالو ڪرڻ واري فنڪشن ڏانهن موڪليو ويندو آهي، جتي اهي نقصان کي گهٽائڻ لاءِ بيڪ پروپيگيشن ذريعي تبديل ڪيا ويندا آهن.
وزن نيورل نيٽ ورڪن مان مشيني سکيا جا قدر آهن، ان کي آسان ڪرڻ لاء. متوقع آئوٽ ۽ ٽريننگ انپٽس جي وچ ۾ تفاوت تي مدار رکندي، اهي پاڻ کي ترتيب ڏين ٿا. Softmax استعمال ڪيو ويندو آھي ھڪڙي آئوٽ پرت چالو ڪرڻ واري فنڪشن جي طور تي غير لائنر چالو ڪرڻ واري ڪم کان پوء.
4. Convolutional Neural Network
روايتي ٻه-dimensional صف جي ابتڙ، هڪ convolution neural نيٽ ورڪ ۾ نيورسن جي هڪ ٽي-dimensional جوڙجڪ آهي. پهرين پرت کي ڪنووليشنل پرت طور سڃاتو وڃي ٿو. هر نيورون convolutional پرت ۾ صرف معلومات کي پروسيس ڪري ٿو بصري فيلڊ جي محدود حصي کان. هڪ فلٽر وانگر، ان پٽ خاصيتون بيچ موڊ ۾ ورتو وڃي ٿو.
نيٽ ورڪ تصويرن کي حصن ۾ سمجھي ٿو ۽ پوري تصويري پروسيسنگ کي ختم ڪرڻ لاءِ ڪيترائي ڀيرا اھي ڪارناما انجام ڏئي سگھن ٿا.
تصوير پروسيسنگ دوران RGB يا HSI کان گري اسڪيل ۾ تبديل ڪئي وئي آهي. پکسل جي قيمت ۾ وڌيڪ تبديليون ڪنارن کي ڳولڻ ۾ مدد ڪندي، ۽ تصويرن کي ڪيترن ئي گروپن ۾ ترتيب ڏئي سگهجي ٿو. اڻ سڌي پروپيگيشن تڏهن ٿيندي آهي جڏهن هڪ CNN هڪ يا وڌيڪ ڪنوولوشنل پرت تي مشتمل هوندو آهي جنهن جي پٺيان پولنگ ٿيندي آهي، ۽ ٻه طرفي پروپيگيشن تڏهن ٿيندي آهي جڏهن ڪنوولوشن پرت جو آئوٽ پٽ تصوير جي درجه بندي لاءِ مڪمل طور تي ڳنڍيل نيورل نيٽ ورڪ ڏانهن موڪليو ويندو آهي.
تصوير جي ڪجهه عناصر کي ڪڍڻ لاء، فلٽر استعمال ڪيا ويا آهن. MLP ۾، ان پٽ کي وزن ڏنو ويو آهي ۽ چالو ڪرڻ واري فنڪشن ۾ فراهم ڪئي وئي آهي. RELU convolution ۾ استعمال ڪيو ويندو آهي، جڏهن ته MLP هڪ غير لائنر ايڪٽيوشن فنڪشن کي ملازمت ڪري ٿو جنهن جي پٺيان softmax. تصوير ۽ وڊيو جي سڃاڻپ ۾، سيمينٽڪ پارسنگ، ۽ پيرافراس جي ڳولا، ڪنوولوشنل نيورل نيٽ ورڪ شاندار نتيجا پيدا ڪن ٿا.
5. ريڊيل بيس نيٽ ورڪ
هڪ ان پٽ ویکٹر جي پٺيان آهي آر بي ايف نيورون جي هڪ پرت ۽ هڪ ريڊيل بيسز فنڪشن نيٽ ورڪ ۾ هر ڪيٽيگري لاءِ هڪ نوڊ سان هڪ آئوٽ پرت. ان پٽ کي ٽريننگ سيٽ مان ڊيٽا پوائنٽس جي مقابلي ۾ درجه بندي ڪيو ويو آهي، جتي هر نيورون هڪ پروٽوٽائپ برقرار رکي ٿو. هي ٽريننگ سيٽ جي مثالن مان هڪ آهي.
هر نيورون ان پٽ ۽ ان جي پروٽوٽائپ جي وچ ۾ ايڪليڊين جي فاصلي کي ڳڻيندو آهي جڏهن هڪ تازو ان پٽ ویکٹر [جنهن کي توهان درجه بندي ڪرڻ جي ڪوشش ڪري رهيا آهيو n-dimensional ويڪٽر] کي ڪلاس ٿيڻو پوندو. جيڪڏهن اسان وٽ ٻه طبقا آهن، ڪلاس A ۽ ڪلاس B، نئين ان پٽ کي درجه بندي ڪرڻ لاء ڪلاس B جي پروٽوٽائپ جي ڀيٽ ۾ ڪلاس A پروٽوٽائپ سان وڌيڪ ملندڙ آهي.
نتيجي طور، اهو ٿي سگهي ٿو ليبل يا درجه بندي ڪلاس A جي طور تي.
6. بار بار نيورل نيٽورڪ
بار بار نيورل نيٽ ورڪ ٺاهيا ويا آهن هڪ پرت جي پيداوار کي بچائڻ لاءِ ۽ پوءِ ان کي واپس ان پٽ ۾ فيڊ ڪري پرت جي نتيجن جي اڳڪٿي ڪرڻ ۾ مدد ڪن. هڪ فيڊ-اڳتي نظرياتي نيٽورڪ عام طور تي ابتدائي پرت آهي، جنهن جي پٺيان هڪ بار بار نيورل نيٽ ورڪ پرت آهي، جتي ميموري فنڪشن ان معلومات جو حصو ياد ڪري ٿو جيڪا ان کي اڳئين وقت جي قدم ۾ هئي.
هي منظر اڳتي وڌڻ جو استعمال ڪري ٿو. اهو ڊيٽا بچائيندو آهي جيڪو مستقبل ۾ گهربل هوندو. ان صورت ۾ ته اڳڪٿي غلط آهي، سکيا جي شرح استعمال ڪئي ويندي آهي معمولي ترتيب ڏيڻ لاءِ. نتيجي طور، جيئن پوئتي پروپيگيشن ترقي ڪندو، اهو تيزيء سان درست ٿيندو.
اپليڪشن
نيورل نيٽ ورڪ مختلف شعبن ۾ ڊيٽا جي مسئلن کي سنڀالڻ لاءِ استعمال ڪيا ويندا آهن؛ ڪجهه مثال هيٺ ڏجن ٿا.
- منهن جي سڃاڻپ - منهن جي سڃاڻپ حل موثر نگراني نظام طور ڪم ڪري ٿو. سڃاڻپ سسٽم ڊجيٽل فوٽوز کي انساني منهن سان لاڳاپيل آهن. اهي چونڊيل داخلا لاءِ آفيسن ۾ استعمال ٿيندا آهن. اهڙيء طرح، سسٽم هڪ انساني منهن جي تصديق ڪن ٿا ۽ ان جي ڊيٽابيس ۾ محفوظ ڪيل IDs جي فهرست سان موازنہ ڪن ٿا.
- اسٽاڪ جي اڳڪٿي - سيڙپڪاري مارڪيٽ جي خطرن جي سامهون آهي. اهو عملي طور تي سخت آهي ته مستقبل جي ترقيات کي انتهائي غير مستحڪم اسٽاڪ مارڪيٽ ۾ پيش ڪرڻ. اعصابي نيٽ ورڪن کان اڳ، مسلسل منتقل ٿيندڙ تيز ۽ بيئرش مرحلن غير متوقع هئا. پر، ڇا سڀ ڪجهه تبديل ڪيو؟ يقينن، اسان نيورل نيٽ ورڪ جي باري ۾ ڳالهائي رهيا آهيون… هڪ ملٽي ليئر پرسيپٽرون ايم ايل پي (هڪ قسم جو فيڊ فارورڊ مصنوعي انٽيليجنس سسٽم) استعمال ڪيو ويندو آهي حقيقي وقت ۾ ڪامياب اسٽاڪ اڳڪٿي ٺاهڻ لاءِ.
- سوشل ميڊيا - ان جي باوجود اهو آواز ڪيترو به ڪارائتو هجي، سوشل ميڊيا وجود جي غير معمولي واٽ کي تبديل ڪري ڇڏيو آهي. سوشل ميڊيا استعمال ڪندڙن جي رويي جو مطالعو ڪيو ويو آهي مصنوعي نيورل نيٽ ورڪ استعمال ڪندي. مقابلي واري تجزيي لاءِ، ورچوئل رابطي ذريعي روزانه مهيا ڪيل ڊيٽا گڏ ڪيا ويندا آهن ۽ جانچيا ويندا آهن. سوشل ميڊيا استعمال ڪندڙن جا ڪارناما نيورل نيٽ ورڪ پاران نقل ڪيا ويا آهن. فردن جي رويي کي ماڻهن جي خرچن جي نمونن سان ڳنڍجي سگھي ٿو جڏهن ڊيٽا جو تجزيو ڪيو وڃي ٿو سوشل ميڊيا نيٽ ورڪن ذريعي. سوشل ميڊيا ايپليڪيشنن مان ڊيٽا ملائي ليئر پرسيپٽرون ANN استعمال ڪندي ڪتب آندو ويو آهي.
- صحت جي سار سنڀار - اڄ جي دنيا ۾ فرد صحت جي صنعت ۾ ٽيڪنالاجي جي فائدن جو استعمال ڪري رهيا آهن. صحت جي سار سنڀار جي ڪاروبار ۾، Convolutional Neural Networks استعمال ڪيا ويندا آهن ايڪس ري جي ڳولا، CT اسڪين، ۽ الٽراسائونڊ لاءِ. مٿي بيان ڪيل ٽيسٽن مان حاصل ڪيل ميڊيڪل اميجنگ ڊيٽا جو جائزو ورتو ويو آهي ۽ نيورل نيٽ ورڪ ماڊلز جي استعمال سان اندازو لڳايو ويو آهي، جيئن CNN تصويري پروسيسنگ ۾ استعمال ٿيندو آهي. آواز جي سڃاڻپ سسٽم جي ترقي ۾، بار بار نيورل نيٽورڪ (RNN) پڻ استعمال ڪيو ويندو آهي.
- موسم جي رپورٽ - مصنوعي ذهانت تي عمل ڪرڻ کان اڳ، موسميات کاتي جا تخمينو ڪڏهن به درست نه هئا. موسم جي اڳڪٿي وڏي پيماني تي ڪئي ويندي آهي اڳڪٿي ڪرڻ لاءِ موسم جي حالتن جو مستقبل ۾ ڇا ٿيندو. موسم جي اڳڪٿين کي جديد دور ۾ قدرتي آفتن جي امڪانن جو اندازو لڳائڻ لاءِ استعمال ڪيو پيو وڃي. موسم جي اڳڪٿي ڪئي وئي آهي multilayer perceptron (MLP)، convolutional neural networks (CNN)، ۽ recurrent neural networks (RNN).
- دفاع - رسد، هٿياربند حملي جي تجزيي، ۽ شيون جي جڳھ سڀ نيورل نيٽ ورڪ کي ملازمت ڪن ٿا. اهي پڻ هوائي ۽ سامونڊي گشت ۾ ملازم آهن، انهي سان گڏ خودمختيار ڊرون کي منظم ڪرڻ لاء. مصنوعي ذهانت دفاعي صنعت کي تمام ضروري واڌارو ڏئي رهي آهي جيڪا ان جي ٽيڪنالاجي کي وڌائڻ جي ضرورت آهي. پاڻي جي اندر مائنز جي وجود کي ڳولڻ لاء، Convolutional Neural Networks (CNN) استعمال ڪيا ويندا آهن.
فائدن
- جيتوڻيڪ جيڪڏهن نيورل نيٽ ورڪ ۾ ڪجهه نيورسن صحيح طريقي سان ڪم نه ڪري رهيا آهن، نيورل نيٽ ورڪ اڃا تائين پيداوار پيدا ڪندا.
- نيورل نيٽ ورڪن کي حقيقي وقت ۾ سکڻ ۽ انهن جي بدلجندڙ سيٽنگن کي اپنائڻ جي صلاحيت آهي.
- نيورل نيٽ ورڪ مختلف ڪم ڪرڻ سکي سگھن ٿا. مهيا ڪيل ڊيٽا جي بنياد تي صحيح نتيجو مهيا ڪرڻ لاء.
- عصبي نيٽ ورڪن وٽ هڪ ئي وقت ڪيترن ئي ڪمن کي سنڀالڻ جي طاقت ۽ صلاحيت آهي.
وڌڻ
- عصبي نيٽ ورڪ مسئلا حل ڪرڻ لاء استعمال ڪيا ويا آهن. اهو "ڇو ۽ ڪيئن" جي وضاحت کي ظاهر نٿو ڪري ته اهو فيصلو ڪيو ته اهو نيٽ ورڪ جي پيچيدگي جي ڪري ڪيو. نتيجي طور، نيٽ ورڪ اعتماد ختم ٿي سگھي ٿو.
- هڪ اعصابي نيٽ ورڪ جا حصا هڪ ٻئي تي منحصر آهن. اهو چوڻ آهي ته، نيورل نيٽ ورڪ ڪافي ڪمپيوٽنگ پاور سان ڪمپيوٽرن جي گهرج (يا ان تي انتهائي انحصار ڪندڙ آهن).
- هڪ اعصابي نيٽ ورڪ جي عمل ۾ ڪو خاص قاعدو نه آهي (يا انگن جو قاعدو). آزمائشي ۽ غلطي ٽيڪنڪ ۾، هڪ صحيح نيٽ ورڪ جي جوڙجڪ قائم ڪئي وئي آهي بهتر نيٽ ورڪ جي ڪوشش ڪندي. اهو هڪ طريقو آهي جنهن کي تمام گهڻو بهتر ڪرڻ جي ضرورت آهي.
ٿڪل
جو ميدان نظرياتي نيٽ ورڪ تيزي سان وڌي رهيو آهي. اهو ضروري آهي ته سکڻ ۽ سمجهڻ لاء هن شعبي ۾ تصورات کي سمجهڻ لاء انهن سان معاملو ڪرڻ جي قابل ٿي.
هن مقالي ۾ نيورل نيٽ ورڪ جا ڪيترائي قسم شامل ڪيا ويا آهن. توهان ٻين شعبن ۾ ڊيٽا جي مسئلن کي حل ڪرڻ لاء نيورل نيٽ ورڪ استعمال ڪري سگهو ٿا جيڪڏهن توهان هن نظم بابت وڌيڪ سکو.
جواب ڇڏي وڃو