Artificial Intelligence (AI) යනු ඈත සිහිනයක්, අනාගතය සඳහා තාක්ෂණයක් ලෙස මුලින් සිතූ නමුත් එය තවදුරටත් එසේ නොවේ.
කලක් පර්යේෂණ මාතෘකාවක් වූ දේ දැන් සැබෑ ලෝකයේ පුපුරා යයි. AI දැන් ඔබගේ සේවා ස්ථානය, පාසල, බැංකු, රෝහල්, සහ ඔබගේ දුරකථනය ඇතුළු විවිධ ස්ථානවල දක්නට ලැබේ.
ඒවා ස්වයංක්රීයව ධාවනය වන වාහනවල ඇස්, Siri සහ Alexa ගේ කටහඬ, කාලගුණ අනාවැකි පිටුපස ඇති මනස, රොබෝ ආධාරයෙන් සැත්කම් පිටුපස ඇති දෑ සහ තවත් බොහෝ දේ වේ.
කෘතිම බුද්ධිය (AI) නූතන ජීවිතයේ පොදු ලක්ෂණයක් බවට පත්වෙමින් තිබේ. පසුගිය වසර කිහිපය තුළ, AI පුළුල් පරාසයක තොරතුරු තාක්ෂණ තාක්ෂණයන්හි ප්රධාන ක්රීඩකයෙකු ලෙස මතු වී තිබේ.
අවසාන වශයෙන්, නව දේවල් ඉගෙන ගැනීමට AI විසින් ස්නායු ජාලය භාවිතා කරයි.
ඉතින් අද අපි Neural Networks, එය ක්රියා කරන ආකාරය, ඒවායේ වර්ග, යෙදුම් සහ තවත් බොහෝ දේ ගැන ඉගෙන ගනිමු.
Neural Network යනු කුමක්ද?
In යන්ත්ර ඉගෙනීම, ස්නායුක ජාලයක් යනු කෘත්රිම නියුරෝන වල මෘදුකාංග වැඩසටහන්ගත ජාලයකි. එය අපගේ මොළයේ ඇති නියුරෝනවලට සමාන “නියුරෝන” ස්ථර ගණනාවක් තිබීමෙන් මිනිස් මොළය අනුකරණය කිරීමට උත්සාහ කරයි.
නියුරෝන වල පළමු ස්ථරය ඡායාරූප, වීඩියෝ, ශබ්දය, පෙළ සහ අනෙකුත් යෙදවුම් පිළිගනු ඇත. මෙම දත්ත සියලු මට්ටම් හරහා ගලා යයි, එක් ස්ථරයක ප්රතිදානය ඊළඟට ගලා යයි. යන්ත්ර ඉගෙනීම සඳහා ස්වභාවික භාෂා සැකසීම වැනි දුෂ්කර කාර්යයන් සඳහා මෙය ඉතා වැදගත් වේ.
කෙසේ වෙතත්, වෙනත් අවස්ථාවල දී, නිරවද්යතාවය සහ කාර්යක්ෂමතාව පවත්වා ගනිමින් මාදිලියේ ප්රමාණය අඩු කිරීම සඳහා පද්ධති සම්පීඩනය ඉලක්ක කිරීම වඩාත් සුදුසුය. ස්නායුක ජාලයක් කප්පාදු කිරීම යනු උගත් ආකෘතියකින් බර ඉවත් කිරීම ඇතුළත් සම්පීඩන ක්රමයකි. මිනිසුන් සතුන්ගෙන් වෙන්කර හඳුනා ගැනීමට පුහුණු කර ඇති කෘතිම බුද්ධි ස්නායු ජාලයක් සලකා බලන්න.
පින්තූරය නියුරෝන වල පළමු ස්ථරය මගින් දීප්තිමත් සහ අඳුරු කොටස් වලට බෙදනු ඇත. මෙම දත්ත පහත ස්ථරයට යවනු ලැබේ, එමඟින් දාර කොතැනද යන්න තීරණය කරනු ඇත.
ඊළඟ ස්ථරය දාරවල සංයෝජනය ජනනය කර ඇති ආකෘති හඳුනා ගැනීමට උත්සාහ කරයි. එය පුහුණු කරන ලද දත්ත වලට අනුව, ඔබ ඉදිරිපත් කරන ලද රූපය මිනිසෙකුගේ හෝ සතෙකුගේද යන්න තීරණය කිරීම සඳහා දත්ත සමාන ආකාරයකින් ස්ථර ගණනාවක් හරහා ගමන් කරයි.
ස්නායු ජාලයකට දත්ත ලබා දුන් විට, එය එය සැකසීමට පටන් ගනී. ඉන්පසුව, අපේක්ෂිත ප්රතිඵලය ලබා ගැනීම සඳහා දත්ත එහි මට්ටම් හරහා සකසනු ලැබේ. ස්නායුක ජාලයක් යනු ව්යුහගත ආදානයෙන් ඉගෙන ගෙන ප්රතිඵල පෙන්වන යන්ත්රයකි. ස්නායුක ජාල තුළ සිදු විය හැකි ඉගෙනුම් වර්ග තුනක් තිබේ:
- අධීක්ෂණය කරන ලද ඉගෙනීම - ලේබල් කළ දත්ත භාවිතයෙන් ඇල්ගොරිතම සඳහා යෙදවුම් සහ ප්රතිදාන ලබා දේ. දත්ත විශ්ලේෂණය කරන්නේ කෙසේදැයි ඉගැන්වූ පසු, ඔවුන් අපේක්ෂිත ප්රතිඵලය පුරෝකථනය කරයි.
- අධීක්ෂණය නොකළ ඉගෙනීම - ANN කෙනෙකුගේ සහාය නොමැතිව ඉගෙන ගනී. ලේබල් කළ දත්ත නොමැති අතර, ප්රතිදානය තීරණය වන්නේ ප්රතිදාන දත්තවල ඇති රටා මගිනි.
- ශක්තිමත් කිරීමේ ඉගෙනීම යනු ජාලයක් එයට ලැබෙන ප්රතිපෝෂණ වලින් ඉගෙන ගන්නා විටය.
ස්නායු ජාල ක්රියා කරන්නේ කෙසේද?
කෘත්රිම නියුරෝන සංකීර්ණ පද්ධති වන ස්නායු ජාල වල භාවිතා වේ. කෘත්රිම නියුරෝන, ප්රොසෙප්ට්රෝන ලෙසද හැඳින්වේ, පහත සඳහන් සංරචක වලින් සෑදී ඇත:
- ආදාන
- සිරුරේ බර
- බයස්
- සක්රිය කිරීමේ කාර්යය
- ප්රතිදාන
ස්නායුක ජාල සෑදෙන නියුරෝන ස්ථර. ස්නායු ජාලයක් ස්ථර තුනකින් සමන්විත වේ:
- ආදාන ස්ථරය
- සැඟවුණු ස්ථරය
- ප්රතිදාන ස්ථරය
සංඛ්යාත්මක අගයක ස්වරූපයෙන් දත්ත ආදාන ස්ථරයට යවනු ලැබේ. ජාලයේ සැඟවුණු ස්ථර බොහෝ ගණනය කිරීම් සිදු කරයි. ප්රතිදාන ස්තරය, අවසාන නමුත් අවම වශයෙන්, ප්රතිඵලය අනාවැකි පළ කරයි. ස්නායු ජාලයක් තුළ නියුරෝන එකිනෙකා ආධිපත්යය දරයි. එක් එක් ස්ථරයක් තැනීම සඳහා නියුරෝන භාවිතා වේ. ආදාන ස්තරය එය ලබා ගැනීමෙන් පසු දත්ත සැඟවුණු ස්ථරය වෙත යොමු කෙරේ.
එක් එක් ආදානය සඳහා බර යොදනු ලැබේ. ස්නායුක ජාලයක සැඟවුණු ස්ථර තුළ, බර යනු ලැබෙන දත්ත පරිවර්තනය කරන අගයකි. බර ක්රියා කරන්නේ ආදාන ස්තරයේ බර අගයෙන් ආදාන දත්ත ගුණ කිරීමෙනි.
එය පසුව පළමු සැඟවුණු ස්ථරයේ අගය ආරම්භ කරයි. ආදාන දත්ත පරිවර්තනය කර සැඟවුණු ස්ථර හරහා අනෙක් ස්ථරයට යවනු ලැබේ. අවසාන ප්රතිඵලය උත්පාදනය කිරීම සඳහා ප්රතිදාන ස්ථරය වගකිව යුතුය. ආදාන සහ බර ගුණ කරනු ලබන අතර, ප්රතිඵලය එකතුවක් ලෙස සැඟවුනු ස්ථරයේ නියුරෝන වෙත ලබා දෙනු ලැබේ. සෑම නියුරෝනයකටම නැඹුරුවක් ලබා දී ඇත. එකතුව ගණනය කිරීම සඳහා, එක් එක් නියුරෝන එයට ලැබෙන ආදාන එකතු කරයි.
ඊට පසු, අගය සක්රිය කිරීමේ කාර්යය හරහා ගමන් කරයි. සක්රීය කිරීමේ ශ්රිතයේ ප්රතිඵලය නියුරෝනයක් සක්රියද නැද්ද යන්න තීරණය කරයි. නියුරෝනයක් සක්රීය වූ විට එය අනෙකුත් ස්ථරවලට තොරතුරු යවයි. මෙම ක්රමය භාවිතයෙන් නියුරෝනය ප්රතිදාන ස්තරය වෙත ළඟා වන තුරු දත්ත ජාලය තුළ නිර්මාණය වේ. ඉදිරි ප්රචාරණය මේ සඳහා තවත් යෙදුමකි.
ආදාන නෝඩයකට දත්ත සංග්රහ කිරීම සහ ප්රතිදාන නෝඩයක් හරහා ප්රතිදානය ලබා ගැනීමේ තාක්ෂණය Feed-forward propagation ලෙස හැඳින්වේ. සැඟවුණු ස්තරය මඟින් ආදාන දත්ත පිළිගත් විට, සංග්රහ-ඉදිරිපත් ප්රචාරණය සිදුවේ. එය සක්රිය කිරීමේ ශ්රිතය අනුව සකස් කර පසුව ප්රතිදානය වෙත මාරු කරනු ලැබේ.
ප්රතිඵලය ඉහළම සම්භාවිතාව සහිත ප්රතිදාන ස්ථරයේ නියුරෝන මගින් ප්රක්ෂේපණය කෙරේ. ප්රතිදානය වැරදි වූ විට Backpropagation සිදුවේ. ස්නායු ජාලයක් නිර්මාණය කිරීමේදී එක් එක් ආදානය සඳහා බර ආරම්භ වේ. Backpropagation යනු වැරදි අඩු කිරීමට සහ වඩාත් නිවැරදි ප්රතිදානයක් සැපයීම සඳහා එක් එක් ආදානයේ බර නැවත සකස් කිරීමේ ක්රියාවලියයි.
ස්නායු ජාලයේ වර්ග
1. Perceptron
Minsky-Papt perceptron ආකෘතිය සරලම හා පැරණිතම නියුරෝන ආකෘතිවලින් එකකි. එය පැමිණෙන දත්තවල ලක්ෂණ හෝ ව්යාපාරික බුද්ධිය සොයා ගැනීම සඳහා නිශ්චිත ගණනය කිරීම් සිදු කරන ස්නායුක ජාලයක කුඩාම ඒකකය වේ. එය බරිත යෙදවුම් ගන්නා අතර අවසාන ප්රතිඵලය ලබා ගැනීම සඳහා සක්රීය කිරීමේ ශ්රිතය යොදයි. TLU (threshold logic unit) යනු perceptron සඳහා තවත් නමකි.
Perceptron යනු දත්ත කණ්ඩායම් දෙකකට බෙදන සුපරීක්ෂාකාරී ඉගෙනුම් පද්ධතියක් වන ද්විමය වර්ගීකරණයකි. ලොජික් ගේට්ස් AND, OR, සහ NAND වැනි perceptrons සමඟ ක්රියාත්මක කළ හැක.
2. Feed-Forward Neural Network
ආදාන දත්ත එක් දිශාවකට පමණක් ගලා යන ස්නායුක ජාලවල වඩාත් මූලික අනුවාදය කෘතිම ස්නායුක නෝඩ් හරහා ගමන් කර ප්රතිදාන නෝඩ් හරහා පිටවේ. සැඟවුණු ස්ථර පවතින හෝ නොතිබිය හැකි ස්ථානවල ආදාන සහ ප්රතිදාන ස්ථර පවතී. ඒවා මේ මත පදනම්ව තනි ස්ථර හෝ බහු-ස්ථර පෝෂක-ඉදිරි ස්නායු ජාලයක් ලෙස සංලක්ෂිත කළ හැකිය.
භාවිතා කරන ස්ථර ගණන තීරණය වන්නේ ශ්රිතයේ සංකීර්ණත්වය මගිනි. එය එක් දිශාවකට පමණක් ඉදිරියෙන් ප්රචාරණය වන අතර පසුපසට ප්රචාරණය නොවේ. මෙහිදී, බර නියතව පවතී. සක්රිය කිරීමේ ශ්රිතයක් පෝෂණය කිරීම සඳහා ආදාන බරින් ගුණ කරනු ලැබේ. මෙය සිදු කිරීම සඳහා වර්ගීකරණ සක්රීය කිරීමේ ශ්රිතයක් හෝ පියවර සක්රීය කිරීමේ ශ්රිතයක් භාවිතා කරයි.
3. බහු ස්ථර perceptron
නවීන සඳහා හැඳින්වීමක් ස්නායු දැල්, ආදාන දත්ත කෘත්රිම නියුරෝන බොහෝ ස්ථර හරහා ගමන් කරයි. සෑම නෝඩයක්ම පහත ස්තරයේ ඇති සියලුම නියුරෝන වලට සම්බන්ධ වී ඇති බැවින් එය සම්පුර්ණයෙන්ම සම්බන්ධ වූ ස්නායුක ජාලයකි. බහු සැඟවුණු ස්ථර, එනම් අවම වශයෙන් ස්ථර තුනක් හෝ වැඩි ගණනක් ආදාන සහ ප්රතිදාන ස්ථර වල පවතී.
එයට ද්විපාර්ශ්වික ප්රචාරණයක් ඇත, එයින් අදහස් කරන්නේ එයට ඉදිරියට සහ පසුපසට ප්රචාරණය කළ හැකි බවයි. ආදාන බරින් ගුණ කර සක්රිය කිරීමේ ශ්රිතය වෙත යවනු ලබන අතර, අලාභය අවම කිරීම සඳහා පසු ප්රචාරණය හරහා ඒවා වෙනස් කරනු ලැබේ.
බර යනු සරලව කිවහොත් ස්නායු ජාල වලින් යන්ත්රයෙන් ඉගෙන ගත් අගයන් වේ. අපේක්ෂිත නිමැවුම් සහ පුහුණු යෙදවුම් අතර විෂමතාවය මත පදනම්ව, ඒවා ස්වයං-ගැළපේ. Softmax රේඛීය නොවන සක්රීය කිරීමේ ශ්රිතයෙන් පසු ප්රතිදාන ස්ථර සක්රීය කිරීමේ ශ්රිතයක් ලෙස භාවිතා කරයි.
4. Convolutional Neural Network
සාම්ප්රදායික ද්විමාන අරාවට ප්රතිවිරුද්ධව, සංවෘත ස්නායුක ජාලයකට නියුරෝන වල ත්රිමාන වින්යාසයක් ඇත. පළමු ස්ථරය convolutional ස්ථරයක් ලෙස හැඳින්වේ. පරිවර්තන ස්ථරයේ ඇති සෑම නියුරෝනයක්ම දෘශ්ය ක්ෂේත්රයේ සීමිත කොටසකින් පමණක් තොරතුරු සකසයි. ෆිල්ටරයක් මෙන්, ආදාන විශේෂාංග කණ්ඩායම් ආකාරයෙන් ගනු ලැබේ.
ජාලය කොටස්වල පින්තූර තේරුම් ගන්නා අතර සම්පූර්ණ රූප සැකසීම අවසන් කිරීමට මෙම ක්රියාවන් කිහිප වතාවක් සිදු කළ හැකිය.
සැකසීමේදී පින්තූරය RGB හෝ HSI සිට අළු පරිමාණයට පරිවර්තනය වේ. පික්සල් අගයේ තවත් වෙනස්කම් දාර හඳුනා ගැනීමට උපකාරී වන අතර පින්තූර කණ්ඩායම් කිහිපයකට වර්ග කළ හැක. ඒක දිශාභිමුඛ ප්රචාරණය සිදු වන්නේ CNN එකක සංකෝචනය කිරීමෙන් පසුව සංකෝචනය වන ස්ථර එකක් හෝ කිහිපයක් අඩංගු වන විට වන අතර, සංකලන ස්ථරයේ ප්රතිදානය රූප වර්ගීකරණය සඳහා සම්පුර්ණයෙන්ම සම්බන්ධ වූ ස්නායු ජාලයකට යවන විට ද්විපාර්ශ්වික ප්රචාරණය සිදු වේ.
රූපයක සමහර අංග උපුටා ගැනීම සඳහා, පෙරහන් භාවිතා කරනු ලැබේ. MLP හි, යෙදවුම් බර කර සක්රීය කිරීමේ කාර්යයට සපයනු ලැබේ. RELU convolution හි භාවිතා වන අතර MLP විසින් softmax විසින් අනුගමනය කරන රේඛීය නොවන සක්රීය කිරීමේ ශ්රිතයක් භාවිතා කරයි. පින්තූර සහ වීඩියෝ හඳුනාගැනීමේදී, අර්ථකථන විග්රහ කිරීම සහ පරාවර්තක හඳුනාගැනීමේදී, සංවෘත ස්නායුක ජාල විශිෂ්ට ප්රතිඵල ලබා දෙයි.
5. රේඩියල් බයිස් ජාලය
ආදාන දෛශිකයකට පසුව RBF නියුරෝන ස්ථරයක් සහ රේඩියල් පාදක ක්රියාකාරී ජාලයක එක් එක් කාණ්ඩය සඳහා එක් නෝඩයක් සහිත ප්රතිදාන ස්ථරයක් ඇත. එක් එක් නියුරෝන මූලාකෘතියක් පවත්වාගෙන යන පුහුණු කට්ටලයේ දත්ත ලක්ෂ්ය සමඟ සංසන්දනය කිරීමෙන් ආදානය වර්ගීකරණය කෙරේ. මෙය පුහුණු කට්ටලයේ එක් උදාහරණයකි.
නැවුම් ආදාන දෛශිකයක් [ඔබ වර්ග කිරීමට උත්සාහ කරන n-මාන දෛශිකය] වර්ග කළ යුතු විට සෑම නියුරෝනයක්ම ආදානය සහ එහි මූලාකෘතිය අතර යුක්ලීඩීය දුර ගණනය කරයි. අපට Class A සහ Class B යන පන්ති දෙකක් තිබේ නම්, වර්ගීකරණය කළ යුතු නව ආදානය B පන්තියේ මූලාකෘති වලට වඩා A පන්තියේ මූලාකෘති වලට සමාන වේ.
එහි ප්රතිඵලයක් වශයෙන්, එය A පන්තිය ලෙස ලේබල් කිරීම හෝ වර්ගීකරණය කළ හැක.
6. පුනරාවර්තන ස්නායුක ජාලය
පුනරාවර්තන ස්නායුක ජාල නිර්මාණය කර ඇත්තේ ස්තරයක ප්රතිදානය සුරැකීමට සහ පසුව ස්ථරයේ ප්රතිඵලය පුරෝකථනය කිරීමට සහය වීම සඳහා නැවත ආදානයට පෝෂණය කිරීමටය. සංග්රහයක් ස්නායු ජාලය සාමාන්යයෙන් ආරම්භක ස්තරය වන අතර, පසුව පුනරාවර්තන ස්නායුක ජාල ස්තරයක්, මතක ශ්රිතයක් පෙර කාල පියවරේදී තිබූ තොරතුරුවලින් කොටසක් මතක තබා ගනී.
මෙම දර්ශනය ඉදිරි ප්රචාරණය භාවිතා කරයි. එය අනාගතයේ දී අවශ්ය වන දත්ත ඉතිරි කරයි. අනාවැකිය වැරදි නම්, ඉගෙනීමේ අනුපාතය සුළු ගැලපීම් කිරීමට භාවිතා කරයි. එහි ප්රතිඵලයක් වශයෙන්, පසු ප්රචාරණය ප්රගතිශීලී වන විට, එය වඩ වඩාත් නිවැරදි වනු ඇත.
අයදුම්පත්
ස්නායුක ජාල විවිධ විෂයයන් වල දත්ත ගැටළු හැසිරවීමට භාවිතා කරයි; සමහර උදාහරණ පහත දැක්වේ.
- මුහුණු හඳුනාගැනීම - මුහුණ හඳුනාගැනීමේ විසඳුම් ඵලදායී නිරීක්ෂණ පද්ධති ලෙස සේවය කරයි. හඳුනාගැනීමේ පද්ධති ඩිජිටල් ඡායාරූප මිනිස් මුහුණුවලට සම්බන්ධ කරයි. ඒවා තෝරා ගැනීම සඳහා කාර්යාලවල භාවිතා වේ. මේ අනුව, පද්ධති මිනිස් මුහුණක් සත්යාපනය කර එහි දත්ත ගබඩාවේ ගබඩා කර ඇති හැඳුනුම්පත් ලැයිස්තුවකට සංසන්දනය කරයි.
- කොටස් පුරෝකථනය - ආයෝජන වෙළෙඳපොළ අවදානම් වලට නිරාවරණය වේ. අතිශයින්ම අස්ථාවර කොටස් වෙළඳපොලේ අනාගත වර්ධනයන් පුරෝකථනය කිරීම ප්රායෝගිකව දුෂ්කර ය. ස්නායුක ජාල වලට පෙර, නිරන්තරයෙන් මාරු වන බුලිෂ් සහ බෙයාරිෂ් අවධීන් අනපේක්ෂිත විය. නමුත්, සියල්ල වෙනස් කළේ කුමක් ද? ඇත්ත වශයෙන්ම, අපි කතා කරන්නේ ස්නායුක ජාල ගැනයි... බහු ස්ථර Perceptron MLP (පෝෂක කෘතිම බුද්ධි පද්ධතියක්) තත්ය කාලීන සාර්ථක කොටස් පුරෝකථනයක් නිර්මාණය කිරීමට භාවිතා කරයි.
- සමාජ මාධ්ය - එය කෙතරම් බඩගිනි විය හැකි වුවත්, සමාජ මාධ්ය පැවැත්මේ ලෞකික මාවත වෙනස් කර ඇත. සමාජ මාධ්ය භාවිතා කරන්නන්ගේ හැසිරීම කෘත්රිම ස්නායුක ජාල භාවිතයෙන් අධ්යයනය කෙරේ. තරඟකාරී විශ්ලේෂණය සඳහා, අතථ්ය අන්තර්ක්රියා හරහා දිනපතා සපයන දත්ත ගොඩගැසී පරීක්ෂා කරනු ලැබේ. සමාජ මාධ්ය භාවිතා කරන්නන්ගේ ක්රියා ස්නායු ජාල මගින් ප්රතිනිර්මාණය වේ. සමාජ මාධ්ය ජාල හරහා දත්ත විශ්ලේෂණය කළ පසු පුද්ගලයන්ගේ හැසිරීම් මිනිසුන්ගේ වියදම් රටාවට සම්බන්ධ කළ හැක. බහු ස්ථර Perceptron ANN භාවිතයෙන් සමාජ මාධ්ය යෙදුම් වලින් දත්ත කැණීම් කරනු ලැබේ.
- සෞඛ්ය ආරක්ෂණය - අද ලෝකයේ පුද්ගලයන් සෞඛ්ය සේවා කර්මාන්තයේ තාක්ෂණික ප්රතිලාභ භාවිතා කරයි. සෞඛ්ය සේවා ව්යාපාරයේදී, එක්ස් කිරණ හඳුනාගැනීම, සීටී ස්කෑන්, සහ අල්ට්රා සවුන්ඩ් සඳහා Convolutional Neural Networks භාවිතා වේ. රූප සැකසීමේදී CNN භාවිතා කරන බැවින්, ඉහත සඳහන් කළ පරීක්ෂණවලින් ලැබෙන වෛද්ය රූප දත්ත ස්නායුක ජාල ආකෘති භාවිතයෙන් ඇගයීමට ලක් කෙරේ. හඬ හඳුනාගැනීමේ පද්ධති සංවර්ධනය කිරීමේදී, පුනරාවර්තන ස්නායුක ජාලය (RNN) ද භාවිතා වේ.
- කාලගුණ වාර්තාව - කෘත්රිම බුද්ධිය ක්රියාත්මක කිරීමට පෙර, කාලගුණ විද්යා දෙපාර්තමේන්තුවේ ප්රක්ෂේපන කිසිවිටෙක නිරවද්ය නොවීය. කාලගුණ අනාවැකිය බොහෝ දුරට සිදු කරනුයේ අනාගතයේ ඇති විය හැකි කාලගුණික තත්ත්වයන් පුරෝකථනය කිරීම සඳහා ය. නූතන යුගයේ ස්වභාවික විපත් ඇතිවීමේ සම්භාවිතාව අපේක්ෂා කිරීම සඳහා කාලගුණ අනාවැකි භාවිතා කරනු ලැබේ. කාලගුණ අනාවැකිය බහු ස්ථර perceptron (MLP), convolutional neural networks (CNN) සහ Recurrent neural networks (RNN) භාවිතයෙන් සිදු කෙරේ.
- ආරක්ෂාව - ලොජිස්ටික්ස්, සන්නද්ධ ප්රහාර විශ්ලේෂණය සහ අයිතම පිහිටීම යන සියල්ලම ස්නායු ජාල භාවිතා කරයි. ඔවුන් ගුවන් සහ මුහුදු මුර සංචාරවල මෙන්ම ස්වයංක්රීය ඩ්රෝන කළමනාකරණයට ද යොදවා ඇත. කෘත්රිම බුද්ධිය ආරක්ෂක කර්මාන්තයට එහි තාක්ෂණය ඉහළ නැංවීමට අවශ්ය බෙහෙවින් අවශ්ය තල්ලුව ලබා දෙයි. දිය යට පතල්වල පැවැත්ම හඳුනා ගැනීම සඳහා, Convolutional Neural Networks (CNN) භාවිතා කරනු ලැබේ.
වාසි
- ස්නායුක ජාලයක නියුරෝන කිහිපයක් නිසියාකාරව ක්රියාත්මක නොවුණත්, ස්නායු ජාල තවමත් ප්රතිදානයන් ජනනය කරයි.
- ස්නායුක ජාල වලට තත්ය කාලීනව ඉගෙනීමට සහ ඒවායේ වෙනස්වන සැකසුම් වලට අනුවර්තනය වීමට හැකියාව ඇත.
- ස්නායු ජාලයට විවිධ කාර්යයන් කිරීමට ඉගෙන ගත හැකිය. ලබා දී ඇති දත්ත මත පදනම්ව නිවැරදි ප්රතිඵල ලබා දීම සඳහා.
- ස්නායු ජාල වලට එකවර කාර්යයන් කිහිපයක් හැසිරවීමේ ශක්තිය සහ හැකියාව ඇත.
අවාසි
- ගැටළු විසඳීම සඳහා ස්නායු ජාල භාවිතා වේ. ජාල වල සංකීර්ණත්වය හේතුවෙන් එය සිදු කළ විනිශ්චයන් "ඇයි සහ කෙසේද" පිටුපස ඇති පැහැදිලි කිරීම එය හෙළි නොකරයි. එහි ප්රතිඵලයක් ලෙස ජාල විශ්වාසය ඛාදනය විය හැක.
- ස්නායුක ජාලයක සංරචක එකිනෙක මත රඳා පවතී. එනම්, ස්නායුක ජාල ප්රමාණවත් පරිගණක බලයක් සහිත පරිගණක (හෝ අතිශයින් රඳා පවතින) ඉල්ලයි.
- ස්නායුක ජාල ක්රියාවලියකට නිශ්චිත රීතියක් (හෝ මාපට ඇඟිල්ලේ රීතියක්) නොමැත. අත්හදා බැලීම් සහ දෝෂ තාක්ෂණයකදී, ප්රශස්ත ජාලයක් උත්සාහ කිරීමෙන් නිවැරදි ජාල ව්යුහයක් ස්ථාපිත කෙරේ. එය ඉතා සියුම් ලෙස සකස් කළ යුතු ක්රියා පටිපාටියකි.
නිගමනය
ක්ෂේත්රය ස්නායු ජාල වේගයෙන් ව්යාප්ත වේ. මෙම අංශයේ සංකල්ප සමඟ කටයුතු කිරීමට හැකිවීම සඳහා ඒවා ඉගෙන ගැනීම සහ අවබෝධ කර ගැනීම ඉතා වැදගත් වේ.
ස්නායුක ජාල වර්ග බොහොමයක් මෙම ලිපියෙන් ආවරණය කර ඇත. ඔබ මෙම විනය පිළිබඳ වැඩිදුර ඉගෙන ගන්නේ නම් වෙනත් ක්ෂේත්රවල දත්ත ගැටළු විසඳීමට ඔබට ස්නායුක ජාල භාවිතා කළ හැක.
ඔබමයි