பொருளடக்கம்[மறை][காட்டு]
செயற்கை நுண்ணறிவு (AI) என்பது ஒரு தொலைதூரக் கனவு, எதிர்காலத்திற்கான தொழில்நுட்பம் என்று முதலில் கருதப்பட்டது, ஆனால் அது இப்போது இல்லை.
ஒரு காலத்தில் ஆராய்ச்சி விஷயமாக இருந்த விஷயம் இப்போது நிஜ உலகில் வெடித்து வருகிறது. உங்கள் பணியிடம், பள்ளி, வங்கி, மருத்துவமனைகள் மற்றும் உங்கள் தொலைபேசி உட்பட பல்வேறு இடங்களில் AI இப்போது காணப்படுகிறது.
அவை சுயமாக ஓட்டும் வாகனங்களின் கண்கள், சிரி மற்றும் அலெக்ஸாவின் குரல்கள், வானிலை முன்னறிவிப்புக்குப் பின்னால் உள்ள மனம், ரோபோ-உதவி அறுவை சிகிச்சைக்குப் பின்னால் உள்ள கைகள் மற்றும் பல.
செயற்கை நுண்ணறிவு (AI) நவீன வாழ்க்கையின் பொதுவான அம்சமாக மாறி வருகிறது. கடந்த பல ஆண்டுகளில், AI ஆனது பரந்த அளவிலான IT தொழில்நுட்பங்களில் ஒரு முக்கிய வீரராக உருவெடுத்துள்ளது.
இறுதியாக, புதிய விஷயங்களைக் கற்றுக்கொள்ள AI ஆல் நியூரல் நெட்வொர்க் பயன்படுத்தப்படுகிறது.
எனவே இன்று நாம் நியூரல் நெட்வொர்க்குகள், அது எவ்வாறு செயல்படுகிறது, அவற்றின் வகைகள், பயன்பாடுகள் மற்றும் பலவற்றைப் பற்றி அறிந்து கொள்வோம்.
நியூரல் நெட்வொர்க் என்றால் என்ன?
In இயந்திர கற்றல், நியூரல் நெட்வொர்க் என்பது செயற்கை நியூரான்களின் மென்பொருள்-திட்டமிடப்பட்ட நெட்வொர்க் ஆகும். இது நமது மூளையில் உள்ள நியூரான்களைப் போலவே இருக்கும் "நியூரான்களின்" பல அடுக்குகளைக் கொண்டிருப்பதன் மூலம் மனித மூளையைப் பின்பற்ற முயற்சிக்கிறது.
நியூரான்களின் முதல் அடுக்கு புகைப்படங்கள், வீடியோ, ஒலி, உரை மற்றும் பிற உள்ளீடுகளை ஏற்கும். இந்தத் தரவு அனைத்து நிலைகளிலும் பாய்கிறது, ஒரு அடுக்கின் வெளியீடு அடுத்ததாக பாய்கிறது. இயந்திர கற்றலுக்கான இயல்பான மொழி செயலாக்கம் போன்ற மிகவும் கடினமான பணிகளுக்கு இது மிகவும் முக்கியமானது.
இருப்பினும், மற்ற சந்தர்ப்பங்களில், துல்லியம் மற்றும் செயல்திறனைப் பராமரிக்கும் போது மாதிரி அளவைக் குறைக்க கணினி சுருக்கத்தை நோக்கமாகக் கொள்வது விரும்பத்தக்கது. ஒரு நரம்பியல் வலையமைப்பை கத்தரிப்பது என்பது ஒரு சுருக்க முறை ஆகும், இதில் கற்ற மாதிரியிலிருந்து எடைகளை அகற்றுவது அடங்கும். விலங்குகளிடமிருந்து மக்களை வேறுபடுத்துவதற்கு பயிற்சியளிக்கப்பட்ட செயற்கை நுண்ணறிவு நரம்பியல் வலையமைப்பைக் கவனியுங்கள்.
நியூரான்களின் முதல் அடுக்கு மூலம் படம் பிரகாசமான மற்றும் இருண்ட பகுதிகளாக பிரிக்கப்படும். இந்தத் தரவு பின்வரும் அடுக்குக்கு அனுப்பப்படும், இது விளிம்புகள் எங்கே என்பதை தீர்மானிக்கும்.
அடுத்த அடுக்கு விளிம்புகளின் கலவை உருவாக்கிய படிவங்களை அடையாளம் காண முயற்சிக்கும். அது பயிற்சியளிக்கப்பட்ட தரவுகளின்படி, நீங்கள் வழங்கிய படம் மனிதனா அல்லது மிருகமா என்பதைத் தீர்மானிக்க இதே முறையில் பல அடுக்குகள் வழியாக தரவு அனுப்பப்படும்.
ஒரு நரம்பியல் நெட்வொர்க்கில் தரவு கொடுக்கப்பட்டால், அது அதைச் செயலாக்கத் தொடங்குகிறது. அதன் பிறகு, விரும்பிய முடிவைப் பெற தரவு அதன் நிலைகள் மூலம் செயலாக்கப்படுகிறது. ஒரு நரம்பியல் நெட்வொர்க் என்பது கட்டமைக்கப்பட்ட உள்ளீட்டிலிருந்து கற்றுக்கொண்டு முடிவுகளைக் காண்பிக்கும் ஒரு இயந்திரம். நரம்பியல் நெட்வொர்க்குகளில் மூன்று வகையான கற்றல் நடைபெறலாம்:
- மேற்பார்வையிடப்பட்ட கற்றல் - லேபிளிடப்பட்ட தரவைப் பயன்படுத்தி அல்காரிதங்களுக்கு உள்ளீடுகள் மற்றும் வெளியீடுகள் வழங்கப்படுகின்றன. தரவை எவ்வாறு பகுப்பாய்வு செய்வது என்று கற்பித்த பிறகு, அவர்கள் உத்தேசித்த முடிவை முன்னறிவிப்பார்கள்.
- மேற்பார்வை செய்யப்படாத கற்றல் - ஒரு மனிதனின் உதவியின்றி ஒரு ANN கற்றுக்கொள்கிறார். லேபிளிடப்பட்ட தரவு எதுவும் இல்லை, மேலும் வெளியீடு தரவுகளில் காணப்படும் வடிவங்களால் வெளியீடு தீர்மானிக்கப்படுகிறது.
- வலுவூட்டல் கற்றல் ஒரு நெட்வொர்க் அது பெறும் பின்னூட்டத்திலிருந்து கற்றுக்கொள்கிறது.
நரம்பியல் நெட்வொர்க்குகள் எவ்வாறு செயல்படுகின்றன?
செயற்கை நியூரான்கள் நரம்பியல் நெட்வொர்க்குகளில் பயன்படுத்தப்படுகின்றன, அவை அதிநவீன அமைப்புகளாகும். செயற்கை நியூரான்கள், பெர்செப்ட்ரான்கள் என்றும் அழைக்கப்படுகின்றன, அவை பின்வரும் கூறுகளால் ஆனவை:
- உள்ளீடு
- எடை
- சார்புடன்
- செயல்படுத்தும் செயல்பாடு
- வெளியீடு
நரம்பியல் நெட்வொர்க்குகளை உருவாக்கும் நியூரான்களின் அடுக்குகள். ஒரு நரம்பியல் நெட்வொர்க் மூன்று அடுக்குகளைக் கொண்டுள்ளது:
- உள்ளீட்டு அடுக்கு
- மறைக்கப்பட்ட அடுக்கு
- வெளியீட்டு அடுக்கு
எண் மதிப்பின் வடிவத்தில் உள்ள தரவு உள்ளீட்டு அடுக்குக்கு அனுப்பப்படுகிறது. நெட்வொர்க்கின் மறைக்கப்பட்ட அடுக்குகள்தான் அதிக கணக்கீடுகளைச் செய்கின்றன. வெளியீட்டு அடுக்கு, கடைசியாக ஆனால் குறைந்தது அல்ல, முடிவை முன்னறிவிக்கிறது. ஒரு நரம்பியல் வலையமைப்பில் நியூரான்கள் ஒன்றையொன்று ஆதிக்கம் செலுத்துகின்றன. ஒவ்வொரு அடுக்கையும் உருவாக்க நியூரான்கள் பயன்படுத்தப்படுகின்றன. உள்ளீட்டு அடுக்கு பெற்ற பிறகு, தரவு மறைக்கப்பட்ட அடுக்குக்கு அனுப்பப்படுகிறது.
ஒவ்வொரு உள்ளீட்டிற்கும் எடைகள் பயன்படுத்தப்படுகின்றன. நரம்பியல் நெட்வொர்க்கின் மறைக்கப்பட்ட அடுக்குகளுக்குள், எடை என்பது உள்வரும் தரவை மொழிபெயர்க்கும் மதிப்பு. உள்ளீட்டு அடுக்கில் உள்ள எடை மதிப்பால் உள்ளீட்டுத் தரவைப் பெருக்குவதன் மூலம் எடைகள் செயல்படுகின்றன.
இது முதல் மறைக்கப்பட்ட லேயரின் மதிப்பைத் தொடங்குகிறது. உள்ளீடு தரவு மாற்றப்பட்டு மறைக்கப்பட்ட அடுக்குகள் வழியாக மற்ற அடுக்குக்கு அனுப்பப்படுகிறது. இறுதி முடிவை உருவாக்குவதற்கு வெளியீட்டு அடுக்கு பொறுப்பாகும். உள்ளீடுகள் மற்றும் எடைகள் பெருக்கப்படுகின்றன, இதன் விளைவாக மறைக்கப்பட்ட அடுக்கு நியூரான்களுக்கு ஒரு தொகையாக வழங்கப்படுகிறது. ஒவ்வொரு நியூரானுக்கும் ஒரு சார்பு கொடுக்கப்பட்டுள்ளது. மொத்தத்தைக் கணக்கிட, ஒவ்வொரு நியூரானும் அது பெறும் உள்ளீடுகளைச் சேர்க்கிறது.
அதன் பிறகு, மதிப்பு செயல்படுத்தும் செயல்பாடு வழியாக செல்கிறது. செயல்படுத்தும் செயல்பாட்டின் விளைவாக ஒரு நியூரான் செயல்படுத்தப்படுகிறதா இல்லையா என்பதை தீர்மானிக்கிறது. ஒரு நியூரான் செயலில் இருக்கும்போது, அது மற்ற அடுக்குகளுக்கு தகவலை அனுப்புகிறது. இந்த முறையைப் பயன்படுத்தி நியூரான் வெளியீட்டு அடுக்கை அடையும் வரை நெட்வொர்க்கில் தரவு உருவாக்கப்படுகிறது. முன்னோக்கி பிரச்சாரம் என்பது இதற்கு மற்றொரு சொல்.
ஒரு உள்ளீட்டு முனையில் தரவை ஊட்டுதல் மற்றும் வெளியீட்டு முனை மூலம் வெளியீட்டைப் பெறுதல் ஆகியவை ஃபீட்-ஃபார்வர்டு ப்ராபகேஷன் எனப்படும். உள்ளீடு தரவு மறைக்கப்பட்ட அடுக்கு மூலம் ஏற்றுக்கொள்ளப்படும் போது, ஊட்ட-முன்னோக்கி பரப்புதல் ஏற்படுகிறது. இது செயல்படுத்தும் செயல்பாட்டின் படி செயலாக்கப்பட்டு பின்னர் வெளியீட்டிற்கு அனுப்பப்படுகிறது.
அதிக நிகழ்தகவு கொண்ட வெளியீட்டு அடுக்கில் உள்ள நியூரானால் இதன் விளைவு கணிக்கப்படுகிறது. வெளியீடு தவறாக இருக்கும் போது Backpropagation ஏற்படுகிறது. நரம்பியல் வலையமைப்பை உருவாக்கும் போது ஒவ்வொரு உள்ளீட்டிற்கும் எடைகள் துவக்கப்படும். Backpropagation என்பது தவறுகளைக் குறைப்பதற்கும், மேலும் துல்லியமான வெளியீட்டை வழங்குவதற்கும் ஒவ்வொரு உள்ளீட்டின் எடையையும் மறுசீரமைக்கும் செயல்முறையாகும்.
நரம்பு வலையமைப்பு வகைகள்
1. பெர்செப்ட்ரான்
மின்ஸ்கி-பேப்பர்ட் பெர்செப்ட்ரான் மாதிரியானது எளிமையான மற்றும் பழமையான நியூரான் மாதிரிகளில் ஒன்றாகும். இது ஒரு நரம்பியல் வலையமைப்பின் மிகச்சிறிய அலகு ஆகும், இது உள்வரும் தரவுகளில் பண்புகள் அல்லது வணிக நுண்ணறிவைக் கண்டறிய சில கணக்கீடுகளைச் செய்கிறது. இது எடையுள்ள உள்ளீடுகளை எடுத்து இறுதி முடிவைப் பெற செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்துகிறது. TLU (த்ரெஷோல்ட் லாஜிக் யூனிட்) என்பது பெர்செப்ட்ரானின் மற்றொரு பெயர்.
பெர்செப்ட்ரான் என்பது பைனரி வகைப்படுத்தி, இது மேற்பார்வையிடப்பட்ட கற்றல் அமைப்பாகும், இது தரவை இரண்டு குழுக்களாகப் பிரிக்கிறது. லாஜிக் கேட்ஸ் AND, OR மற்றும் NAND போன்றவை பெர்செப்ட்ரான்களுடன் செயல்படுத்தப்படலாம்.
2. Feed-Forward Neural Network
நரம்பியல் நெட்வொர்க்குகளின் மிக அடிப்படையான பதிப்பு, இதில் உள்ளீடு தரவு ஒரு திசையில் பிரத்தியேகமாக பாய்கிறது, செயற்கை நரம்பியல் முனைகள் வழியாகச் சென்று வெளியீட்டு முனைகள் வழியாக வெளியேறுகிறது. உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகள் மறைக்கப்பட்ட அடுக்குகள் இருக்கும் அல்லது இல்லாத இடங்களில் உள்ளன. இதன் அடிப்படையில் அவை ஒற்றை அடுக்கு அல்லது பல அடுக்கு ஃபீட்-ஃபார்வர்டு நரம்பியல் நெட்வொர்க்காக வகைப்படுத்தப்படலாம்.
பயன்படுத்தப்படும் அடுக்குகளின் எண்ணிக்கை செயல்பாட்டின் சிக்கலான தன்மையால் தீர்மானிக்கப்படுகிறது. இது ஒரு திசையில் மட்டுமே முன்னோக்கி பரவுகிறது மற்றும் பின்நோக்கி பரவாது. இங்கே, எடைகள் மாறாமல் இருக்கும். செயல்படுத்தும் செயல்பாட்டை ஊட்ட, உள்ளீடுகள் எடைகளால் பெருக்கப்படுகின்றன. ஒரு வகைப்பாடு செயல்படுத்தும் செயல்பாடு அல்லது ஒரு படி செயல்படுத்தும் செயல்பாடு இதைச் செய்ய பயன்படுத்தப்படுகிறது.
3. பல அடுக்கு பெர்செப்ட்ரான்
அதிநவீன ஒரு அறிமுகம் நரம்பு வலைகள், இதில் உள்ளீடு தரவு செயற்கை நியூரான்களின் பல அடுக்குகள் வழியாக அனுப்பப்படுகிறது. இது முற்றிலும் இணைக்கப்பட்ட நரம்பியல் வலையமைப்பாகும், ஏனெனில் ஒவ்வொரு முனையும் பின்வரும் அடுக்கில் உள்ள அனைத்து நியூரான்களுடன் இணைக்கப்பட்டுள்ளது. பல மறைக்கப்பட்ட அடுக்குகள், அதாவது, குறைந்தது மூன்று அல்லது அதற்கு மேற்பட்ட அடுக்குகள், உள்ளீடு மற்றும் வெளியீடு அடுக்குகளில் உள்ளன.
இது இருதரப்பு பரவலைக் கொண்டுள்ளது, அதாவது இது முன்னோக்கி மற்றும் பின்தங்கிய இரண்டையும் பரப்ப முடியும். உள்ளீடுகள் எடைகளால் பெருக்கப்பட்டு, செயல்படுத்தும் செயல்பாட்டிற்கு அனுப்பப்படுகின்றன, அங்கு அவை இழப்பைக் குறைக்க பின் பரப்புதல் மூலம் மாற்றப்படுகின்றன.
எடைகள் என்பது நரம்பியல் நெட்வொர்க்கிலிருந்து இயந்திரத்தால் கற்றுக் கொள்ளப்பட்ட மதிப்புகள், எளிமையாகச் சொல்வதானால். எதிர்பார்க்கப்படும் வெளியீடுகள் மற்றும் பயிற்சி உள்ளீடுகளுக்கு இடையே உள்ள ஏற்றத்தாழ்வைப் பொறுத்து, அவை சுயமாக சரிசெய்து கொள்கின்றன. சாஃப்ட்மேக்ஸ் ஒரு அவுட்புட் லேயர் ஆக்டிவேஷன் செயல்பாடாகப் பயன்படுத்தப்படுகிறது.
4. கன்வல்யூஷனல் நியூரல் நெட்வொர்க்
பாரம்பரிய இரு பரிமாண வரிசைக்கு மாறாக, ஒரு கன்வல்யூஷன் நியூரல் நெட்வொர்க் நியூரான்களின் முப்பரிமாண உள்ளமைவைக் கொண்டுள்ளது. முதல் அடுக்கு கன்வல்யூஷனல் லேயர் என்று அழைக்கப்படுகிறது. கன்வல்யூஷனல் லேயரில் உள்ள ஒவ்வொரு நியூரானும் பார்வை புலத்தின் ஒரு குறிப்பிட்ட பகுதியிலிருந்து மட்டுமே தகவல்களை செயலாக்குகிறது. வடிகட்டியைப் போலவே, உள்ளீட்டு அம்சங்களும் தொகுதி முறையில் எடுக்கப்படுகின்றன.
நெட்வொர்க் பிரிவுகளில் உள்ள படங்களை புரிந்துகொள்கிறது மற்றும் முழு பட செயலாக்கத்தையும் முடிக்க இந்த செயல்களை பல முறை செய்யலாம்.
செயலாக்கத்தின் போது படம் RGB அல்லது HSI இலிருந்து கிரேஸ்கேலுக்கு மாற்றப்படுகிறது. பிக்சல் மதிப்பில் மேலும் மாறுபாடுகள் விளிம்புகளைக் கண்டறிய உதவும், மேலும் படங்களை பல குழுக்களாக வரிசைப்படுத்தலாம். ஒரு சிஎன்என் ஒன்று அல்லது அதற்கு மேற்பட்ட கன்வல்யூஷனல் அடுக்குகளைக் கொண்டிருக்கும்போது ஒரு திசைப் பரவல் ஏற்படுகிறது, அதைத் தொடர்ந்து பூலிங் லேயரின் வெளியீடு முழுமையாக இணைக்கப்பட்ட நரம்பியல் நெட்வொர்க்கிற்கு பட வகைப்பாட்டிற்காக அனுப்பப்படும் போது இருதரப்பு பரப்புதல் ஏற்படுகிறது.
படத்தின் சில கூறுகளைப் பிரித்தெடுக்க, வடிப்பான்கள் பயன்படுத்தப்படுகின்றன. MLP இல், உள்ளீடுகள் எடையிடப்பட்டு செயல்படுத்தும் செயல்பாட்டில் வழங்கப்படுகின்றன. RELU உருமாற்றத்தில் பயன்படுத்தப்படுகிறது, அதே சமயம் MLP ஆனது சாஃப்ட்மேக்ஸைத் தொடர்ந்து ஒரு நேரியல் அல்லாத செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்துகிறது. படம் மற்றும் வீடியோ அறிதல், சொற்பொருள் பாகுபடுத்துதல் மற்றும் பாராஃப்ரேஸ் கண்டறிதல் ஆகியவற்றில், கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் சிறந்த முடிவுகளைத் தருகின்றன.
5. ரேடியல் பயாஸ் நெட்வொர்க்
ஒரு உள்ளீட்டு திசையன் RBF நியூரான்களின் அடுக்கு மற்றும் ரேடியல் அடிப்படை செயல்பாட்டு நெட்வொர்க்கில் ஒவ்வொரு வகைக்கும் ஒரு முனையுடன் ஒரு வெளியீட்டு அடுக்கு ஆகியவற்றைத் தொடர்ந்து வருகிறது. ஒவ்வொரு நியூரானும் ஒரு முன்மாதிரியைப் பராமரிக்கும் பயிற்சித் தொகுப்பிலிருந்து தரவுப் புள்ளிகளுடன் ஒப்பிடுவதன் மூலம் உள்ளீடு வகைப்படுத்தப்படுகிறது. பயிற்சியின் எடுத்துக்காட்டுகளில் இதுவும் ஒன்றாகும்.
ஒரு புதிய உள்ளீட்டு திசையன் [நீங்கள் வகைப்படுத்த முயற்சிக்கும் n-பரிமாண திசையன்] வகைப்படுத்தப்படும் போது ஒவ்வொரு நியூரானும் உள்ளீட்டிற்கும் அதன் முன்மாதிரிக்கும் இடையிலான யூக்ளிடியன் தூரத்தைக் கணக்கிடுகிறது. எங்களிடம் இரண்டு வகுப்புகள் இருந்தால், கிளாஸ் ஏ மற்றும் கிளாஸ் பி, வகைப்படுத்தப்படும் புதிய உள்ளீடு, கிளாஸ் பி புரோட்டோடைப்களை விட கிளாஸ் ஏ முன்மாதிரிகளைப் போலவே இருக்கும்.
இதன் விளைவாக, இது வகுப்பு A என லேபிளிடப்படலாம் அல்லது வகைப்படுத்தப்படலாம்.
6. மீண்டும் மீண்டும் நரம்பியல் நெட்வொர்க்
தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் ஒரு லேயரின் வெளியீட்டைச் சேமித்து, லேயரின் முடிவைக் கணிக்க உதவும் வகையில் உள்ளீட்டில் மீண்டும் ஊட்டுவதற்காக வடிவமைக்கப்பட்டுள்ளன. ஒரு ஃபீட்-ஃபார்வர்டு நரம்பு நெட்வொர்க் வழக்கமாக ஆரம்ப அடுக்கு, அதைத் தொடர்ந்து மீண்டும் மீண்டும் வரும் நரம்பியல் நெட்வொர்க் லேயர், இதில் நினைவக செயல்பாடு முந்தைய கால கட்டத்தில் இருந்த தகவலின் ஒரு பகுதியை நினைவில் கொள்கிறது.
இந்த காட்சி முன்னோக்கி பரப்புதலைப் பயன்படுத்துகிறது. இது எதிர்காலத்தில் தேவைப்படும் தரவைச் சேமிக்கிறது. கணிப்பு தவறாக இருந்தால், சிறிய மாற்றங்களைச் செய்ய கற்றல் விகிதம் பயன்படுத்தப்படுகிறது. இதன் விளைவாக, பின்னிப்பிணைப்பு முன்னேறும்போது, அது பெருகிய முறையில் துல்லியமாக மாறும்.
பயன்பாடுகள்
நரம்பியல் நெட்வொர்க்குகள் பல்வேறு துறைகளில் தரவு சிக்கல்களைக் கையாளப் பயன்படுகின்றன; சில உதாரணங்கள் கீழே காட்டப்பட்டுள்ளன.
- முக அங்கீகாரம் - முக அங்கீகார தீர்வுகள் பயனுள்ள கண்காணிப்பு அமைப்புகளாக செயல்படுகின்றன. அங்கீகார அமைப்புகள் டிஜிட்டல் புகைப்படங்களை மனித முகங்களுடன் தொடர்புபடுத்துகின்றன. தேர்ந்தெடுக்கப்பட்ட நுழைவுக்காக அவை அலுவலகங்களில் பயன்படுத்தப்படுகின்றன. இவ்வாறு, அமைப்புகள் மனித முகத்தை சரிபார்த்து, அதன் தரவுத்தளத்தில் சேமிக்கப்பட்ட ஐடிகளின் பட்டியலுடன் ஒப்பிடுகின்றன.
- பங்கு கணிப்பு - முதலீடுகள் சந்தை அபாயங்களுக்கு வெளிப்படும். மிகவும் நிலையற்ற பங்குச் சந்தையில் எதிர்கால முன்னேற்றங்களை முன்னறிவிப்பது நடைமுறையில் கடினமாக உள்ளது. நரம்பியல் நெட்வொர்க்குகளுக்கு முன்பு, தொடர்ந்து மாறிவரும் ஏற்றத்தாழ்வு மற்றும் கரடுமுரடான கட்டங்கள் கணிக்க முடியாதவை. ஆனால், எல்லாவற்றையும் மாற்றியது எது? நிச்சயமாக, நாங்கள் நியூரல் நெட்வொர்க்குகளைப் பற்றி பேசுகிறோம்... நிகழ்நேரத்தில் வெற்றிகரமான பங்கு முன்னறிவிப்பை உருவாக்க, பல அடுக்கு பெர்செப்ட்ரான் MLP (ஒரு வகை ஃபீட்ஃபார்வர்டு செயற்கை நுண்ணறிவு அமைப்பு) பயன்படுத்தப்படுகிறது.
- சமூக மீடியா - இது எவ்வளவு சோகமாகத் தோன்றினாலும், சமூக ஊடகங்கள் வாழ்வின் சாதாரண பாதையை மாற்றியுள்ளன. சமூக ஊடக பயனர்களின் நடத்தை செயற்கை நரம்பியல் நெட்வொர்க்கைப் பயன்படுத்தி ஆய்வு செய்யப்படுகிறது. போட்டிப் பகுப்பாய்விற்கு, மெய்நிகர் தொடர்புகள் மூலம் தினசரி வழங்கப்படும் தரவு குவிக்கப்பட்டு ஆய்வு செய்யப்படுகிறது. சமூக ஊடக பயனர்களின் செயல்கள் நரம்பியல் நெட்வொர்க்குகளால் பிரதிபலிக்கப்படுகின்றன. சமூக ஊடக நெட்வொர்க்குகள் மூலம் தரவு பகுப்பாய்வு செய்யப்பட்டவுடன் தனிநபர்களின் நடத்தைகள் மக்களின் செலவு முறைகளுடன் இணைக்கப்படும். மல்டிலேயர் பெர்செப்ட்ரான் ANN ஐப் பயன்படுத்தி சமூக ஊடக பயன்பாடுகளிலிருந்து தரவு வெட்டப்படுகிறது.
- ஹெல்த்கேர் - இன்றைய உலகில் உள்ள தனிநபர்கள் சுகாதாரத் துறையில் தொழில்நுட்பத்தின் நன்மைகளைப் பயன்படுத்துகின்றனர். ஹெல்த்கேர் பிசினஸில், எக்ஸ்ரே கண்டறிதல், CT ஸ்கேன் மற்றும் அல்ட்ராசவுண்ட் ஆகியவற்றிற்கு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் பயன்படுத்தப்படுகின்றன. மேற்கூறிய சோதனைகளில் இருந்து பெறப்பட்ட மருத்துவ இமேஜிங் தரவு, நரம்பியல் நெட்வொர்க் மாதிரிகளைப் பயன்படுத்தி மதிப்பீடு செய்யப்பட்டு மதிப்பிடப்படுகிறது, ஏனெனில் சிஎன்என் பட செயலாக்கத்தில் பயன்படுத்தப்படுகிறது. குரல் அங்கீகார அமைப்புகளின் வளர்ச்சியில், மீண்டும் மீண்டும் வரும் நரம்பியல் நெட்வொர்க் (RNN) பயன்படுத்தப்படுகிறது.
- வானிலை அறிக்கை – செயற்கை நுண்ணறிவைச் செயல்படுத்துவதற்கு முன்பு, வானிலை ஆய்வுத் துறையின் கணிப்புகள் துல்லியமாக இருந்ததில்லை. வானிலை முன்னறிவிப்பு பெரும்பாலும் எதிர்காலத்தில் ஏற்படும் வானிலை நிலையைக் கணிக்கவே செய்யப்படுகிறது. நவீன காலத்தில் இயற்கை பேரழிவுகளின் சாத்தியக்கூறுகளை முன்னறிவிப்பதற்காக வானிலை கணிப்புகள் பயன்படுத்தப்படுகின்றன. பல அடுக்கு பெர்செப்ட்ரான் (MLP), கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNN) மற்றும் தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் (RNN) ஆகியவற்றைப் பயன்படுத்தி வானிலை முன்னறிவிப்பு செய்யப்படுகிறது.
- பாதுகாப்பு - தளவாடங்கள், ஆயுதமேந்திய தாக்குதல் பகுப்பாய்வு மற்றும் உருப்படி இருப்பிடம் அனைத்தும் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகின்றன. அவர்கள் வான் மற்றும் கடல் ரோந்துகளிலும், தன்னாட்சி ட்ரோன்களை நிர்வகிப்பதற்கும் பணிபுரிகின்றனர். செயற்கை நுண்ணறிவு பாதுகாப்புத் துறைக்கு அதன் தொழில்நுட்பத்தை அளவிடுவதற்குத் தேவையான ஊக்கத்தை அளிக்கிறது. நீருக்கடியில் சுரங்கங்கள் இருப்பதைக் கண்டறிய, கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்) பயன்படுத்தப்படுகின்றன.
நன்மைகள்
- நரம்பியல் வலையமைப்பில் உள்ள சில நியூரான்கள் சரியாகச் செயல்படாவிட்டாலும், நரம்பியல் நெட்வொர்க்குகள் வெளியீடுகளை உருவாக்கும்.
- நரம்பியல் நெட்வொர்க்குகள் நிகழ்நேரத்தில் கற்றுக் கொள்ளும் திறனைக் கொண்டுள்ளன மற்றும் அவற்றின் மாறும் அமைப்புகளுக்கு ஏற்றவாறு மாற்றியமைக்கின்றன.
- நரம்பியல் நெட்வொர்க்குகள் பல்வேறு பணிகளைச் செய்ய கற்றுக்கொள்ளலாம். வழங்கப்பட்ட தரவுகளின் அடிப்படையில் சரியான முடிவை வழங்குவதற்கு.
- நரம்பியல் நெட்வொர்க்குகள் ஒரே நேரத்தில் பல பணிகளைக் கையாளும் வலிமையையும் திறனையும் கொண்டுள்ளன.
குறைபாடுகள்
- சிக்கல்களைத் தீர்க்க நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்படுகின்றன. நெட்வொர்க்குகளின் நுணுக்கத்தின் காரணமாக அது செய்த தீர்ப்புகளை "ஏன், எப்படி" என்பதற்குப் பின்னால் உள்ள விளக்கத்தை அது வெளியிடவில்லை. இதன் விளைவாக, நெட்வொர்க் நம்பிக்கை சிதைக்கப்படலாம்.
- ஒரு நரம்பியல் வலையமைப்பின் கூறுகள் ஒன்றையொன்று சார்ந்துள்ளது. அதாவது, நரம்பியல் நெட்வொர்க்குகள் போதுமான கணினி ஆற்றலைக் கொண்ட கணினிகளைக் கோருகின்றன (அல்லது மிகவும் நம்பியிருக்கின்றன).
- ஒரு நரம்பியல் நெட்வொர்க் செயல்முறைக்கு குறிப்பிட்ட விதி (அல்லது கட்டைவிரல் விதி) இல்லை. சோதனை மற்றும் பிழை நுட்பத்தில், உகந்த நெட்வொர்க்கை முயற்சிப்பதன் மூலம் சரியான பிணைய அமைப்பு நிறுவப்படுகிறது. இது மிகவும் நேர்த்தியான ட்யூனிங் தேவைப்படும் ஒரு செயல்முறையாகும்.
தீர்மானம்
துறையில் நரம்பியல் வலையமைப்புகள் வேகமாக விரிவடைந்து வருகிறது. இந்தத் துறையில் உள்ள கருத்துக்களைக் கற்றுக்கொள்வதும் புரிந்துகொள்வதும் அவற்றைக் கையாள்வதற்கு மிகவும் முக்கியமானது.
பல வகையான நரம்பியல் நெட்வொர்க்குகள் இந்த கட்டுரையில் விவாதிக்கப்பட்டுள்ளன. இந்த ஒழுக்கத்தைப் பற்றி மேலும் அறிந்து கொண்டால், பிற துறைகளில் உள்ள தரவுச் சிக்கல்களைச் சமாளிக்க நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தலாம்.
ஒரு பதில் விடவும்