complete guide artificial neural network machine learning
यह ट्यूटोरियल बताता है कि कृत्रिम तंत्रिका नेटवर्क क्या है, एक ANN कैसे काम करता है, संरचना और ANN और तंत्रिका तंत्रिका संरचना के प्रकार:
इस में मशीन लर्निंग ट्रेनिंग फॉर ऑल , हम सब के बारे में पता लगाया मशीन लर्निंग के प्रकार हमारे पिछले ट्यूटोरियल में।
यहां, इस ट्यूटोरियल में, न्यूरल नेटवर्क्स में मशीन लर्निंग और एएनएन के बीच तुलना के साथ-साथ विभिन्न एल्गोरिदम पर चर्चा करें। इससे पहले कि हम सीखें कि ANN मशीन सीखने में कैसे योगदान देता है, हमें यह जानने की जरूरत है कि एक कृत्रिम तंत्रिका नेटवर्क क्या है और मशीन सीखने के बारे में संक्षिप्त ज्ञान है।
आइए जानें मशीन लर्निंग और आर्टिफिशियल न्यूरल नेटवर्क के बारे में अधिक जानकारी !!
=> पूरी मशीन लर्निंग ट्रेनिंग सीरीज़ के माध्यम से पढ़ें
आप क्या सीखेंगे:
- मशीन लर्निंग क्या है?
- एक कृत्रिम तंत्रिका नेटवर्क क्या है?
- एक जैविक तंत्रिका नेटवर्क की संरचना
- जैविक न्यूरॉन और कृत्रिम न्यूरॉन की तुलना
- एएनएन के लक्षण
- ANN की संरचना
- सक्रियण समारोह
- एक कृत्रिम न्यूरॉन क्या है?
- कैसे काम करता है आर्टिफिशियल न्यूरॉन?
- एएनएन के मूल मॉडल
- तंत्रिका नेटवर्क वास्तुकला
- कृत्रिम न्यूरॉन नेटवर्क का उदाहरण
- मशीन लर्निंग और एएनएन के बीच तुलना
- तंत्रिका नेटवर्क और दीप सीखना
- कृत्रिम तंत्रिका नेटवर्क अनुप्रयोग
- तंत्रिका नेटवर्क की सीमाएँ
- निष्कर्ष
- अनुशंसित पाठ
मशीन लर्निंग क्या है?
मशीन लर्निंग विज्ञान का एक क्षेत्र है जो कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने और कार्य करने की क्षमता देता है। यह आर्टिफिशियल इंटेलिजेंस का एक उपक्षेत्र है।
एक कृत्रिम तंत्रिका नेटवर्क क्या है?
ANN एक गैर-रेखीय मॉडल है जो व्यापक रूप से मशीन लर्निंग में उपयोग किया जाता है और कृत्रिम बुद्धिमत्ता के क्षेत्र में एक आशाजनक भविष्य है।
कृत्रिम तंत्रिका नेटवर्क एक जैविक तंत्रिका नेटवर्क के अनुरूप है। एक जैविक तंत्रिका नेटवर्क एक मानव मस्तिष्क में अरबों परस्पर जुड़े न्यूरॉन्स की संरचना है। मानव मस्तिष्क में न्यूरॉन्स शामिल होते हैं जो शरीर के विभिन्न हिस्सों को किए गए कार्य के जवाब में जानकारी भेजते हैं।
इसके समान, एक कृत्रिम तंत्रिका नेटवर्क (ANN) विज्ञान में एक कम्प्यूटेशनल नेटवर्क है जो मानव मस्तिष्क की विशेषताओं से मिलता जुलता है। एएनएन मानव मस्तिष्क के मूल न्यूरॉन्स के रूप में मॉडल कर सकता है, इसलिए एएनएन प्रसंस्करण भागों को कृत्रिम न्यूरॉन्स कहा जाता है।
एएनएन में एक बड़ी संख्या में परस्पर जुड़े न्यूरॉन्स होते हैं जो मस्तिष्क के काम करने से प्रेरित होते हैं। इन न्यूरॉन्स में सीखने की क्षमता है, प्रशिक्षण डेटा को सामान्य बनाना और जटिल डेटा से परिणाम प्राप्त करना है।
इन नेटवर्कों का उपयोग वर्गीकरण और भविष्यवाणी, पैटर्न और प्रवृत्ति की पहचान, अनुकूलन समस्याओं आदि के क्षेत्रों में किया जाता है। ANN प्रशिक्षण डेटा (इनपुट और लक्ष्य आउटपुट ज्ञात) से बिना किसी प्रोग्रामिंग के सीखता है।
सीखा तंत्रिका नेटवर्क कहा जाता है a विशेषज्ञ प्रणाली जानकारी का विश्लेषण करने और एक विशिष्ट क्षेत्र के सवालों के जवाब देने की क्षमता के साथ।
डॉ। रोबर्ट हेच-नील्सन द्वारा दी गई ANN की औपचारिक परिभाषा, एक पहले न्यूरो कंप्यूटर के आविष्कारक हैं:
'... एक कंप्यूटिंग सिस्टम कई सरल, उच्च अंतःसंबंधित प्रसंस्करण तत्वों से बना है, जो बाहरी इनपुटों के लिए उनकी गतिशील स्थिति की प्रतिक्रिया द्वारा सूचना को संसाधित करते हैं'।
एक जैविक तंत्रिका नेटवर्क की संरचना
जैविक तंत्रिका नेटवर्क में निम्न शामिल हैं:
- सोमा: इसे सेल बॉडी भी कहा जाता है। यह वह जगह है जहां सेल नाभिक स्थित है।
- डेंड्राइट्स: ये पेड़ जैसे नेटवर्क होते हैं जो सेल बॉडी से जुड़े होते हैं। यह तंत्रिका फाइबर से बना है।
- Axon: एक्सॉन सेल बॉडी से सिग्नल ले जाता है। यह स्ट्रैड्स में विभाजित हो जाता है और प्रत्येक स्ट्रैंड सिंटैप नामक बल्ब जैसी संरचना में समाप्त हो जाता है। विद्युत संकेतों को सिनेप्स और डेंड्राइट्स के बीच पारित किया जाता है।
(छवि स्रोत )
जैविक न्यूरॉन और कृत्रिम न्यूरॉन की तुलना
| जैविक न्यूरॉन | कृत्रिम न्यूरॉन |
|---|---|
| एमएल को ईकामर्स, हेल्थकेयर, उत्पाद सिफारिशों, आदि में लागू किया जाता है। | ANN को फाइनेंस डोमेन, मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस में लागू किया जाता है। |
| यह कोशिकाओं से बना है। | कोशिकाएं न्यूरॉन्स के अनुरूप हैं। |
| इसमें डेंड्राइट्स हैं जो सेल बॉडी के बीच इंटरकनेक्ट हैं। | कनेक्शन का वजन डेन्ड्राइट के अनुरूप है। |
| सोमा इनपुट प्राप्त करता है। | सोमा शुद्ध इनपुट वजन के समान है। |
| अक्षतंतु संकेत प्राप्त करता है। | ANN का आउटपुट अक्षतंतु से मेल खाता है। |
एएनएन के लक्षण
- गैर रैखिकता: इनपुट सिग्नल के निर्माण के लिए ANN में अपनाए जाने वाला तंत्र अशुभ है।
- पर्यवेक्षित अध्ययन: इनपुट और आउटपुट मैप किए गए हैं और ANN को प्रशिक्षण डेटासेट के साथ प्रशिक्षित किया गया है।
- अप्रशिक्षित शिक्षण: लक्ष्य आउटपुट नहीं दिया गया है, इसलिए एएनएन इनपुट पैटर्न में सुविधाओं की खोज करके अपने आप सीख जाएगा।
- अनुकूली प्रकृति: एएनएन के नोड्स में कनेक्शन का वजन वांछित आउटपुट देने के लिए खुद को समायोजित करने में सक्षम है।
- जैविक न्यूरॉन सादृश्य: एएनएन में एक मानव मस्तिष्क-प्रेरित संरचना और कार्यक्षमता है।
- दोष सहिष्णुता: ये नेटवर्क अत्यधिक सहिष्णु हैं क्योंकि जानकारी परतों में वितरित की जाती है और गणना वास्तविक समय में होती है।
ANN की संरचना
कृत्रिम तंत्रिका नेटवर्क या तो एल्गोरिदम या हार्डवेयर उपकरणों के रूप में तत्वों का प्रसंस्करण कर रहे हैं जो मानव मस्तिष्क सेरेब्रल कॉर्टेक्स के न्यूरोनल संरचना के बाद तैयार किए गए हैं।
इन नेटवर्कों को केवल न्यूरल नेटवर्क भी कहा जाता है। NN कई परतों से बना है। कई परतें जो परस्पर जुड़ी होती हैं, उन्हें अक्सर 'बहुपरत पर्सेप्ट्रॉन' कहा जाता है। एक परत में न्यूरॉन्स को 'नोड्स' कहा जाता है। इन नोड्स में एक 'एक्टिवेशन फंक्शन' होता है।
ANN की 3 मुख्य परतें हैं:
- इनपुट परत: इनपुट पैटर्न इनपुट परतों को खिलाया जाता है। एक इनपुट परत है।
- छिपी परतें: एक या अधिक छिपी हुई परतें हो सकती हैं। आंतरिक परतों में होने वाले प्रसंस्करण को 'छिपी हुई परतें' कहा जाता है। छिपी हुई परतें 'भार' के आधार पर आउटपुट की गणना करती हैं जो 'भारित सिंकैप कनेक्शन का योग' है। छिपी हुई परतें अनावश्यक जानकारी को हटाकर इनपुट को परिष्कृत करती हैं और आगे की प्रक्रिया के लिए अगली छिपी परत को जानकारी भेजती हैं।
- आउटपुट परत: यह छिपी हुई परत 'आउटपुट लेयर' से जुड़ती है जहाँ आउटपुट दिखाया जाता है।
सक्रियण समारोह
सक्रियण फ़ंक्शन एक न्यूरॉन की आंतरिक स्थिति है। यह इनपुट का एक कार्य है जिसे न्यूरॉन प्राप्त करता है। सक्रियण फ़ंक्शन का उपयोग एएनएन के नोड पर इनपुट सिग्नल को आउटपुट सिग्नल में परिवर्तित करने के लिए किया जाता है।
एक कृत्रिम न्यूरॉन क्या है?
एक कृत्रिम तंत्रिका नेटवर्क में नोड या न्यूरॉन्स नामक अत्यधिक परस्पर प्रसंस्करण तत्व होते हैं।
उदाहरण के साथ सिस्टम परीक्षण क्या है
ये न्यूरॉन समानांतर में काम करते हैं और एक वास्तुकला में व्यवस्थित होते हैं। कनेक्शन लिंक द्वारा नोड्स एक दूसरे से जुड़े होते हैं। प्रत्येक न्यूरॉन एक भार वहन करता है जिसमें इनपुट सिग्नल के बारे में जानकारी होती है।
कैसे काम करता है आर्टिफिशियल न्यूरॉन?
एक कृत्रिम न्यूरॉन एक इनपुट प्राप्त करता है। इन सूचनाओं का एक वजन होता है जिसे 'सिंकैप' कहा जाता है। इन न्यूरॉन्स (जिन्हें नोड्स भी कहा जाता है) में 'सक्रियण फ़ंक्शन' होता है। यह सक्रियण फ़ंक्शन इनपुट पर काम करता है और आउटपुट देने के लिए इसे प्रोसेस करता है।
इनपुट का भारित योग एक आउटपुट देने के लिए सक्रियण फ़ंक्शन का एक इनपुट सिग्नल बन जाता है। ये इनपुट वज़न समायोज्य हैं ताकि तंत्रिका नेटवर्क वांछित आउटपुट देने के लिए अपने मापदंडों को समायोजित कर सके।
कृत्रिम तंत्रिका नेटवर्क में उपयोग किए जाने वाले कुछ सामान्य सक्रियण कार्य हैं:
(1) पहचान समारोह
इसे x के सभी मानों के लिए f (x) = x के रूप में परिभाषित किया जा सकता है। यह एक रैखिक फ़ंक्शन है जहां आउटपुट इनपुट के समान है।
# 2) बाइनरी स्टेप फंक्शन
शुद्ध इनपुट को आउटपुट में बदलने के लिए इस फ़ंक्शन का उपयोग सिंगल लेयर नेटवर्क में किया जाता है। आउटपुट बाइनरी है यानी 0 या 1. टी थ्रेशोल्ड वैल्यू को दर्शाता है।
(छवि स्रोत )
# 3) द्विध्रुवी चरण समारोह
द्विध्रुवी चरण फ़ंक्शन में शुद्ध इनपुट के लिए द्विध्रुवी आउटपुट (+1 या -1) है। टी सीमा मूल्य का प्रतिनिधित्व करता है।
# 4) सिगमाइडल फंक्शन
इसका उपयोग backpropagation नेटवर्क में किया जाता है।
यह 2 प्रकार का होता है:
- बाइनरी सिग्मोइड फ़ंक्शन: इसे एकध्रुवीय सिग्मॉइड फ़ंक्शन या लॉजिस्टिक सिग्मॉइड फ़ंक्शन भी कहा जाता है। सिग्मोएडल कार्यात्मक की सीमा 0 से 1 है।
- द्विध्रुवी सिग्मोइड: द्विध्रुवी सिग्मोइडल फ़ंक्शन -1 से +1 तक होता है। यह हाइपरबोलिक स्पर्शरेखा फ़ंक्शन के समान है।
(छवि स्रोत )
# 5) रैम्पफंक्शन
द इनपुट का भारित योग 'इनपुट के मूल्य और इनपुट के मूल्य के उत्पाद' का अर्थ है सभी इनपुट के लिए एक साथ सम्मिलित।
I = {I1, I2, I3… in} न्यूरॉन को इनपुट पैटर्न हो।
बता दें कि W = {W1, W2, W3… Wn} प्रत्येक इनपुट के नोड से जुड़ा हुआ वजन है।
I = 1 से n के लिए इनपुट्स का भारित योग = वाई = (? वाई * आई)
एएनएन के मूल मॉडल
कृत्रिम तंत्रिका नेटवर्क मॉडल में 3 इकाइयाँ होती हैं:
- भार या सिनैप्टिक कनेक्शन
- वज़न को समायोजित करने के लिए सीखने के नियम का उपयोग किया जाता है
- न्यूरॉन के सक्रियण कार्य
तंत्रिका नेटवर्क वास्तुकला
एएनएन में न्यूरॉन्स आपस में जुड़े होते हैं और प्रत्येक न्यूरॉन का उत्पादन वज़न के माध्यम से अगले न्यूरॉन से जुड़ा होता है। एक ANN में इन अंतर्संबंधों की वास्तुकला महत्वपूर्ण है। यह व्यवस्था परतों के रूप में है और परतों के बीच और परत के भीतर संबंध तंत्रिका नेटवर्क वास्तुकला है।
सबसे आम तौर पर ज्ञात नेटवर्क आर्किटेक्चर हैं:
- सिंगल-लेयर फीड-फॉरवर्ड नेटवर्क
- मल्टी लेयर फीड-फॉरवर्ड नेटवर्क
- अपनी खुद की प्रतिक्रिया के साथ एकल नोड
- सिंगल-लेयर आवर्तक नेटवर्क
- मल्टी लेयर आवर्तक नेटवर्क
आइए हम इनमें से प्रत्येक पर विस्तार से विचार करें।
विंडोज 7 के लिए मुफ्त बैकअप सॉफ्टवेयर
# 1) सिंगल-लेयर फीड-फॉरवर्ड नेटवर्क
एक परत न्यूरॉन्स से बना एक नेटवर्क है। ये न्यूरॉन्स अगली परत के अन्य न्यूरॉन्स से जुड़े होते हैं। एक परत के लिए, केवल इनपुट और आउटपुट परतें हैं। इनपुट लेयर वज़न के साथ आउटपुट लेयर नोड्स से जुड़ा होता है।
सभी इनपुट नोड्स आउटपुट नोड्स में से प्रत्येक से जुड़े होते हैं। फ़ीड-फ़ॉरवर्ड शब्द में दर्शाया गया है कि आउटपुट लेयर से इनपुट लेयर पर कोई प्रतिक्रिया नहीं भेजी गई है। यह सिंगल लेयर फीड-फॉरवर्ड नेटवर्क बनाता है।
(छवि स्रोत )
# 2) मल्टी लेयर फीड-फॉरवर्ड नेटवर्क
मल्टी-लेयर नेटवर्क में इनपुट और आउटपुट के बीच एक या अधिक लेयर होते हैं। इनपुट लेयर सिर्फ एक सिग्नल प्राप्त करती है और इसे बफर करती है जबकि आउटपुट लेयर आउटपुट दिखाती है। इनपुट और आउटपुट के बीच की परतों को छिपी हुई परतें कहा जाता है।
छिपी हुई परतें बाहरी वातावरण के संपर्क में नहीं हैं। छिपी हुई परतों की अधिक संख्या के साथ, आउटपुट प्रतिक्रिया अधिक कुशल है। पिछली परत के नोड्स अगली परत में प्रत्येक नोड से जुड़े होते हैं।
चूंकि इनपुट या छिपी हुई परतों से जुड़ी कोई आउटपुट लेयर नहीं है, यह एक मल्टी-लेयर फीड-फ़ॉरवर्ड नेटवर्क बनाती है।
# 3) अपनी खुद की प्रतिक्रिया के साथ एकल नोड
नेटवर्क जहां आउटपुट लेयर आउटपुट को इनपुट लेयर या अन्य हिडन लेयर्स के इनपुट के रूप में वापस भेजा जाता है, फीडबैक नेटवर्क्स कहलाता है। एकल-नोड फ़ीडबैक सिस्टम में, एकल इनपुट परत होती है, जहां आउटपुट को फीडबैक के रूप में पुनः निर्देशित किया जाता है।
# 4) सिंगल लेयर आवर्तक नेटवर्क
एकल परत आवर्तक नेटवर्क में, प्रतिक्रिया नेटवर्क एक बंद लूप बनाता है। इस मॉडल में, एकल न्यूरॉन को नेटवर्क या दोनों में स्वयं या अन्य न्यूरॉन्स के लिए प्रतिक्रिया मिलती है।
# 5) मल्टी लेयर रिकरंट नेटवर्क
मल्टी-लेयर आवर्तक नेटवर्क में, कई छिपी हुई परतें मौजूद होती हैं और आउटपुट को पिछली परतों के न्यूरॉन्स और अन्य न्यूरॉन्स पर एक ही परतों या उसी न्यूरॉन में पुनः निर्देशित किया जाता है।
कृत्रिम न्यूरॉन नेटवर्क का उदाहरण
दिए गए इनपुट के साथ नीचे के नेटवर्क को लें और नेट इनपुट न्यूरॉन की गणना करें और बाइनरी सिग्मोइडल के रूप में सक्रियण फ़ंक्शन के साथ न्यूरॉन वाई का आउटपुट प्राप्त करें।
इनपुट में 3 न्यूरॉन्स X1, X2 और X3 और सिंगल आउटपुट Y है।
इनपुट्स से जुड़े भार इस प्रकार हैं: {0.2, 0.1, -0.3}
इनपुट्स = {0.3, 0.5, 0.6}
नेट इनपुट = {X1 * w1 + x2 * w2 + x3 * w3}
नेट इनपुट = (0.3 * 0.2) + (0.5 * 0.1) + (0.6 * -0.3)
नेट इनपुट = -0.07
बाइनरी सिग्मोइडल के लिए आउटपुट:
X -0.07 है
आउटपुट 0.517 आता है
कैसे खोलें .json फ़ाइलें
मशीन लर्निंग और एएनएन के बीच तुलना
| मशीन लर्निंग | कृत्रिम तंत्रिका नेटवर्क |
|---|---|
| मशीन लर्निंग इनपुट डेटा से सीखता है और ब्याज के आउटपुट डेटा पैटर्न को रोकता है। | एएनएन का उपयोग मशीन लर्निंग एल्गोरिदम में सिंटैप्स, नोड्स और कनेक्शन लिंक का उपयोग करके सिस्टम को प्रशिक्षित करने के लिए किया जाता है। |
| एमएल कृत्रिम बुद्धि के क्षेत्र का एक सबसेट है। | एएनएन भी आर्टिफिशियल इंटेलिजेंस फील्ड ऑफ साइंस का हिस्सा है और मशीन लर्निंग का सबसेट है। |
| एमएल एल्गोरिदम निर्णय लेने के उद्देश्य के लिए एल्गोरिथ्म को खिलाए गए डेटा से सीखते हैं। इनमें से कुछ एल्गोरिदम वर्गीकरण हैं। क्लस्टरिंग, एसोसिएशन डेटा माइनिंग। | एएनएन एक गहन शिक्षण विज्ञान है जो तार्किक संरचनाओं के साथ डेटा का विश्लेषण करता है जैसा कि मनुष्य करते हैं। कुछ सीखने की योजनाएं हेब्बियन, पर्सेप्ट्रॉन, बैक प्रचार, आदि हैं। |
| एमएल एल्गोरिदम में स्व-सीखने की क्षमता होती है, लेकिन परिणाम के गलत होने पर मानवीय हस्तक्षेप की आवश्यकता होगी। | यदि परिणाम गलत निकला तो ANN एल्गोरिदम में कनेक्शन वेट का उपयोग करके खुद को समायोजित करने की क्षमता है। |
| एमएल एल्गोरिदम को प्रोग्रामिंग कौशल, डेटा संरचना और बड़े डेटा डेटाबेस ज्ञान की आवश्यकता होती है। | एएनएन को गणित, संभावना, डेटा संरचनाओं आदि में मजबूत कौशल की भी आवश्यकता होती है। |
| एमएल कार्यक्रम डेटा के सीखा सेट के लिए परिणाम की भविष्यवाणी कर सकते हैं और नए डेटा के लिए खुद को समायोजित कर सकते हैं। | एएनएन नए डेटा के लिए अपने दम पर बुद्धिमान निर्णय ले सकता है और सीख सकता है लेकिन यह मशीन सीखने से अधिक गहरा है। |
| मशीन लर्निंग के अंतर्गत सुपरवाइज्ड एंड अनसुप्रवाइज्ड लर्निंग आते हैं। | कोहेनन, रेडियल पूर्वाग्रह, फीड-फॉरवर्ड न्यूरल नेटवर्क जैसे सीखना ANN के अंतर्गत आते हैं। |
| ML के कुछ उदाहरण Google खोज परिणाम आदि हैं। | ANN के कुछ उदाहरण चेहरे की पहचान, छवि पहचान आदि हैं। |
तंत्रिका नेटवर्क और दीप सीखना
डीप लर्निंग नेटवर्क में इनपुट और आउटपुट के बीच कई छिपी हुई परतें होती हैं। ये नेटवर्क उन में छिपी परतों की गहराई से प्रतिष्ठित हैं। आउटपुट दिखाए जाने से पहले इनपुट डेटा कई चरणों से गुजरता है।
ये नेटवर्क पहले के NN से अलग हैं जैसे कि परसेप्ट्रॉन जिसमें एक छिपी हुई परत थी और जिसे Shallow Networks कहा जाता था। गहरी सीखने वाले नेटवर्क में प्रत्येक छिपी परत डेटा को पिछली परत के आउटपुट के आधार पर कुछ विशेषताओं के साथ प्रशिक्षित करती है।
डेटा नोड पर नॉनलाइनियर फ़ंक्शन की कई परतों से गुजरता है। परतों की संख्या जितनी अधिक होगी, उतनी ही जटिल विशेषताओं को पहचाना जा सकता है क्योंकि अगली परत पिछली परतों से सुविधाओं का एकत्रीकरण करेगी।
नेटवर्क में कई छिपी हुई परतें जटिलता और अमूर्तता को बढ़ाती हैं। इस गहराई को एक सुविधा पदानुक्रम भी कहा जाता है। इसके कारण, गहन शिक्षण नेटवर्क उच्च आयामी डेटा को संभालने में सक्षम हैं।
गहन शिक्षण नेटवर्क के कुछ उदाहरणों में इसकी विशेषताओं और समानता के आधार पर लाखों छवियों का क्लस्टरिंग, ईमेल संदेशों को फ़िल्टर करना, सीआरएम में संदेशों को फ़िल्टर लागू करना, भाषण की पहचान करना आदि शामिल हैं।
डीप लर्निंग नेटवर्क्स को डाटा के लेबल और अनलेबल सेट दोनों पर प्रशिक्षित किया जा सकता है। डेटा के अनलिस्टेड सेट के लिए, बोल्ट्जमैन चयन मशीनों जैसे नेटवर्क स्वचालित सुविधा निष्कर्षण करते हैं।
नेटवर्क नमूना के माध्यम से इनपुट का विश्लेषण करके और इनपुट के आउटपुट और वितरण में अंतर को कम करके स्वचालित रूप से सीखता है। यहाँ तंत्रिका नेटवर्क सुविधाओं और परिणामों के बीच संबंध पाता है।
लेबल किए गए डेटा पर प्रशिक्षित गहन सीखने वाले नेटवर्क को असंरचित डेटा पर लागू किया जा सकता है। नेटवर्क को जितना अधिक डेटा खिलाया जाएगा, वह उतना ही सटीक होगा।
अनलिस्टेड डेटा से सीखने की नेटवर्क की क्षमता अन्य शिक्षण एल्गोरिदम पर एक फायदा है।
कृत्रिम तंत्रिका नेटवर्क अनुप्रयोग
तंत्रिका नेटवर्क को विभिन्न प्रकार के समाधानों में सफलतापूर्वक उपयोग किया गया है जैसा कि नीचे दिखाया गया है।
# 1) पैटर्न मान्यता: ANN का उपयोग पैटर्न रिकॉग्निशन, इमेज रिकग्निशन, इमेजेस के विज़ुअलाइज़ेशन, हैंडराइटिंग, स्पीच और ऐसे अन्य कार्यों में किया जाता है।
# 2) अनुकूलन समस्याएं: सबसे कम मार्ग, समय-निर्धारण और निर्माण की समस्याएँ जहाँ समस्या की बाधाओं को संतुष्ट करना है और इष्टतम समाधान प्राप्त करने की आवश्यकता है, वे एनएन का उपयोग कर रहे हैं।
# 3) पूर्वानुमान: एनएन अतीत के रुझानों का विश्लेषण करके स्थितियों के परिणाम की भविष्यवाणी कर सकता है। बैंकिंग, स्टॉक मार्केट, वेदर फोरकास्टिंग जैसे एप्लिकेशन न्यूरल नेटवर्क्स का उपयोग करते हैं।
# 4) नियंत्रण प्रणाली: नियंत्रण प्रणाली जैसे कंप्यूटर उत्पाद, रासायनिक उत्पाद और रोबोटिक्स तंत्रिका नेटवर्क का उपयोग करते हैं।
तंत्रिका नेटवर्क की सीमाएँ
नीचे सूचीबद्ध कुछ तंत्रिका नेटवर्क की कमियां हैं।
- ये नेटवर्क उपयोगकर्ता के लिए ब्लैक बॉक्स हैं क्योंकि उपयोगकर्ता के पास इनपुट खिलाने और आउटपुट देखने के अलावा कोई भूमिका नहीं है। उपयोगकर्ता एल्गोरिथ्म में होने वाले प्रशिक्षण से अनजान है।
- इन एल्गोरिदम बल्कि धीमी गति से कर रहे हैं और सटीक परिणाम देने के लिए कई पुनरावृत्तियों (जिसे युग भी कहा जाता है) की आवश्यकता होती है। ऐसा इसलिए है क्योंकि सीपीयू वजन की गणना करता है, प्रत्येक नोड का सक्रियण कार्य अलग-अलग होता है जिससे यह समय के साथ-साथ संसाधनों का उपभोग करता है। यह बड़ी मात्रा में डेटा के साथ समस्या का कारण भी बनता है।
निष्कर्ष
इस ट्यूटोरियल में, हमने आर्टिफिशियल न्यूरल नेटवर्क के बारे में सीखा, इसके अनुरूप जैविक न्यूरॉन और प्रकार के तंत्रिका नेटवर्क।
ANN मशीन सीखने के अंतर्गत आता है। यह एक कम्प्यूटेशनल मॉडल है जो कई न्यूरॉन नोड्स से बना है। ये नोड्स इनपुट प्राप्त करते हैं, सक्रियण फ़ंक्शन का उपयोग करके इनपुट को संसाधित करते हैं और आउटपुट को अगली परतों में पास करते हैं।
इनपुट्स कनेक्शन लिंक वेट के साथ जुड़े हुए हैं जिन्हें सिंकैप कहा जाता है। एक मूल ANN में एक इनपुट लेयर, वेट, एक्टिवेशन फंक्शन, हिडन लेयर और एक आउटपुट लेयर होता है।
इनपुट को आउटपुट में बदलने के लिए एक्टिवेशन फंक्शन्स का उपयोग किया जाता है। उनमें से कुछ द्विआधारी, द्विध्रुवी, सिग्मोइडल और एक रैंप फ़ंक्शन हैं। ANN के विभिन्न प्रकार होते हैं जैसे कि सिंगल-लेयर फीड फ़ॉरवर्ड, मल्टीलेयर फीड फ़ॉरवर्ड, आवर्तक नेटवर्क इत्यादि, छिपी हुई परतों और फीडबैक तंत्रों की संख्या के आधार पर।
इनपुट और आउटपुट के बीच कई छिपी परतों के साथ एएनएन गहन शिक्षण नेटवर्क बनाता है। गहन शिक्षण नेटवर्क में उच्च जटिलता और अमूर्त स्तर होता है जो उन्हें हजारों मापदंडों के साथ उच्च आयामी डेटा की गणना करने में सक्षम बनाता है।
ANN का उपयोग पूर्वानुमान, छवि प्रसंस्करण, नियंत्रण प्रणाली, आदि के क्षेत्र में किया जाता है। इन्हें विज्ञान में समस्याओं के समाधान के समाधान के रूप में सफलतापूर्वक लागू किया गया है।
हमें उम्मीद है कि इस ट्यूटोरियल ने आर्टिफिशियल न्यूरल नेटवर्क्स के बारे में आपको जो कुछ भी जानने की ज़रूरत है उसे समझाया !!
=> एक्सक्लूसिव मशीन लर्निंग सीरीज के लिए यहां जाएं
अनुशंसित पाठ
- डाटा माइनिंग बनाम मशीन लर्निंग बनाम आर्टिफिशियल इंटेलिजेंस बनाम डीप लर्निंग
- नेटवर्क सुरक्षा परीक्षण और सर्वश्रेष्ठ नेटवर्क सुरक्षा उपकरण
- मशीन लर्निंग के प्रकार: सुपरवाइज्ड Vs अनसुप्रवाइज्ड लर्निंग
- 2021 में 11 सबसे लोकप्रिय मशीन लर्निंग सॉफ्टवेयर टूल्स
- मशीन लर्निंग ट्यूटोरियल: एमएल और इसके अनुप्रयोगों का परिचय
- सबनेट मास्क (सबनेटिंग) और आईपी सबनेट कैलकुलेटर के लिए गाइड
- नेटवर्क भेद्यता मूल्यांकन और प्रबंधन गाइड
- 2021 के 15 सर्वश्रेष्ठ नेटवर्क स्कैनिंग उपकरण (नेटवर्क और आईपी स्कैनर)