আমি নিউরাল-নেটওয়ার্কে নতুন এবং আমি গাণিতিকভাবে বোঝার চেষ্টা করছি যা শ্রেণিবিন্যাসের সমস্যায় নিউরাল নেটওয়ার্কগুলি এত ভাল করে তোলে।
একটি ছোট নিউরাল নেটওয়ার্কের উদাহরণ গ্রহণ করে (উদাহরণস্বরূপ, ২ টি ইনপুট সহ একটি, একটি গোপন স্তরে ২ টি নোড এবং আউটপুটের জন্য ২ টি নোড) আপনার সমস্ত কিছুই আউটপুটে একটি জটিল ফাংশন যা বেশিরভাগই রৈখিক সংমিশ্রণে সিগময়েড থাকে সিগময়েডের।
সুতরাং, এটি কীভাবে তাদের পূর্বাভাস দেয়? চূড়ান্ত ফাংশনটি কোনও ধরণের কার্ভ ফিটিংয়ের দিকে পরিচালিত করে?
উত্তর:
শ্রেণিবিন্যাসে নিউরাল নেটওয়ার্কগুলি ভাল। কিছু পরিস্থিতিতে ভবিষ্যদ্বাণী নেমে আসে, তবে অগত্যা নয়।
শ্রেণিবিন্যাসে নিউরাল নেটওয়ার্কের দক্ষতার গাণিতিক কারণ হ'ল সর্বজনীন আনুমানিক উপপাদ্য । যা জানিয়েছে যে একটি নিউরাল নেটওয়ার্ক কমপ্যাক্ট সাবসেটের যে কোনও ধ্রুবক বাস্তব-মূল্যবান ফাংশন আনুমানিক করতে পারে। অনুমানের গুণমান নিউরনের সংখ্যার উপর নির্ভর করে। এটি আরও দেখানো হয়েছে যে বিদ্যমান স্তরগুলিতে নিউরনগুলিকে অতিরিক্ত স্তরগুলিতে যুক্ত করার পরিবর্তে অতিরিক্ত স্তরগুলিতে যুক্ত করার ফলে আনুমানিক মানের আরও দ্রুত উন্নতি হয়।
যুক্ত করুন যে ব্যাকপ্রোপেশন অ্যালগরিদমের কার্যকরভাবে বোঝা যায় না কার্যকারিতা এবং আপনার একটি সেটআপ থাকে তবে ইউএটি প্রতিশ্রুতি দেয় বা কাছের কিছু ঘটেছিল তা কার্যত শিখতে পারে।
নিউরাল নেটওয়ার্কগুলিতে আমরা প্রত্যেকটি বিষয়কে উচ্চ মাত্রায় বিবেচনা করি এবং একটি হাইপারপ্লেন সন্ধানের চেষ্টা করি যা তাদের ছোট ছোট পরিবর্তন দ্বারা শ্রেণিবদ্ধ করে ...
সম্ভবত এটি প্রমাণ করে তোলে যে এটি কাজ করে তবে অন্তর্নিহিততা বলে যদি এটি শ্রেণিবদ্ধ করা যায় তবে আপনি একটি স্বাচ্ছন্দ্যযুক্ত বিমান যুক্ত করে এটি করতে পারেন এবং কোনও স্থানীয় সর্বোত্তম খুঁজে পেতে এটি তথ্যের মধ্যে সরে যেতে দিন ...
নিউরাল নেটওয়ার্কগুলির সাহায্যে আপনি কেবল ডেটাগুলি শ্রেণিবদ্ধ করেন। আপনি যদি সঠিকভাবে শ্রেণিবদ্ধ করেন তবে ভবিষ্যতে শ্রেণিবিন্যাস করতে পারেন।
কিভাবে এটা কাজ করে?
পার্সসেপ্ট্রনের মতো সাধারণ স্নায়বিক নেটওয়ার্কগুলি ডেটাগুলি শ্রেণিবদ্ধ করার জন্য একটি সিদ্ধান্তের সীমানা আঁকতে পারে।
উদাহরণস্বরূপ ধরুন আপনি সাধারণ নিউরাল নেটওয়ার্কের সাথে সহজ এবং সমস্যা সমাধান করতে চান। আপনার কাছে x1 এবং x2যুক্ত 4 টি নমুনা ডেটা এবং ডাব্লু 1 এবং ডাব্লু 2 যুক্ত ওজন ভেক্টর রয়েছে। মনে করুন প্রাথমিক ওজন ভেক্টর [0 0]। আপনি যদি গণনা করেন যা এনএন অ্যালগরিটমের উপর নির্ভর করে। শেষে, আপনার একটি ওজন ভেক্টর [1 1] বা এর মতো কিছু থাকা উচিত।
গ্রাফিক উপর ফোকাস করুন।
এটি বলে: আমি ইনপুট মানগুলি দুটি শ্রেণিতে (0 এবং 1) শ্রেণিবদ্ধ করতে পারি। ঠিক আছে. তাহলে আমি কীভাবে এটি করতে পারি? এটা খুব সহজ। প্রথম যোগফলের ইনপুট মানগুলি (x1 এবং x2)।
0 টি + 0 = 0
0 টি + 1 = 1
1 + 0 = 1
1 + 1 টি = 2
এটা বলে:
যদি যোগফল <1.5 হয় তবে এর শ্রেণি 0 হয়
যদি যোগফল> 1.5 হয় তবে এর শ্রেণি 1 হয়
নিউরাল নেটওয়ার্কগুলি বিভিন্ন কাজে এক্সেল করে তবে ঠিক কী কারণে তা বোঝার জন্য শ্রেণিবদ্ধকরণ এবং গভীর ডুব দেওয়ার মতো কোনও নির্দিষ্ট কাজ করা আরও সহজ হতে পারে।
সাধারণ কথায়, মেশিন লার্নিং কৌশলগুলি পূর্ববর্তী উদাহরণগুলির উপর নির্ভর করে কোনও নির্দিষ্ট ইনপুটটি কোন শ্রেণীর অন্তর্গত তা অনুমান করার জন্য একটি ফাংশন শিখবে। স্নায়ুর জালকে কী আলাদা করে রাখে তা হ'ল এই ফাংশনগুলি তৈরির দক্ষতা যা ডেটাতে এমনকি জটিল নিদর্শনগুলি ব্যাখ্যা করতে পারে। নিউরাল নেটওয়ার্কের হৃদয় হ'ল রেলুর মতো একটি অ্যাক্টিভেশন ফাংশন, যা এটি কিছু বুনিয়াদি শ্রেণিবিন্যাসের মতো সীমারেখা আঁকতে দেয়:
একসাথে এই জাতীয় শত শত রিলুস রচনা করে, নিউরাল নেটওয়ার্কগুলি নির্বিচারে জটিল শ্রেণিবিন্যাসের সীমানা তৈরি করতে পারে, উদাহরণস্বরূপ:
এই নিবন্ধে, আমি নিউরাল নেটওয়ার্কগুলি কী কাজ করে তার পিছনে অন্তর্দৃষ্টি ব্যাখ্যা করার চেষ্টা করি: https://medium.com/machine-inte Fightnce-report/how-do-neural-networks-work-57d1ab5337ce