আমি একটি মাস্টার্স প্রোগ্রামে কৃত্রিম বুদ্ধিমত্তা অধ্যয়ন করি এবং আমরা নিউরাল নেটওয়ার্কগুলি প্রচুর ব্যবহার করি। এগুলি আসলে বেশ কার্যকর।
আমি মনে করি নিউরাল জালগুলির সমস্যাটি তাদের নাম। এটি উভয়ই একটি নিউরাল নেটওয়ার্ক প্রকৃত কী তা বিভ্রান্ত করে এবং কিছু লোককে তাদের যোগ্যতা নিয়ে প্রশ্ন তোলে কারণ তারা তাদের মস্তিষ্কের মতো কাজ করার প্রত্যাশা করে, যখন তারা সত্যই একটি অভিনব ধরনের কাজ করে।
নিউরাল নেট বোঝার সেরা উপায় হ'ল নামটি সরিয়ে নেওয়া। এটিকে কোনও মস্তিষ্কের মডেল হিসাবে ভাবেন না ... এটি নয় ... 1960 এর দশকে কিন্তু এটি ছিল 2011 এর উদ্দেশ্য এবং এটি মেশিন লার্নিং এবং শ্রেণিবিন্যাসের জন্য সর্বদা ব্যবহৃত হয়।
নিউরাল নেটওয়ার্ক আসলে একটি গাণিতিক ফাংশন। আপনি মানগুলির একটি ভেক্টর প্রবেশ করান, সেই মানগুলি অন্যান্য মান দ্বারা গুণিত হয় এবং মানগুলির একটি মান বা ভেক্টর আউটপুট হয়। এটাই তো তাই ।
তারা সমস্যাযুক্ত ডোমেনগুলিতে খুব দরকারী যেখানে প্রদত্ত বৈশিষ্ট্যগুলি (বা ইনপুট) তাদের আউটপুটগুলিতে (শ্রেণিবিন্যাস বা রিগ্রেশন) আনুমানিক করার জন্য কোনও জ্ঞাত ফাংশন নেই। একটি উদাহরণ আবহাওয়া হবে - আবহাওয়ার বৈশিষ্ট্য প্রচুর রয়েছে - টাইপ, তাপমাত্রা, চলন, মেঘের আবরণ, অতীতের ঘটনা ইত্যাদি but তবে আবহাওয়া এখন থেকে ২ দিন কেমন হবে তা গণনা করার জন্য কেউ ঠিক বলতে পারে না। নিউরাল নেটওয়ার্ক এমন একটি ফাংশন যা এমনভাবে কাঠামোগত হয় যা বৈশিষ্ট্যের উপর ভিত্তি করে আনুমানিক আবহাওয়ার পূর্বাভাসে এর পরামিতিগুলিকে পরিবর্তন করা সহজ করে তোলে।
জিনিসটি ... এটি একটি ফাংশন এবং এটি "শেখার" জন্য উপযুক্ত একটি সুন্দর কাঠামো রয়েছে। একজন বিগত পাঁচ বছরের আবহাওয়ার ডেটা গ্রহণ করবে - ভবিষ্যতের আবহাওয়ার বৈশিষ্ট্য এবং ভবিষ্যতে 2 দিন আবহাওয়ার পরিস্থিতি সহ বিগত পাঁচ বছরে প্রতিটি দিন পূর্ণ হবে। নেটওয়ার্ক ওজন (গুণগুলি যেগুলি প্রান্তগুলিতে থাকে) এলোমেলোভাবে উত্পন্ন হয় এবং ডেটা দিয়ে চালিত হয়। প্রতিটি পূর্বাভাসের জন্য, এনএন ভুল মান নির্ধারণ করবে। ব্যাক-প্রোগেশন-এর মতো ক্যালকুলাস ভিত্তিক একটি লার্নিং অ্যালগরিদম ব্যবহার করে, নেটওয়ার্কের সমস্ত ওজন আপডেট করার জন্য কেউ আউটপুট ত্রুটির মানগুলি ব্যবহার করতে পারে। ডেটা দিয়ে যথেষ্ট রান করার পরে, ত্রুটি স্তরগুলি সর্বনিম্ন বিন্দুতে পৌঁছে যাবে (এটির আরও অনেক কিছু আছে, তবে আমি এখানে এটিতে প্রবেশ করব না - সর্বাধিক গুরুত্বপূর্ণ হ'ল ফিটিং। লক্ষ্যটি হ'ল যখন ত্রুটির স্তর একটি সেরা পয়েন্টে থাকে তখন লার্নিং অ্যালগরিদম বন্ধ করা। নেটওয়ার্কটি তখন ঠিক করা হয় এবং এই মুহুর্তে এটিএকটি গাণিতিক ক্রিয়াকলাপ যা কোনও পুরানো সমীকরণের মতো আউটপুট মানগুলিতে মানচিত্রগুলি মানচিত্র করে। আপনি এতে নতুন ডেটা খাওয়ান এবং আস্থা রাখবেন যে আউটপুট মানগুলি একটি ভাল আনুমানিক।
যারা দাবি করেছেন তারা ব্যর্থ হয়েছেন: তারা তা নয়। এগুলি অনেকগুলি ডোমেইনে অত্যন্ত কার্যকর। আপনার কীভাবে গবেষকরা জিন এবং রোগের মধ্যে পারস্পরিক সম্পর্কের বিষয়টি খুঁজে বের করেন? এনএন, পাশাপাশি অন্যান্য শিখন অ্যালগরিদমগুলি বায়োইনফরম্যাটিকস এবং অন্যান্য ক্ষেত্রে ব্যবহৃত হয়। তারা অত্যন্ত ভাল ফলাফল উত্পাদন দেখানো হয়েছে। নাসা এখন এগুলিকে স্পেস স্টেশন রুটিনের জন্য ব্যাটারি লাইফের পূর্বাভাস দেওয়ার মতো ব্যবহার করে। কিছু লোক বলবেন যে সমর্থন ভেক্টর মেশিন ইত্যাদি আরও ভাল ... তবে এর কোনও প্রমাণ নেই, অন্যান্য অ্যালগরিদমগুলি আরও নতুন।
সত্যই এটি খুব খারাপ লোকেরা এখনও দাবি করে যে নিউরাল নেটওয়ার্কগুলি ব্যর্থ হয়েছে কারণ তারা মানুষের মস্তিষ্কের চেয়ে অনেক সহজ --- নিউরাল নেটওয়ার্কগুলি আর মস্তিষ্কের মডেল হিসাবে ব্যবহৃত হয় না - যা 50 বছর আগে ছিল।