কৃত্রিম নিউরাল নেটওয়ার্ক এএনএন কীভাবে অব্যবহৃত ক্লাস্টারিংয়ের জন্য ব্যবহার করা যেতে পারে?

Question

আমি বুঝতে পারি যে কীভাবে একটি artificial neural network (ANN), ভবিষ্যদ্বাণীগুলির ত্রুটি হ্রাস করে ফিটিংটি উন্নত করতে ব্যাকপ্রোগেশন ব্যবহার করে তদারকি পদ্ধতিতে প্রশিক্ষণ দেওয়া যায়। আমি শুনেছি যে একটি এএনএন নিরীক্ষণযোগ্য শিক্ষার জন্য ব্যবহার করা যেতে পারে তবে অপ্টিমাইজেশন পর্যায়ে গাইড করার জন্য কোনও ধরণের ব্যয় বিনা ব্যতীত এটি কীভাবে করা যায়? কে-মানে বা ইএম অ্যালগরিদমের সাথে একটি ফাংশন রয়েছে যার জন্য প্রতিটি পুনরাবৃত্তি বাড়ানোর জন্য অনুসন্ধান করে।

• আমরা কীভাবে কোনও এএনএন দিয়ে ক্লাস্টারিং করতে পারি এবং এটি একই অঞ্চলে ডেটা পয়েন্টগুলি গোষ্ঠী করতে কোন পদ্ধতি ব্যবহার করে?

(এবং এতে আরও স্তর যুক্ত করার সাথে কী কী অতিরিক্ত দক্ষতা এনেছে?)

Comments

আপনি কি সাধারণভাবে এনএন নিরক্ষিত শিক্ষণে আগ্রহী, বা বিশেষত স্নায়ুবহুল নেটওয়ার্কগুলির সাথে নিবন্ধিত ক্লাস্টারিংয়ে আগ্রহী?

— ডেনিস তারাসভ

@ ডেনিসটারাসভ, আমি প্রাথমিকভাবে এনএন এর সাথে নিরীক্ষণমূলক ক্লাস্টারিং করতে আগ্রহী, তবে সাধারণভাবে এনএন নিরক্ষিত এনএন শিক্ষার বিষয়ে খুব বেশি কিছু জানি না। এটি দুর্দান্ত হবে যদি কোনও উত্তরটিতে নির্দিষ্ট অ্যাপ্লিকেশনটি নিয়ে আলোচনার আগে সাধারণভাবে কিছুটা এনএন নিরীক্ষণযোগ্য শেখার অন্তর্ভুক্ত থাকে।

— ভাস

সেলফ অর্গানাইজিং ম্যাপ (এসওএম) ক্লাস্টারিংয়ের জন্য ব্যবহৃত এক ধরণের নেটওয়ার্ক।

— ক্যাগডাস ওজজেঙ্ক

এএনএন-এ নিরীক্ষণযোগ্য শিক্ষণ - এটি প্রশিক্ষণের সেট থেকে পরিসংখ্যানগত বৈশিষ্ট্যগুলি বের করে। - নিরীক্ষণযোগ্য পড়াশোনা আরও কঠিন তবে জৈবিকভাবে প্রশংসনীয় হিসাবে দেখা হয় - কোনও শিক্ষকের প্রয়োজন নেই।

— ইয়োনাস

Answer 1

ইনপুট ডেটার আরও ভাল উপস্থাপনা শেখার জন্য নিউরাল নেটওয়ার্কগুলি আনসারভিজড লার্নিংয়ে ব্যাপকভাবে ব্যবহৃত হয়। উদাহরণস্বরূপ, পাঠ্য নথির একটি সেট দেওয়া, এনএন ডকুমেন্ট থেকে রিয়েল-ভ্যালু ভেক্টরকে এমনভাবে ম্যাপিং শিখতে পারে যে ফলস্বরূপ ভেক্টর অনুরূপ সামগ্রীযুক্ত দস্তাবেজের জন্য সমান, অর্থাৎ দূরত্ব সংরক্ষণ করে। উদাহরণস্বরূপ, অটো-এনকোডারগুলি ব্যবহার করে এটি অর্জন করা যেতে পারে - এমন একটি মডেল যা ব্যয় ফাংশন হিসাবে পুনর্গঠন ত্রুটি (আইডি ফাংশন থেকে দূরত্ব) সহ একটি ছোট প্রতিনিধিত্ব (লুকানো স্তর ক্রিয়াকলাপ) থেকে মূল ভেক্টরটিকে পুনর্গঠন করার প্রশিক্ষণ দেওয়া হয়। এই প্রক্রিয়াটি আপনাকে ক্লাস্টার দেয় না, তবে এটি অর্থপূর্ণ উপস্থাপনা তৈরি করে যা ক্লাস্টারিংয়ের জন্য ব্যবহার করা যেতে পারে। আপনি উদাহরণস্বরূপ, লুকানো স্তরের ক্রিয়াকলাপগুলিতে একটি ক্লাস্টারিং অ্যালগরিদম চালাতে পারেন।

ক্লাস্টারিং: বেশ কয়েকটি বিভিন্ন এনএন আর্কিটেকচার বিশেষত ক্লাস্টারিংয়ের জন্য ডিজাইন করা হয়েছে। সর্বাধিক পরিচিত এটি সম্ভবত স্ব-সংগঠিত মানচিত্র। একটি এসওএম হ'ল একটি এনএন যার একটি টপোলজিকাল গ্রিড (সাধারণত আয়তক্ষেত্রাকার) গঠনের জন্য সংযুক্ত নিউরনের একটি সেট থাকে। যখন কোনও এসএমএমে কিছু নিদর্শন উপস্থাপন করা হয়, তখন নিকটতম ওজন ভেক্টরযুক্ত নিউরনকে বিজয়ী হিসাবে বিবেচনা করা হয় এবং এর ওজনগুলি প্যাটার্নের সাথে সাথে তার আশেপাশের ওজনের সাথে খাপ খাইয়ে নেওয়া হয়। এইভাবে একটি এসওএম স্বাভাবিকভাবেই ডেটা ক্লাস্টারগুলি সন্ধান করে। কিছুটা সম্পর্কিত অ্যালগরিদম হ্রাস করছে নিউরাল গ্যাস (এটি পূর্বনির্ধারিত সংখ্যক নিউরনের মধ্যে সীমাবদ্ধ নয়)।

আর একটি পদ্ধতির অ্যাডাপিটিভ রেজোনান্স থিওরি যেখানে আমাদের দুটি স্তর রয়েছে: "তুলনা ক্ষেত্র" এবং "স্বীকৃতি ক্ষেত্র"। স্বীকৃতি ক্ষেত্রটি তুলনা ক্ষেত্র থেকে স্থানান্তরিত ভেক্টরের সাথে সেরা ম্যাচ (নিউরন) নির্ধারণ করে এবং পার্শ্বীয় বাধা সংযোগও রয়েছে। বাস্তবায়ন বিশদ এবং সঠিক সমীকরণ সহজেই এই মডেলগুলির নাম গুগল করে খুঁজে পাওয়া যায়, তাই আমি সেগুলি এখানে রাখব না।

Answer 2

আপনি স্ব-সংগঠিত মানচিত্রগুলি সন্ধান করতে চান । কোহোনেন (যিনি এগুলি আবিষ্কার করেছিলেন) তাদের সম্পর্কে একটি বই লিখেছিলেন । আর এর জন্য প্যাকেজ রয়েছে ( সোম , কোহোনেন ) এবং অন্যান্য ভাষায় যেমন ম্যাটল্যাব-তে বাস্তবায়ন রয়েছে ।

Comments

এনএন কীভাবে এটি করতে পারে এবং তত্ত্বটির বিস্তারিত ব্যাখ্যা করতে পারে সে সম্পর্কে আপনি কি কিছু বিশদে যেতে পারেন? সম্ভবত ডিপ এনএন (ডিএনএন) ব্যবহারের প্রভাবটিও ব্যাখ্যা করবেন?

— ভাস

আমি ভীত, এখানে আমার খুব কম দক্ষতা আছে, @ ভাস। আমি মনে করি না যে অতিরিক্ত স্তরগুলি যুক্ত করা ধীরে ধীরে ধীরে ধীরে আরও কিছু করবে। অন্য কাউকে আপনাকে তত্ত্ব দিতে হবে, আমি আপনাকে শুরু করতে চাইছিলাম।

— গুং - মনিকা পুনরায়

আমাদের ল্যাবের একজন শিক্ষার্থী এসওএম ব্যবহার করে ক্লাস্টারিং নিয়ে পরীক্ষা-নিরীক্ষা করেছিলেন। এটি চলতে চিরতরে লেগেছিল এবং ফলাফল অন্যান্য পদ্ধতির তুলনায় খুব হতাশাব্যঞ্জক (আমাদের ক্ষেত্রে স্ট্যান্ডার্ড গ্রাফ ক্লাস্টারিং অ্যালগরিদমগুলিতে)। স্ট্যান্ডার্ড 2 ডি টার্গেট ডোমেন (টপোলজিকাল গ্রিড) একটি অত্যন্ত স্বেচ্ছাসেবী স্থান বলে মনে হচ্ছে আমি এই বিষয়টি নিয়ে সর্বদা বিস্মিত হয়েছি। আরও উদ্বেগজনকভাবে খুব সরল এবং প্রয়োজনীয়ভাবে কেবল দুটি ভেরিয়েবল দ্বারা বর্ণিত একটি স্পেসে ডেটা সংকোচনের প্রয়োজন।

— মাইকানস

@ মিম্যানস কিছু ভাল পয়েন্ট তৈরি করে, তবে ডেটা কেবলমাত্র দুটি ভেরিয়েবল দ্বারা বর্ণিত একটি স্পেসে সংকুচিত হয় না, কারণ প্রতিটি নোড একটি প্রোটোটাইপের সাথেও যুক্ত। এছাড়াও যদি দৌড়টা ধীর হয় তবে এটি কার্যকরভাবে কার্যকর হতে পারে। পরিসংখ্যানগতভাবে, এসওএম ব্যতীত অন্যান্য পদ্ধতির আরও ভাল শ্রেণিবিন্যাসের ফলাফল অর্জন করা উচিত। টপোলজি ইস্যু হিসাবে, মস্তিষ্ক 2D টপোলজির স্তর হিসাবে সংগঠিত বলে মনে হয় তবে এটি দুর্দান্ত ফলাফল অর্জন করে (বা তাই আমি ভাবতে চাই)।

— টম অ্যান্ডারসন