আদল
মেশিন লার্নিং অ্যাপ্লিকেশনগুলিতে একটি সাধারণ প্রশ্নের উত্তর দেওয়ার জন্য মূলত উভয় ধরণের অ্যালগরিদম তৈরি করা হয়েছিল:
প্রদত্ত পূর্বাভাসকারী (ফ্যাক্টর) - পারফরম্যান্স বাড়ানোর জন্য এই উপাদানগুলির মধ্যে মিথস্ক্রিয়াকে কীভাবে যুক্ত করতে হবে?এক্স1, এক্স2, … , এক্সপি
একটি উপায় হ'ল নতুন ভবিষ্যদ্বাণীকারীদের সহজভাবে পরিচয় করিয়ে দেওয়া: তবে বিপুল সংখ্যক পরামিতি এবং খুব নির্দিষ্ট ধরণের মিথস্ক্রিয়তার কারণে এটি খারাপ ধারণা হিসাবে প্রমাণিত।এক্সপি + 1= এক্স1এক্স2, এক্সপি + 2= এক্স1এক্স3, …
মাল্টিলেভেল মডেলিং এবং ডিপ লার্নিং অ্যালগরিদম উভয়ই ইন্টারঅ্যাকশনের আরও স্মার্ট মডেল প্রবর্তন করে এই প্রশ্নের উত্তর দেয়। এবং এই দৃষ্টিকোণ থেকে তারা খুব অনুরূপ।
পার্থক্য
এখন তাদের মধ্যে দুর্দান্ত ধারণাগত পার্থক্য কী তা সম্পর্কে আমার বোঝার চেষ্টা করার সুযোগ দিন। কিছু ব্যাখ্যা দেওয়ার জন্য, আসুন আমরা প্রতিটি মডেলকে অনুমান করি:
মাল্টিলেভেল মডেলিং: structure স্তর যা ডেটা কাঠামোকে প্রতিফলিত করে তা একটি বায়সিয়ান হায়ারার্কিকাল নেটওয়ার্ক হিসাবে উপস্থাপিত হতে পারে । এই নেটওয়ার্কটি স্থির এবং সাধারণত ডোমেন অ্যাপ্লিকেশন থেকে আসে।1
গভীর শিক্ষা: factors ডেটাটি অনেক কারণের ইন্টারঅ্যাকশন দ্বারা উত্পন্ন হয়েছিল। মিথস্ক্রিয়া কাঠামো জানা যায় না, তবে স্তরযুক্ত কারণ হিসাবে উপস্থাপিত হতে পারে: উচ্চ-স্তরের মিথস্ক্রিয়া নিম্ন-স্তরের উপস্থাপনাগুলি রূপান্তরিত করে প্রাপ্ত হয়।2
মৌলিক পার্থক্যটি ডিপ লার্নিংয়ের "মিথস্ক্রিয়া কাঠামোটি জানা যায় না" এই বাক্যটি থেকে আসে । আমরা ইন্টারঅ্যাকশনর ধরণে কিছু প্রিয়ার ধরে নিতে পারি, তবে তবুও অ্যালগরিদম শিখার পদ্ধতির সময় সমস্ত মিথস্ক্রিয়া সংজ্ঞায়িত করে। অন্যদিকে, মাল্টিলেভেল মডেলিংয়ের জন্য আমাদের ইন্টারঅ্যাকশনগুলির কাঠামোটি সংজ্ঞায়িত করতে হবে (আমরা কেবলমাত্র মডেলটির প্যারামিটারগুলির পরে পরিবর্তিত শিখি)।
উদাহরণ
উদাহরণস্বরূপ, ধরে নেওয়া যাক আমাদের তিনটি উপাদান এবং আমরা এবং কে বিভিন্ন স্তর হিসাবে সংজ্ঞায়িত করি ।এক্স1, এক্স2, এক্স3। x1}। x2, এক্স3}
মাল্টিলেভেল মডেলিং রিগ্রেশনে, উদাহরণস্বরূপ, আমরা ইন্টারঅ্যাকশনগুলি পাবএক্স1এক্স2 এবং মিথস্ক্রিয়াগুলি পেয়ে যাব, তবে আমরা কখনই ইন্টারঅ্যাকশনটি পাব না । অবশ্যই, আংশিকভাবে ফলাফলগুলি ত্রুটির পারস্পরিক সম্পর্কের দ্বারা প্রভাবিত হবে, তবে উদাহরণের জন্য এটি অতটা গুরুত্বপূর্ণ নয়।এক্স1এক্স3এক্স2এক্স3
ডিপ লার্নিংয়ে, উদাহরণস্বরূপ মাল্টিলেয়ার্ড সীমাবদ্ধ বল্টজম্যান মেশিনে ( আরবিএম ) দুটি লুকানো স্তর এবং লিনিয়ার অ্যাক্টিভেশন ফাংশন সহ, আমাদের তিনটি এর চেয়ে কম বা সমান ডিগ্রি সহ সমস্ত সম্ভাব্য বহুবচন ইন্টারঅ্যাকশন থাকবে।
সাধারণ সুবিধা এবং অসুবিধা
মাল্টিলেভেল মডেলিং
(-) মিথস্ক্রিয়া কাঠামো সংজ্ঞায়িত করা প্রয়োজন
(+) ফলাফলগুলি ব্যাখ্যা করা সাধারণত সহজ
(+) পরিসংখ্যান পদ্ধতি প্রয়োগ করতে পারে (আত্মবিশ্বাসের অন্তরগুলি মূল্যায়ন করতে, হাইপোথিসিগুলি পরীক্ষা করে)
গভীর জ্ঞানার্জন
(-) প্রশিক্ষণের জন্য প্রচুর পরিমাণে ডেটা প্রয়োজন (এবং পাশাপাশি প্রশিক্ষণের জন্য সময়ও)
(-) ফলাফলগুলি ব্যাখ্যা করা সাধারণত অসম্ভব (একটি ব্ল্যাক বক্স হিসাবে সরবরাহ করা হয়)
(+) কোনও বিশেষজ্ঞের জ্ঞানের প্রয়োজন নেই
(+) একবার ভাল প্রশিক্ষিত হয়ে সাধারণত অন্যান্য বেশিরভাগ সাধারণ পদ্ধতিকে ছাড়িয়ে যায় (অ্যাপ্লিকেশন নির্দিষ্ট নয়)
আশা করি এটি সাহায্য করবে!