নিউরাল নেটওয়ার্ক , বায়েশিয়ান নেটওয়ার্ক , ডিসিশন ট্রি এবং পেট্রি নেটগুলির মধ্যে পার্থক্য কী তা সমস্ত গ্রাফিকাল মডেল এবং দৃশ্যত কারণ-প্রভাবের সম্পর্ককে চিত্রিত করে।
নিউরাল নেটওয়ার্ক , বায়েশিয়ান নেটওয়ার্ক , ডিসিশন ট্রি এবং পেট্রি নেটগুলির মধ্যে পার্থক্য কী তা সমস্ত গ্রাফিকাল মডেল এবং দৃশ্যত কারণ-প্রভাবের সম্পর্ককে চিত্রিত করে।
উত্তর:
বাহ, কী বড় প্রশ্ন! উত্তরের সংক্ষিপ্ত সংস্করণটি হ'ল কেবল কারণ হিসাবে আপনি দুটি চিত্রকে চিত্রের মতো অনুরূপ ভিজ্যুয়াল উপস্থাপনা ব্যবহার করে প্রতিনিধিত্ব করতে পারেন, তার মানে এই নয় যে তারা এমনকি কাঠামোগত, কার্যকরী বা দার্শনিকভাবে দূরবর্তীভাবে সম্পর্কিত। আমি এফসিএম বা এনএফ এর সাথে পরিচিত নই, তবে আমি অন্যদের সাথে কিছুটা কথা বলতে পারি।
বায়েশিয়ান নেটওয়ার্ক
একটি বায়েশিয়ান নেটওয়ার্কে, গ্রাফটি মডেলের বিভিন্ন ভেরিয়েবলের শর্তসাপেক্ষ নির্ভরতা প্রতিনিধিত্ব করে। প্রতিটি নোড একটি চলককে উপস্থাপন করে এবং প্রতিটি নির্দেশিত প্রান্তটি শর্তাধীন সম্পর্কের প্রতিনিধিত্ব করে। মূলত, গ্রাফিকাল মডেলটি চেইন রুলের একটি দৃশ্যায়ন।
নিউরাল নেটওয়ার্ক
নিউরাল নেটওয়ার্কে প্রতিটি নোড হ'ল একটি সিমুলেটেড "নিউরন"। নিউরন মূলত চালু বা বন্ধ থাকে এবং এটির সক্রিয়করণটি নেটওয়ার্কের পূর্ববর্তী "স্তর" এর প্রতিটি আউটপুটের মানগুলির রৈখিক সংমিশ্রণ দ্বারা নির্ধারিত হয়।
সিদ্ধান্ত গাছ
ধরা যাক আমরা শ্রেণিবিন্যাসের জন্য সিদ্ধান্ত গাছ ব্যবহার করছি। গাছটি আমাদের মূলত একটি পর্যবেক্ষণ সরবরাহ করে যা আমাদের পর্যবেক্ষণকে কীভাবে শ্রেণিবদ্ধ করা উচিত তা বর্ণনা করে। আমরা গাছের গোড়ায় শুরু করি এবং যে পাতাটি আমরা শেষ করি তা আমাদের পূর্বাভাসের শ্রেণিবিন্যাসটি নির্ধারণ করে।
আপনি দেখতে পাচ্ছেন, এই তিনটি মডেলের বাক্স এবং তীরগুলির সাথে প্রতিনিধিত্বমূলক হওয়া ছাড়াও একে অপরের সাথে মূলত কিছুই করার নেই।
এটি দেখানো সহজ (ড্যাফনে কলারের কোর্স দেখুন ) যে লজিস্টিক রিগ্রেশন শর্তাধীন রেন্ডম ক্ষেত্রগুলির একটি সীমিত সংস্করণ, যা নিরীক্ষিত গ্রাফিক্যাল মডেলগুলি হয়, অন্যদিকে বায়েসিয়ান নেটওয়ার্কগুলি গ্রাফিকাল মডেলগুলি পরিচালনা করে। তারপরে, লজিস্টিক রিগ্রেশনকে একটি একক স্তর পারসেপ্ট্রন হিসাবেও দেখা যেতে পারে। এটিই কেবলমাত্র একটি লিঙ্ক (যা খুব আলগা হয়) যা আমার মনে হয় বায়সিয়ান নেটওয়ার্ক এবং নিউরাল নেটওয়ার্কগুলির মধ্যে আঁকতে পারে।
আপনি যে অন্যান্য ধারণাগুলি সম্পর্কে জিজ্ঞাসা করেছিলেন তার মধ্যে এখনও একটি লিঙ্ক খুঁজে পাইনি।
@ ডেভিড মার্ক্সের দুর্দান্ত উত্তর। আমি ভাবছিলাম, শ্রেণিবদ্ধকরণ / রিগ্রেশন ট্রি এবং বায়েশিয়ান নেটওয়ার্কের মধ্যে পার্থক্য কী। এক এক ব্যক্তি বিভিন্ন ভবিষ্যদ্বাণীকের উপর ভিত্তি করে ক্লাসগুলিতে ফলাফলকে শ্রেণিবদ্ধ করার জন্য এনট্রপি তৈরি করে এবং অন্যটি শর্তাধীন স্বাধীনতা এবং সম্ভাব্য পরামিতি অনুমানগুলি ব্যবহার করে একটি গ্রাফিকাল নেটওয়ার্ক তৈরি করে।
আমি অনুভব করি যে বায়েশিয়ান নেটওয়ার্ক তৈরির পদ্ধতিটি রিগ্রেশন / ডিসিশন গাছের তুলনায় আলাদা। স্ট্রাকচারাল লার্নিংয়ের অ্যালগরিদম, মডেলগুলি ব্যবহারের লক্ষ্যের পাশাপাশি মডেলগুলির অনন্য ক্ষমতাও আলাদা।
স্কোর-ভিত্তিক এবং সীমাবদ্ধ ভিত্তিক পদ্ধতির সিদ্ধান্ত গাছের পরিবারগুলিতে তথ্য অর্জনের মানদণ্ডের সাথে আঁকা কিছু সমান্তরালের সাথে বোঝা যায়।
প্রথমে আমরা এই পদ্ধতিগুলি দ্বারা সমস্যার সমাধানের চেষ্টা করার প্রকৃতিটি বর্ণনা করার চেষ্টা করি। যদি কোনও সমস্যা সোজা হয়, বহুভিত্তিক বা এনপি কমপ্লিট আমাদের কাছে অ্যালগরিদম প্লাগ করতে প্রস্তুত রয়েছে যা যৌক্তিক জবাবগুলি সরবরাহ করতে পারে, লজিকাল নিয়মগুলির সাথে অক্ষগুলির সহজ পুনর্বিবেচনা দ্বারা। যাইহোক, যদি এটি না হয় তবে আমাদের যুক্তির একটি পদ্ধতির উপর নির্ভর করতে হবে, যার মধ্যে আমরা সমস্যাটিকে ভিন্নধর্মী হিসাবে গণ্য করার চেষ্টা করে এটি একটি নেটওয়ার্কে প্লাগ করতে, নোডগুলি মূল্যায়ন করা হচ্ছে এবং প্রান্তগুলি উপাদানগুলির মধ্যে পথ হয়ে গেছে ।
যে কোনও ধরণের নেটওয়ার্ক ভিত্তিক যুক্তিতে, আমরা লিনিয়ার প্রবাহে যৌক্তিক নিয়ম অনুযায়ী বিমূর্ত সাধারণীকরণ এবং সংমিশ্রণগুলি ব্যবহার করে ছাড়পত্রকভাবে তর্ক করি না, বরং বিভিন্ন দিক থেকে যুক্তি প্রচারের ভিত্তিতে সমস্যার মাধ্যমে কাজ করি, যেমন আমরা সমাধান করি সমস্যাটি একটি সময়ে একটি নোড, ভবিষ্যতে কোনও নোড সম্পর্কিত নতুন তথ্য আবিষ্কারের উন্নতির জন্য উন্মুক্ত। এখন আসুন আমরা দেখি যে এই প্রযুক্তিগুলির প্রত্যেকটি কীভাবে তাদের নিজস্ব পদ্ধতিতে সমস্যা সমাধানের এই পদ্ধতির কাছে যায়।
নিউরাল নেটওয়ার্ক: নিউরাল নেটওয়ার্ক একটি কালো বাক্স, যেখানে এটি বিশ্বাস করা হয় (কখনও কখনও সিস্টেমের বাইরে থেকে যাচাই করা যায়নি) যে সিম্পলটন নোডগুলির মধ্যে সংযোগগুলি বারবার বাহ্যিক শক্তিবৃদ্ধি দ্বারা গঠিত এবং জোর দেওয়া হয়। এটি একটি সংযোগের দৃষ্টান্তের মধ্যে সমস্যার কাছে পৌঁছেছে । সমস্যাটি সম্ভবত সমাধান হয়ে গেছে, তবে ব্যাখ্যাযোগ্যতার মাধ্যমে খুব কম রয়েছে। যদি ব্যাখ্যাযোগ্যতার সমস্যাটি উপেক্ষা করা হয় তবে দ্রুত ফলাফল তৈরি করার ক্ষমতার কারণে এখন নিউরাল নেটটি ব্যাপকভাবে ব্যবহৃত হয়।
বেয়েশিয়ান নেটওয়ার্ক: বায়েশিয়ান নেটওয়ার্ক একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ, যা আরও ফ্লোচার্টের মতো, কেবল প্রবাহের চার্টে চক্রীয় লুপ থাকতে পারে। ফ্লো চার্টের বিপরীতে বয়েশিয়ান নেটওয়ার্কে একাধিক শুরুর পয়েন্ট থাকতে পারে। এটি মূলত একাধিক অস্পষ্ট বিন্দু জুড়ে ইভেন্টগুলির প্রচারকে সনাক্ত করে, যেখানে ইভেন্টটি সম্ভাব্য পথে পথের মধ্যে সরিয়ে নিয়ে যায়। স্পষ্টতই, নেটওয়ার্কের যে কোনও নির্দিষ্ট সময়ে, সেই নোডের পরিদর্শন করার সম্ভাবনা পূর্ববর্তী নোডগুলির যৌথ সম্ভাবনার উপর নির্ভরশীল। বায়েসিয়ান নেটওয়ার্কটি নিউরাল নেটওয়ার্ক থেকে পৃথক যেহেতু এটি সুস্পষ্ট যুক্তিযুক্ত, যদিও সম্ভাবনাবাদী এবং সুতরাং প্রতিটি ধাপের উপর ভিত্তি করে একাধিক স্থিতিশীল রাষ্ট্র থাকতে পারে আইনী মূল্যবোধের মধ্যে পুনর্বিবেচনা এবং সংশোধিত হওয়ার ভিত্তিতে, যেমন একটি অ্যালগরিদমের মতো। এটি সম্ভাব্যতার পক্ষে যুক্তিযুক্ত শক্তিশালী উপায়, তবে এটিতে সম্ভাবনার এনকোডিং জড়িত,
সিদ্ধান্ত গাছ: ডিসিশন ট্রি আবার একটি নেটওয়ার্ক, যা ফ্লো চার্টের মতো, এটি নিউরাল নেট থেকে বাইসিয়ান নেটওয়ার্কের কাছাকাছি। প্রতিটি নোডের নিউরাল নেট থেকে বেশি বুদ্ধি থাকে এবং শাখাটি গাণিতিক বা সম্ভাব্য মূল্যায়ন দ্বারা সিদ্ধান্ত নেওয়া যেতে পারে। সিদ্ধান্তগুলি সম্ভাব্য ইভেন্টগুলির ফ্রিকোয়েন্সি বিতরণের উপর ভিত্তি করে সরল মূল্যায়ন হয়, যেখানে সিদ্ধান্তটি সম্ভাব্য। যাইহোক, বায়েসীয় নেটওয়ার্কগুলিতে সিদ্ধান্তটি 'প্রমাণ' বিতরণের ভিত্তিতে করা হয়েছে যা ঘটনার প্রত্যক্ষ পর্যবেক্ষণের পরিবর্তে কোনও ঘটনা সংঘটিত হওয়ার দিকে নির্দেশ করে।
উদাহরণ উদাহরণস্বরূপ, যদি আমরা হিমালয়ের কয়েকটি বাঘের কিছু লোকের খাওয়া বাঘের গতিবেগের পূর্বাভাস দিই যেগুলি কিছু বাঘের রিজার্ভের ধারে রয়েছে, তবে আমরা উভয় পদ্ধতির উপর নিম্নরূপ এটি মডেল করতে পারি:
একটি সিদ্ধান্তগাছের ক্ষেত্রে, আমরা বিশেষজ্ঞের অনুমানের উপর নির্ভর করব যে কোনও বাঘ খোলা মাঠ বা নদীগুলির মধ্যবর্তী স্থানে পছন্দ করবে কিনা whether বায়েশিয়ার একটি নেটওয়ার্কে আমরা বাঘটিকে পগ চিহ্ন দ্বারা ট্র্যাক করি, তবে এমন এক কারণের কারণে কারণ যে স্বীকৃতি দেয় যে এই পাগ চিহ্নগুলি সম্ভবত অন্য কিছু অনুরূপ আকারের বাঘ ছিল যা নিয়মিতভাবে তার অঞ্চলে টহল দিচ্ছিল। যদি আমরা কোনও নিউরাল নেট ব্যবহার করতে হয় তবে আমাদের সাধারণত বাঘের বিভিন্ন আচরণগত অদ্ভুততাগুলি ব্যবহার করে মডেলটিকে বারবার প্রশিক্ষণ দিতে হবে, যেমন সাঁতার কাটানো পছন্দ, খোলা জায়গাগুলির উপরে আচ্ছাদিত অঞ্চলগুলির পছন্দ, এর জন্য মানুষের আবাসকে এড়ানো বাঘটি যে কোর্সটি গ্রহণ করতে পারে তার উপর নেটওয়ার্ককে সাধারণভাবে যুক্ত হতে দেয়।
গ্রাফিক্যাল মডেলগুলি সম্পর্কে, পেট্রি নেট একটি সিস্টেম আচরণের আনুষ্ঠানিকতা দেয়; এতে এটি উল্লিখিত বাকী মডেলগুলির চেয়ে তাত্পর্যপূর্ণভাবে পৃথক হয়, এগুলি সমস্তই কীভাবে রায় গঠন সম্পর্কিত তা সম্পর্কিত।
এটি উল্লেখযোগ্য যে, বেশিরভাগ উদ্ধৃত নামগুলি এআই এর প্রচুর ধারণা ধারণ করে, যা প্রায়শই একত্রিত হয়: উদাহরণস্বরূপ, আপনি কোনও সিদ্ধান্ত গাছ তৈরি করতে নিউরাল নেটওয়ার্ক ব্যবহার করতে পারেন, যখন নিউরাল নেটওয়ার্ক নিজেই আলোচিত একটি পূর্ববর্তী পোস্ট হিসাবে বায়েশিয়ানের উপর নির্ভর করতে পারে অনুমান।
এটি একটি ভাল প্রশ্ন এবং আমি নিজেকে একই জিজ্ঞাসা করছি। দুটি ধরণের বেশি নিউরাল নেটওয়ার্ক রয়েছে এবং এটি মনে হয় যে পূর্ববর্তী উত্তরটি প্রতিযোগিতামূলক ধরণের উদ্দেশ্যে সম্বোধন করেছিল, অন্যদিকে বায়সিয়ান নেটওয়ার্কে ফিড-ফরোয়ার্ড, ব্যাক-প্রসারণ (এফএফবিপি) ধরণের মিল রয়েছে এবং প্রতিযোগিতামূলক ধরণের নয় বলে মনে হয়। আসলে, আমি বলব যে বায়েশিয়ান নেটওয়ার্কটি এফএফবিপির একটি সাধারণীকরণ। সুতরাং এফএফবিপি এক ধরণের বায়েশিয়ান নেটওয়ার্ক এবং একই ধরণের ফ্যাশনে কাজ করে।