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।