आर्टिफिशियल न्यूरल नेटवर्क्स के बारे में जानने के लिए कुछ अच्छे संसाधन क्या हैं? [बन्द है]

Question

मैं वास्तव में आर्टिफिशियल न्यूरल नेटवर्क्स में दिलचस्पी रखता हूं, लेकिन मैं शुरू करने के लिए एक जगह की तलाश कर रहा हूं।

वहाँ क्या संसाधन हैं और एक अच्छी परियोजना क्या है?

Comments

मैं मान रहा हूँ, कृत्रिम तंत्रिका नेटवर्क? आप किस क्षेत्र में रुचि रखते हैं (आप इसे क्या लागू करेंगे: लिखावट, वर्गीकरण, तर्क)?

— पूर्वा

मुझे लगता है, तर्क: मैं एक भूलभुलैया में एक रोबोट के बारे में सोच रहा था या ऐसा कुछ और विभिन्न एल्गोरिदम की कोशिश कर रहा था, लेकिन इस तरह से कर रहा था कि नेटवर्क तय करेगा कि कौन सा सबसे अच्छा है, आदि

— cbrulak

तंत्रिका नेटवर्क के बारे में ज्यॉफ्रे हिंटन से एक बहुत बढ़िया पाठ्यक्रम है। यह मूल के साथ शुरू होता है और कला दृष्टिकोण की स्थिति के साथ समाप्त होता है और इससे भी अधिक।

— अल्फा

एंड्रयू एनजी द्वारा कोर्स मशीन लर्निंग , जो मैं शुरुआती लोगों के लिए सुझाता हूं, जेफ्री हिंटन के पाठ्यक्रम को करने से पहले जो अधिक उन्नत तंत्रिका नेटवर्क और सैद्धांतिक पहलुओं से निपटता है।

— जाबोर

Answer 1

यहाँ न्यूरल नेट प्रोग्रामिंग के कुछ उदाहरण दिए गए हैं। http://www.codeproject.com/KB/recipes/neural_dot_net.aspx

आप यहां पढ़ना शुरू कर सकते हैं: http://web.archive.org/web/20071025010456/http://www.geocities.com/CapeCanaveral/Lab/3765/neural.html

मैंने अपने हिस्से के बारे में एक कोर्स का दौरा किया है और कुछ साहित्य के माध्यम से काम किया है।

Comments

कुछ दिन पहले

— जियोसिटीज

Answer 2

सबसे पहले, किसी भी धारणा को छोड़ दें कि कृत्रिम तंत्रिका नेटवर्क का मस्तिष्क से कोई लेना देना नहीं है लेकिन जैविक हार्मोन के नेटवर्क के लिए एक समानता है। जीव विज्ञान सीखना तंत्रिका नेटवर्क को प्रभावी ढंग से लागू करने में आपकी मदद नहीं करेगा; लीनियर बीजगणित, कलन, और संभाव्यता सिद्धांत सीखना। आपको कम से कम अपने आप को कार्यों के मूल भेदभाव, श्रृंखला नियम, आंशिक व्युत्पत्ति (ढाल, जैकबियन और हेस्सियन) के विचार से परिचित कराना चाहिए, और मैट्रिक्स गुणन और विकर्ण को समझना चाहिए।

जब आप एक नेटवर्क को प्रशिक्षित करते हैं तो वास्तव में आप एक बड़े, बहुआयामी फ़ंक्शन का अनुकूलन कर रहे हैं (नेटवर्क में प्रत्येक भार के संबंध में अपनी त्रुटि को कम करें), और इसलिए nonlinear संख्यात्मक अनुकूलन के लिए तकनीकों की जांच उपयोगी साबित हो सकती है। यह तंत्रिका नेटवर्क के बाहर साहित्य के एक बड़े आधार के साथ एक व्यापक रूप से अध्ययन की समस्या है, और वेब पर संख्यात्मक अनुकूलन में बहुत सारे व्याख्यान नोट हैं। शुरू करने के लिए, ज्यादातर लोग सरल ढाल वंश का उपयोग करते हैं , लेकिन यह अधिक बारीक विधियों की तुलना में बहुत धीमा और कम प्रभावी हो सकता है

एक बार जब आप मूल विचारों को प्राप्त कर लेते हैं, तो आप अपनी छिपी हुई परत में विभिन्न "स्क्वैशिंग" कार्यों के साथ प्रयोग करना शुरू कर सकते हैं, विभिन्न प्रकार के नियमितीकरण को जोड़ सकते हैं, और सीखने को तेज बनाने के लिए विभिन्न बारीकियों को जोड़ सकते हैं। इस पेपर को "सर्वोत्तम प्रथाओं" की एक व्यापक सूची के लिए देखें ।

इस विषय पर सर्वश्रेष्ठ पुस्तकों में से एक है क्रिस बिशप का न्यूरल नेटवर्क्स फॉर पैटर्न रिकॉग्निशन । यह इस चरण से काफी पुराना है, लेकिन अभी भी एक उत्कृष्ट संसाधन है, और आप अक्सर उपयोग की गई प्रतियों को $ 30 के लिए ऑनलाइन पा सकते हैं। उनकी नई पुस्तक, पैटर्न रिकॉग्निशन एंड मशीन लर्निंग में तंत्रिका नेटवर्क अध्याय भी काफी व्यापक है। विशेष रूप से अच्छे कार्यान्वयन-केंद्रित ट्यूटोरियल के लिए, CodeProject.com पर इसे देखें , जो एक नेटवर्क के एक चतुर प्रकार को लागू करता है, जिसे एक संमिश्र नेटवर्क कहा जाता है, जो दृश्य पैटर्न को वर्गीकृत करने के लिए सीखने में बहुत अच्छा बनाने के लिए इस तरह से कनेक्टिविटी को बाधित करता है।

सदिश मशीनों और अन्य कर्नेल विधियों का समर्थन काफी लोकप्रिय हो गया है क्योंकि आप उन्हें जाने बिना यह जान सकते हैं कि आप क्या कर रहे हैं और अक्सर स्वीकार्य परिणाम प्राप्त करते हैं। दूसरी ओर, तंत्रिका नेटवर्क बहुत बड़ी अनुकूलन समस्याएं हैं जिनके लिए सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है, हालांकि वे अभी भी बहुत सारी समस्याओं के लिए बेहतर हैं, खासकर कंप्यूटर विज़न जैसे डोमेन में बड़े पैमाने पर समस्याएं।

Comments

अच्छी बात। एक न्यूरॉन सिर्फ एक लॉजिस्टिक यूनिट है जो लॉजिस्टिक रिग्रेशन से आती है। फिर मल्टीफ़ेज़ मल्टी रिग्रेशन इकाइयाँ बनाई जाती हैं और न्यूरल नेटवर्क्स कहलाती हैं क्योंकि यह "न्यूरल नेटवर्क्स" जैसा दिखता है। यह मस्तिष्क या इस तरह से प्रेरित नहीं है।

— ओजगुर

यह कहना सही नहीं है कि इस क्षेत्र में शोध के लिए वास्तविक तंत्रिका विज्ञान का अध्ययन करना अनुचित होगा। जेफ हॉकिन्स और उनके शोध ने HTM पर अपने काम में न्यूरोबायोलॉजी के बारे में अधिक ज्ञान को शामिल करने का प्रयास किया। HTM का काम बहुत अच्छा है। अंत में, न्यूरोबायोलॉजी का अध्ययन करना उपयोगी हो सकता है यदि आप नए नेटवर्क टोपोलॉजी और इंटरैक्शन तकनीकों का प्रयास करना चाहते हैं जो वास्तविक जैविक उदाहरणों की नकल करते हैं। यदि आप केवल खुद का शोध करने के बजाय दूसरों ने जो पहले से ही शोध किया है, उसका उपयोग करने का इरादा रखते हैं, तो हाँ, तंत्रिका विज्ञान पर शोध करना व्यर्थ हो सकता है।

— SmugDoodleBug

Answer 3

मैं कोड प्रोजेक्ट पर अनूप मधुसूदनन द्वारा इस उत्कृष्ट श्रृंखला की सिफारिश करूंगा ।

वह आपको मूल सिद्धांतों के माध्यम से यह समझने में मदद करता है कि वे कैसे समझने के लिए आसान तरीके से काम करते हैं और आपको यह दिखाते हैं कि brainnetअपना खुद का बनाने के लिए अपने पुस्तकालय का उपयोग कैसे करें ।

Comments

वाऊ मज़ेदार। आप इसे मेरे ब्लॉग से भी पढ़ सकते हैं, amazedsaint.blogspot.com/2008/01/…

— amazedsaint

Answer 4

न्यूरल नेटवर्क्स इन दिनों डिक्लेरेशन की तरह हैं। समर्थन वेक्टर मशीनों और कर्नेल तरीके समस्याओं के अधिक वर्गों के लिए बेहतर हैं, फिर बैकप्रोगैजेशन। तंत्रिका नेटवर्क और आनुवंशिक एल्गोरिदम उन लोगों की कल्पना को पकड़ते हैं जो आधुनिक मशीन सीखने के बारे में ज्यादा नहीं जानते हैं लेकिन वे कला की स्थिति नहीं हैं।

यदि आप एआई और मशीन सीखने के बारे में अधिक जानना चाहते हैं, तो मैं पीटर नॉरविग आर्टिफिशियल इंटेलिजेंस: ए मॉडर्न अप्रोच को पढ़ने की सलाह देता हूं । यह एआई का व्यापक सर्वेक्षण और बहुत सारी आधुनिक तकनीक है। यह इतिहास और पुरानी तकनीकों पर भी जाता है, और आपको एआई और मशीन लर्निंग की मूल बातें में और अधिक संपूर्ण ग्राउंडिंग देगा।

तंत्रिका नेटवर्क बहुत आसान हैं, हालांकि। विशेष रूप से यदि आप वजन को निर्धारित करने के लिए एक आनुवंशिक एल्गोरिथ्म का उपयोग करते हैं, बल्कि तब उचित बैकप्रोगैजेशन करते हैं।

Comments

तंत्रिका नेटवर्क में केवल बैकप्रोपैजेशन शामिल नहीं है; अन्य नेटवर्क के टन हैं - साहचर्य यादें, कोहेनेन एसओएफएम, अनुकूली अनुनाद-आधारित नेटवर्क और इसी तरह ... एमएलपी और बैकप्रॉपैजेशन सबसे लोकप्रिय नेटवर्क हैं, लेकिन सबसे अधिक प्रदर्शनकारी नहीं ...

— lmspu

"न्यूरल नेटवर्क्स इन दिनों डिक्लेरेशन की तरह हैं" - ठीक है, कोई और नहीं। बहुपरत एनएन और तदर्थ वास्तुकला एनएन के प्रशिक्षण के लिए "गहरी सीखने" की तकनीक अभी एमएल में सबसे गर्म चीजों में से लगती है। कई लोगों के बीच सिर्फ एक उदाहरण, googleresearch.blogspot.co.uk/2015/03/…

— जॉन डोन

Answer 5

मैं क्रिस बिशप द्वारा पैटर्न मान्यता के लिए तंत्रिका नेटवर्क के दूसरे dwf की सिफारिश की है । हालाँकि, यह शायद स्टार्टर टेक्स्ट नहीं है। नॉरविग या एक ऑनलाइन ट्यूटोरियल (मैटलैब में कोड के साथ!) शायद एक जेंटलर परिचय होगा।

एक अच्छा स्टार्टर प्रोजेक्ट OCR (ऑप्टिकल कैरेक्टर रिकॉग्निशन) होगा। आप वर्गीकरण करने के लिए पाठ के पृष्ठों में स्कैन कर सकते हैं और नेटवर्क के माध्यम से प्रत्येक चरित्र को खिला सकते हैं। (आपको सबसे पहले नेटवर्क को प्रशिक्षित करना होगा!)।

Answer 6

राउल रोजस की किताब आ बहुत अच्छी शुरुआत है (यह भी मुफ्त है)। इसके अलावा, Haykin पुस्तक 3 संस्करण , बड़ी मात्रा में की है, हालांकि, बहुत अच्छी तरह से समझाया गया है।

Answer 7

मैं अनुशंसा कर सकता हूं कि कहां से शुरू न करें। मैंने केविन गुर्नी द्वारा न्यूरल नेटवर्क्स का एक परिचय खरीदा, जिसकी अमेज़ॅन पर अच्छी समीक्षा है और "संज्ञानात्मक और कंप्यूटर विज्ञान में सबसे महत्वपूर्ण विषयों में से एक" अत्यधिक सुलभ परिचय होने का दावा करता है। व्यक्तिगत रूप से, मैं इस पुस्तक को एक शुरुआत के रूप में अनुशंसित नहीं करूंगा। मैं इसके बारे में केवल 10% समझ सकता हूं, लेकिन शायद यह सिर्फ मुझे है (अंग्रेजी मेरी मूल भाषा नहीं है)। मैं इस धागे से अन्य विकल्पों पर गौर करने जा रहा हूं।

Answer 8

http://www.ai-junkie.com/ann/evolved/nnt1.html मल्टी लेयर्स परसेप्ट्रॉन के लिए एक स्पष्ट परिचय है, हालांकि यह बैकप्रॉपैगेशन एल्गोरिथ्म का वर्णन नहीं करता है

आप पीढ़ी 5.org पर भी नज़र डाल सकते हैं जो सामान्य तौर पर एआई के बारे में बहुत सारे लेख प्रदान करता है और इसमें तंत्रिका नेटवर्क के बारे में कुछ महान ग्रंथ हैं

Answer 9

अगर आपको पैसे खर्च करने में कोई आपत्ति नहीं है, तो हैंडबुक ऑफ़ ब्रेन थ्योरी और न्यूरल नेटवर्क बहुत अच्छे हैं। इसमें कई विषयों में शोध को कवर करने वाले 287 लेख हैं। यह एक परिचय और सिद्धांत के साथ शुरू होता है और फिर अपने हितों को सर्वोत्तम रूप से कवर करने के लिए लेखों के माध्यम से पथ पर प्रकाश डालता है।

पहली बार एक परियोजना के लिए के रूप में, Kohonen नक्शे के लिए दिलचस्प हैं वर्गीकरण :, अपने संगीत संग्रह में छिपा संबंध खोजने एक स्मार्ट रोबोट का निर्माण , या का समाधान नेटफ्लिक्स पुरस्कार ।

Answer 10

मुझे लगता है कि एक अच्छा शुरुआती बिंदु हमेशा विकिपीडिया होगा । आपको दस्तावेज़ों और परियोजनाओं के लिए कुछ उपयोगी लिंक मिलेंगे जो तंत्रिका जाल का भी उपयोग करते हैं।

Answer 11

मेरे अध्ययन के दौरान उपयोग की जाने वाली दो पुस्तकें:

प्रारंभिक पाठ्यक्रम: इगोर अलेक्जेंडर और हेलेन मॉर्टन द्वारा तंत्रिका कम्प्यूटिंग का परिचय।

उन्नत पाठ्यक्रम: रॉबर्ट हेच-नीलसन द्वारा न्यूरोकोम्प्यूटिंग

Answer 12

मैंने पाया कि Fausett's Fundamentals of Neural Networks एक सरल और सहज परिचय वाली पाठ्यपुस्तक में है।

Answer 13

मैंने पाठ्यपुस्तक "कम्प्यूटेशनल इंटेलिजेंस" को अविश्वसनीय रूप से मददगार पाया।

Answer 14

प्रोग्रामिंग कलेक्टिव इंटेलिजेंस खोज और रैंकिंग एल्गोरिदम के संदर्भ में इस पर चर्चा करता है। साथ ही, यहाँ उपलब्ध कोड में (ch.4 में), पुस्तक में चर्चा की गई अवधारणाओं को एक पायथन उदाहरण में चित्रित किया गया है।

Answer 15

मैं अन्य लोगों से सहमत हूं जिन्होंने कहा कि जीव विज्ञान का अध्ययन करना एक अच्छा प्रारंभिक बिंदु नहीं है ... क्योंकि जीव विज्ञान में बहुत अधिक अप्रासंगिक जानकारी है। आपको यह समझने की ज़रूरत नहीं है कि एक न्यूरॉन अपनी कार्यक्षमता को फिर से बनाने के लिए कैसे काम करता है - आपको केवल इसके कार्यों का अनुकरण करने की आवश्यकता है। मैं रे कुर्ज़वील द्वारा "हाउ टू क्रिएट अ माइंड" का पुनर्मूल्यांकन करता हूं - यह जीव विज्ञान के पहलू में जाता है जो कम्प्यूटेशनल मॉडल के लिए प्रासंगिक है, एक इनपुट को एक बार थ्रेशहोल्ड हो जाने के बाद कई इनपुटों को जोड़कर और एक नकली न्यूरॉन बनाते हुए लेकिन इरेलवेंट सामान को अनदेखा करता है वास्तव में न्यूरॉन कैसे पति-पत्नी के इनपुट टॉगल जोड़ता है। (आप केवल एक उदाहरण के लिए तुलना करने के लिए + और एक असमानता का उपयोग करेंगे, उदाहरण के लिए)

मुझे यह भी इंगित करना चाहिए कि पुस्तक वास्तव में 'एक दिमाग बनाने' के बारे में नहीं है - यह केवल उत्तराधिकारी पैटर्न मान्यता / न्यूरोटेक्स पर केंद्रित है। 1980 के दशक के बाद से मैं सामान्य विषय पर बात कर रहा हूं, इसलिए बहुत सारी पुरानी किताबें हैं जिनमें संभवतः एक ही जानकारी के थोड़े दिनांकित रूप हैं। मैंने पुराने दस्तावेजों को पढ़ते हुए कहा है कि दृष्टि प्रणाली, उदाहरण के लिए, एक बहुस्तरीय पैटर्न पहचानकर्ता है। उन्होंने कहा कि यह पूरे नियोकार्टेक्स पर लागू होता है। इसके अलावा, नमक के एक दाने के साथ उसकी 'भविष्यवाणियां' लें - उसके हार्डवेयर अनुमान शायद बहुत सटीक हैं, लेकिन मुझे लगता है कि वह यह समझता है कि जटिल सरल कार्य कैसे हो सकते हैं (उदा: कार चलाना)। दी, उसने बहुत प्रगति देखी है (और इसका कुछ हिस्सा था) लेकिन मुझे अभी भी लगता है कि वह आशावादी है। एआई कार के बीच एक बड़ा अंतर है कि वह एक मील को सफलतापूर्वक 90% ड्राइव करने में सक्षम है, जब 99.9 +% की तुलना में एक मानव कर सकता है। मुझे उम्मीद नहीं है कि कोई एआई 20 साल के लिए मुझे सही मायने में बाहर निकाल देगा ... (मैं बीएमडब्ल्यू ट्रैक कारों की गिनती नहीं करता हूं जिन्हें वास्तविक पाठ्यक्रम पर 'प्रशिक्षित' होने की आवश्यकता है, क्योंकि वे वास्तव में समान नहीं हैं। खेल)

यदि आपके पास पहले से ही एक बुनियादी विचार है कि एआई क्या है और इसे कैसे मॉडल किया जा सकता है, तो आप कुछ और तकनीकी के लिए स्किपिंग से बेहतर हो सकते हैं।

Answer 16

यदि आप एक वास्तविक सिम्युलेटर पर कुछ तंत्रिका नेटवर्क अवधारणाओं के अनुप्रयोगों के बारे में जल्दी से जानना चाहते हैं, तो http: //grey.colorado.edu.CompCogNeuro/index पर 'कम्प्यूटेशनल कॉग्निटिव न्यूरोसाइंस' नामक एक महान ऑनलाइन पुस्तक (अब विकी) है । php / CCNBook / मुख्य

पुस्तक का उपयोग स्कूलों में एक पाठ्यपुस्तक के रूप में किया जाता है, और आपको कई अलग-अलग मस्तिष्क क्षेत्रों के माध्यम से ले जाता है, व्यक्तिगत न्यूरॉन्स से उच्चतर कार्यपालिका के कामकाज के सभी तरीके से।

इसके अलावा, प्रत्येक अनुभाग होमवर्क 'परियोजनाओं' के साथ संवर्धित है जो आपके लिए पहले से ही नीचे हैं। बस डाउनलोड करें, चरणों का पालन करें और अध्याय के बारे में बात की गई हर चीज का अनुकरण करें। सॉफ्टवेयर, वे एमर्जेंट का उपयोग करते हैं, थोड़ा बारीक है, लेकिन अविश्वसनीय रूप से मजबूत है: 10 से अधिक वर्षों के काम का उत्पाद मुझे विश्वास है।

मैं इस पिछले सेमेस्टर में एक अंडरग्रेड वर्ग में इसके माध्यम से गया, और यह बहुत अच्छा था। कदम-कदम पर आप सब कुछ लेकर चलते हैं