जवाबों:
एक तंत्रिका नेटवर्क कंप्यूटिंग प्रणाली का एक वर्ग है। वे एक नेटवर्क में गठित बहुत ही सरल प्रसंस्करण नोड्स से बनाए गए हैं। वे इस तरह से प्रेरित होते हैं कि जैविक प्रणाली जैसे मस्तिष्क काम करते हैं, इस समय परिमाण के कई आदेश कम जटिल होते हैं।
वे मौलिक रूप से पैटर्न मान्यता प्रणाली हैं और उन कार्यों के लिए अधिक उपयोगी होते हैं जिन्हें पैटर्न मान्यता के संदर्भ में वर्णित किया जा सकता है। उन्हें ज्ञात आउटपुट के साथ डेटासेट के साथ खिलाकर 'प्रशिक्षित' किया जाता है।
एक उदाहरण के रूप में कल्पना कीजिए कि आप एक नेटवर्क को प्रशिक्षित करने के लिए 1 का उत्पादन करने की कोशिश कर रहे हैं जब उसे बिल्ली की तस्वीर दी जाती है और 0 को जब वह चित्र देखता है जो बिल्ली नहीं है। आप इसके माध्यम से बिल्लियों के बहुत सारे चित्रों को चलाकर नेटवर्क को प्रशिक्षित करेंगे और नेटवर्क मापदंडों को मोड़ने के लिए एक एल्गोरिथ्म का उपयोग करेंगे जब तक कि यह सही प्रतिक्रिया न दे। पैरामीटर आमतौर पर प्रत्येक इनपुट पर एक लाभ और प्रत्येक नोड पर एक भार के साथ-साथ नेटवर्क की वास्तविक संरचना (कितने नोड्स, कितने परतों में, किस इंटरकनेक्ट के साथ) पर है।
बिल्ली के चित्रों को पहचानना वास्तव में एक काफी जटिल समस्या है और इसके लिए एक जटिल तंत्रिका नेटवर्क की आवश्यकता होगी (संभवतः एक नोड प्रति पिक्सेल से शुरू)। तंत्रिका नेटवर्क के साथ प्रयोग करने के लिए एक सामान्य प्रारंभिक बिंदु सरल तर्क गेट्स को लागू करने और लागू करने के लिए है, जैसे कि, या, नहीं आदि तंत्रिका जाल के रूप में।
तंत्रिका नेटवर्क एक जटिल परिणाम प्राप्त करने का एक बहुत तेज़ तरीका हो सकता है। वे एआई अनुसंधान के लिए बहुत दिलचस्प हैं क्योंकि वे पशु मस्तिष्क के लिए एक मॉडल हैं।
तंत्रिका नेटवर्क का एक बड़ा नुकसान यह है कि इंजीनियर को उल्टा करना बहुत कठिन है। यदि आपका नेटवर्क एक हाथी की एक विशेष छवि का फैसला करता है, तो वास्तव में एक बिल्ली है जिसे आप वास्तव में किसी भी उपयोगी अर्थ में 'क्यों' निर्धारित नहीं कर सकते हैं। तुम सब सच में कर सकते हैं प्रशिक्षण / आगे नेटवर्क tweaking की कोशिश कर रहा है।
तंत्रिका नेटवर्क का उपयोग अच्छी तरह से बाध्य कार्यों के लिए किया जाता है जैसे कि वेंडिंग मशीनों में सिक्का / नोट मान्यता, या उत्पादन लाइनों पर स्पॉटिंग दोष।
यदि आप रुचि रखते हैं, तो शुरू करने के लिए सबसे अच्छी जगह शायद Google 'परसेप्ट्रॉन' है जो सबसे पहले तंत्रिका नेटवर्क तत्वों में से एक का नाम है।
मैं मास्टर्स प्रोग्राम में आर्टिफिशियल इंटेलिजेंस का अध्ययन करता हूं, और हम न्यूरल नेटवर्क का काफी इस्तेमाल करते हैं। वे वास्तव में काफी उपयोगी हैं।
मुझे लगता है कि तंत्रिका जाल की समस्या उनका नाम है। यह दोनों भ्रमित करता है कि एक तंत्रिका नेटवर्क वास्तविक क्या है, और कुछ लोगों को उनकी योग्यता पर सवाल उठाता है क्योंकि वे उनसे दिमाग की तरह काम करने की उम्मीद करते हैं, जब वे वास्तव में एक फैंसी प्रकार के फ़ंक्शन होते हैं।
तंत्रिका जाल को समझने का सबसे अच्छा तरीका है कि आप नाम से आगे बढ़ें। इसे मस्तिष्क के एक मॉडल के रूप में मत सोचो ... इसके नहीं ... यह 1960 के दशक में इरादा था लेकिन इसका 2011 और वे मशीन लर्निंग और वर्गीकरण के लिए हर समय उपयोग किया जाता है।
एक तंत्रिका नेटवर्क वास्तव में सिर्फ एक गणितीय कार्य है। आप मानों के एक वेक्टर में प्रवेश करते हैं, उन मूल्यों को अन्य मूल्यों से गुणा किया जाता है, और मूल्यों का वेक्टर आउटपुट होता है। बस इतना ही है ।
वे समस्या डोमेन में बहुत उपयोगी हैं, जहां दिए गए फीचर्स (या इनपुट्स) को उनके आउटपुट (वर्गीकरण या प्रतिगमन) के लिए अनुमानित करने के लिए कोई ज्ञात कार्य नहीं है। एक उदाहरण मौसम होगा - मौसम के लिए बहुत सारी विशेषताएं हैं - प्रकार, तापमान, चाल, बादल कवर, अतीत की घटनाएं, आदि - लेकिन कोई भी वास्तव में यह नहीं कह सकता है कि मौसम की गणना कैसे की जाएगी जो अब से 2 दिन होगी। एक तंत्रिका नेटवर्क एक फ़ंक्शन है जो एक तरह से संरचित है जो सुविधाओं के आधार पर अनुमानित मौसम पूर्वानुमान के लिए अपने मापदंडों को बदलना आसान बनाता है।
बात यह है कि ... एक समारोह है और "सीखने" के अनुकूल एक अच्छी संरचना है। पिछले पांच वर्षों के मौसम के आंकड़ों में से एक - मौसम की विशेषताओं और भविष्य में 2 दिनों के मौसम की स्थिति के साथ पूरा होगा, पिछले पांच वर्षों में हर दिन। नेटवर्क वेट (गुणा कारक जो किनारों में रहते हैं) बेतरतीब ढंग से उत्पन्न होते हैं, और डेटा के माध्यम से चलाया जाता है। प्रत्येक भविष्यवाणी के लिए, NN उन मानों को आउटपुट करेगा जो गलत हैं। कैलकुलस में आधारित लर्निंग एल्गोरिदम का उपयोग करना, जैसे कि बैक-प्रोपोगेशन, एक नेटवर्क में सभी वज़न को अपडेट करने के लिए आउटपुट एरर वैल्यूज़ का उपयोग कर सकता है। डेटा के माध्यम से पर्याप्त रन के बाद, त्रुटि का स्तर कुछ न्यूनतम बिंदु तक पहुंच जाएगा (वहाँ अधिक है, लेकिन मैं इसे यहां नहीं प्राप्त करूंगा - सबसे महत्वपूर्ण फिटिंग पर है)। लक्ष्य एल्गोरिथ्म को रोकना है जब त्रुटि का स्तर सबसे अच्छे बिंदु पर होता है। नेटवर्क तो तय हो गया है और इस बिंदु पर यह हैबस एक गणितीय फ़ंक्शन जो इनपुट मानों को किसी पुराने समीकरण की तरह आउटपुट मानों में मैप करता है। आप नए डेटा को फ़ीड करते हैं और भरोसा करते हैं कि आउटपुट मान एक अच्छा अनुमान है।
जो लोग दावा करते हैं कि वे विफल हैं: वे नहीं हैं। वे कई डोमेन में बेहद उपयोगी हैं। आपको क्या लगता है कि शोधकर्ताओं ने जीन और बीमारियों के बीच संबंध का पता लगाया है? एनएन, साथ ही अन्य शिक्षण एल्गोरिदम, जैव सूचना विज्ञान और अन्य क्षेत्रों में उपयोग किया जाता है। उन्हें बहुत अच्छे परिणाम देने के लिए दिखाया गया है। नासा अब उन्हें अंतरिक्ष स्टेशन की दिनचर्या के लिए उपयोग करता है, जैसे कि बैटरी जीवन की भविष्यवाणी करना। कुछ लोग कहेंगे कि वेक्टर मशीनों आदि का समर्थन बेहतर है ... लेकिन इसका कोई सबूत नहीं है, अन्य एल्गोरिदम अभी नए हैं।
यह वास्तव में बहुत बुरा है लोग अभी भी यह दावा करते हैं कि तंत्रिका नेटवर्क विफल हैं क्योंकि वे मानव मस्तिष्क की तुलना में बहुत सरल हैं --- तंत्रिका नेटवर्क का उपयोग अब मॉडल दिमाग के लिए नहीं किया जाता है --- जो कि 50 साल पहले था।
यह समायोज्य गुणांक के साथ एक समीकरण बनाने (कई संख्यात्मक इनपुट लेने और एकल संख्यात्मक आउटपुट प्रदान करने) के लिए एक गणितीय योजना है। ऐसे एल्गोरिदम हैं जो गुणांक को समायोजित कर सकते हैं समीकरणों को अनुमानित आउटपुट से अनुमानित करने के लिए, एक प्रशिक्षण सेट जिसमें इनपुट और अपेक्षित आउटपुट शामिल हैं।
ग्राफिक्स के साथ सबसे सरल उदाहरण, विकिपीडिया पर उपलब्ध है । इस उदाहरण को XOR के रूप में जाना जाता है।
सरल शब्दों में, जैसे आपने पूछा, न्यूरल नेटवर्क जैविक तंत्रिका जाल की नकल करने का एक विफल विचार है। इसने कभी कोई दिलचस्प परिणाम नहीं दिया और शायद कभी नहीं करेगा, क्योंकि:
(1) किसी भी ट्यूरिंग-पूर्ण प्रोग्रामिंग भाषा के साथ आप क्या कर सकते हैं, इसकी तुलना में यह बहुत सरल है
(2) यह जैविक तंत्रिका जाल की तुलना में बहुत सरल है: जब तक एनएन सिद्धांत बनाया गया था, तब तक वे अधिक जटिल थे।
कोई भी दावा है कि वास्तविक दुनिया के अनुप्रयोगों में उपयोग किए जाने वाले किसी भी कार्य में तंत्रिका जाल सफल होते हैं, एक अतिशयोक्ति है।
मेरे नीचे आओ।