कृत्रिम न्यूरॉन नेटवर्क (तंत्रिका नेटवर्क) एक कम्प्यूटेशनल मॉडल है जो मानव मस्तिष्क में तंत्रिका कोशिकाओं के काम करने के तरीके की नकल करता है।
कृत्रिम तंत्रिका नेटवर्क (एएनएन) सीखने वाले एल्गोरिदम का उपयोग करते हैं जो स्वतंत्र रूप से समायोजन कर सकते हैं - या एक अर्थ में सीख सकते हैं - जैसे वे नए इनपुट प्राप्त करते हैं। यह उन्हें गैर-रेखीय सांख्यिकीय डेटा मॉडलिंग के लिए एक बहुत प्रभावी उपकरण बनाता है।
डीप लर्निंग एएनएन मशीन लर्निंग (एमएल) में महत्वपूर्ण भूमिका निभाते हैं और आर्टिफिशियल इंटेलिजेंस (एआई) तकनीक के व्यापक क्षेत्र का समर्थन करते हैं।
कृत्रिम तंत्रिका नेटवर्क में तीन या अधिक परतें होती हैं जो आपस में जुड़ी होती हैं। पहली परत में इनपुट न्यूरॉन्स होते हैं। वे न्यूरॉन्स डेटा को गहरी परतों पर भेजते हैं, जो बदले में अंतिम आउटपुट डेटा को अंतिम आउटपुट लेयर पर भेजेंगे।
सभी आंतरिक परतें छिपी हुई हैं और उन इकाइयों द्वारा बनाई गई हैं जो परिवर्तनों की एक श्रृंखला के माध्यम से परत से परत तक प्राप्त जानकारी को अनुकूल रूप से बदलती हैं। प्रत्येक परत एक इनपुट और आउटपुट परत दोनों के रूप में कार्य करती है जो एएनएन को अधिक जटिल वस्तुओं को समझने की अनुमति देती है। सामूहिक रूप से, इन आंतरिक परतों को तंत्रिका परत कहा जाता है।
तंत्रिका परत में इकाइयाँ एएनएन की आंतरिक प्रणाली के अनुसार इसे तौलकर एकत्रित जानकारी के बारे में जानने का प्रयास करती हैं। ये दिशानिर्देश इकाइयों को एक रूपांतरित परिणाम उत्पन्न करने की अनुमति देते हैं, जिसे बाद में अगली परत के आउटपुट के रूप में प्रदान किया जाता है।
सीखने के नियमों का एक अतिरिक्त सेट बैकप्रोपेगेशन का उपयोग करता है, एक प्रक्रिया जिसके माध्यम से एएनएन त्रुटियों को ध्यान में रखते हुए अपने आउटपुट परिणामों को समायोजित कर सकता है। बैकप्रोपेगेशन के माध्यम से, हर बार पर्यवेक्षित प्रशिक्षण चरण के दौरान आउटपुट को त्रुटि के रूप में लेबल किया जाता है, सूचना को पीछे भेजा जाता है। प्रत्येक भार को आनुपातिक रूप से अद्यतन किया जाता है कि वे त्रुटि के लिए कितने जिम्मेदार थे।
इसलिए, वांछित परिणाम और वास्तविक एक के बीच अंतर को ध्यान में रखने के लिए एएनएन के यूनिट कनेक्शन के वजन को फिर से जांचने के लिए त्रुटि का उपयोग किया जाता है। नियत समय में, एएनएन "सीखेगा" कि त्रुटियों और अवांछित परिणामों की संभावना को कैसे कम किया जाए।
कृत्रिम तंत्रिका नेटवर्क के प्रशिक्षण में अनुमत मॉडलों में से चुनना शामिल है जिसके लिए कई संबद्ध एल्गोरिदम हैं।
एएनएन के कई फायदे हैं लेकिन इनमें से सबसे अधिक मान्यता प्राप्त तथ्य यह है कि यह वास्तव में डेटा सेटों को देखने से सीख सकता है। इस तरह, ANN का उपयोग एक यादृच्छिक फ़ंक्शन सन्निकटन उपकरण के रूप में किया जाता है। इस प्रकार के उपकरण कंप्यूटिंग कार्यों या वितरण को परिभाषित करते समय समाधान पर पहुंचने के लिए सबसे अधिक लागत प्रभावी और आदर्श तरीकों का अनुमान लगाने में मदद करते हैं।
समाधान पर पहुंचने के लिए एएनएन पूरे डेटा सेट के बजाय डेटा के नमूने लेता है, जिससे समय और पैसा दोनों की बचत होती है। मौजूदा डेटा विश्लेषण तकनीकों को बढ़ाने के लिए एएनएन को काफी सरल गणितीय मॉडल माना जाता है।
उनका उपयोग कई व्यावहारिक अनुप्रयोगों के लिए किया जा सकता है, जैसे कि व्यावसायिक खुफिया में भविष्य कहनेवाला विश्लेषण, स्पैम ईमेल का पता लगाना, चैटबॉट में प्राकृतिक भाषा प्रसंस्करण, और बहुत कुछ।
0 Comments