કૃત્રિમ ચેતા નેટવર્કમાં

કૃત્રિમ ચેતા નેટવર્કમાં - ચેતાકોષો - તે ખાસ કોશિકાઓનો બનેલો હોય છે. તેઓ જૈવિક ચેતાકોષો, એટલે, એવા કોશિકાઓ કે માનવ ચેતાતંત્ર બનાવે ના ગાણિતિક મોડેલો છે.

પ્રથમ વખત માટે અમે 1943 માં ન્યુરલ નેટવર્ક્સ વિશે વાત છે, અને Perceptron Rosenblatt શોધ પછી સુવર્ણ યુગ આવ્યો અને નેટવર્ક્સ ખૂબ જ લોકપ્રિય બની છે. જોકે, 1969 માં મિન્સ્ક પ્રકાશન, જેમાં એક વૈજ્ઞાનિક Perceptron બિનકાર્યક્ષમતા સાબિત થયું છે પછી, અમુક ચોક્કસ શરતો હેઠળ, આ ક્ષેત્રમાં રસ તીવ્ર ઘટાડો થયો છે. પરંતુ વાર્તાની કૃત્રિમ નેટવર્ક સાથે સમાપ્ત થતું નથી. . 1985 માં, જે Hopfield તેમના અભ્યાસ રજૂ કરવામાં અને તે ન્યુરલ નેટવર્ક સાબિત કરી - મશીન માટે એક મહાન સાધન શીખવાની.

તે જીવવિજ્ઞાનની અનેક ખ્યાલો અને સિદ્ધાંતો પાસેથી ઉછીના લીધેલા હતી. ચેતાકોષ - સ્વીચ જે મેળવે છે અને પછી એક પ્રકારની કઠોળ (સિગ્નલો) પ્રસારણ કરે છે. ચેતાકોષ પુરતા શક્તિશાળી વેગ મેળવે છે, તો એવું માનવામાં આવે છે કે તે સક્રિય થાય છે અને કઠોળ બાકીના તેની સાથે સંકળાયેલ ચેતાકોષો પ્રસારણ કરવામાં આવે છે. ચેતાકોષ જ જે સક્રિય ન હતી, તે બાકીના પર રહે છે, તે પલ્સ વહન નથી. ચેતોપાગમ કે એકબીજા સાથે ચેતાકોષો સાથે જોડાવા માટે અને કઠોળ, ચેતાક્ષ, જે વહન આવેગ કાર્ય અને શિખાતંતુ, જે વિવિધ સ્ત્રોતો તરફથી સિગ્નલ્સ મેળવે પ્રાપ્ત: ચેતાકોષ અનેક મુખ્ય ઘટકો સમાવે છે. ચેતાકોષોની ચોક્કસ થ્રેશોલ્ડ ઉપર એક આવેગ મેળવે, ત્યારે તે તરત જ આગામી ચેતાકોષોની સિગ્નલ મોકલે છે.

ગાણિતિક મોડેલ થોડી અલગ છે. લૉગિન ગાણિતિક મોડેલ ચેતાકોષની - એક વેક્ટર, જે ઘટકો મોટી સંખ્યામાં બનેલા છે. ઘટક દરેક - કઠોળ, જેમાં ચેતાકોષ દ્વારા પ્રાપ્ત થાય છે. મોડેલ આઉટપુટ એક નંબર છે. એટલે કે, માં મોડલ ઇનપુટ વેક્ટર એક scalar રૂપાંતરિત થઈ જાય છે, જે પાછળથી અન્ય ચેતાકોષોને ટ્રાન્સફર થાય છે.

ન્યુરલ નેટવર્ક્સ બે રીતે તાલીમ આપી શકાય છે: સાથે અને એક શિક્ષક વગર. શીખવાની એક પ્રક્રિયા અનેક પગલાં સમાવેશ થાય છે. પ્રથમ, નેટવર્ક પર બહાર ઉત્તેજનાની તરફથી ઇનપુટ છે. પછી, નિયમો અનુસાર ન્યુરલ નેટવર્ક મુક્ત પરિમાણો બદલાય, તો પછી નેટવર્ક ઇનપુટ ઉત્તેજનના માટે પહેલાથી અલગ પ્રતિક્રિયા આપે છે. પ્રક્રિયા તરીકે લાંબા સમય સુધી નેટવર્ક સમસ્યાને ઉકેલવા નથી પુનરાવર્તન જોઈએ. એક શિક્ષક સાથે શીખવાની અલ્ગોરિધમનો પહેલેથી સાચો જવાબ છે કે નેટવર્ક તાલીમ દરમિયાન છે. આ પદ્ધતિ સફળતાપૂર્વક અનેક કાર્યક્રમો માટે ઉપયોગ કરવામાં આવે છે, પરંતુ તે ઘણી વખત હકીકત એ છે કે જૈવિક અસંભવિત છે માટે ટીકા કરવામાં આવે છે. ન્યુરલ નેટવર્ક્સ કેસ જ્યાં માત્ર બે જાણીતા ઇનપુટ્સ શિક્ષક વગર તાલીમ આપવામાં આવે છે. તેમના પર આધારિત, નેટવર્ક ધીમે ધીમે શ્રેષ્ઠ મૂલ્ય આઉટપુટ આપી શીખે છે.

ન્યુરલ નેટવર્ક્સ ની અરજી ખરેખર વિવિધતા ધરાવે છે. તેઓ ઘણી વખત વિવિધ માન્યતા, આગાહી, રચના આપોઆપ કરવા માટે ઉપયોગ થાય નિષ્ણાત સિસ્ટમો, functionals અડસટ્ટો. સાથે આવા નેટવર્ક આગાહી અવાજ માન્યતા છે કે પછી દૃશ્યમાન સંકેતો કરી શકો છો વિનિમય સૂચકો સ્વ શિક્ષણ, જે, ઉદાહરણ તરીકે, આપેલ લખાણ અથવા કાર પાર્ક ભાષણ સંશ્લેષણ કરવા માટે કરી શકો છો સક્ષમ સિસ્ટમો બનાવો. વેસ્ટ ન્યુરલ નેટવર્ક્સ છે ઉપયોગ વધુ સક્રિય, કમનસીબે, સ્થાનિક કંપનીઓ હજુ સુધી આ પદ્ધતિ અપનાવી હતી છે.

નથી આદર્શ ઉકેલ છે - કેટલાક વિસ્તારોમાં પરંપરાગત ગણતરી વર્તમાન ન્યુરલ નેટવર્ક્સ પર ANN ફાયદા હોવા છતાં. ત્યારથી તેઓ શીખવાની સક્ષમ હોય છે, તેઓ ખોટું હોઈ શકે છે. વધુમાં, તમે બરાબર ગેરેંટી આપતું નથી કે વિકસિત ન્યુરલ નેટવર્ક શ્રેષ્ઠ છે. વિકાસકર્તા સમજવા જ જોઈએ સમસ્યા પ્રકૃતિ સંબોધવામાં કરવામાં આવી રહી છે કે જે સમસ્યા વર્ણવે છે, પરીક્ષણ અને તાલીમ નેટવર્ક માટે માહિતી મેળવવા માટે માહિતી ઘણો હોય છે, તાલીમ, ટ્રાન્સફર કાર્ય અને નાનો ઝેરી સાંપ કાર્યો અધિકાર પદ્ધતિ પસંદ કરો.