പരിചയത്തിൽ ചർച്ച ചെയ്തതുപോലെ, ബുദ്ധിമുട്ട് നേടാനുള്ള ഒരു മാർഗം കമ്പ്യൂട്ടർ മോഡൽ അല്ലെങ്കിൽ കൃത്രിമ മസ്തിഷ്കം പരിശീലിപ്പിക്കുകയാണ്. 20-ആം നൂറ്റാണ്ടിന്റെ മധ്യത്തിൽ നിന്ന് ഗവേഷകർ വിവിധ ഗണിത മോഡലുകൾ പരീക്ഷിച്ചു, അടുത്തിടെ ഈ ദിശ വളരെ വിജയകരമായി തെളിഞ്ഞു. മസ്തിഷ്കത്തിന്റെ ഇത്തരം ഗണിത മോഡലുകൾ ന്യൂറൽ നെറ്റ്വർക്കുകൾ എന്ന് വിളിക്കുന്നു.
ചിലപ്പോൾ ന്യൂറൽ നെറ്റ്വർക്കുകൾ കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്കുകൾ (Artificial Neural Networks, ANNs) എന്ന് വിളിക്കുന്നത്, നാം യഥാർത്ഥ ന്യൂറോണുകളുടെ നെറ്റ്വർക്കുകൾ അല്ല, മോഡലുകൾ മാത്രമാണ് പറയുന്നത് എന്ന് സൂചിപ്പിക്കാൻ.
ന്യൂറൽ നെറ്റ്വർക്കുകൾ മെഷീൻ ലേണിംഗ് എന്ന വലിയ ശാസ്ത്രശാഖയുടെ ഭാഗമാണ്, ഇതിന്റെ ലക്ഷ്യം ഡാറ്റ ഉപയോഗിച്ച് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ കഴിയുന്ന കമ്പ്യൂട്ടർ മോഡലുകൾ പരിശീലിപ്പിക്കുകയാണ്. മെഷീൻ ലേണിംഗ് കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ വലിയൊരു ഭാഗമാണ്, എന്നാൽ ഈ പാഠ്യപദ്ധതിയിൽ ക്ലാസിക്കൽ മെഷീൻ ലേണിംഗ് ഉൾപ്പെടുത്തിയിട്ടില്ല.
ക്ലാസിക്കൽ മെഷീൻ ലേണിംഗ് കൂടുതൽ പഠിക്കാൻ, ഞങ്ങളുടെ പ്രത്യേക Machine Learning for Beginners പാഠ്യപദ്ധതി സന്ദർശിക്കുക.
മെഷീൻ ലേണിംഗിൽ, നമുക്ക് ചില ഉദാഹരണങ്ങളുടെ ഡാറ്റാസെറ്റ് X ഉണ്ട്, അതിനോടനുബന്ധിച്ച ഔട്ട്പുട്ട് മൂല്യങ്ങൾ Y ഉണ്ട് എന്ന് فرضിക്കുന്നു. ഉദാഹരണങ്ങൾ സാധാരണയായി N-ഡൈമെൻഷണൽ വെക്ടറുകളാണ്, അവ ഫീച്ചറുകൾ അടങ്ങിയിരിക്കുന്നു, ഔട്ട്പുട്ടുകൾ ലേബലുകൾ എന്ന് വിളിക്കുന്നു.
നാം രണ്ട് സാധാരണ മെഷീൻ ലേണിംഗ് പ്രശ്നങ്ങൾ പരിഗണിക്കും:
- ക്ലാസിഫിക്കേഷൻ, ഇവിടെ ഒരു ഇൻപുട്ട് വസ്തുവിനെ രണ്ട് അല്ലെങ്കിൽ അതിലധികം ക്ലാസുകളിലേക്കു വേർതിരിക്കണം.
- റെഗ്രഷൻ, ഇവിടെ ഓരോ ഇൻപുട്ട് സാമ്പിളിനും ഒരു സംഖ്യാനുപാതം പ്രവചിക്കണം.
ഇൻപുട്ടുകളും ഔട്ട്പുട്ടുകളും ടെൻസറുകളായി പ്രതിനിധീകരിക്കുമ്പോൾ, ഇൻപുട്ട് ഡാറ്റാസെറ്റ് M×N വലുപ്പമുള്ള ഒരു മാട്രിക്സാണ്, ഇവിടെ M സാമ്പിളുകളുടെ എണ്ണം, N ഫീച്ചറുകളുടെ എണ്ണം. ഔട്ട്പുട്ട് ലേബലുകൾ Y M വലുപ്പമുള്ള വെക്ടറാണ്.
ഈ പാഠ്യപദ്ധതിയിൽ, നാം ന്യൂറൽ നെറ്റ്വർക്കുകൾ മാത്രമേ പരിഗണിക്കൂ.
ജീവശാസ്ത്രത്തിൽനിന്ന്, നമ്മുടെ മസ്തിഷ്കം ന്യൂറൽ സെല്ലുകൾ (ന്യൂറോണുകൾ) കൊണ്ട് നിർമ്മിതമാണ്, ഓരോന്നിനും നിരവധി "ഇൻപുട്ടുകൾ" (ഡെൻഡ്രൈറ്റുകൾ) ഉണ്ട്, ഒറ്റ "ഔട്ട്പുട്ട്" (ആക്സൺ) ഉണ്ട്. ഡെൻഡ്രൈറ്റുകളും ആക്സണുകളും വൈദ്യുത സിഗ്നലുകൾ കൈമാറാൻ കഴിയും, അവ തമ്മിലുള്ള ബന്ധങ്ങൾ — സിനാപ്സുകൾ എന്ന് അറിയപ്പെടുന്നു — വൈദ്യുത ചാലകതയുടെ വ്യത്യസ്ത നിലകൾ കാണിക്കുന്നു, ഇത് ന്യൂറോട്രാൻസ്മിറ്ററുകൾ നിയന്ത്രിക്കുന്നു.
 |
 |
|---|---|
| യഥാർത്ഥ ന്യൂറോൺ (ചിത്രം വിക്കിപീഡിയയിൽ നിന്നുള്ളത്) | കൃത്രിമ ന്യൂറോൺ (ചിത്രം രചയിതാവ്) |
അതിനാൽ, ഒരു ന്യൂറോണിന്റെ ഏറ്റവും ലളിതമായ ഗണിത മോഡൽ X1, ..., XN എന്ന നിരവധി ഇൻപുട്ടുകളും Y എന്ന ഔട്ട്പുട്ടും, W1, ..., WN എന്ന ഭാരങ്ങൾ ഉൾക്കൊള്ളുന്നു. ഔട്ട്പുട്ട് കണക്കാക്കുന്നത്:
ഇവിടെ f ഒരു നോൺ-ലിനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷൻ ആണ്.
ന്യൂറോണിന്റെ പ്രാരംഭ മോഡലുകൾ 1943-ൽ വാറൻ മക്കുലോക്ക്, വാൾട്ടർ പിറ്റ്സ് എഴുതിയ ക്ലാസിക്കൽ പേപ്പർ A logical calculus of the ideas immanent in nervous activity ൽ വിവരിച്ചിട്ടുണ്ട്. ഡൊണാൾഡ് ഹെബ് തന്റെ പുസ്തകം "The Organization of Behavior: A Neuropsychological Theory" ൽ ആ നെറ്റ്വർക്കുകൾ എങ്ങനെ പരിശീലിപ്പിക്കാമെന്ന് നിർദ്ദേശിച്ചു.
ഈ വിഭാഗത്തിൽ നാം പഠിക്കാനിരിക്കുന്നവ:
- പേഴ്സെപ്ട്രോൺ, രണ്ട് ക്ലാസ് ക്ലാസിഫിക്കേഷനുള്ള ആദ്യകാല ന്യൂറൽ നെറ്റ്വർക്ക് മോഡലുകളിൽ ഒന്ന്
- മൾട്ടി-ലെയർഡ് നെറ്റ്വർക്കുകൾ കൂടാതെ സ്വന്തം ഫ്രെയിംവർക്ക് നിർമ്മിക്കുന്ന വിധം എന്ന നോട്ട്ബുക്ക്
- ന്യൂറൽ നെറ്റ്വർക്ക് ഫ്രെയിംവർക്ക്ಗಳು, ഇതിൽ നോട്ട്ബുക്കുകൾ: PyTorch & Keras/Tensorflow
- ഓവർഫിറ്റിംഗ്
അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.