एआई 101
तंत्रिका नेटवर्क क्या हैं?
कृत्रिम तंत्रिका नेटवर्क (एएनएन) क्या हैं?
एआई में कई सबसे बड़ी प्रगतियां हैं कृत्रिम तंत्रिका नेटवर्क द्वारा संचालित. कृत्रिम तंत्रिका नेटवर्क (एएनएन) मानव मस्तिष्क में पाए जाने वाले तंत्रिका नेटवर्क से प्रेरित प्रारूप में एक साथ जुड़े गणितीय कार्यों का कनेक्शन है। ये एएनएन डेटा से जटिल पैटर्न निकालने में सक्षम हैं, डेटा को वर्गीकृत/पहचानने के लिए इन पैटर्न को अदृश्य डेटा पर लागू करते हैं। इस तरह, मशीन "सीखती है"। यह तंत्रिका नेटवर्क पर एक त्वरित विवरण है, लेकिन बेहतर ढंग से समझने के लिए आइए तंत्रिका नेटवर्क पर करीब से नज़र डालें कि वे क्या हैं और कैसे काम करते हैं।
मल्टी-लेयर परसेप्ट्रॉन की व्याख्या
इससे पहले कि हम अधिक जटिल तंत्रिका नेटवर्क को देखें, हम एएनएन के एक सरल संस्करण को देखने के लिए कुछ समय लेंगे, मल्टी-लेयर परसेप्ट्रॉन (एमएलपी).
किसी कारखाने में असेंबली लाइन की कल्पना करें। इस असेंबली लाइन पर, एक कर्मचारी एक आइटम प्राप्त करता है, उसमें कुछ समायोजन करता है, और फिर उसे लाइन में अगले कर्मचारी को भेज देता है जो ऐसा ही करता है। यह प्रक्रिया तब तक जारी रहती है जब तक पंक्ति में खड़ा अंतिम कर्मचारी वस्तु को अंतिम रूप नहीं दे देता और उसे एक बेल्ट पर नहीं रख देता जो उसे कारखाने से बाहर ले जाएगी। इस सादृश्य में, असेंबली लाइन में कई "परतें" होती हैं, और उत्पाद एक कार्यकर्ता से दूसरे कार्यकर्ता की ओर बढ़ते हुए परतों के बीच चलते हैं। असेंबली लाइन में एक प्रवेश बिंदु और एक निकास बिंदु भी होता है।
एक मल्टी-लेयर परसेप्ट्रॉन को एक बहुत ही सरल उत्पादन लाइन के रूप में सोचा जा सकता है, जो कुल तीन परतों से बनी होती है: एक इनपुट परत, एक छिपी हुई परत और एक आउटपुट परत। इनपुट परत वह जगह है जहां डेटा को एमएलपी में फीड किया जाता है, और छिपी हुई परत में कुछ संख्या में "कर्मचारी" डेटा को आउटपुट परत पर भेजने से पहले संभालते हैं जो उत्पाद को बाहरी दुनिया तक पहुंचाता है। एमएलपी के उदाहरण में, इन कार्यकर्ताओं को "न्यूरॉन्स" (या कभी-कभी नोड्स) कहा जाता है और जब वे डेटा को संभालते हैं तो वे गणितीय कार्यों की एक श्रृंखला के माध्यम से इसमें हेरफेर करते हैं।
नेटवर्क के भीतर, नोड को नोड से जोड़ने वाली संरचनाएं होती हैं जिन्हें "भार”। वज़न एक धारणा है कि नेटवर्क के माध्यम से चलते समय डेटा बिंदु कैसे संबंधित होते हैं। दूसरे शब्दों में कहें तो, वज़न उस प्रभाव के स्तर को दर्शाता है जो एक न्यूरॉन का दूसरे न्यूरॉन पर होता है। वर्तमान नोड छोड़ते समय वज़न एक "सक्रियण फ़ंक्शन" से गुज़रता है, जो एक प्रकार का गणितीय फ़ंक्शन है जो डेटा को बदल देता है। वे रैखिक डेटा को गैर-रेखीय अभ्यावेदन में बदलते हैं, जो नेटवर्क को जटिल पैटर्न का विश्लेषण करने में सक्षम बनाता है।
"कृत्रिम तंत्रिका नेटवर्क" द्वारा निहित मानव मस्तिष्क की सादृश्यता इस तथ्य से आती है कि मानव मस्तिष्क को बनाने वाले न्यूरॉन्स एक साथ उसी तरह से जुड़े होते हैं जैसे एएनएन में नोड्स जुड़े होते हैं।
जबकि मल्टी-लेयर परसेप्ट्रॉन 1940 के दशक से अस्तित्व में हैं, लेकिन कई सीमाएँ थीं जो उन्हें विशेष रूप से उपयोगी होने से रोकती थीं। हालाँकि, पिछले कुछ दशकों के दौरान, एक तकनीक जिसे "बैकप्रोगैगेशन” बनाया गया था जिसने नेटवर्क को न्यूरॉन्स के वजन को समायोजित करने की अनुमति दी और इस तरह अधिक प्रभावी ढंग से सीखा। बैकप्रॉपैगैशन तंत्रिका नेटवर्क में वजन को बदलता है, जिससे नेटवर्क को डेटा के भीतर वास्तविक पैटर्न को बेहतर ढंग से पकड़ने की अनुमति मिलती है।
गहरी तंत्रिका नेटवर्क
डीप न्यूरल नेटवर्क एमएलपी का मूल रूप लेते हैं और मॉडल के बीच में अधिक छिपी हुई परतें जोड़कर इसे बड़ा बनाते हैं। इसलिए एक इनपुट परत, एक छिपी हुई परत और एक आउटपुट परत होने के बजाय, बीच में कई छिपी हुई परतें होती हैं और एक छिपी हुई परत के आउटपुट अगली छिपी हुई परत के लिए इनपुट बन जाते हैं जब तक कि डेटा पूरी तरह से तैयार न हो जाए नेटवर्क के माध्यम से और वापस कर दिया गया।
एक गहरे तंत्रिका नेटवर्क की कई छिपी हुई परतें पारंपरिक मल्टीलेयर परसेप्ट्रॉन की तुलना में अधिक जटिल पैटर्न की व्याख्या करने में सक्षम हैं। गहरे तंत्रिका नेटवर्क की विभिन्न परतें डेटा के विभिन्न भागों के पैटर्न सीखती हैं। उदाहरण के लिए, यदि इनपुट डेटा में छवियां शामिल हैं, तो नेटवर्क का पहला भाग पिक्सेल की चमक या अंधेरे की व्याख्या कर सकता है, जबकि बाद की परतें आकृतियों और किनारों का चयन करेंगी जिनका उपयोग छवि में वस्तुओं को पहचानने के लिए किया जा सकता है।
विभिन्न प्रकार के तंत्रिका नेटवर्क
विभिन्न प्रकार के तंत्रिका नेटवर्क हैं, और विभिन्न तंत्रिका नेटवर्क प्रकारों में से प्रत्येक के अपने फायदे और नुकसान हैं (और इसलिए उनके अपने उपयोग के मामले हैं)। ऊपर वर्णित गहरे तंत्रिका नेटवर्क का प्रकार तंत्रिका नेटवर्क का सबसे सामान्य प्रकार है, और इसे अक्सर फीडफॉरवर्ड तंत्रिका नेटवर्क के रूप में जाना जाता है।
तंत्रिका नेटवर्क पर एक भिन्नता आवर्ती तंत्रिका नेटवर्क (आरएनएन) है। आवर्ती तंत्रिका नेटवर्क के मामले में, लूपिंग तंत्र का उपयोग विश्लेषण के पिछले राज्यों से जानकारी रखने के लिए किया जाता है, जिसका अर्थ है कि वे डेटा की व्याख्या कर सकते हैं जहां ऑर्डर मायने रखता है। आरएनएन अनुक्रमिक/कालानुक्रमिक डेटा से पैटर्न प्राप्त करने में उपयोगी होते हैं। आवर्ती तंत्रिका नेटवर्क या तो यूनिडायरेक्शनल या द्विदिशात्मक हो सकते हैं। द्वि-दिशात्मक तंत्रिका नेटवर्क के मामले में, नेटवर्क अनुक्रम के बाद के हिस्सों के साथ-साथ अनुक्रम के पहले हिस्सों से भी जानकारी ले सकता है। चूंकि द्वि-दिशात्मक आरएनएन अधिक जानकारी को ध्यान में रखता है, इसलिए यह डेटा से सही पैटर्न खींचने में बेहतर सक्षम है।
कन्वोल्यूशनल न्यूरल नेटवर्क एक विशेष प्रकार का न्यूरल नेटवर्क है जो छवियों के भीतर पाए जाने वाले पैटर्न की व्याख्या करने में माहिर है। एक सीएनएन छवि के पिक्सेल पर एक फ़िल्टर पारित करके और छवि के भीतर पिक्सेल का एक संख्यात्मक प्रतिनिधित्व प्राप्त करके संचालित होता है, जिसे वह पैटर्न के लिए विश्लेषण कर सकता है। सीएनएन को इस तरह से संरचित किया गया है कि छवि से पिक्सल को बाहर खींचने वाली दृढ़ परतें पहले आती हैं, और फिर घनी रूप से जुड़ी फ़ीड-फ़ॉरवर्ड परतें आती हैं, जो वास्तव में वस्तुओं को पहचानना सीखती हैं, इसके बाद आती हैं।
