কৃত্রিম বুদ্ধিমত্তা একটি সভ্য জাতির জীবনে ক্রমবর্ধমান ফাংশন খেলছে, যদিও বেশিরভাগ নাগরিক সম্ভবত এটি চিনতে পারে না। একটি ব্যবসা কল করার সময় কম্পিউটারের সাথে কথা বলার জন্য এটি এখন সাধারণ। ফেসবুক আপলোড করা ফটোগুলিতে স্বীকৃতিপ্রাপ্ত ফেসবুকে ভয়ঙ্কর সুনির্দিষ্ট হচ্ছে। জ্ঞানী ফোনগুলির সাথে শারীরিক মিথস্ক্রিয়া অতীতের একটি জিনিস হচ্ছে শেষ হচ্ছে … অ্যাপল এর সিরি এবং গুগল বক্তৃতা দিয়ে, এটি ধীরে ধীরে আপনার ফোনের সাথে কথা বলার পাশাপাশি টাইপ বা স্পর্শের চেয়ে কী করতে হবে তা বলার অপেক্ষা রাখে না একটি আইকন। যদি আপনার আগে না থাকে তবে এটি চেষ্টা করুন – যদি আপনার একটি অ্যান্ড্রয়েড ফোন থাকে, তবে “ঠিক আছে Google”, “Lumos” দ্বারা মেনে চলে। এটা জাদু!
পণ্যগুলির জন্য বিজ্ঞাপনগুলি আমরা আমাদের সামাজিক নেটওয়ার্ক অ্যাকাউন্টগুলিতে উপস্থিত হওয়ার কথা ভাবছি যেমন কিছু আমাদের মন পড়ছে। বাস্তবতা হল, কিছু আমাদের মন পড়ছে … যদিও কিছুটা ঠিক আছে তা ঠিক করাটা ঠিক করা কঠিন। একটি বিজ্ঞাপনের জন্য আমরা এমন কিছু করার জন্য উপস্থিত হতে পারি, যদিও আমরা বুঝতে পারিনি যে আমরা এটিকে দেখিনি যতক্ষণ না আমরা এটি দেখতে পাচ্ছি। এটি কাকতালীয় নয়, তবে একটি এআই অ্যালগরিদম থেকে ডুবে যায়।
এই আইআই অ্যাপ্লিকেশনের অনেকের হৃদয়ে গভীর শিক্ষার মতো একটি প্রক্রিয়া বোঝা যায়। সম্প্রতি গভীর আবিষ্কারের বিষয়ে একটি দুর্দান্ত চুক্তি হয়েছে, কেবলমাত্র হ্যাকডেতেই নয়, তবে interwebs এর কাছাকাছি। পাশাপাশি আইআই সম্পর্কিত বেশিরভাগ জিনিসের মতো, এটি একটি বিট চ্যালেঞ্জিং এবং কম্পিউটার বিজ্ঞানের একটি শক্তিশালী ব্যাকগ্রাউন্ড ছাড়াই বোঝা কঠিন হতে পারে।
আপনি যদি আমার কোয়ান্টাম তত্ত্বের নিবন্ধগুলির সাথে পরিচিত হন তবে আপনি বুঝতে পারবেন যে আমি চ্যালেঞ্জিং বিষয়গুলি নিতে চাই, জটিলতাটিকে খুব ভালভাবে তুলতে পারে এমন একটি পদ্ধতিতে এটি ব্যাখ্যা করতে পারে এমন একটি পদ্ধতিতে এটি ব্যাখ্যা করতে পারে। গভীর শিক্ষার এই ধারণার অনুরূপ পদ্ধতির প্রয়োগ করার জন্য এটি এই নিবন্ধটির লক্ষ্য। স্নায়বিক নেটওয়ার্কগুলি আপনাকে ক্রস-আইড এবং পাশাপাশি মেশিন আবিষ্কারের পাশাপাশি আপনাকে দুঃস্বপ্ন সরবরাহ করে তবে চেক আউট করে। আপনি দেখতে পাবেন যে “গভীর শিক্ষা” একটি কঠিন বিষয় বলে মনে হচ্ছে, তবে সত্যিকারের একটি $ 20 টার্মটি এমন কিছু ব্যাখ্যা করার জন্য ব্যবহার করা হয়েছে যার অন্তর্নিহিতগুলি মোটামুটি সহজ।
মেশিন লার্নিং
যখন আমরা একটি টাস্ক সঞ্চালনের জন্য একটি যন্ত্রটি প্রোগ্রাম করি, আমরা সেই দিকটি রচনা করি এবং মেশিনটি তাদের সঞ্চালন করে। উদাহরণস্বরূপ, নেতৃত্বে … LED বন্ধ … এটি নির্দেশগুলি সম্পন্ন হওয়ার পরে প্রত্যাশিত ফলাফলটি বুঝতে কোন প্রয়োজন নেই। LED চালু বা বন্ধ থাকলে মেশিনটি বোঝার কোন কারণ নেই। এটা শুধু আপনি এটা করতে বলেন কি না। মেশিন শেখার সঙ্গে, এই প্রক্রিয়া flipped হয়। আমরা যে মেশিনটি চাই তা আমরা বলি, সেইসাথে মেশিনটি ‘শিখতে’ নির্দেশনা পেতে নির্দেশ দেয়। এটি করার কয়েকটি পদ্ধতি রয়েছে, তবে আমাদের একটি সহজ উদাহরণে ফোকাস করুন:
এমআইটি থেকে প্রারম্ভিক স্নায়বিক নেটওয়ার্ক
যদি আমি আপনাকে একটি বিট রোবট তৈরি করতে বলি যা নিজেকে লক্ষ্য করতে পারে, এটি করার জন্য একটি সহজ পদ্ধতি রোবট এবং সেইসাথে একটি XY কার্টেসিয়ান প্লেনে লক্ষ্যবস্তু করা হবে, সেইসাথে রোবটটি যেতে হবে এক্স অক্ষের অনেক ইউনিট, পাশাপাশি Y অক্ষের উপর অনেক ইউনিট। এই সহজ কৌশলটি রোবটটি কেবলমাত্র নির্দেশনা দেয় যেখানে লক্ষ্যটি সত্যিই বোঝা যায় না। এটি কেবলমাত্র শুরু করার পাশাপাশি টার্গেটের জন্য কোঅর্ডিনেটগুলি বুঝতে পারলে এটি কাজ করে। যদি হয় পরিবর্তন হয়, এই পদ্ধতি কাজ করবে না।
মেশিন আবিষ্কার আমাদের coordinates পরিবর্তন সঙ্গে প্রস্তাব করতে সক্ষম করে। আমরা লক্ষ্য আবিষ্কারের জন্য আমাদের রোবটকে বলি, পাশাপাশি এটি খুঁজে বের করতে বা শিখতে হবে, সেখানে পৌঁছানোর নিজস্ব নির্দেশনা। এটি করার একটি পদ্ধতি হল রোবটটি লক্ষ্যটি দূরত্বের দূরত্বটি আবিষ্কার করে, সেইসাথে একটি র্যান্ডম দিক থেকে সরানো হয়। দূরত্বটি পুনর্নির্মাণ করুন, যেখানে এটি শুরু হয়েছিল এবং সেইসাথে দূরত্ব পরিমাপের রেকর্ডে ফিরে যান। এই প্রক্রিয়াটি পুনরাবৃত্তি করা একটি নির্দিষ্ট সমন্বয় থেকে সরানোর পরে আমাদের অনেক দূরত্ব পরিমাপ প্রদান করবে। এক্স পরিমাণ পরিমাপের পরে, রোবট দিক থেকে সরানো হবে যেখানে টার্গেটের দূরত্বটি সর্বনিম্ন, সেইসাথে ক্রমটি পুনরাবৃত্তি করে। এই অবশেষে লক্ষ্য পৌঁছানোর এটি সক্রিয় করতে হবে। সংক্ষেপে, রোবটটি কেবলমাত্র “শিখতে কীভাবে” শিখতে হবে তা শিখতে ‘এবং-ত্রুটি ব্যবহার করছে। দেখুন, এই জিনিস সব পরে এত কঠিন না!
এই “ট্রায়াল-এবং-ত্রুটি” ধারণার ধারণাটি এমন কিছুতে বিমূর্তভাবে প্রতিনিধিত্ব করা যেতে পারে যা আমরা সবাই শুনেছি – একটি নিউরাল নেটওয়ার্ক।
Dummies জন্য স্নায়বিক নেটওয়ার্ক
স্নায়বিক নেটওয়ার্ক আপনার noggin মধ্যে নিউরন ভর থেকে তাদের নাম পেতে। সাধারণ নেটওয়ার্কটি অযৌক্তিক জটিল, একটি একক নিউরনের অপারেশনটি সহজ। এটি আইও প্রদানের রাসায়নিক-বৈদ্যুতিক সংকেত সহ বেশ কয়েকটি ইনপুট এবং একক আউটপুট সহ একটি ঘর। আউটপুট উল্লেখ করে সক্রিয় ইনপুট সংখ্যা এবং সেই ইনপুটগুলির স্ট্যামিনা দ্বারা নির্ধারিত হয়। পর্যাপ্ত সক্রিয় ইনপুট থাকলে, একটি থ্রেশহোল্ডটি অতিক্রম করা হবে এবং আউটপুটটি সক্রিয় হয়ে উঠবে। একটি নিউরন প্রতিটি আউটপুট নেটওয়ার্ক উত্পাদন, একটি আরো নিউরন ইনপুট হিসাবে কাজ করে।
Perceptron ডায়াগ্রাম ঠিক একটি neuarl ne প্রশিক্ষণ কিভাবে মাধ্যমেPrateek Joshi দ্বারা পাইথন মধ্যে Twork
সিলিকনের একটি নিউরন (এবং অতএব একটি নিউরাল নেটওয়ার্ক) পুনরূদ্ধার করা উচিত একইভাবে সহজ হওয়া উচিত। আপনি একটি সংক্ষেপ জিনিস মধ্যে ইনপুট একটি সংখ্যা আছে। ইনপুট যোগ করুন, পাশাপাশি যদি তারা একটি নির্দিষ্ট থ্রেশহোল্ড অতিক্রম করে, আউটপুট একটি এক। অন্য একটি শূন্য আউটপুট। বঙ্গো! এটি আমাদেরকে একটি নিউরনকে অনুকরণ করতে দেয়, তবে এটি দুর্ভাগ্যবশত অত্যন্ত উপকারী নয়। আমাদের বিট সিলিকন নিউরনকে ফ্ল্যাশ মেমরিতে সংরক্ষণের যোগ্য করার জন্য, আমরা ইনপুটগুলি পাশাপাশি কম বাইনারি আউটপুট তৈরি করার প্রয়োজন … আমাদের তাদের শক্তি প্রদানের প্রয়োজন, অথবা আরো সাধারণভাবে বোঝা শিরোনাম: ওজন।
1940 এর দশকের শেষের দিকে ফ্রাঙ্ক রোজেনব্ল্যাটের নামে একজন লোকটি এই জিনিসটিকে একটি perceptron নামে পরিচিত। Perceptron আমাদের বিট সিলিকন নিউরনের মতোই আমরা কয়েকটি ব্যতিক্রমের সাথে পূর্ব অনুচ্ছেদের মধ্যে ব্যাখ্যা করেছি। সবচেয়ে গুরুত্বপূর্ণ যা ইনপুট ওজন আছে। ওজনের পাশাপাশি একটি বিট প্রতিক্রিয়া প্রবর্তনের সাথে সাথে আমরা একটি সবচেয়ে আকর্ষণীয় ক্ষমতা লাভ করি … শিখতে সক্ষম।
Kdnuggets মাধ্যমে উৎস
আমাদের বিট রোবটটি আবার ফিরে যা শিখতে পারে তা শিখতে পারে। আমরা রোবটটি একটি ফলাফল সরবরাহ করেছি, সেইসাথে এটি কীভাবে সম্পাদন করতে হবে তা আবিষ্কার করার জন্য তার নিজস্ব নির্দেশনা রচনা করার জন্য র্যান্ডম গতির একটি ট্রায়াল-এবং-ত্রুটি প্রক্রিয়া এবং একটি xy সমন্বয় ব্যবস্থায় দূরত্ব পরিমাপের ফলে। একটি perceptron ধারণা এই প্রক্রিয়ার একটি বিমূর্ততা। কৃত্রিম নিউরনের আউটপুট আমাদের ফলাফল। আমরা নিউরনকে ইনপুটগুলির একটি নির্দিষ্ট সেটের জন্য একটি প্রত্যাশিত ফলাফল সরবরাহ করতে চাই। আমরা নিউরনকে ইনপুটের ওজন পরিবর্তন করে এটি সম্পাদন করি যতক্ষণ না এটি আমরা চাই।
ওজন সামঞ্জস্য করা একটি প্রক্রিয়া দ্বারা একটি প্রক্রিয়া দ্বারা সম্পন্ন করা হয়, যা একটি ধরনের প্রতিক্রিয়া। সুতরাং আপনি ইনপুট একটি সেট আছে, ওজন একটি সেট পাশাপাশি একটি ফলাফল। আমরা ঠিক কতদূর তা নির্ধারণ করি যেখানে আমরা এটি চাই, সেইসাথে একটি গাণিতিক ধারণা ব্যবহার করে এমন ওজন পরিবর্তন করার জন্য পার্থক্য (ত্রুটি হিসাবে পরিচিত) ব্যবহার করে যা গ্রেডিয়েন্ট শালীন হিসাবে বোঝা যায়। এই ‘ওজন সমন্বয়’ প্রক্রিয়াটি প্রায়শই প্রশিক্ষণ বলা হয়, তবে আমাদের বিট রোবটের মতোই একটি ট্রায়াল-এবং-ত্রুটি প্রক্রিয়ার চেয়ে বেশি কিছু নয়।
গভীর জ্ঞানার্জন
গভীর আবিষ্কার এই দিন iot তুলনায় আরো সংজ্ঞা আছে বলে মনে হয়। তবে সরলতম, সর্বাধিক সরাসরি এগিয়ে আমি আবিষ্কার করতে পারি একটি স্নায়ু নেটওয়ার্কটি ইনপুট এবং আউটপুটের পাশাপাশি জটিল সমস্যাগুলির সমাধান করার জন্য একটি বা একাধিক স্তরের সাথে একটি স্নায়বিক নেটওয়ার্ক। মূলত, গভীর আবিষ্কারটি কেবল একটি জটিল নিউরাল নেটওয়ার্ক যা স্টাফ করার জন্য ব্যবহৃত হয় যা ঐতিহ্যগত কম্পিউটারগুলির জন্য সত্যিই কঠিন।
কুন চেন দ্বারা গভীর আবিষ্কারের একটি ডামি এর গাইডের মাধ্যমে গভীর আবিষ্কার ডায়াগ্রাম
ইনপুট এবং আউটপুটের মধ্যে স্তরগুলি লুকানো স্তরগুলির পাশাপাশি নিউরাল নেটের জটিলতার সাথে উল্লেখযোগ্যভাবে বৃদ্ধি করা হয়। প্রতিটি স্তর একটি নির্দিষ্ট উদ্দেশ্য আছে, পাশাপাশি একটি অনুক্রমের মধ্যে ব্যবস্থা করা হয়। উদাহরণস্বরূপ, যদি আমরা একটি ছবিতে একটি feline নির্ধারণ করার জন্য প্রশিক্ষিত একটি গভীর আবিষ্কার একটি গভীর আবিষ্কার ছিল, খুব প্রথম স্তর নির্দিষ্ট লাইন সেগমেন্ট পাশাপাশি arcs দেখতে পারে। আধিপত্যের উচ্চতর স্তরগুলি প্রথম স্তরের আউটপুটটি দেখবে এবং সেইসাথে বৃত্ত বা ত্রিভুজগুলির মতো আরও জটিল আকার নির্ধারণ করার চেষ্টা করবে। এমনকি উচ্চতর স্তরগুলি চোখ বা whiskers মত বস্তুর জন্য সন্ধান করবে। হায়ারার্কিক্যাল শ্রেণীবিভাগ কৌশলগুলির আরো বিস্তারিত ব্যাখ্যা করার জন্য, invariant উপস্থাপনা সম্পর্কে আমার নিবন্ধগুলি পরিদর্শন করতে ভুলবেন না।
একটি লেয়ারের প্রকৃত আউটপুটটি সঠিকভাবে বোঝা যায় না এটি একটি ট্রায়াল-এবং-ত্রুটি প্রক্রিয়ার মাধ্যমে প্রশিক্ষিত। সঠিক একই ছবির সাথে প্রশিক্ষিত নিউরাল নেটওয়ার্কগুলির দুটি অনুরূপ গভীর একটি লুকানো স্তর থেকে বিভিন্ন আউটপুট তৈরি করবে। এটি কিছু অস্বস্তিকর বিষয়গুলি নিয়ে আসে, যেমনটি এমআইটি আবিষ্কার করছে।
এখন যখন আপনি কাউকে মেশিন লার্নিং, নিউরাল নেটওয়ার্ক, পাশাপাশি গভীর শিক্ষার বিষয়ে কথা বলবেন, তখন আপনার কাছে অন্তত একটি অস্পষ্ট ধারণা থাকা উচিত এবং এটি কীভাবে কাজ করে তা ঠিক কীভাবে কাজ করে। নিউরাল নেটওয়ার্কটি পরবর্তী বিশাল জিনিস বলে মনে হচ্ছে, যদিও তারা এখন দীর্ঘদিন ধরে প্রায় কাছাকাছি ছিল। বছরের পর বছর ধরে কীভাবে পরিবর্তিত হয়েছে তার উপর [স্টিভেন DUFRESNE এর] নিবন্ধটি পরিদর্শন করুন, সেইসাথে মেশিনের শিক্ষার জন্য আপনার হাতটি চেষ্টা করার জন্য Tensorflow ব্যবহার করার জন্য তার টিউটোরিয়ালে ঢুকিয়ে দিন।
