കൃത്രിമ നാഡീവ്യൂഹം
ജീവികളുടെ നാഡിവ്യൂഹത്തിൽ നിന്നും പ്രചോദനമുൾക്കൊണ്ട്, വികസിപ്പിച്ചെടുത്ത ഒരു ഗണന മാതൃകയാണ് കൃത്രിമ നാഡീവ്യൂഹം അല്ലെങ്കിൽ ആർട്ടിഫിഷൽ ന്യൂറൽ നെറ്റ്വർക്ക്(ANN-കൾ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലേക്കും (NNs) അല്ലെങ്കിൽ ന്യൂറൽ നെറ്റ്‌കളിലേക്കും പേരുകൾ ചുരുക്കിയിരിക്കുന്നു). മൃഗങ്ങളുടെ മസ്തിഷ്കങ്ങൾ ഉൾക്കൊള്ളുന്ന ബയോളജിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലെ കണക്ഷൻ വഴി കണ്ടെത്തിയ ന്യൂറോണൽ ഓർഗനൈസേഷന്റെ തത്വങ്ങൾ ഉപയോഗിച്ച് നിർമ്മിച്ച മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ ഒരു ശാഖയാണ്.[1][2]
രേഖീയ പ്രതികരണം നല്കാത്ത പ്രതിഭാസങ്ങളെ കുറിച്ച് പഠിക്കാനാണ് ഈ മാതൃക ഉപയോഗിക്കുന്നത്. ഈ മാതൃക അവയ്ക്കു് ലഭിക്കുന്ന വിവരങ്ങളനുസരിച്ച് അതിന്റെ സവിഷേതകളെ സ്വയം മാറ്റുന്നു. ലഭ്യമായ ധാരാളം വിവരങ്ങൾ നൽകി ആ വിവരങ്ങളുടെ വ്യതിയാനരീതി സ്വയം പരിശീലിപ്പിച്ചാണ് കൃത്രിമ നാഡീവ്യൂഹ മാതൃക വികസിപ്പിക്കന്നത് [3]ഒരു ബയോളജിക്കൽ മസ്തിഷ്കത്തിലെ ന്യൂറോണുകളെ മാതൃകാപരമായി രൂപപ്പെടുത്തുന്ന കൃത്രിമ ന്യൂറോണുകൾ എന്ന് വിളിക്കപ്പെടുന്ന കണക്റ്റഡ് യൂണിറ്റുകളുടെയോ നോഡുകളുടെയോ ശേഖരത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഒരു ആൻ(ANN). ഒരു ബയോളജിക്കൽ തലച്ചോറിലെ സിനാപ്‌സുകൾ പോലെ ഓരോ കണക്ഷനും മറ്റ് ന്യൂറോണുകളിലേക്ക് ഒരു സിഗ്നൽ കൈമാറാൻ കഴിയും. ഒരു കൃത്രിമ ന്യൂറോൺ സിഗ്നലുകൾ സ്വീകരിക്കുകയും അവ പ്രോസസ്സ് ചെയ്യുകയും അതുമായി ബന്ധിപ്പിച്ചിരിക്കുന്ന ന്യൂറോണുകളെ സൂചിപ്പിക്കുകയും ചെയ്യുന്നു. ഒരു ബന്ധത്തിലെ "സിഗ്നൽ" ഒരു ബന്ധത്തിന്റെ ശക്തിയെ പ്രതിനിധീകരിക്കുന്ന ഒരു സംഖ്യയാണ്. ഓരോ ന്യൂറോണിന്റെയും ഔട്ട്പുട്ട് നിർണ്ണയിക്കുന്നത് അതിന്റെ ഇൻപുട്ട് സിഗ്നലുകളുടെ ആകെത്തുകയിൽ പ്രയോഗിക്കുന്ന ഒരു നോൺ-ലീനിയർ ഫംഗ്ഷനാണ്, ഇത് മൊത്തത്തിലുള്ള ഫലത്തെ കൂടുതൽ രസകരവും സങ്കീർണ്ണവുമാക്കുന്നു.ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിൽ, ന്യൂറോണുകൾ തമ്മിലുള്ള ബന്ധങ്ങളെ എഡുജുകൾ എന്ന് വിളിക്കുന്നു, പഠന സമയത്ത് അവയ്ക്കുള്ള വെയിറ്റ് മാറും. കടന്നുപോകുന്ന സിഗ്നലുകളെ ശക്തിപ്പെടുത്തുന്നതിനോ ദുർബലപ്പെടുത്തുന്നതിനോ ഈ വെയിറ്റ് ക്രമീകരിക്കുന്നു. ന്യൂറോണുകൾക്ക് ഒരു പരിധി ഉണ്ടായിരിക്കാം, സംയോജിത സിഗ്നലുകൾ ആ പരിധി മറികടന്നാൽ മാത്രമേ ഒരു സിഗ്നൽ അയയ്‌ക്കുകയുള്ളൂവെന്ന് ഉറപ്പാക്കുന്നു.
ആഴത്തിലുള്ള ന്യൂറൽ ശൃംഖലയ്ക്ക് അങ്ങനെ പേര് നൽകിയിരിക്കുന്നത്, അതിന്റെ ആർക്കിടെക്ടചറിൽ കുറഞ്ഞത് രണ്ട് മറഞ്ഞിരിക്കുന്ന പാളികളെങ്കിലും ഉൾക്കൊള്ളുന്നതിനാലാണ്. ഈ മറഞ്ഞിരിക്കുന്ന പാളികൾ സങ്കീർണ്ണമായ പാറ്റേണുകളും ഡാറ്റയിലെ പ്രാതിനിധ്യങ്ങളും പഠിക്കാനും മനസ്സിലാക്കാനും നെറ്റ്വർക്കിനെ പ്രാപ്തമാക്കുന്നു, ഇത് മൂലം കൂടുതൽ സങ്കീർണ്ണമായ ജോലികൾ കൈകാര്യം ചെയ്യാൻ അവയെ പ്രാപ്തമാക്കുന്നു.[4]
പരിശീലനം തിരുത്തുക
ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ അവയുടെ പ്രവചനങ്ങളും ഒരു ഡാറ്റാസെറ്റിലെ യഥാർത്ഥ ഫലങ്ങളും തമ്മിലുള്ള വ്യത്യാസം കുറയ്ക്കുന്നതിലൂടെ പഠിക്കുന്നു. എംപിരിയിക്കൽ റിസ്ക് മിനിമൈസേഷൻ എന്നറിയപ്പെടുന്ന ഈ പ്രക്രിയയിൽ നെറ്റ്വർക്കിന്റെ പാരാമീറ്ററുകൾ ക്രമീകരിക്കുന്നത് അതിന്റെ പ്രവചനങ്ങളെ ശരിയായ ടാർഗെറ്റ് മൂല്യങ്ങളുമായി കഴിയുന്നത്ര അടുപ്പിക്കുന്നതാണ്. ഈ പാരാമീറ്ററുകൾ ആവർത്തിച്ച് സൂക്ഷ്മമായി ക്രമീകരിക്കുന്നതിലൂടെ, പുതിയതും കാണാത്തതുമായ ഡാറ്റയിൽ കൃത്യമായ പ്രവചനങ്ങൾ നടത്താൻ ന്യൂറൽ നെറ്റ്വർക്കിനെ പ്രാപ്തമാക്കുന്നു.[5]നെറ്റ്വർക്കിന്റെ പാരാമീറ്ററുകൾ കണക്കാക്കാൻ ബാക്ക്പ്രോപാഗേഷൻ പോലുള്ള ഗ്രേഡിയന്റ് അടിസ്ഥാനമാക്കിയുള്ള രീതികൾ സാധാരണയായി ഉപയോഗിക്കുന്നു. പരിശീലന ഘട്ടത്തിൽ, ലേബൽ ചെയ്ത പരിശീലന ഡാറ്റയിൽ, നിർവചിക്കപ്പെട്ട നഷ്ടം കുറയ്ക്കുന്നതിന് ലേബൽ ചെയ്ത പരിശീലന ഡാറ്റയിൽ നിന്ന് ആൻസിനെ പഠിക്കുന്നു. പുതിയ, അദൃശ്യമായ വിവരങ്ങൾ പ്രയോഗിക്കാൻ ഈ രീതി നെറ്റ്വർക്കിനെ പ്രാപ്തമാക്കുന്നു, പ്രവചനങ്ങൾ അല്ലെങ്കിൽ പരിശീലനം ലഭിച്ച നിർദ്ദിഷ്ട ഉദാഹരണങ്ങൾക്കപ്പുറം ധാരണകൾ മനസിലാക്കാൻ പ്രാപ്തിയുള്ളതാക്കുന്നു.[6]
ചരിത്രം തിരുത്തുക
ഒരു ലീനിയർ ഫീഡ്‌ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്ക്, ഏറ്റവും ലളിതമായ തരത്തിൽ, ഇൻപുട്ടുകൾ ഭാരങ്ങളിലൂടെ ഔട്ട്‌പുട്ടുകളുമായി നേരിട്ട് ബന്ധിപ്പിച്ചിരിക്കുന്ന ഔട്ട്പുട്ട് നോഡുകളുടെ ഒരൊറ്റ പാളി ഉണ്ട്. ഓരോ ഔട്ട്പുട്ട് നോഡും അതിന്റെ ഇൻപുട്ട് മൂല്യങ്ങളുടെയും അനുബന്ധ ഭാരങ്ങളുടെയും ഉൽപ്പന്നങ്ങൾ ചേർത്ത് അതിന്റെ ഫലം കണക്കാക്കുന്നു. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിൽ, ഓരോ നോഡും അതിന്റെ ഇൻപുട്ട് മൂല്യങ്ങളെ അനുബന്ധ ഭാരം കൊണ്ട് ഗുണിക്കുന്നു, ഈ ഉൽപ്പന്നങ്ങളുടെ ആകെത്തുക കണക്കാക്കുന്നു. നെറ്റ്വർക്ക് അതിന്റെ കണക്കുകൂട്ടിയ ഔട്ട്‌പുട്ടുകളും ടാർഗെറ്റ് മൂല്യങ്ങളും തമ്മിലുള്ള സ്‌ക്വയർ വ്യത്യാസങ്ങൾ കുറയ്ക്കുന്നതിന് ഈ ഭാരം ക്രമീകരിക്കുന്നു, കൃത്യമായ പ്രവചനങ്ങൾ നടത്താനുള്ള അതിന്റെ കഴിവിനെ മെച്ചപ്പെടുത്തുന്നു.
അവലംബം തിരുത്തുക
- ↑ Hardesty, Larry (14 April 2017). "Explained: Neural networks". MIT News Office. Retrieved 2 June 2022.
- ↑ Yang, Z.R.; Yang, Z. (2014). Comprehensive Biomedical Physics. Karolinska Institute, Stockholm, Sweden: Elsevier. p. 1. ISBN 978-0-444-53633-4. Archived from the original on 28 July 2022. Retrieved 28 July 2022.
- ↑ "ആർക്കൈവ് പകർപ്പ്". Archived from the original on 2009-12-16. Retrieved 2011-08-26.
- ↑ Bishop, Christopher M. (2006-08-17). Pattern Recognition and Machine Learning (in English). New York: Springer. ISBN 978-0-387-31073-2.
{{cite book}}: CS1 maint: unrecognized language (link) - ↑ Vapnik, Vladimir N.; Vapnik, Vladimir Naumovich (1998). The nature of statistical learning theory (Corrected 2nd print. ed.). New York Berlin Heidelberg: Springer. ISBN 978-0-387-94559-0.
- ↑ Ferrie, C.; Kaiser, S. (2019). Neural Networks for Babies. Sourcebooks. ISBN 978-1-4926-7120-6.
- ↑ Ferrie, C.; Kaiser, S. (2019). Neural Networks for Babies. Sourcebooks. ISBN 978-1-4926-7120-6.
|
ഈ ലേഖനം അപൂർണ്ണമാണ്‌. ഇതു പൂർത്തിയാക്കുവാൻ സഹകരിക്കുക. |