मशीन लर्निंग और एआई में न्यूरल नेटवर्क (एल्गोरिदम, प्रकार, उपयोग)

डीप लर्निंग मशीन लर्निंग का एक सबसेट है जो बड़ी मात्रा में डेटा में विभिन्न कारकों का एनालिसिस करने के लिए कई लेयर्स (डीप न्यूरल नेटवर्क) वाले न्यूरल नेटवर्क का उपयोग करता है। न्यूरल नेटवर्क shallow (कुछ लेयर) और डीप (कई लेयर) दोनों हो सकते हैं।

न्यूरल नेटवर्क अपने ट्रेनिंग के आधार पर पूर्वानुमान लगा सकते हैं या डेटा को क्लासिफाइड कर सकते हैं। हालाँकि, वे मानवीय अर्थों में "निर्णय" नहीं करते हैं, बल्कि अपने सीखे हुए पैटर्न के आधार पर परिणाम देते हैं।

आवश्यक डेटा की मात्रा कार्य की कम्प्लेक्सिटी पर निर्भर करती है। आम तौर पर, अधिक डेटा बेहतर प्रदर्शन की ओर ले जाता है, खासकर गहन शिक्षण मॉडल के लिए। हालाँकि, ट्रांसफर लर्निंग जैसी प्रगति बड़े डेटासेट की आवश्यकता को कम करने में मदद कर सकती है।

न्यूरल नेटवर्क biased हो सकते हैं यदि जिस डेटा पर उन्हें trained किया जाता है वह पक्षपातपूर्ण हो। पूर्वाग्रह को कम करने के लिए विविध और प्रतिनिधि डेटासेट का उपयोग करना महत्वपूर्ण है।

उनका उपयोग विभिन्न डोमेन जैसे इमेज और Speech Recognition, Natural Language Processing, Medical Diagnosis, financial forecast और कई अन्य में किया जाता है।

ओवरफिटिंग तब होती है जब एक न्यूरल नेटवर्क अपने नॉइज़ और आउटलेर्स सहित ट्रेनिंग डेटा को बहुत अच्छी तरह से सीखता है, जिससे नए, unseen डेटा पर खराब प्रदर्शन होता है।

पारंपरिक प्रोग्रामिंग में स्पष्ट रूप से निर्देशों को कोड करना शामिल होता है। इसके विपरीत, न्यूरल नेटवर्क डेटा की जांच और सीखकर कार्य करना सीखते हैं, जिससे वे उन जटिल समस्याओं के प्रति अधिक अनुकूल हो जाते हैं जहां स्पष्ट प्रोग्रामिंग संभव नहीं है।

TensorFlow और PyTorch जैसी लाइब्रेरीज़ की बदौलत एक बुनियादी न्यूरल नेटवर्क का निर्माण अधिक सुलभ हो गया है। हालाँकि, काम्प्लेक्स कार्यों के लिए प्रभावी तंत्रिका नेटवर्क को डिजाइन करने के लिए मशीन लर्निंग और डेटा विज्ञान में विशेषज्ञता की आवश्यकता होती है।

सीमाओं में बड़ी मात्रा में डेटा की उनकी आवश्यकता, कम्प्यूटेशनल इंटेंसिटी, प्रतिकूल अटैक्स के प्रति सेंसिटिविटी और अक्सर, उनकी व्याख्या की कमी शामिल है।