न्यूरल नेटवर्क का परिचय

तंत्रिका-जाल मशीन लर्निंग कलनविधियों का एक उपसमुच्चय हैं, जो मानव मस्तिष्क की संरचना और कार्यप्रणाली से प्रेरित हैं। ये छवि पहचान, प्राकृतिक भाषा संसाधन और अन्य कार्यों के लिए शक्तिशाली साधन हैं।

इस पाठ में आप तंत्रिका-जाल की मूल बातें और उनकी कार्यप्रणाली सीखेंगे।

तंत्रिका-जाल परस्पर जुड़ी इकाइयों (तंत्रिका कोशिकाओं) की परतों से बना होता है। प्रत्येक तंत्रिका कोशिका आगत आँकड़ों को संसाधित करके अगली परत तक भेजती है। इसके प्रमुख घटक हैं:

• आगत परत: आगत आँकड़े प्राप्त करती है।
• छिपी हुई परतें: आँकड़ों पर गणनाएँ करती हैं।
• निर्गत परत: अंतिम परिणाम उत्पन्न करती है।

सक्रियण फलन जाल में अरैखिकता लाते हैं, जिससे वह जटिल प्रतिरूप सीख पाता है। सामान्य सक्रियण फलनों में शामिल हैं:

• ReLU: संशोधित रैखिक इकाई, जो आगत धनात्मक होने पर उसे सीधे निर्गत करती है, अन्यथा 0 देती है।
• सिग्मॉइड: आगत मानों को संभावनाओं (0 से 1 तक) में बदलता है।
• टैन्ह: आगत को -1 से 1 तक की सीमा में मापता है।

अग्र प्रसार वह प्रक्रिया है, जिसमें निर्गत उत्पन्न करने के लिए आगत आँकड़ों को जाल की परतों से गुजारा जाता है।

# Example: Forward Propagation
import numpy as np

# Weights and biases
weights = np.array([0.5, 0.3])
bias = 0.1

# Input data
inputs = np.array([1.0, 2.0])

# Output
output = np.dot(weights, inputs) + bias
print("Output:", output)

हानि फलन पूर्वानुमानित और वास्तविक मानों के बीच के अंतर को मापते हैं। सामान्य हानि फलनों में शामिल हैं:

• माध्य वर्ग त्रुटि: प्रतिगमन कार्यों के लिए।
• क्रॉस-एंट्रॉपी हानि: वर्गीकरण कार्यों के लिए।

पश्चप्रसार वह प्रक्रिया है, जिसमें प्रवणता अवरोह जैसी अनुकूलन कलनविधि का उपयोग करके हानि के आधार पर जाल के भार और पूर्वाग्रहों को समायोजित किया जाता है।

प्रवणता अवरोह एक अनुकूलन कलनविधि है, जो भार और पूर्वाग्रहों को समायोजित करके हानि फलन को न्यूनतम करती है:

# Example: Gradient Descent
weights = 0.5
bias = 0.1
learning_rate = 0.01
loss_gradient = 0.2

# Update weights and bias
weights -= learning_rate * loss_gradient
bias -= learning_rate * loss_gradient
print("Updated weights:", weights)
print("Updated bias:", bias)

तंत्रिका-जाल का उपयोग इन कार्यों में किया जाता है:

• छवि पहचान: छवियों में वस्तुओं का वर्गीकरण करना।
• प्राकृतिक भाषा संसाधन: पाठ को समझना और उत्पन्न करना।
• वाक् पहचान: वाक् को पाठ में बदलना।

इन कुछ गलतियों से बचें:

• जटिल समस्याओं के लिए छिपी हुई परतों की अपर्याप्त संख्या का उपयोग करना।
• आगत आँकड़ों को सामान्यीकृत न करना।
• कार्य के लिए अनुपयुक्त सक्रियण फलन चुनना।

इस पाठ में आपने सीखा:

• तंत्रिका-जाल की संरचना और घटक।
• सक्रियण फलनों, हानि फलनों और अनुकूलन कलनविधियों की भूमिकाएँ।
• अग्र प्रसार और पश्चप्रसार कैसे काम करते हैं।
• तंत्रिका-जाल के उपयोग और उनमें होने वाली सामान्य गलतियाँ।

बहुत अच्छा! अब अगले विषय पर चलते हैं।