machine-learning
ध्यान लगा के पढ़ना या सीखना

परिचय

डीप लर्निंग की संक्षिप्त जानकारी

तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए, सबसे पहले हमें एक अच्छा और कुशल विचार तैयार करना होगा। शिक्षण कार्य तीन प्रकार के होते हैं।

• पर्यवेक्षित अध्ययन
• सुदृढीकरण सीखना
• अनसुचित शिक्षा

इस वर्तमान समय में, अनुपयोगी शिक्षा बहुत लोकप्रिय है। अनुपयोगी शिक्षण "अनलिस्टेड" डेटा से छिपी संरचना का वर्णन करने के लिए एक फ़ंक्शन का उल्लेख करने का एक गहन शिक्षण कार्य है (टिप्पणियों में एक वर्गीकरण या वर्गीकरण शामिल नहीं है)।

चूँकि शिक्षार्थी को दिए गए उदाहरण अप्रकाशित हैं, संरचना की सटीकता का कोई मूल्यांकन नहीं है जो कि संबंधित एल्गोरिथ्म द्वारा आउटपुट है - जो कि सुपरवाइज्ड लर्निंग और रेनफोर्समेंट लर्निंग से अनपेक्षित शिक्षण को अलग करने का एक तरीका है।

तीन प्रकार की अनसुनी शिक्षा है।

• प्रतिबंधित बोल्ट्जमान मशीनें
• विरल कोडिंग मॉडल
• Autoencoders I विस्तार से वर्णन करेगा।

एक ऑटोएन्कोडर का उद्देश्य डेटा के एक सेट के लिए प्रतिनिधित्व (एन्कोडिंग) सीखना है, आमतौर पर आयामीता में कमी के उद्देश्य से।

ऑटोएन्कोडर का सबसे सरल रूप एक फीडफ़ॉर्म है, जिसमें इनपुट परत, आउटपुट परत और उन्हें जोड़ने वाली एक या अधिक छिपी हुई परतें होती हैं। लेकिन आउटपुट लेयर में इनपुट लेयर के समान संख्या में नोड्स होते हैं, और अपने स्वयं के इनपुट को फिर से संगठित करने के उद्देश्य से और इसीलिए इसे अनूपर्वेटेड लर्निंग कहा जाता है।

अब मैं प्रशिक्षण तंत्रिका नेटवर्क का एक उदाहरण देने की कोशिश करूंगा।

यहां शी इनपुट है, डब्ल्यू वजन है, एफ (ई) सक्रियण फ़ंक्शन है और वाई आउटपुट है।

अब हम autoencoder के आधार पर प्रशिक्षण तंत्रिका नेटवर्क के चरण प्रवाह को देखते हैं।

हम इस समीकरण के साथ प्रत्येक सक्रियण फ़ंक्शन के मान की गणना करते हैं: y = WiXi। सबसे पहले, हम बेतरतीब ढंग से वज़न के लिए नंबर लेते हैं और फिर उस वज़न को समायोजित करने का प्रयास करते हैं।

अब, हम अपने वांछित आउटपुट से विचलन की गणना करते हैं, जो कि y = zy है और प्रत्येक सक्रियण फ़ंक्शन के विचलन की गणना करता है।

फिर हम हर कनेक्शन के अपने नए वजन को समायोजित करते हैं।