Merge pull request #520 from microsoft/update-translations
🌐 Update translations via Co-op Translator
This commit is contained in:
Lee Stott
GitHub
commit
4c55d2fca9
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:21:33+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:27:51+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
|
|
@ -11,50 +11,52 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
كما ناقشنا في المقدمة، إحدى الطرق لتحقيق الذكاء هي تدريب **نموذج حاسوبي** أو **دماغ اصطناعي**. منذ منتصف القرن العشرين، حاول الباحثون استخدام نماذج رياضية مختلفة، حتى أثبت هذا الاتجاه في السنوات الأخيرة نجاحًا كبيرًا. تُعرف هذه النماذج الرياضية للدماغ باسم **الشبكات العصبية**.
|
||||
كما ناقشنا في المقدمة، إحدى الطرق لتحقيق الذكاء هي تدريب **نموذج حاسوبي** أو **دماغ اصطناعي**. منذ منتصف القرن العشرين، حاول الباحثون استخدام نماذج رياضية مختلفة، حتى أثبت هذا الاتجاه نجاحًا كبيرًا في السنوات الأخيرة. تُعرف هذه النماذج الرياضية للدماغ باسم **الشبكات العصبية**.
|
||||
|
||||
> أحيانًا تُسمى الشبكات العصبية *الشبكات العصبية الاصطناعية* (Artificial Neural Networks)، أو ANNs، للإشارة إلى أننا نتحدث عن نماذج، وليس شبكات عصبية حقيقية.
|
||||
> أحيانًا تُسمى الشبكات العصبية *الشبكات العصبية الاصطناعية* (ANNs) للإشارة إلى أننا نتحدث عن نماذج، وليس شبكات حقيقية من الخلايا العصبية.
|
||||
|
||||
## التعلم الآلي
|
||||
|
||||
الشبكات العصبية هي جزء من مجال أوسع يُعرف بـ **التعلم الآلي**، والذي يهدف إلى استخدام البيانات لتدريب نماذج حاسوبية قادرة على حل المشكلات. يشكل التعلم الآلي جزءًا كبيرًا من الذكاء الاصطناعي، ومع ذلك، لن نغطي التعلم الآلي التقليدي في هذا المنهج.
|
||||
الشبكات العصبية هي جزء من مجال أكبر يُسمى **التعلم الآلي**، والذي يهدف إلى استخدام البيانات لتدريب نماذج حاسوبية قادرة على حل المشكلات. يشكل التعلم الآلي جزءًا كبيرًا من الذكاء الاصطناعي، ومع ذلك، لن نتناول التعلم الآلي التقليدي في هذه المناهج.
|
||||
|
||||
> قم بزيارة منهجنا المنفصل **[التعلم الآلي للمبتدئين](http://github.com/microsoft/ml-for-beginners)** لتتعرف أكثر على التعلم الآلي التقليدي.
|
||||
|
||||
في التعلم الآلي، نفترض أن لدينا مجموعة بيانات من الأمثلة **X**، وقيم مخرجات مقابلة **Y**. غالبًا ما تكون الأمثلة عبارة عن متجهات ذات أبعاد N تتكون من **خصائص**، وتُعرف المخرجات بـ **التصنيفات**.
|
||||
في التعلم الآلي، نفترض أن لدينا مجموعة بيانات من الأمثلة **X**، والقيم الناتجة المقابلة **Y**. غالبًا ما تكون الأمثلة متجهات متعددة الأبعاد تتكون من **ميزات**، وتُسمى القيم الناتجة **التسميات**.
|
||||
|
||||
سنناقش أكثر مشكلتين شيوعًا في التعلم الآلي:
|
||||
|
||||
* **التصنيف**، حيث نحتاج إلى تصنيف كائن مدخل إلى فئتين أو أكثر.
|
||||
* **الانحدار**، حيث نحتاج إلى التنبؤ بقيمة رقمية لكل عينة من المدخلات.
|
||||
* **التصنيف**، حيث نحتاج إلى تصنيف كائن الإدخال إلى فئتين أو أكثر.
|
||||
* **الانحدار**، حيث نحتاج إلى التنبؤ بقيمة رقمية لكل عينة من عينات الإدخال.
|
||||
|
||||
> عند تمثيل المدخلات والمخرجات كموترات (tensors)، تكون مجموعة بيانات المدخلات عبارة عن مصفوفة بحجم M×N، حيث M هو عدد العينات وN هو عدد الخصائص. أما تصنيفات المخرجات Y فهي متجه بحجم M.
|
||||
> عند تمثيل المدخلات والمخرجات كموترات، تكون مجموعة بيانات الإدخال مصفوفة بحجم M×N، حيث M هو عدد العينات وN هو عدد الميزات. أما تسميات المخرجات Y فهي متجه بحجم M.
|
||||
|
||||
في هذا المنهج، سنركز فقط على نماذج الشبكات العصبية.
|
||||
|
||||
## نموذج الخلية العصبية
|
||||
|
||||
من علم الأحياء، نعلم أن دماغنا يتكون من خلايا عصبية، لكل منها عدة "مدخلات" (محاور عصبية)، ومخرج واحد (شعيرات شجرية). يمكن للمحاور والشعيرات الشجرية نقل إشارات كهربائية، ويمكن أن تُظهر الروابط بين المحاور والشعيرات الشجرية درجات مختلفة من التوصيلية (تُتحكم بها النواقل العصبية).
|
||||
من علم الأحياء، نعلم أن دماغنا يتكون من خلايا عصبية، لكل منها عدة "مدخلات" (محاور عصبية)، ومخرج واحد (شجرة شجيرية). يمكن للمحاور العصبية والأشجار الشجيرية نقل إشارات كهربائية، ويمكن للوصلات بين المحاور والأشجار الشجيرية أن تظهر درجات مختلفة من التوصيل (تُتحكم بها النواقل العصبية).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
خلية عصبية حقيقية *([الصورة](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) من ويكيبيديا)* | خلية عصبية اصطناعية *(الصورة من المؤلف)*
|
||||
خلية عصبية حقيقية *([الصورة](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) من ويكيبيديا)* | خلية عصبية اصطناعية *(الصورة بواسطة المؤلف)*
|
||||
|
||||
لذلك، فإن أبسط نموذج رياضي للخلية العصبية يحتوي على عدة مدخلات X<sub>1</sub>, ..., X<sub>N</sub> ومخرج Y، وسلسلة من الأوزان W<sub>1</sub>, ..., W<sub>N</sub>. يتم حساب المخرج كالتالي:
|
||||
لذلك، أبسط نموذج رياضي للخلية العصبية يحتوي على عدة مدخلات X<sub>1</sub>, ..., X<sub>N</sub> ومخرج Y، وسلسلة من الأوزان W<sub>1</sub>, ..., W<sub>N</sub>. يتم حساب المخرج كالتالي:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
حيث f هي **دالة التنشيط** غير الخطية.
|
||||
|
||||
> تم وصف النماذج الأولى للخلية العصبية في الورقة الكلاسيكية [حساب منطقي للأفكار الكامنة في النشاط العصبي](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) بواسطة وارين مكولك ووالتر بيتس عام 1943. واقترح دونالد هيب في كتابه "[تنظيم السلوك: نظرية نفسية عصبية](https://books.google.com/books?id=VNetYrB8EBoC)" طريقة لتدريب هذه الشبكات.
|
||||
> تم وصف النماذج المبكرة للخلية العصبية في الورقة الكلاسيكية [حساب منطقي للأفكار الكامنة في النشاط العصبي](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) بواسطة وارين مكولك ووالتر بيتس عام 1943. واقترح دونالد هيب في كتابه "[تنظيم السلوك: نظرية نفسية عصبية](https://books.google.com/books?id=VNetYrB8EBoC)" طريقة تدريب هذه الشبكات.
|
||||
|
||||
## في هذا القسم
|
||||
|
||||
في هذا القسم سنتعلم عن:
|
||||
* [Perceptron](03-Perceptron/README.md)، أحد أقدم نماذج الشبكات العصبية لتصنيف الفئتين.
|
||||
* [الشبكات متعددة الطبقات](04-OwnFramework/README.md) مع دفتر ملاحظات مرفق [كيفية بناء إطار عمل خاص بنا](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb).
|
||||
* [أطر عمل الشبكات العصبية](05-Frameworks/README.md)، مع دفاتر الملاحظات التالية: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb).
|
||||
* [الإفراط في التخصيص](../../../../lessons/3-NeuralNetworks/05-Frameworks).
|
||||
* [بيرسيبترون](03-Perceptron/README.md)، أحد أقدم نماذج الشبكات العصبية لتصنيف الفئتين
|
||||
* [الشبكات متعددة الطبقات](04-OwnFramework/README.md) مع دفتر ملاحظات مرفق [كيفية بناء إطار عمل خاص بنا](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [أطر عمل الشبكات العصبية](05-Frameworks/README.md)، مع دفاتر الملاحظات التالية: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [الإفراط في التكيف](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**إخلاء المسؤولية**:
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). على الرغم من أننا نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
|
||||
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:42:36+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:36:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
|
|
@ -11,22 +11,22 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Както обсъдихме във въведението, един от начините за постигане на интелигентност е чрез обучение на **компютърен модел** или **изкуствен мозък**. От средата на 20-ти век изследователите опитват различни математически модели, докато през последните години този подход не се оказа изключително успешен. Тези математически модели на мозъка се наричат **невронни мрежи**.
|
||||
Както обсъдихме във въведението, един от начините за постигане на интелигентност е чрез обучение на **компютърен модел** или **изкуствен мозък**. От средата на 20-ти век изследователите опитват различни математически модели, докато през последните години този подход се оказа изключително успешен. Такива математически модели на мозъка се наричат **невронни мрежи**.
|
||||
|
||||
> Понякога невронните мрежи се наричат *Изкуствени невронни мрежи* или ANNs, за да се подчертае, че става въпрос за модели, а не за реални мрежи от неврони.
|
||||
> Понякога невронните мрежи се наричат *Изкуствени невронни мрежи* (Artificial Neural Networks, ANNs), за да се подчертае, че става въпрос за модели, а не за реални мрежи от неврони.
|
||||
|
||||
## Машинно обучение
|
||||
|
||||
Невронните мрежи са част от по-голяма дисциплина, наречена **Машинно обучение**, чиято цел е да използва данни за обучение на компютърни модели, способни да решават проблеми. Машинното обучение представлява голяма част от Изкуствения интелект, но в тази учебна програма няма да разглеждаме класическо машинно обучение.
|
||||
Невронните мрежи са част от по-голяма дисциплина, наречена **Машинно обучение**, чиято цел е да използва данни за обучение на компютърни модели, способни да решават проблеми. Машинното обучение представлява значителна част от изкуствения интелект, но в тази учебна програма няма да разглеждаме класическо машинно обучение.
|
||||
|
||||
> Посетете нашата отделна учебна програма **[Машинно обучение за начинаещи](http://github.com/microsoft/ml-for-beginners)**, за да научите повече за класическото машинно обучение.
|
||||
|
||||
В машинното обучение приемаме, че разполагаме с някакъв набор от примери **X** и съответстващи изходни стойности **Y**. Примерите често са N-измерни вектори, състоящи се от **характеристики**, а изходите се наричат **етикети**.
|
||||
В машинното обучение приемаме, че разполагаме с някакъв набор от примери **X** и съответстващи изходни стойности **Y**. Примерите често са N-мерни вектори, състоящи се от **характеристики**, а изходите се наричат **етикети**.
|
||||
|
||||
Ще разгледаме двата най-често срещани проблема в машинното обучение:
|
||||
|
||||
* **Класификация**, при която трябва да класифицираме входен обект в две или повече категории.
|
||||
* **Регресия**, при която трябва да предскажем числова стойност за всеки от входните примери.
|
||||
* **Регресия**, при която трябва да предвидим числова стойност за всеки от входните примери.
|
||||
|
||||
> Когато представяме входовете и изходите като тензори, входният набор от данни е матрица с размер M×N, където M е броят на примерите, а N е броят на характеристиките. Изходните етикети Y са вектор с размер M.
|
||||
|
||||
|
|
@ -46,15 +46,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
където f е някаква нелинейна **активационна функция**.
|
||||
|
||||
> Ранните модели на неврон са описани в класическата статия [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) от Уорън МакКълок и Уолтър Питс през 1943 г. Доналд Хеб в своята книга "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предлага начин, по който тези мрежи могат да бъдат обучавани.
|
||||
> Ранните модели на неврон са описани в класическата статия [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) от Уорън Маккълок и Уолтър Питс през 1943 г. Доналд Хеб в своята книга "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предлага начин за обучение на тези мрежи.
|
||||
|
||||
## В тази секция
|
||||
|
||||
В тази секция ще научим за:
|
||||
* [Перцептрон](03-Perceptron/README.md), един от най-ранните модели на невронни мрежи за двукласова класификация
|
||||
* [Многослойни мрежи](04-OwnFramework/README.md) с придружаващ ноутбук [как да изградим собствена рамка](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Рамки за невронни мрежи](05-Frameworks/README.md), с тези ноутбуци: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Преобучение](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
* [Перцептрон](03-Perceptron/README.md), един от най-ранните модели на невронни мрежи за класификация с две категории
|
||||
* [Многослойни мрежи](04-OwnFramework/README.md) с придружаващ бележник [как да изградим собствена рамка](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Рамки за невронни мрежи](05-Frameworks/README.md), с тези бележници: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Пренасищане](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Отказ от отговорност**:
|
||||
Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
|
||||
Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:22:28+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:30:17+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "bn"
|
||||
}
|
||||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
যেমনটি আমরা পরিচিতিতে আলোচনা করেছি, বুদ্ধিমত্তা অর্জনের একটি উপায় হল একটি **কম্পিউটার মডেল** বা একটি **কৃত্রিম মস্তিষ্ক** প্রশিক্ষণ দেওয়া। ২০শ শতকের মাঝামাঝি থেকে গবেষকরা বিভিন্ন গাণিতিক মডেল চেষ্টা করেছেন, এবং সাম্প্রতিক বছরগুলোতে এই দিকটি অত্যন্ত সফল প্রমাণিত হয়েছে। মস্তিষ্কের এই ধরনের গাণিতিক মডেলকে **নিউরাল নেটওয়ার্ক** বলা হয়।
|
||||
|
||||
> কখনও কখনও নিউরাল নেটওয়ার্ককে *কৃত্রিম নিউরাল নেটওয়ার্ক*, ANNs বলা হয়, যাতে বোঝানো যায় যে আমরা মডেল নিয়ে কথা বলছি, বাস্তব নিউরনের নেটওয়ার্ক নয়।
|
||||
> কখনও কখনও নিউরাল নেটওয়ার্ককে *Artificial Neural Networks*, ANNs বলা হয়, যাতে বোঝানো যায় যে আমরা মডেল নিয়ে কথা বলছি, বাস্তব নিউরনের নেটওয়ার্ক নয়।
|
||||
|
||||
## মেশিন লার্নিং
|
||||
|
||||
নিউরাল নেটওয়ার্ক একটি বৃহত্তর শাখার অংশ, যার নাম **মেশিন লার্নিং**। এর লক্ষ্য হল ডেটা ব্যবহার করে কম্পিউটার মডেল প্রশিক্ষণ দেওয়া যা সমস্যার সমাধান করতে সক্ষম। মেশিন লার্নিং কৃত্রিম বুদ্ধিমত্তার একটি বড় অংশ গঠন করে, তবে আমরা এই পাঠ্যক্রমে ক্লাসিক্যাল মেশিন লার্নিং কভার করব না।
|
||||
নিউরাল নেটওয়ার্ক একটি বৃহত্তর শাখার অংশ, যাকে **মেশিন লার্নিং** বলা হয়। এর লক্ষ্য হল ডেটা ব্যবহার করে কম্পিউটার মডেল প্রশিক্ষণ দেওয়া যা সমস্যার সমাধান করতে সক্ষম। মেশিন লার্নিং কৃত্রিম বুদ্ধিমত্তার একটি বড় অংশ গঠন করে, তবে আমরা এই পাঠ্যক্রমে ক্লাসিক্যাল মেশিন লার্নিং কভার করব না।
|
||||
|
||||
> ক্লাসিক্যাল মেশিন লার্নিং সম্পর্কে আরও জানতে আমাদের আলাদা **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** পাঠ্যক্রমটি দেখুন।
|
||||
|
||||
|
|
@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## একটি নিউরনের মডেল
|
||||
|
||||
জীববিদ্যা থেকে আমরা জানি যে আমাদের মস্তিষ্ক নিউরাল কোষ নিয়ে গঠিত, প্রতিটি কোষের একাধিক "ইনপুট" (অ্যাক্সন) এবং একটি আউটপুট (ডেনড্রাইট) থাকে। অ্যাক্সন এবং ডেনড্রাইট বৈদ্যুতিক সংকেত পরিবহন করতে পারে, এবং অ্যাক্সন এবং ডেনড্রাইটের মধ্যে সংযোগ বিভিন্ন মাত্রার পরিবাহিতা প্রদর্শন করতে পারে (যা নিউরোমিডিয়েটর দ্বারা নিয়ন্ত্রিত হয়)।
|
||||
জীববিজ্ঞানের মাধ্যমে আমরা জানি যে আমাদের মস্তিষ্ক নিউরাল কোষ নিয়ে গঠিত, প্রতিটি কোষের একাধিক "ইনপুট" (অ্যাক্সন) এবং একটি আউটপুট (ডেনড্রাইট) থাকে। অ্যাক্সন এবং ডেনড্রাইট বৈদ্যুতিক সংকেত পরিবহন করতে পারে, এবং অ্যাক্সন এবং ডেনড্রাইটের মধ্যে সংযোগ বিভিন্ন মাত্রার পরিবাহিতা প্রদর্শন করতে পারে (যা নিউরোমিডিয়েটর দ্বারা নিয়ন্ত্রিত হয়)।
|
||||
|
||||
 | 
|
||||
----|----
|
||||
বাস্তব নিউরন *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) থেকে ইমেজ)* | কৃত্রিম নিউরন *(লেখকের তৈরি ইমেজ)*
|
||||
|
||||
তাই, একটি নিউরনের সবচেয়ে সহজ গাণিতিক মডেলটি কয়েকটি ইনপুট X<sub>1</sub>, ..., X<sub>N</sub> এবং একটি আউটপুট Y, এবং একটি সিরিজ ওজন W<sub>1</sub>, ..., W<sub>N</sub> নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়:
|
||||
তাই, একটি নিউরনের সবচেয়ে সহজ গাণিতিক মডেলটি কয়েকটি ইনপুট **X<sub>1</sub>, ..., X<sub>N</sub>** এবং একটি আউটপুট **Y**, এবং একটি সিরিজের ওজন **W<sub>1</sub>, ..., W<sub>N</sub>** নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
যেখানে f হল কিছু অ-রৈখিক **অ্যাক্টিভেশন ফাংশন**।
|
||||
যেখানে **f** হল কিছু অ-রৈখিক **অ্যাক্টিভেশন ফাংশন**।
|
||||
|
||||
> নিউরনের প্রাথমিক মডেলগুলো ১৯৪৩ সালে ওয়ারেন ম্যাককালক এবং ওয়াল্টার পিটসের ক্লাসিক্যাল পেপার [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)-এ বর্ণনা করা হয়েছিল। ডোনাল্ড হেব তার বই "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"-এ এই নেটওয়ার্কগুলো কীভাবে প্রশিক্ষণ দেওয়া যায় তা প্রস্তাব করেছিলেন।
|
||||
|
||||
|
|
@ -52,9 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
এই অধ্যায়ে আমরা শিখব:
|
||||
* [পারসেপট্রন](03-Perceptron/README.md), দুই-শ্রেণির ক্লাসিফিকেশনের জন্য প্রাথমিক নিউরাল নেটওয়ার্ক মডেলগুলোর একটি
|
||||
* [মাল্টি-লেয়ার নেটওয়ার্ক](04-OwnFramework/README.md) এবং একটি সংযুক্ত নোটবুক [আমাদের নিজস্ব ফ্রেমওয়ার্ক তৈরি করা](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [নিউরাল নেটওয়ার্ক ফ্রেমওয়ার্ক](05-Frameworks/README.md), এই নোটবুকগুলো সহ: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) এবং [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [মাল্টি-লেয়ারড নেটওয়ার্ক](04-OwnFramework/README.md) এবং একটি সংযুক্ত নোটবুক [আমাদের নিজস্ব ফ্রেমওয়ার্ক তৈরি করা](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [নিউরাল নেটওয়ার্ক ফ্রেমওয়ার্ক](05-Frameworks/README.md), এই নোটবুকগুলো সহ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) এবং [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ওভারফিটিং](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**অস্বীকৃতি**:
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিকতা নিশ্চিত করার চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা তার জন্য দায়বদ্ধ থাকব না।
|
||||
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:24:04+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:31:39+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "br"
|
||||
}
|
||||
|
|
@ -11,17 +11,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, pesquisadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, essa abordagem se mostrou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**.
|
||||
Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo de computador** ou um **cérebro artificial**. Desde meados do século XX, pesquisadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, essa abordagem se mostrou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**.
|
||||
|
||||
> Às vezes, redes neurais são chamadas de *Redes Neurais Artificiais*, ou ANNs, para indicar que estamos falando de modelos, e não de redes reais de neurônios.
|
||||
|
||||
## Aprendizado de Máquina
|
||||
|
||||
Redes Neurais fazem parte de uma disciplina maior chamada **Aprendizado de Máquina**, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial, porém, não abordamos o aprendizado de máquina clássico neste currículo.
|
||||
Redes Neurais fazem parte de uma disciplina maior chamada **Aprendizado de Máquina**, cujo objetivo é usar dados para treinar modelos de computador capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial, no entanto, não abordamos o aprendizado de máquina clássico neste currículo.
|
||||
|
||||
> Visite nosso currículo separado **[Aprendizado de Máquina para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre Aprendizado de Máquina clássico.
|
||||
|
||||
No Aprendizado de Máquina, assumimos que temos algum conjunto de dados de exemplos **X** e valores de saída correspondentes **Y**. Os exemplos geralmente são vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
|
||||
No Aprendizado de Máquina, assumimos que temos algum conjunto de dados de exemplos **X**, e valores de saída correspondentes **Y**. Os exemplos geralmente são vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
|
||||
|
||||
Consideraremos os dois problemas mais comuns de aprendizado de máquina:
|
||||
|
||||
|
|
@ -52,9 +52,11 @@ onde f é alguma **função de ativação** não linear.
|
|||
|
||||
Nesta seção, aprenderemos sobre:
|
||||
* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neurais para classificação de duas classes
|
||||
* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir nosso próprio framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks de Redes Neurais](05-Frameworks/README.md), com estes notebooks: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir nosso próprio framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks de Redes Neurais](05-Frameworks/README.md), com estes notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Aviso Legal**:
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:41:51+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:35:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do neuronových sítí
|
||||
|
||||
|
||||
|
||||
|
||||
Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech ukázalo, že tento směr je mimořádně úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**.
|
||||
Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech tento směr ukázal jako velmi úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**.
|
||||
|
||||
> Neuronové sítě se někdy nazývají *Umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů.
|
||||
> Někdy se neuronové sítě označují jako *umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů.
|
||||
|
||||
## Strojové učení
|
||||
|
||||
Neuronové sítě jsou součástí širší disciplíny nazvané **Strojové učení**, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, nicméně v tomto kurzu se klasickým strojovým učením nezabýváme.
|
||||
Neuronové sítě jsou součástí širší disciplíny nazývané **strojové učení**, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, avšak v tomto kurikulu se klasickým strojovým učením nezabýváme.
|
||||
|
||||
> Navštivte náš samostatný **[Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)** kurz, kde se dozvíte více o klasickém strojovém učení.
|
||||
> Navštivte náš samostatný **[kurikulum Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)**, kde se dozvíte více o klasickém strojovém učení.
|
||||
|
||||
Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-dimenzionální vektory, které se skládají z **atributů**, a výstupy se nazývají **štítky**.
|
||||
Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-rozměrné vektory, které se skládají z **příznaků**, a výstupy se nazývají **štítky**.
|
||||
|
||||
Budeme se zabývat dvěma nejběžnějšími problémy strojového učení:
|
||||
|
||||
* **Klasifikace**, kde je potřeba zařadit vstupní objekt do dvou nebo více tříd.
|
||||
* **Regrese**, kde je potřeba předpovědět číselnou hodnotu pro každý z vstupních vzorků.
|
||||
* **Klasifikace**, kde je třeba zařadit vstupní objekt do dvou nebo více tříd.
|
||||
* **Regrese**, kde je třeba předpovědět číselnou hodnotu pro každý ze vstupních vzorků.
|
||||
|
||||
> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada matice o velikosti M×N, kde M je počet vzorků a N je počet atributů. Výstupní štítky Y jsou vektor o velikosti M.
|
||||
> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada maticí o velikosti M×N, kde M je počet vzorků a N je počet příznaků. Výstupní štítky Y jsou vektorem o velikosti M.
|
||||
|
||||
V tomto kurzu se zaměříme pouze na modely neuronových sítí.
|
||||
V tomto kurikulu se zaměříme pouze na modely neuronových sítí.
|
||||
|
||||
## Model neuronu
|
||||
|
||||
Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má několik "vstupů" (axony) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory).
|
||||
Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má více "vstupů" (axonů) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Skutečný neuron *([Obrázek](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedie)* | Umělý neuron *(Obrázek od autora)*
|
||||
|
||||
Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y, a řadu vah W<sub>1</sub>, ..., W<sub>N</sub>. Výstup se vypočítá jako:
|
||||
Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y a řadu vah W<sub>1</sub>, ..., W<sub>N</sub>. Výstup se vypočítá jako:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
kde f je nějaká nelineární **aktivační funkce**.
|
||||
|
||||
> Rané modely neuronu byly popsány v klasickém článku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocka a Waltera Pittse v roce 1943. Donald Hebb ve své knize "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak tyto sítě trénovat.
|
||||
> První modely neuronu byly popsány v klasickém článku [Logický kalkulus idejí imanentních nervové aktivitě](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocha a Waltera Pittse v roce 1943. Donald Hebb ve své knize "[Organizace chování: Neuropsychologická teorie](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak lze tyto sítě trénovat.
|
||||
|
||||
## V této sekci
|
||||
|
||||
V této sekci se naučíme:
|
||||
* [Perceptron](03-Perceptron/README.md), jeden z nejstarších modelů neuronových sítí pro klasifikaci do dvou tříd
|
||||
* [Vícevrstvé sítě](04-OwnFramework/README.md) s přiloženým notebookem [jak vytvořit vlastní framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworky neuronových sítí](05-Frameworks/README.md), s těmito notebooky: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Vícevrstvé sítě](04-OwnFramework/README.md) s doprovodným notebookem [jak vytvořit vlastní framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworky neuronových sítí](05-Frameworks/README.md), s těmito notebooky: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Přeučení](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
**Prohlášení:**
|
||||
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
|
||||
---
|
||||
|
||||
**Prohlášení**:
|
||||
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
|
||||
|
|
@ -1,62 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T15:36:03+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:33:21+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "da"
|
||||
}
|
||||
-->
|
||||
# Introduktion til Neurale Netværk
|
||||
|
||||
|
||||
|
||||
|
||||
Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne tilgang i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**.
|
||||
Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne retning i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**.
|
||||
|
||||
> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke om rigtige netværk af neuroner.
|
||||
> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke rigtige netværk af neuroner.
|
||||
|
||||
## Maskinlæring
|
||||
|
||||
Neurale netværk er en del af en større disciplin kaldet **Maskinlæring**, hvis mål er at bruge data til at træne computermodeller, der kan løse problemer. Maskinlæring udgør en stor del af Kunstig Intelligens, men vi dækker ikke klassisk maskinlæring i dette pensum.
|
||||
Neurale netværk er en del af en større disciplin kaldet **Maskinlæring**, hvis mål er at bruge data til at træne computermodeller, der kan løse problemer. Maskinlæring udgør en stor del af Kunstig Intelligens, men vi dækker ikke klassisk ML i dette pensum.
|
||||
|
||||
> Besøg vores separate **[Maskinlæring for Begyndere](http://github.com/microsoft/ml-for-beginners)** pensum for at lære mere om klassisk maskinlæring.
|
||||
> Besøg vores separate **[Maskinlæring for begyndere](http://github.com/microsoft/ml-for-beginners)** pensum for at lære mere om klassisk maskinlæring.
|
||||
|
||||
I maskinlæring antager vi, at vi har et datasæt af eksempler **X** og tilsvarende outputværdier **Y**. Eksempler er ofte N-dimensionelle vektorer, der består af **features**, og outputs kaldes **labels**.
|
||||
I maskinlæring antager vi, at vi har et datasæt med eksempler **X** og tilsvarende outputværdier **Y**. Eksempler er ofte N-dimensionelle vektorer, der består af **features**, og outputs kaldes **labels**.
|
||||
|
||||
Vi vil overveje de to mest almindelige maskinlæringsproblemer:
|
||||
Vi vil se på de to mest almindelige maskinlæringsproblemer:
|
||||
|
||||
* **Klassifikation**, hvor vi skal klassificere et inputobjekt i to eller flere klasser.
|
||||
* **Regression**, hvor vi skal forudsige en numerisk værdi for hver af inputprøverne.
|
||||
* **Regression**, hvor vi skal forudsige et numerisk tal for hver af inputprøverne.
|
||||
|
||||
> Når input og output repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M×N, hvor M er antallet af prøver, og N er antallet af features. Outputlabels Y er en vektor af størrelse M.
|
||||
> Når inputs og outputs repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M×N, hvor M er antallet af prøver, og N er antallet af features. Output labels Y er vektoren af størrelse M.
|
||||
|
||||
I dette pensum vil vi kun fokusere på modeller med neurale netværk.
|
||||
I dette pensum vil vi kun fokusere på neurale netværksmodeller.
|
||||
|
||||
## En Model af en Neuron
|
||||
## En model af en neuron
|
||||
|
||||
Fra biologien ved vi, at vores hjerne består af nerveceller, som hver har flere "inputs" (aksoner) og et output (dendrit). Aksoner og dendritter kan lede elektriske signaler, og forbindelserne mellem aksoner og dendritter kan udvise forskellige grader af ledningsevne (kontrolleret af neurotransmittere).
|
||||
Fra biologien ved vi, at vores hjerne består af nerveceller, som hver har flere "inputs" (axoner) og et output (dendrit). Axoner og dendritter kan lede elektriske signaler, og forbindelserne mellem axoner og dendritter kan udvise forskellige grader af ledningsevne (kontrolleret af neuromediatorer).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Rigtig Neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig Neuron *(Billede af forfatteren)*
|
||||
Rigtig neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig neuron *(Billede af forfatter)*
|
||||
|
||||
Den simpleste matematiske model af en neuron indeholder derfor flere inputs X<sub>1</sub>, ..., X<sub>N</sub> og et output Y samt en række vægte W<sub>1</sub>, ..., W<sub>N</sub>. Et output beregnes som:
|
||||
Den simpleste matematiske model af en neuron indeholder derfor flere inputs X<sub>1</sub>, ..., X<sub>N</sub> og et output Y samt en række vægte W<sub>1</sub>, ..., W<sub>N</sub>. Output beregnes som:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
hvor f er en ikke-lineær **aktiveringsfunktion**.
|
||||
|
||||
> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" en metode til at træne disse netværk.
|
||||
> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" hvordan disse netværk kan trænes.
|
||||
|
||||
## I denne Sektion
|
||||
## I denne sektion
|
||||
|
||||
I denne sektion vil vi lære om:
|
||||
* [Perceptron](03-Perceptron/README.md), en af de tidligste modeller for neurale netværk til to-klasse klassifikation
|
||||
* [Flerlagsnetværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger sit eget framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks til Neurale Netværk](05-Frameworks/README.md), med disse notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perceptron](03-Perceptron/README.md), en af de tidligste neurale netværksmodeller til to-klasse klassifikation
|
||||
* [Multi-lags netværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger vores eget framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neurale netværksframeworks](05-Frameworks/README.md), med disse notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfraskrivelse**:
|
||||
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på at sikre nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
|
||||
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
|
||||
|
|
@ -1,15 +1,15 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T09:39:36+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:27:25+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "de"
|
||||
}
|
||||
-->
|
||||
# Einführung in Neuronale Netzwerke
|
||||
|
||||
|
||||
|
||||
|
||||
Wie wir in der Einführung besprochen haben, ist eine Möglichkeit, Intelligenz zu erreichen, das Training eines **Computermodells** oder eines **künstlichen Gehirns**. Seit Mitte des 20. Jahrhunderts haben Forscher verschiedene mathematische Modelle ausprobiert, bis sich in den letzten Jahren dieser Ansatz als äußerst erfolgreich erwiesen hat. Solche mathematischen Modelle des Gehirns werden als **neuronale Netzwerke** bezeichnet.
|
||||
|
||||
|
|
@ -25,8 +25,8 @@ Im Maschinellen Lernen gehen wir davon aus, dass wir einen Datensatz mit Beispie
|
|||
|
||||
Wir betrachten die zwei häufigsten Probleme des Maschinellen Lernens:
|
||||
|
||||
* **Klassifikation**, bei der ein Eingabeobjekt in zwei oder mehr Klassen eingeteilt werden muss.
|
||||
* **Regression**, bei der für jede Eingabeprobe eine numerische Zahl vorhergesagt werden muss.
|
||||
* **Klassifikation**, bei der wir ein Eingabeobjekt in zwei oder mehr Klassen einordnen müssen.
|
||||
* **Regression**, bei der wir für jede Eingabeprobe eine numerische Zahl vorhersagen müssen.
|
||||
|
||||
> Wenn Eingaben und Ausgaben als Tensoren dargestellt werden, ist der Eingabedatensatz eine Matrix der Größe M×N, wobei M die Anzahl der Proben und N die Anzahl der Merkmale ist. Die Ausgabelabels **Y** sind ein Vektor der Größe M.
|
||||
|
||||
|
|
@ -36,7 +36,7 @@ In diesem Lehrplan konzentrieren wir uns ausschließlich auf Modelle neuronaler
|
|||
|
||||
Aus der Biologie wissen wir, dass unser Gehirn aus Nervenzellen besteht, von denen jede mehrere "Eingänge" (Axone) und einen Ausgang (Dendrit) hat. Axone und Dendriten können elektrische Signale leiten, und die Verbindungen zwischen Axonen und Dendriten können unterschiedliche Leitfähigkeitsgrade aufweisen (gesteuert durch Neurotransmitter).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Echtes Neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) von Wikipedia)* | Künstliches Neuron *(Bild vom Autor)*
|
||||
|
||||
|
|
@ -51,10 +51,12 @@ wobei **f** eine nichtlineare **Aktivierungsfunktion** ist.
|
|||
## In diesem Abschnitt
|
||||
|
||||
In diesem Abschnitt lernen wir:
|
||||
* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für Zwei-Klassen-Klassifikation
|
||||
* [Mehrschichtige Netzwerke](04-OwnFramework/README.md) mit einem zugehörigen Notebook [wie man unser eigenes Framework erstellt](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks für neuronale Netzwerke](05-Frameworks/README.md), mit diesen Notebooks: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) und [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für die Zwei-Klassen-Klassifikation
|
||||
* [Mehrschichtige Netzwerke](04-OwnFramework/README.md) mit einem zugehörigen Notebook [wie man unser eigenes Framework erstellt](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks für neuronale Netzwerke](05-Frameworks/README.md), mit diesen Notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) und [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Haftungsausschluss**:
|
||||
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.
|
||||
|
|
@ -1,40 +1,40 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-29T09:07:04+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:32:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στα Νευρωνικά Δίκτυα
|
||||
|
||||
|
||||
|
||||
|
||||
Όπως συζητήσαμε στην εισαγωγή, ένας από τους τρόπους για να επιτύχουμε νοημοσύνη είναι να εκπαιδεύσουμε ένα **μοντέλο υπολογιστή** ή έναν **τεχνητό εγκέφαλο**. Από τα μέσα του 20ού αιώνα, οι ερευνητές δοκίμασαν διάφορα μαθηματικά μοντέλα, μέχρι που τα τελευταία χρόνια αυτή η κατεύθυνση αποδείχθηκε εξαιρετικά επιτυχημένη. Αυτά τα μαθηματικά μοντέλα του εγκεφάλου ονομάζονται **νευρωνικά δίκτυα**.
|
||||
|
||||
> Μερικές φορές τα νευρωνικά δίκτυα αποκαλούνται *Τεχνητά Νευρωνικά Δίκτυα* (Artificial Neural Networks, ANNs), για να υποδηλώσουν ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων.
|
||||
> Μερικές φορές τα νευρωνικά δίκτυα ονομάζονται *Τεχνητά Νευρωνικά Δίκτυα*, ANNs, για να υποδηλώσουμε ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων.
|
||||
|
||||
## Μηχανική Μάθηση
|
||||
|
||||
Τα Νευρωνικά Δίκτυα αποτελούν μέρος μιας ευρύτερης επιστήμης που ονομάζεται **Μηχανική Μάθηση**, της οποίας ο στόχος είναι να χρησιμοποιήσει δεδομένα για να εκπαιδεύσει μοντέλα υπολογιστών που μπορούν να λύσουν προβλήματα. Η Μηχανική Μάθηση αποτελεί μεγάλο μέρος της Τεχνητής Νοημοσύνης, ωστόσο, δεν καλύπτουμε την κλασική Μηχανική Μάθηση σε αυτό το πρόγραμμα σπουδών.
|
||||
Τα Νευρωνικά Δίκτυα αποτελούν μέρος μιας ευρύτερης επιστήμης που ονομάζεται **Μηχανική Μάθηση**, η οποία έχει ως στόχο τη χρήση δεδομένων για την εκπαίδευση μοντέλων υπολογιστή που μπορούν να επιλύουν προβλήματα. Η Μηχανική Μάθηση αποτελεί μεγάλο μέρος της Τεχνητής Νοημοσύνης, ωστόσο, δεν καλύπτουμε την κλασική Μηχανική Μάθηση σε αυτό το πρόγραμμα σπουδών.
|
||||
|
||||
> Επισκεφθείτε το ξεχωριστό πρόγραμμα σπουδών μας **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** για να μάθετε περισσότερα για την κλασική Μηχανική Μάθηση.
|
||||
> Επισκεφθείτε το ξεχωριστό πρόγραμμα σπουδών **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** για να μάθετε περισσότερα σχετικά με την κλασική Μηχανική Μάθηση.
|
||||
|
||||
Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X** και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**.
|
||||
Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X**, και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**.
|
||||
|
||||
Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της μηχανικής μάθησης:
|
||||
Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της Μηχανικής Μάθησης:
|
||||
|
||||
* **Ταξινόμηση**, όπου πρέπει να ταξινομήσουμε ένα αντικείμενο εισόδου σε δύο ή περισσότερες κατηγορίες.
|
||||
* **Παλινδρόμηση**, όπου πρέπει να προβλέψουμε έναν αριθμητικό αριθμό για κάθε δείγμα εισόδου.
|
||||
|
||||
> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M×N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου **Y** είναι το διάνυσμα μεγέθους M.
|
||||
> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M×N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου Y είναι το διάνυσμα μεγέθους M.
|
||||
|
||||
Σε αυτό το πρόγραμμα σπουδών, θα επικεντρωθούμε μόνο σε μοντέλα νευρωνικών δικτύων.
|
||||
|
||||
## Ένα Μοντέλο Νευρώνα
|
||||
|
||||
Από τη βιολογία γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα, καθένα από τα οποία έχει πολλαπλές "εισόδους" (άξονες) και μία έξοδο (δενδρίτη). Οι άξονες και οι δενδρίτες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ τους μπορούν να εμφανίζουν διαφορετικούς βαθμούς αγωγιμότητας (ελεγχόμενοι από νευρομεταβιβαστές).
|
||||
Από τη βιολογία γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα, καθένα από τα οποία έχει πολλαπλές "εισόδους" (άξονες) και μία έξοδο (δενδρίτη). Οι άξονες και οι δενδρίτες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ των αξόνων και των δενδριτών μπορούν να εμφανίζουν διαφορετικούς βαθμούς αγωγιμότητας (ελεγχόμενους από νευρομεταβιβαστές).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -44,7 +44,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
όπου f είναι κάποια μη-γραμμική **συνάρτηση ενεργοποίησης**.
|
||||
όπου f είναι κάποια μη γραμμική **συνάρτηση ενεργοποίησης**.
|
||||
|
||||
> Τα πρώιμα μοντέλα νευρώνα περιγράφηκαν στο κλασικό άρθρο [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) από τους Warren McCullock και Walter Pitts το 1943. Ο Donald Hebb στο βιβλίο του "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" πρότεινε τον τρόπο με τον οποίο αυτά τα δίκτυα μπορούν να εκπαιδευτούν.
|
||||
|
||||
|
|
@ -52,11 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Σε αυτή την ενότητα θα μάθουμε για:
|
||||
* [Perceptron](03-Perceptron/README.md), ένα από τα πρώτα μοντέλα νευρωνικών δικτύων για ταξινόμηση δύο κατηγοριών
|
||||
* [Πολυστρωματικά δίκτυα](04-OwnFramework/README.md) με ένα συνοδευτικό σημειωματάριο [πώς να δημιουργήσουμε το δικό μας πλαίσιο](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Πλαίσια Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα σημειωματάρια: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Δίκτυα πολλαπλών στρωμάτων](04-OwnFramework/README.md) με ένα συνοδευτικό notebook [πώς να δημιουργήσουμε το δικό μας framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Υπερπροσαρμογή](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Αποποίηση Ευθύνης**:
|
||||
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
**Αποποίηση ευθύνης**:
|
||||
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-31T17:48:41+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:26:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "en"
|
||||
}
|
||||
|
|
@ -13,15 +13,15 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
As we discussed in the introduction, one way to achieve intelligence is by training a **computer model** or an **artificial brain**. Since the mid-20th century, researchers have experimented with various mathematical models, and in recent years, this approach has proven to be highly successful. These mathematical models of the brain are called **neural networks**.
|
||||
|
||||
> Sometimes neural networks are referred to as *Artificial Neural Networks* (ANNs) to clarify that we are discussing models, not actual networks of neurons.
|
||||
> Neural networks are sometimes referred to as *Artificial Neural Networks* (ANNs) to clarify that we are discussing models, not actual networks of neurons.
|
||||
|
||||
## Machine Learning
|
||||
|
||||
Neural Networks are part of a broader field called **Machine Learning**, which aims to use data to train computer models capable of solving problems. Machine Learning is a significant subset of Artificial Intelligence, but this curriculum does not cover classical ML.
|
||||
Neural Networks are part of a broader field called **Machine Learning**, which aims to use data to train computer models capable of solving problems. Machine Learning is a significant component of Artificial Intelligence, but this curriculum does not cover classical ML.
|
||||
|
||||
> Check out our separate **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** curriculum to learn more about traditional Machine Learning.
|
||||
|
||||
In Machine Learning, we assume we have a dataset of examples **X** and corresponding output values **Y**. Examples are often N-dimensional vectors made up of **features**, while outputs are referred to as **labels**.
|
||||
In Machine Learning, we assume we have a dataset of examples **X** and corresponding output values **Y**. Examples are often N-dimensional vectors composed of **features**, while outputs are referred to as **labels**.
|
||||
|
||||
We will explore the two most common types of machine learning problems:
|
||||
|
||||
|
|
@ -34,26 +34,26 @@ In this curriculum, we will focus exclusively on neural network models.
|
|||
|
||||
## A Model of a Neuron
|
||||
|
||||
From biology, we know that our brain is made up of neural cells, each with multiple "inputs" (axons) and one output (dendrite). Axons and dendrites transmit electrical signals, and the connections between them can vary in conductivity (regulated by neuromediators).
|
||||
From biology, we know that the brain is composed of neural cells, each with multiple "inputs" (axons) and an "output" (dendrite). Axons and dendrites transmit electrical signals, and the connections between them can vary in conductivity (regulated by neurotransmitters).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Real Neuron *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) from Wikipedia)* | Artificial Neuron *(Image by Author)*
|
||||
|
||||
Thus, the simplest mathematical model of a neuron includes several inputs X<sub>1</sub>, ..., X<sub>N</sub>, an output Y, and a set of weights W<sub>1</sub>, ..., W<sub>N</sub>. The output is calculated as:
|
||||
The simplest mathematical model of a neuron includes several inputs X<sub>1</sub>, ..., X<sub>N</sub>, an output **Y**, and a set of weights W<sub>1</sub>, ..., W<sub>N</sub>. The output is calculated as:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
where **f** is a non-linear **activation function**.
|
||||
|
||||
> Early neuron models were introduced in the classic paper [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) by Warren McCulloch and Walter Pitts in 1943. Donald Hebb, in his book "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)," proposed a method for training these networks.
|
||||
> Early neuron models were introduced in the seminal paper [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) by Warren McCullock and Walter Pitts in 1943. Donald Hebb, in his book "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)," proposed methods for training these networks.
|
||||
|
||||
## In this Section
|
||||
|
||||
In this section, we will explore:
|
||||
* [Perceptron](03-Perceptron/README.md), one of the earliest neural network models for two-class classification
|
||||
* [Multi-layered networks](04-OwnFramework/README.md) along with a notebook on [how to build our own framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md), with these notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) and [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md), including notebooks on [PyTorch](05-Frameworks/IntroPyTorch.ipynb) and [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
|
|
|||
|
|
@ -1,46 +1,46 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T09:21:45+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:27:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "es"
|
||||
}
|
||||
-->
|
||||
# Introducción a las Redes Neuronales
|
||||
|
||||
|
||||
|
||||
|
||||
Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores probaron diferentes modelos matemáticos, hasta que en años recientes esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**.
|
||||
Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores han probado diferentes modelos matemáticos, hasta que en los últimos años esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**.
|
||||
|
||||
> A veces las redes neuronales se llaman *Redes Neuronales Artificiales* o ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas.
|
||||
> A veces las redes neuronales se llaman *Redes Neuronales Artificiales*, ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas.
|
||||
|
||||
## Aprendizaje Automático
|
||||
|
||||
Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático** (Machine Learning), cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial, sin embargo, no cubrimos el aprendizaje automático clásico en este plan de estudios.
|
||||
Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático**, cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial, sin embargo, no cubrimos el aprendizaje automático clásico en este currículo.
|
||||
|
||||
> Visita nuestro plan de estudios separado **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico.
|
||||
> Visita nuestro currículo separado **[Aprendizaje Automático para Principiantes](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico.
|
||||
|
||||
En el Aprendizaje Automático, asumimos que tenemos un conjunto de datos de ejemplos **X** y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**.
|
||||
En el Aprendizaje Automático, asumimos que tenemos algún conjunto de datos de ejemplos **X**, y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**.
|
||||
|
||||
Consideraremos los dos problemas más comunes del aprendizaje automático:
|
||||
|
||||
* **Clasificación**, donde necesitamos clasificar un objeto de entrada en dos o más clases.
|
||||
* **Regresión**, donde necesitamos predecir un valor numérico para cada una de las muestras de entrada.
|
||||
|
||||
> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son un vector de tamaño M.
|
||||
> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son el vector de tamaño M.
|
||||
|
||||
En este plan de estudios, nos centraremos únicamente en modelos de redes neuronales.
|
||||
En este currículo, nos enfocaremos únicamente en modelos de redes neuronales.
|
||||
|
||||
## Un Modelo de Neurona
|
||||
|
||||
De la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de las cuales tiene múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden mostrar diferentes grados de conductividad (controlados por neuromediadores).
|
||||
Desde la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de ellas con múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden exhibir diferentes grados de conductividad (controlados por neuromediadores).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Neurona Real *([Imagen](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipedia)* | Neurona Artificial *(Imagen del Autor)*
|
||||
|
||||
Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X<sub>1</sub>, ..., X<sub>N</sub> y una salida Y, junto con una serie de pesos W<sub>1</sub>, ..., W<sub>N</sub>. La salida se calcula como:
|
||||
Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X<sub>1</sub>, ..., X<sub>N</sub> y una salida Y, y una serie de pesos W<sub>1</sub>, ..., W<sub>N</sub>. La salida se calcula como:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
|
|
@ -51,10 +51,12 @@ donde f es alguna **función de activación** no lineal.
|
|||
## En esta Sección
|
||||
|
||||
En esta sección aprenderemos sobre:
|
||||
* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación en dos clases.
|
||||
* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb).
|
||||
* [Marcos de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb).
|
||||
* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks).
|
||||
* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación de dos clases
|
||||
* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Marcos de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Descargo de responsabilidad**:
|
||||
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Si bien nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.
|
||||
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Si bien nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T10:39:30+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:28:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر شبکههای عصبی
|
||||
|
||||
|
||||
|
||||
|
||||
همانطور که در مقدمه بحث کردیم، یکی از راههای دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدلهای ریاضی مختلفی را امتحان کردند، تا اینکه در سالهای اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدلهای ریاضی از مغز، **شبکههای عصبی** نامیده میشوند.
|
||||
همانطور که در مقدمه بحث کردیم، یکی از راههای دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدلهای ریاضی مختلفی را امتحان کردند، تا اینکه در سالهای اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدلهای ریاضی مغز به نام **شبکههای عصبی** شناخته میشوند.
|
||||
|
||||
> گاهی اوقات شبکههای عصبی را *شبکههای عصبی مصنوعی* یا ANNs مینامند تا مشخص شود که درباره مدلها صحبت میکنیم، نه شبکههای واقعی نورونها.
|
||||
> گاهی شبکههای عصبی را *شبکههای عصبی مصنوعی* یا ANNs مینامند تا مشخص شود که درباره مدلها صحبت میکنیم، نه شبکههای واقعی نورونها.
|
||||
|
||||
## یادگیری ماشین
|
||||
|
||||
شبکههای عصبی بخشی از یک حوزه بزرگتر به نام **یادگیری ماشین** هستند که هدف آن استفاده از دادهها برای آموزش مدلهای کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل میدهد، اما ما در این دوره به یادگیری ماشین کلاسیک نمیپردازیم.
|
||||
شبکههای عصبی بخشی از یک حوزه بزرگتر به نام **یادگیری ماشین** هستند که هدف آن استفاده از دادهها برای آموزش مدلهای کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل میدهد، اما ما در این برنامه آموزشی به یادگیری ماشین کلاسیک نمیپردازیم.
|
||||
|
||||
> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به دوره جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید.
|
||||
> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به برنامه آموزشی جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید.
|
||||
|
||||
در یادگیری ماشین، فرض میکنیم که یک مجموعه داده از نمونهها **X** و مقادیر خروجی متناظر **Y** داریم. نمونهها اغلب بردارهای N-بعدی هستند که از **ویژگیها** تشکیل شدهاند و خروجیها **برچسبها** نامیده میشوند.
|
||||
در یادگیری ماشین، فرض میکنیم که یک مجموعه داده از نمونهها **X** و مقادیر خروجی متناظر **Y** داریم. نمونهها اغلب بردارهای N-بعدی هستند که شامل **ویژگیها** میشوند، و خروجیها به نام **برچسبها** شناخته میشوند.
|
||||
|
||||
ما به دو مسئله رایج یادگیری ماشین میپردازیم:
|
||||
|
||||
* **طبقهبندی**، که در آن باید یک شی ورودی را به دو یا چند کلاس دستهبندی کنیم.
|
||||
* **رگرسیون**، که در آن باید یک عدد عددی را برای هر یک از نمونههای ورودی پیشبینی کنیم.
|
||||
|
||||
> هنگامی که ورودیها و خروجیها را به صورت تنسورها نمایش میدهیم، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که در آن M تعداد نمونهها و N تعداد ویژگیها است. برچسبهای خروجی Y یک بردار با ابعاد M است.
|
||||
> هنگام نمایش ورودیها و خروجیها به صورت تنسورها، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که M تعداد نمونهها و N تعداد ویژگیها است. برچسبهای خروجی **Y** یک بردار با اندازه M است.
|
||||
|
||||
در این دوره، ما فقط بر مدلهای شبکه عصبی تمرکز خواهیم کرد.
|
||||
در این برنامه آموزشی، ما فقط بر مدلهای شبکه عصبی تمرکز خواهیم کرد.
|
||||
|
||||
## مدلی از یک نورون
|
||||
## مدل یک نورون
|
||||
|
||||
از زیستشناسی میدانیم که مغز ما از سلولهای عصبی تشکیل شده است، که هر یک از آنها دارای چندین "ورودی" (آکسونها) و یک خروجی (دندریت) هستند. آکسونها و دندریتها میتوانند سیگنالهای الکتریکی را منتقل کنند و اتصالات بین آکسونها و دندریتها میتوانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل میشود).
|
||||
از زیستشناسی میدانیم که مغز ما از سلولهای عصبی تشکیل شده است، که هر کدام دارای چندین "ورودی" (آکسونها) و یک خروجی (دندریت) هستند. آکسونها و دندریتها میتوانند سیگنالهای الکتریکی را منتقل کنند، و اتصالات بین آکسونها و دندریتها میتوانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل میشود).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
نورون واقعی *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) از ویکیپدیا)* | نورون مصنوعی *(تصویر از نویسنده)*
|
||||
نورون واقعی *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) از ویکیپدیا)* | نورون مصنوعی *(تصویر توسط نویسنده)*
|
||||
|
||||
بنابراین، سادهترین مدل ریاضی یک نورون شامل چندین ورودی X<sub>1</sub>, ..., X<sub>N</sub> و یک خروجی Y و یک سری وزن W<sub>1</sub>, ..., W<sub>N</sub> است. خروجی به صورت زیر محاسبه میشود:
|
||||
بنابراین، سادهترین مدل ریاضی یک نورون شامل چندین ورودی X<sub>1</sub>, ..., X<sub>N</sub> و یک خروجی Y، و مجموعهای از وزنها W<sub>1</sub>, ..., W<sub>N</sub> است. خروجی به صورت زیر محاسبه میشود:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
که در آن f یک **تابع فعالسازی** غیرخطی است.
|
||||
|
||||
> مدلهای اولیه نورون در مقاله کلاسیک [یک حساب منطقی از ایدههای ذاتی در فعالیت عصبی](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) توسط وارن مککالوک و والتر پیتس در سال 1943 توصیف شدند. دونالد هب در کتاب خود "[سازمان رفتار: یک نظریه عصبروانشناختی](https://books.google.com/books?id=VNetYrB8EBoC)" روش آموزش این شبکهها را پیشنهاد کرد.
|
||||
> مدلهای اولیه نورون در مقاله کلاسیک [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) توسط وارن مککالاک و والتر پیتس در سال 1943 توصیف شدند. دونالد هب در کتاب خود "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" روش آموزش این شبکهها را پیشنهاد کرد.
|
||||
|
||||
## در این بخش
|
||||
|
||||
در این بخش درباره موارد زیر یاد خواهیم گرفت:
|
||||
* [پرسیپترون](03-Perceptron/README.md)، یکی از اولین مدلهای شبکه عصبی برای طبقهبندی دوکلاسه
|
||||
* [شبکههای چندلایه](04-OwnFramework/README.md) همراه با یک نوتبوک [چگونه چارچوب خودمان را بسازیم](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [چارچوبهای شبکه عصبی](05-Frameworks/README.md)، همراه با این نوتبوکها: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [شبکههای چندلایه](04-OwnFramework/README.md) همراه با دفترچهای برای [ساخت چارچوب خودمان](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [چارچوبهای شبکه عصبی](05-Frameworks/README.md)، همراه با این دفترچهها: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [بیشبرازش](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**سلب مسئولیت**:
|
||||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش میکنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطاها یا نادرستیهایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفهای انسانی توصیه میشود. ما هیچ مسئولیتی در قبال سوءتفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
|
||||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش میکنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه میشود از ترجمه حرفهای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
|
||||
|
|
@ -1,60 +1,60 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T19:45:24+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:33:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto neuroverkkoihin
|
||||
# Johdatus neuroverkkoihin
|
||||
|
||||
|
||||
|
||||
|
||||
Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivo**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Näitä aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**.
|
||||
Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivo**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Tällaisia aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**.
|
||||
|
||||
> Neuroverkkoja kutsutaan joskus *keinotekoisiksi neuroverkoiksi* (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat hermosolujen verkostot.
|
||||
> Neuroverkkoja kutsutaan joskus *keinotekoisiksi neuroverkoiksi* (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat neuroniverkot.
|
||||
|
||||
## Koneoppiminen
|
||||
|
||||
Neuroverkot ovat osa laajempaa tieteenalaa nimeltä **koneoppiminen**, jonka tavoitteena on käyttää dataa tietokonemallien kouluttamiseen ongelmien ratkaisemiseksi. Koneoppiminen muodostaa suuren osan tekoälystä, mutta emme käsittele perinteistä koneoppimista tässä oppimateriaalissa.
|
||||
|
||||
> Tutustu erilliseen **[Koneoppiminen aloittelijoille](http://github.com/microsoft/ml-for-beginners)** -opetussuunnitelmaamme oppiaksesi lisää perinteisestä koneoppimisesta.
|
||||
> Tutustu erilliseen **[Koneoppiminen aloittelijoille](http://github.com/microsoft/ml-for-beginners)** -oppimateriaaliimme oppiaksesi lisää perinteisestä koneoppimisesta.
|
||||
|
||||
Koneoppimisessa oletamme, että meillä on jokin esimerkkien **X** datasetti ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **piirteistä**, ja tuloksia kutsutaan **luokiksi**.
|
||||
Koneoppimisessa oletamme, että meillä on jokin esimerkkidatasetti **X** ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **ominaisuuksista**, ja tulokset kutsutaan **luokiksi**.
|
||||
|
||||
Käsittelemme kahta yleisintä koneoppimisongelmaa:
|
||||
|
||||
* **Luokittelu**, jossa meidän täytyy luokitella syöteobjekti kahteen tai useampaan luokkaan.
|
||||
* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo jokaiselle syötenäytteelle.
|
||||
* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo kullekin syöte-esimerkille.
|
||||
|
||||
> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on näytteiden määrä ja N on piirteiden määrä. Tulosluokat Y ovat M-kokoinen vektori.
|
||||
> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on esimerkkien lukumäärä ja N on ominaisuuksien lukumäärä. Tulosluokat Y ovat M-kokoinen vektori.
|
||||
|
||||
Tässä oppimateriaalissa keskitymme vain neuroverkkopohjaisiin malleihin.
|
||||
|
||||
## Hermosolun malli
|
||||
## Neuronin malli
|
||||
|
||||
Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "tuloja" (aksonit) ja yksi lähtö (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (joita säätelevät välittäjäaineet).
|
||||
Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "syötteitä" (aksonit) ja yksi "tulos" (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (neuromediaattoreiden sääteleminä).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Oikea hermosolu *([Kuva](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediasta)* | Keinotekoinen hermosolu *(Kuva tekijältä)*
|
||||
Oikea neuroni *([Kuva](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediasta)* | Keinotekoinen neuroni *(Kuva tekijältä)*
|
||||
|
||||
Näin ollen yksinkertaisin matemaattinen hermosolumalli sisältää useita tuloja X<sub>1</sub>, ..., X<sub>N</sub> ja yhden lähdön Y sekä joukon painoja W<sub>1</sub>, ..., W<sub>N</sub>. Lähtö lasketaan seuraavasti:
|
||||
Näin ollen yksinkertaisin matemaattinen malli neuronista sisältää useita syötteitä X<sub>1</sub>, ..., X<sub>N</sub> ja yhden tuloksen Y sekä joukon painoja W<sub>1</sub>, ..., W<sub>N</sub>. Tulos lasketaan seuraavasti:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
missä f on jokin epälineaarinen **aktivointifunktio**.
|
||||
|
||||
> Varhaiset hermosolumallit kuvattiin klassisessa artikkelissa [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), jonka kirjoittivat Warren McCullock ja Walter Pitts vuonna 1943. Donald Hebb ehdotti kirjassaan "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" tapaa, jolla näitä verkkoja voidaan kouluttaa.
|
||||
> Varhaiset neuronimallit kuvattiin klassisessa artikkelissa [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), jonka kirjoittivat Warren McCullock ja Walter Pitts vuonna 1943. Donald Hebb ehdotti kirjassaan "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" tapaa, jolla näitä verkkoja voidaan kouluttaa.
|
||||
|
||||
## Tässä osiossa
|
||||
|
||||
Tässä osiossa opimme:
|
||||
* [Perceptronista](03-Perceptron/README.md), joka on yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaiseen luokitteluun
|
||||
* [Monikerroksisista verkoista](04-OwnFramework/README.md) ja siihen liittyvästä muistikirjasta [kuinka rakentaa oma kehys](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neuroverkkokehityksestä](05-Frameworks/README.md) ja näistä muistikirjoista: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ja [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Ylitrainauksesta](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
Tässä osiossa opimme seuraavista aiheista:
|
||||
* [Perceptron](03-Perceptron/README.md), yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaluokitteluun
|
||||
* [Monikerroksiset verkot](04-OwnFramework/README.md) ja niihin liittyvä muistikirja [kuinka rakentaa oma kehys](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neuroverkkokehykset](05-Frameworks/README.md), ja näihin liittyvät muistikirjat: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ja [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Ylisuorittaminen](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T20:55:20+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:26:59+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fr"
|
||||
}
|
||||
|
|
@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Comme nous l'avons vu dans l'introduction, l'une des façons d'atteindre l'intelligence est d'entraîner un **modèle informatique** ou un **cerveau artificiel**. Depuis le milieu du 20ᵉ siècle, les chercheurs ont expérimenté différents modèles mathématiques, jusqu'à ce que cette approche se révèle extrêmement fructueuse ces dernières années. Ces modèles mathématiques du cerveau sont appelés **réseaux neuronaux**.
|
||||
Comme nous l'avons vu dans l'introduction, l'une des façons d'atteindre l'intelligence est d'entraîner un **modèle informatique** ou un **cerveau artificiel**. Depuis le milieu du 20ᵉ siècle, les chercheurs ont expérimenté différents modèles mathématiques, jusqu'à ce que cette approche s'avère extrêmement fructueuse ces dernières années. Ces modèles mathématiques du cerveau sont appelés **réseaux neuronaux**.
|
||||
|
||||
> Parfois, les réseaux neuronaux sont appelés *Réseaux Neuronaux Artificiels* (ANNs), pour indiquer qu'il s'agit de modèles et non de réseaux réels de neurones.
|
||||
|
||||
|
|
@ -21,9 +21,9 @@ Les réseaux neuronaux font partie d'une discipline plus large appelée **Appren
|
|||
|
||||
> Consultez notre programme distinct **[Apprentissage Automatique pour Débutants](http://github.com/microsoft/ml-for-beginners)** pour en savoir plus sur l'apprentissage automatique classique.
|
||||
|
||||
En apprentissage automatique, nous supposons que nous disposons d'un ensemble de données d'exemples **X** et de valeurs de sortie correspondantes **Y**. Les exemples sont souvent des vecteurs N-dimensionnels composés de **caractéristiques**, et les sorties sont appelées **étiquettes**.
|
||||
En apprentissage automatique, nous supposons que nous disposons d'un ensemble de données d'exemples **X**, et de valeurs de sortie correspondantes **Y**. Les exemples sont souvent des vecteurs N-dimensionnels composés de **caractéristiques**, et les sorties sont appelées **étiquettes**.
|
||||
|
||||
Nous examinerons les deux problèmes les plus courants en apprentissage automatique :
|
||||
Nous examinerons les deux problèmes d'apprentissage automatique les plus courants :
|
||||
|
||||
* **Classification**, où nous devons classer un objet d'entrée dans deux classes ou plus.
|
||||
* **Régression**, où nous devons prédire une valeur numérique pour chaque échantillon d'entrée.
|
||||
|
|
@ -40,7 +40,7 @@ En biologie, nous savons que notre cerveau est constitué de cellules neuronales
|
|||
----|----
|
||||
Neurone réel *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipédia)* | Neurone artificiel *(Image par l'auteur)*
|
||||
|
||||
Ainsi, le modèle mathématique le plus simple d'un neurone contient plusieurs entrées X<sub>1</sub>, ..., X<sub>N</sub> et une sortie Y, ainsi qu'une série de poids W<sub>1</sub>, ..., W<sub>N</sub>. Une sortie est calculée comme suit :
|
||||
Ainsi, le modèle mathématique le plus simple d'un neurone contient plusieurs entrées X<sub>1</sub>, ..., X<sub>N</sub> et une sortie Y, ainsi qu'une série de poids W<sub>1</sub>, ..., W<sub>N</sub>. La sortie est calculée comme suit :
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
|
|
@ -50,11 +50,13 @@ où **f** est une **fonction d'activation** non linéaire.
|
|||
|
||||
## Dans cette section
|
||||
|
||||
Dans cette section, nous apprendrons à propos de :
|
||||
* [Perceptron](03-Perceptron/README.md), l'un des premiers modèles de réseaux neuronaux pour la classification binaire
|
||||
* [Réseaux multicouches](04-OwnFramework/README.md) avec un notebook associé [comment construire notre propre framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks de réseaux neuronaux](05-Frameworks/README.md), avec ces notebooks : [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) et [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Surapprentissage](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
Dans cette section, nous allons apprendre :
|
||||
* [Le Perceptron](03-Perceptron/README.md), l'un des premiers modèles de réseaux neuronaux pour la classification binaire
|
||||
* [Les réseaux multicouches](04-OwnFramework/README.md) avec un notebook associé [comment construire notre propre framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Les frameworks de réseaux neuronaux](05-Frameworks/README.md), avec ces notebooks : [PyTorch](05-Frameworks/IntroPyTorch.ipynb) et [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Le surapprentissage](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Avertissement** :
|
||||
Ce document a été traduit à l'aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.
|
||||
|
|
@ -1,62 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T19:45:57+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:34:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לרשתות נוירונים
|
||||
# מבוא לרשתות עצביות
|
||||
|
||||
|
||||
|
||||
|
||||
כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות נוירונים**.
|
||||
כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות עצביות**.
|
||||
|
||||
> לעיתים רשתות נוירונים נקראות *רשתות נוירונים מלאכותיות* (Artificial Neural Networks, ANNs), כדי להבהיר שמדובר במודלים ולא ברשתות נוירונים אמיתיות.
|
||||
> לעיתים רשתות עצביות נקראות *רשתות עצביות מלאכותיות*, ANNs, כדי להבהיר שמדובר במודלים ולא ברשתות אמיתיות של נוירונים.
|
||||
|
||||
## למידת מכונה
|
||||
|
||||
רשתות נוירונים הן חלק מתחום רחב יותר שנקרא **למידת מכונה**, שמטרתו להשתמש בנתונים כדי לאמן מודלים ממוחשבים שיכולים לפתור בעיות. למידת מכונה מהווה חלק גדול מבינה מלאכותית, אך בתוכנית לימודים זו לא נעסוק בלמידת מכונה קלאסית.
|
||||
רשתות עצביות הן חלק מתחום רחב יותר שנקרא **למידת מכונה**, שמטרתו להשתמש בנתונים כדי לאמן מודלים מחשב המסוגלים לפתור בעיות. למידת מכונה מהווה חלק גדול מבינה מלאכותית, אך אנו לא מכסים למידת מכונה קלאסית בתוכנית לימודים זו.
|
||||
|
||||
> בקרו בתוכנית הלימודים הנפרדת שלנו **[למידת מכונה למתחילים](http://github.com/microsoft/ml-for-beginners)** כדי ללמוד עוד על למידת מכונה קלאסית.
|
||||
|
||||
בלמידת מכונה, אנו מניחים שיש לנו מערך נתונים של דוגמאות **X**, וערכי פלט תואמים **Y**. הדוגמאות הן לרוב וקטורים N-ממדיים שמכילים **מאפיינים**, והפלטים נקראים **תוויות**.
|
||||
בלמידת מכונה, אנו מניחים שיש לנו מערך נתונים של דוגמאות **X**, וערכי פלט תואמים **Y**. דוגמאות הן לעיתים וקטורים N-ממדיים שמורכבים מ**מאפיינים**, והפלטים נקראים **תוויות**.
|
||||
|
||||
נבחן את שתי הבעיות הנפוצות ביותר בלמידת מכונה:
|
||||
|
||||
* **סיווג**, שבו עלינו לסווג אובייקט קלט לשתי קטגוריות או יותר.
|
||||
* **רגרסיה**, שבה עלינו לחזות מספר נומרי עבור כל אחת מדוגמאות הקלט.
|
||||
* **סיווג**, שבו אנו צריכים לסווג אובייקט קלט לשתי קטגוריות או יותר.
|
||||
* **רגרסיה**, שבה אנו צריכים לחזות מספר נומרי עבור כל אחת מדוגמאות הקלט.
|
||||
|
||||
> כאשר מייצגים קלטים ופלטים כטנסורים, מערך הקלט הוא מטריצה בגודל M×N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M.
|
||||
> כאשר מייצגים קלטים ופלטים כטנזורים, מערך הקלט הוא מטריצה בגודל M×N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M.
|
||||
|
||||
בתוכנית לימודים זו נתמקד רק במודלים של רשתות נוירונים.
|
||||
בתוכנית לימודים זו, נתמקד רק במודלים של רשתות עצביות.
|
||||
|
||||
## מודל של נוירון
|
||||
|
||||
מהביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב, שלכל אחד מהם יש מספר "קלטים" (אקסונים) ופלט אחד (דנדריט). האקסונים והדנדריטים יכולים להוליך אותות חשמליים, והחיבורים בין האקסונים לדנדריטים יכולים להציג דרגות שונות של מוליכות (שנשלטות על ידי נוירומדיאטורים).
|
||||
מביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב, שלכל אחד מהם יש מספר "קלטים" (אקסונים) ופלט (דנדריט). אקסונים ודנדריטים יכולים להוליך אותות חשמליים, והחיבורים בין אקסונים לדנדריטים יכולים להציג דרגות שונות של מוליכות (נשלטות על ידי נוירומדיאטורים).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
נוירון אמיתי *([תמונה](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) מוויקיפדיה)* | נוירון מלאכותי *(תמונה מאת המחבר)*
|
||||
|
||||
לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X<sub>1</sub>, ..., X<sub>N</sub> ופלט Y, וסדרה של משקלים W<sub>1</sub>, ..., W<sub>N</sub>. הפלט מחושב כך:
|
||||
לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X<sub>1</sub>, ..., X<sub>N</sub> ופלט Y, וסדרה של משקלים W<sub>1</sub>, ..., W<sub>N</sub>. הפלט מחושב כ:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
כאשר f היא **פונקציית הפעלה** לא לינארית כלשהי.
|
||||
כאשר f היא **פונקציית הפעלה** לא ליניארית.
|
||||
|
||||
> המודלים הראשונים של נוירון תוארו במאמר הקלאסי [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) מאת וורן מקולוק וולטר פיטס בשנת 1943. דונלד הב בספרו "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" הציע כיצד ניתן לאמן רשתות אלו.
|
||||
> מודלים מוקדמים של נוירון תוארו במאמר הקלאסי [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) מאת וורן מק'קולוק וולטר פיטס בשנת 1943. דונלד הב בספרו "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" הציע את הדרך שבה ניתן לאמן רשתות אלו.
|
||||
|
||||
## בפרק זה
|
||||
## בסעיף זה
|
||||
|
||||
בפרק זה נלמד על:
|
||||
* [פרספטרון](03-Perceptron/README.md), אחד המודלים הראשונים של רשתות נוירונים לסיווג דו-קטגורי
|
||||
* [רשתות מרובות שכבות](04-OwnFramework/README.md) עם מחברת נלווית [כיצד לבנות מסגרת משלנו](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [מסגרות לרשתות נוירונים](05-Frameworks/README.md), עם המחברות הבאות: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ו-[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [התאמת יתר](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
בסעיף זה נלמד על:
|
||||
* [פרספטרון](03-Perceptron/README.md), אחד המודלים הראשונים של רשתות עצביות לסיווג דו-קטגורי
|
||||
* [רשתות רב-שכבתיות](04-OwnFramework/README.md) עם מחברת מצורפת [איך לבנות את המסגרת שלנו](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [מסגרות רשתות עצביות](05-Frameworks/README.md), עם המחברות הבאות: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ו-[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [אוברפיטינג](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**כתב ויתור**:
|
||||
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.
|
||||
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T09:59:26+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:30:00+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hi"
|
||||
}
|
||||
-->
|
||||
# न्यूरल नेटवर्क्स का परिचय
|
||||
|
||||
|
||||
|
||||
|
||||
जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है एक **कंप्यूटर मॉडल** या एक **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों को आज़माया, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है।
|
||||
जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है **कंप्यूटर मॉडल** या **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों को आजमाया, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है।
|
||||
|
||||
> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* या ANNs कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन्स के नेटवर्क की।
|
||||
> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks या ANNs) कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन नेटवर्क्स की।
|
||||
|
||||
## मशीन लर्निंग
|
||||
|
||||
न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है जो समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करेंगे।
|
||||
न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है जो समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता (Artificial Intelligence) का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करते हैं।
|
||||
|
||||
> पारंपरिक मशीन लर्निंग के बारे में अधिक जानने के लिए हमारे अलग **[मशीन लर्निंग फॉर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रम पर जाएं।
|
||||
|
||||
मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटासेट **X** और उनके संबंधित आउटपुट मान **Y** हैं। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **फीचर्स** से मिलकर बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है।
|
||||
मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटा सेट **X** और उनके संबंधित आउटपुट मान **Y** है। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **विशेषताओं** (features) से बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है।
|
||||
|
||||
हम मशीन लर्निंग की दो सबसे सामान्य समस्याओं पर विचार करेंगे:
|
||||
|
||||
* **वर्गीकरण (Classification)**, जिसमें हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है।
|
||||
* **प्रतिगमन (Regression)**, जिसमें हमें प्रत्येक इनपुट सैंपल के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है।
|
||||
* **वर्गीकरण (Classification)**, जहां हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है।
|
||||
* **प्रतिगमन (Regression)**, जहां हमें प्रत्येक इनपुट नमूने के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है।
|
||||
|
||||
> जब इनपुट और आउटपुट को टेन्सर्स के रूप में दर्शाया जाता है, तो इनपुट डेटासेट M×N आकार का एक मैट्रिक्स होता है, जहां M सैंपल्स की संख्या है और N फीचर्स की संख्या है। आउटपुट लेबल्स Y M आकार का एक वेक्टर होता है।
|
||||
> जब इनपुट और आउटपुट को टेन्सर्स के रूप में प्रस्तुत किया जाता है, तो इनपुट डेटा सेट M×N आकार का मैट्रिक्स होता है, जहां M नमूनों की संख्या है और N विशेषताओं की संख्या है। आउटपुट लेबल्स **Y** M आकार का वेक्टर होता है।
|
||||
|
||||
इस पाठ्यक्रम में, हम केवल न्यूरल नेटवर्क मॉडलों पर ध्यान केंद्रित करेंगे।
|
||||
|
||||
## न्यूरॉन का एक मॉडल
|
||||
## न्यूरॉन का मॉडल
|
||||
|
||||
जीवविज्ञान से हम जानते हैं कि हमारा मस्तिष्क न्यूरल कोशिकाओं से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (एक्सॉन्स) और एक आउटपुट (डेंड्राइट) होता है। एक्सॉन्स और डेंड्राइट्स विद्युत संकेतों का संचालन कर सकते हैं, और एक्सॉन्स और डेंड्राइट्स के बीच के कनेक्शन विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं (जो न्यूरोमीडिएटर्स द्वारा नियंत्रित होती है)।
|
||||
जीवविज्ञान से हमें पता चलता है कि हमारा मस्तिष्क न्यूरल कोशिकाओं से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (axons) और एक आउटपुट (dendrite) होता है। Axons और dendrites विद्युत संकेतों को संचालित कर सकते हैं, और axons और dendrites के बीच के कनेक्शन विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं (neuromediators द्वारा नियंत्रित)।
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
वास्तविक न्यूरॉन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडिया से)* | कृत्रिम न्यूरॉन *(लेखक द्वारा बनाई गई छवि)*
|
||||
|
||||
इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> और एक आउटपुट Y, और वज़नों की एक श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है:
|
||||
इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> और एक आउटपुट Y, और कई वेट्स W<sub>1</sub>, ..., W<sub>N</sub> को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
जहां f एक गैर-रेखीय **सक्रियण फ़ंक्शन** है।
|
||||
जहां f एक गैर-रेखीय **सक्रियता फ़ंक्शन** (activation function) है।
|
||||
|
||||
> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में इन नेटवर्क्स को प्रशिक्षित करने के तरीके का प्रस्ताव दिया।
|
||||
> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में यह प्रस्तावित किया कि इन नेटवर्क्स को कैसे प्रशिक्षित किया जा सकता है।
|
||||
|
||||
## इस खंड में
|
||||
## इस अनुभाग में
|
||||
|
||||
इस खंड में हम निम्नलिखित के बारे में जानेंगे:
|
||||
इस अनुभाग में हम निम्नलिखित के बारे में जानेंगे:
|
||||
* [परसेप्ट्रॉन](03-Perceptron/README.md), दो-वर्ग वर्गीकरण के लिए सबसे प्रारंभिक न्यूरल नेटवर्क मॉडलों में से एक
|
||||
* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना खुद का फ्रेमवर्क कैसे बनाएं](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), इन नोटबुक्स के साथ: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना फ्रेमवर्क कैसे बनाएं](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), और ये नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ओवरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं।
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T22:07:51+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:29:02+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hk"
|
||||
}
|
||||
-->
|
||||
# 神經網絡簡介
|
||||
|
||||
|
||||
|
||||
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網絡**。
|
||||
正如我們在介紹中討論過的，實現智能的一種方法是訓練一個**計算機模型**或一個**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近，這一方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網絡**。
|
||||
|
||||
> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。
|
||||
> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。
|
||||
|
||||
## 機器學習
|
||||
|
||||
神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的一大部分，但我們在這個課程中不會涵蓋傳統的機器學習。
|
||||
神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型來解決問題。機器學習構成了人工智能的重要部分，但我們在這個課程中不會涵蓋傳統的機器學習。
|
||||
|
||||
> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，了解更多關於傳統機器學習的內容。
|
||||
> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
|
||||
|
||||
在機器學習中，我們假設有一些例子數據集 **X** 和相應的輸出值 **Y**。例子通常是由**特徵**組成的 N 維向量，而輸出被稱為**標籤**。
|
||||
在機器學習中，我們假設有一些樣本數據集 **X**，以及對應的輸出值 **Y**。樣本通常是由**特徵**組成的N維向量，而輸出則稱為**標籤**。
|
||||
|
||||
我們將探討兩種最常見的機器學習問題：
|
||||
我們將考慮兩種最常見的機器學習問題：
|
||||
|
||||
* **分類**，我們需要將輸入對象分類到兩個或多個類別中。
|
||||
* **回歸**，我們需要為每個輸入樣本預測一個數值。
|
||||
|
||||
> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。
|
||||
> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。
|
||||
|
||||
在這個課程中，我們將只專注於神經網絡模型。
|
||||
|
||||
## 神經元的模型
|
||||
|
||||
從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突和樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
從生物學中我們知道，大腦由神經細胞組成，每個神經細胞都有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供的圖片）*
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
|
||||
|
||||
因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
因此，神經元的最簡單數學模型包含若干輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
其中 f 是某種非線性的**激活函數**。
|
||||
|
||||
> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網絡的訓練方法。
|
||||
> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的著作《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了訓練這些網絡的方法。
|
||||
|
||||
## 本章內容
|
||||
## 本節內容
|
||||
|
||||
在本章中，我們將學習以下內容：
|
||||
在本節中，我們將學習以下內容：
|
||||
* [感知器](03-Perceptron/README.md)，一種最早的用於二分類的神經網絡模型
|
||||
* [多層網絡](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [多層網絡](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**免責聲明**：
|
||||
本文件使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
|
||||
本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:43:14+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:37:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hr"
|
||||
}
|
||||
|
|
@ -17,7 +17,7 @@ Kao što smo raspravili u uvodu, jedan od načina za postizanje inteligencije je
|
|||
|
||||
## Strojno učenje
|
||||
|
||||
Neuronske mreže dio su šire discipline zvane **Strojno učenje**, čiji je cilj koristiti podatke za treniranje računalnih modela koji mogu rješavati probleme. Strojno učenje čini veliki dio umjetne inteligencije, no u ovom kurikulumu ne pokrivamo klasično strojno učenje.
|
||||
Neuronske mreže dio su šire discipline zvane **Strojno učenje**, čiji je cilj koristiti podatke za treniranje računalnih modela koji mogu rješavati probleme. Strojno učenje čini velik dio umjetne inteligencije, no klasično strojno učenje ne pokrivamo u ovom kurikulumu.
|
||||
|
||||
> Posjetite naš zasebni kurikulum **[Strojno učenje za početnike](http://github.com/microsoft/ml-for-beginners)** kako biste saznali više o klasičnom strojnome učenju.
|
||||
|
||||
|
|
@ -28,13 +28,13 @@ Razmotrit ćemo dva najčešća problema strojnog učenja:
|
|||
* **Klasifikacija**, gdje trebamo klasificirati ulazni objekt u dvije ili više klasa.
|
||||
* **Regresija**, gdje trebamo predvidjeti numeričku vrijednost za svaki od ulaznih uzoraka.
|
||||
|
||||
> Kada predstavljamo ulaze i izlaze kao tenzore, ulazni skup podataka je matrica veličine M×N, gdje je M broj uzoraka, a N broj značajki. Izlazne oznake **Y** su vektor veličine M.
|
||||
> Kada predstavljamo ulaze i izlaze kao tenzore, ulazni skup podataka je matrica veličine M×N, gdje je M broj uzoraka, a N broj značajki. Izlazne oznake Y su vektor veličine M.
|
||||
|
||||
U ovom kurikulumu fokusirat ćemo se samo na modele neuronskih mreža.
|
||||
|
||||
## Model neurona
|
||||
|
||||
Iz biologije znamo da naš mozak sastoji od neuronskih stanica, od kojih svaka ima više "ulaza" (aksona) i jedan izlaz (dendrit). Aksoni i dendriti mogu provoditi električne signale, a veze između aksona i dendrita mogu pokazivati različite stupnjeve provodljivosti (kontrolirane neuromediatorima).
|
||||
Iz biologije znamo da naš mozak sastoji se od neuronskih stanica, od kojih svaka ima više "ulaza" (aksona) i jedan izlaz (dendrit). Aksoni i dendriti mogu provoditi električne signale, a veze između aksona i dendrita mogu pokazivati različite stupnjeve provodljivosti (kontrolirane neurotransmiterima).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -46,15 +46,17 @@ Dakle, najjednostavniji matematički model neurona sadrži nekoliko ulaza X<sub>
|
|||
|
||||
gdje je f neka nelinearna **funkcija aktivacije**.
|
||||
|
||||
> Rani modeli neurona opisani su u klasičnom radu [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Warrena McCullocka i Waltera Pittsa iz 1943. Donald Hebb u svojoj knjizi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predložio je način na koji se te mreže mogu trenirati.
|
||||
> Rani modeli neurona opisani su u klasičnom radu [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Warrena McCullocka i Waltera Pittsa iz 1943. godine. Donald Hebb u svojoj knjizi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predložio je način na koji se te mreže mogu trenirati.
|
||||
|
||||
## U ovom dijelu
|
||||
## U ovom odjeljku
|
||||
|
||||
U ovom dijelu naučit ćemo o:
|
||||
U ovom odjeljku naučit ćemo o:
|
||||
* [Perceptronu](03-Perceptron/README.md), jednom od najranijih modela neuronskih mreža za klasifikaciju s dvije klase
|
||||
* [Višeslojnim mrežama](04-OwnFramework/README.md) uz prateću bilježnicu [kako izgraditi vlastiti okvir](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Okvirima za neuronske mreže](05-Frameworks/README.md), uz ove bilježnice: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Višeslojnim mrežama](04-OwnFramework/README.md) uz prateću bilježnicu [kako izgraditi vlastiti okvir](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Okvirima za neuronske mreže](05-Frameworks/README.md), uz ove bilježnice: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Prenaučavanju](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Odricanje od odgovornosti**:
|
||||
Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.
|
||||
Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva pogrešna tumačenja ili nesporazume koji proizlaze iz korištenja ovog prijevoda.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:41:35+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:35:37+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
|
|
@ -11,22 +11,22 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Ahogy a bevezetőben említettük, az intelligencia egyik elérési módja az, hogy egy **számítógépes modellt** vagy egy **mesterséges agyat** tanítunk. A 20. század közepe óta a kutatók különböző matematikai modelleket próbáltak ki, míg az utóbbi években ez az irány rendkívül sikeresnek bizonyult. Az agy ilyen matematikai modelljeit **neurális hálózatoknak** nevezzük.
|
||||
Ahogy az előzőekben már említettük, az intelligencia egyik elérési módja az, hogy egy **számítógépes modellt** vagy egy **mesterséges agyat** tanítunk. A 20. század közepétől kezdve a kutatók különböző matematikai modelleket próbáltak ki, míg az utóbbi években ez az irány rendkívül sikeresnek bizonyult. Az agy ilyen matematikai modelljeit **neurális hálózatoknak** nevezzük.
|
||||
|
||||
> Néha a neurális hálózatokat *Mesterséges Neurális Hálózatoknak* (Artificial Neural Networks, ANNs) hívják, hogy jelezzék, hogy modellekről van szó, nem valódi neuronhálózatokról.
|
||||
|
||||
## Gépi Tanulás
|
||||
|
||||
A neurális hálózatok egy nagyobb tudományterület, a **Gépi Tanulás** részei, amelynek célja, hogy adatokat használva olyan számítógépes modelleket tanítsunk, amelyek képesek problémák megoldására. A Gépi Tanulás az egyik jelentős része a Mesterséges Intelligenciának, azonban ebben a tananyagban nem foglalkozunk a klasszikus gépi tanulással.
|
||||
A neurális hálózatok egy nagyobb tudományterület, a **Gépi Tanulás** részei, amelynek célja, hogy adatokat használva olyan számítógépes modelleket tanítsunk, amelyek képesek problémákat megoldani. A Gépi Tanulás az egyik fő része a Mesterséges Intelligenciának, azonban ebben a tananyagban nem foglalkozunk a klasszikus gépi tanulással.
|
||||
|
||||
> Látogass el különálló **[Gépi Tanulás Kezdőknek](http://github.com/microsoft/ml-for-beginners)** tananyagunkra, hogy többet megtudj a klasszikus gépi tanulásról.
|
||||
> Látogasd meg különálló **[Gépi Tanulás Kezdőknek](http://github.com/microsoft/ml-for-beginners)** tananyagunkat, hogy többet megtudj a klasszikus gépi tanulásról.
|
||||
|
||||
A Gépi Tanulásban feltételezzük, hogy van egy példákból álló adathalmazunk **X**, és a hozzájuk tartozó kimeneti értékek **Y**. A példák gyakran N-dimenziós vektorok, amelyek **jellemzőkből** állnak, míg a kimeneteket **címkéknek** nevezzük.
|
||||
|
||||
A két leggyakoribb gépi tanulási problémát fogjuk megvizsgálni:
|
||||
|
||||
* **Osztályozás**, ahol egy bemeneti objektumot kell két vagy több osztályba sorolni.
|
||||
* **Regresszió**, ahol egy numerikus értéket kell megjósolni minden bemeneti mintára.
|
||||
* **Regresszió**, ahol egy numerikus értéket kell előre jelezni minden bemeneti mintára.
|
||||
|
||||
> Ha a bemeneteket és kimeneteket tenzorként ábrázoljuk, a bemeneti adathalmaz egy M×N méretű mátrix, ahol M a minták száma, N pedig a jellemzők száma. A kimeneti címkék **Y** egy M méretű vektor.
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ A biológiából tudjuk, hogy az agyunk neurális sejtekből áll, amelyek minde
|
|||
----|----
|
||||
Valódi neuron *([Kép](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) a Wikipédiáról)* | Mesterséges neuron *(Kép a szerzőtől)*
|
||||
|
||||
Így a neuron legegyszerűbb matematikai modellje több bemenetet tartalmaz **X<sub>1</sub>, ..., X<sub>N</sub>**, egy kimenetet **Y**, és egy sor súlyt **W<sub>1</sub>, ..., W<sub>N</sub>**. A kimenet a következőképpen számítható ki:
|
||||
Így a neuron legegyszerűbb matematikai modellje több bemenetet tartalmaz **X<sub>1</sub>, ..., X<sub>N</sub>**, egy kimenetet **Y**, valamint egy sor súlyt **W<sub>1</sub>, ..., W<sub>N</sub>**. A kimenet a következőképpen számítható ki:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
|
|
@ -52,9 +52,11 @@ ahol **f** egy nemlineáris **aktivációs függvény**.
|
|||
|
||||
Ebben a szakaszban megtanuljuk:
|
||||
* [Perceptron](03-Perceptron/README.md), az egyik legkorábbi neurális hálózati modell kétosztályos osztályozáshoz
|
||||
* [Többrétegű hálózatok](04-OwnFramework/README.md) egy párosított jegyzettel [hogyan építsünk saját keretrendszert](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neurális Hálózati Keretrendszerek](05-Frameworks/README.md), ezekkel a jegyzetekkel: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) és [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Többrétegű hálózatok](04-OwnFramework/README.md) egy párosított jegyzetfüzettel [hogyan építsünk saját keretrendszert](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neurális Hálózati Keretrendszerek](05-Frameworks/README.md), ezekkel a jegyzetfüzetekkel: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) és [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Túlillesztés](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Felelősség kizárása**:
|
||||
Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár igyekszünk pontosságra törekedni, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
|
||||
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
|
||||
|
|
@ -1,62 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-29T12:34:09+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:34:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar Jaringan Saraf
|
||||
# Pengantar Jaringan Neural
|
||||
|
||||
|
||||
|
||||
|
||||
Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir pendekatan ini terbukti sangat berhasil. Model matematika otak seperti ini disebut **jaringan saraf**.
|
||||
Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir arah ini terbukti sangat berhasil. Model matematika otak semacam ini disebut **jaringan neural**.
|
||||
|
||||
> Kadang-kadang jaringan saraf disebut *Artificial Neural Networks* atau ANNs, untuk menunjukkan bahwa kita sedang membicarakan model, bukan jaringan neuron yang sebenarnya.
|
||||
> Kadang-kadang jaringan neural disebut *Artificial Neural Networks* atau ANNs, untuk menunjukkan bahwa kita sedang berbicara tentang model, bukan jaringan neuron yang sebenarnya.
|
||||
|
||||
## Pembelajaran Mesin
|
||||
|
||||
Jaringan Saraf adalah bagian dari disiplin yang lebih besar yang disebut **Pembelajaran Mesin** (Machine Learning), yang bertujuan menggunakan data untuk melatih model komputer agar dapat menyelesaikan masalah. Pembelajaran Mesin merupakan bagian besar dari Kecerdasan Buatan, namun, kita tidak akan membahas Pembelajaran Mesin klasik dalam kurikulum ini.
|
||||
Jaringan Neural adalah bagian dari disiplin yang lebih besar yang disebut **Pembelajaran Mesin** (Machine Learning), yang bertujuan menggunakan data untuk melatih model komputer agar dapat menyelesaikan masalah. Pembelajaran Mesin merupakan bagian besar dari Kecerdasan Buatan, namun, kita tidak akan membahas Pembelajaran Mesin klasik dalam kurikulum ini.
|
||||
|
||||
> Kunjungi kurikulum terpisah kami **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
|
||||
|
||||
Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai keluaran yang sesuai **Y**. Contoh-contoh ini sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan keluaran disebut **label**.
|
||||
Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai keluaran yang sesuai **Y**. Contoh sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan keluaran disebut **label**.
|
||||
|
||||
Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling umum:
|
||||
|
||||
* **Klasifikasi**, di mana kita perlu mengklasifikasikan sebuah objek masukan ke dalam dua atau lebih kelas.
|
||||
* **Regresi**, di mana kita perlu memprediksi sebuah angka numerik untuk setiap sampel masukan.
|
||||
* **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input ke dalam dua atau lebih kelas.
|
||||
* **Regresi**, di mana kita perlu memprediksi angka numerik untuk setiap sampel input.
|
||||
|
||||
> Ketika merepresentasikan masukan dan keluaran sebagai tensor, dataset masukan adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M.
|
||||
> Saat merepresentasikan input dan output sebagai tensor, dataset input adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M.
|
||||
|
||||
Dalam kurikulum ini, kita hanya akan fokus pada model jaringan saraf.
|
||||
Dalam kurikulum ini, kita hanya akan fokus pada model jaringan neural.
|
||||
|
||||
## Model Sebuah Neuron
|
||||
## Model Neuron
|
||||
|
||||
Dari biologi, kita tahu bahwa otak kita terdiri dari sel-sel saraf, masing-masing memiliki beberapa "masukan" (akson), dan satu keluaran (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neuromediator).
|
||||
Dari biologi kita tahu bahwa otak kita terdiri dari sel-sel neural, masing-masing memiliki banyak "input" (akson), dan satu output (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neurotransmiter).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Neuron Asli *([Gambar](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Buatan *(Gambar oleh Penulis)*
|
||||
|
||||
Dengan demikian, model matematika paling sederhana dari sebuah neuron memiliki beberapa masukan X<sub>1</sub>, ..., X<sub>N</sub> dan satu keluaran Y, serta serangkaian bobot W<sub>1</sub>, ..., W<sub>N</sub>. Keluaran dihitung sebagai:
|
||||
Dengan demikian, model matematika paling sederhana dari neuron memiliki beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta serangkaian bobot W<sub>1</sub>, ..., W<sub>N</sub>. Output dihitung sebagai:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
di mana f adalah beberapa **fungsi aktivasi** non-linear.
|
||||
|
||||
> Model awal neuron dijelaskan dalam makalah klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mengusulkan cara melatih jaringan tersebut.
|
||||
> Model awal neuron dijelaskan dalam makalah klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mengusulkan cara jaringan tersebut dapat dilatih.
|
||||
|
||||
## Dalam Bagian Ini
|
||||
|
||||
Dalam bagian ini kita akan mempelajari tentang:
|
||||
* [Perceptron](03-Perceptron/README.md), salah satu model jaringan saraf paling awal untuk klasifikasi dua kelas
|
||||
* [Perceptron](03-Perceptron/README.md), salah satu model jaringan neural paling awal untuk klasifikasi dua kelas
|
||||
* [Jaringan berlapis-lapis](04-OwnFramework/README.md) dengan notebook pendamping [cara membangun kerangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Kerangka Kerja Jaringan Saraf](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Kerangka Kerja Jaringan Neural](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Penafian**:
|
||||
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.
|
||||
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T07:08:12+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:31:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "it"
|
||||
}
|
||||
|
|
@ -11,50 +11,52 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Come discusso nell'introduzione, uno dei modi per raggiungere l'intelligenza è addestrare un **modello computazionale** o un **cervello artificiale**. Dalla metà del XX secolo, i ricercatori hanno provato diversi modelli matematici, fino a quando negli ultimi anni questa direzione si è dimostrata estremamente promettente. Questi modelli matematici del cervello sono chiamati **reti neurali**.
|
||||
Come discusso nell'introduzione, uno dei modi per raggiungere l'intelligenza è addestrare un **modello informatico** o un **cervello artificiale**. Dalla metà del XX secolo, i ricercatori hanno sperimentato diversi modelli matematici, fino a quando, negli ultimi anni, questa direzione si è rivelata estremamente efficace. Questi modelli matematici del cervello sono chiamati **reti neurali**.
|
||||
|
||||
> A volte le reti neurali vengono chiamate *Reti Neurali Artificiali*, ANNs, per indicare che stiamo parlando di modelli, non di reti reali di neuroni.
|
||||
> A volte le reti neurali sono chiamate *Reti Neurali Artificiali*, ANNs, per indicare che stiamo parlando di modelli, non di reti reali di neuroni.
|
||||
|
||||
## Apprendimento Automatico
|
||||
## Machine Learning
|
||||
|
||||
Le reti neurali fanno parte di una disciplina più ampia chiamata **Apprendimento Automatico**, il cui obiettivo è utilizzare i dati per addestrare modelli computazionali in grado di risolvere problemi. L'apprendimento automatico costituisce una grande parte dell'Intelligenza Artificiale, tuttavia, non trattiamo l'apprendimento automatico classico in questo curriculum.
|
||||
Le Reti Neurali fanno parte di una disciplina più ampia chiamata **Machine Learning**, il cui obiettivo è utilizzare i dati per addestrare modelli informatici in grado di risolvere problemi. Il Machine Learning costituisce una parte importante dell'Intelligenza Artificiale, tuttavia, in questo curriculum non trattiamo il ML classico.
|
||||
|
||||
> Visita il nostro curriculum separato **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** per saperne di più sull'apprendimento automatico classico.
|
||||
> Visita il nostro curriculum separato **[Machine Learning per Principianti](http://github.com/microsoft/ml-for-beginners)** per saperne di più sul Machine Learning classico.
|
||||
|
||||
Nell'apprendimento automatico, assumiamo di avere un dataset di esempi **X** e i corrispondenti valori di output **Y**. Gli esempi sono spesso vettori N-dimensionali che consistono in **caratteristiche**, e gli output sono chiamati **etichette**.
|
||||
Nel Machine Learning, assumiamo di avere un dataset di esempi **X** e i corrispondenti valori di output **Y**. Gli esempi sono spesso vettori N-dimensionali composti da **caratteristiche**, mentre gli output sono chiamati **etichette**.
|
||||
|
||||
Considereremo i due problemi più comuni dell'apprendimento automatico:
|
||||
Considereremo i due problemi di machine learning più comuni:
|
||||
|
||||
* **Classificazione**, dove dobbiamo classificare un oggetto di input in due o più classi.
|
||||
* **Regressione**, dove dobbiamo prevedere un valore numerico per ciascun campione di input.
|
||||
|
||||
> Quando rappresentiamo gli input e gli output come tensori, il dataset di input è una matrice di dimensioni M×N, dove M è il numero di campioni e N è il numero di caratteristiche. Le etichette di output Y sono un vettore di dimensioni M.
|
||||
> Quando rappresentiamo input e output come tensori, il dataset di input è una matrice di dimensioni M×N, dove M è il numero di campioni e N è il numero di caratteristiche. Le etichette di output Y sono un vettore di dimensioni M.
|
||||
|
||||
In questo curriculum, ci concentreremo solo sui modelli di reti neurali.
|
||||
|
||||
## Un Modello di Neurone
|
||||
|
||||
Dalla biologia sappiamo che il nostro cervello è composto da cellule neuronali, ognuna delle quali ha molteplici "input" (assoni) e un output (dendrite). Gli assoni e i dendriti possono condurre segnali elettrici, e le connessioni tra assoni e dendriti possono mostrare diversi gradi di conduttività (controllati dai neuromediatori).
|
||||
Dalla biologia sappiamo che il nostro cervello è composto da cellule neurali, ognuna delle quali ha molteplici "input" (assoni) e un output (dendrite). Gli assoni e i dendriti possono condurre segnali elettrici, e le connessioni tra assoni e dendriti possono mostrare diversi gradi di conduttività (controllati dai neuromediatori).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Neurone Reale *([Immagine](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurone Artificiale *(Immagine dell'Autore)*
|
||||
Neurone Reale *([Immagine](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurone Artificiale *(Immagine dell'autore)*
|
||||
|
||||
Pertanto, il modello matematico più semplice di un neurone contiene diversi input X<sub>1</sub>, ..., X<sub>N</sub> e un output Y, e una serie di pesi W<sub>1</sub>, ..., W<sub>N</sub>. L'output viene calcolato come:
|
||||
Pertanto, il modello matematico più semplice di un neurone contiene diversi input X<sub>1</sub>, ..., X<sub>N</sub> e un output Y, e una serie di pesi W<sub>1</sub>, ..., W<sub>N</sub>. L'output è calcolato come:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
dove f è una **funzione di attivazione** non lineare.
|
||||
|
||||
> I primi modelli di neurone sono stati descritti nel classico articolo [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) di Warren McCullock e Walter Pitts nel 1943. Donald Hebb, nel suo libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", ha proposto il modo in cui queste reti possono essere addestrate.
|
||||
> I primi modelli di neurone sono stati descritti nel classico articolo [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) di Warren McCullock e Walter Pitts nel 1943. Donald Hebb, nel suo libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propose il modo in cui queste reti possono essere addestrate.
|
||||
|
||||
## In questa Sezione
|
||||
|
||||
In questa sezione impareremo:
|
||||
* [Perceptron](03-Perceptron/README.md), uno dei primi modelli di rete neurale per la classificazione a due classi
|
||||
* [Reti multi-strato](04-OwnFramework/README.md) con un notebook associato [come costruire il nostro framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Framework per Reti Neurali](05-Frameworks/README.md), con questi notebook: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Reti multi-strato](04-OwnFramework/README.md) con un notebook associato [come costruire il nostro framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Framework per Reti Neurali](05-Frameworks/README.md), con questi notebook: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Disclaimer**:
|
||||
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.
|
||||
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T21:14:38+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:29:31+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ja"
|
||||
}
|
||||
|
|
@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
序章で述べたように、知能を実現する方法の一つは、**コンピュータモデル**や**人工の脳**を訓練することです。20世紀中頃から研究者たちは様々な数学的モデルを試みてきましたが、近年になってこの方向性が非常に成功を収めることが証明されました。このような脳の数学的モデルは**ニューラルネットワーク**と呼ばれます。
|
||||
序章で述べたように、知能を実現する方法の一つは、**コンピュータモデル**や**人工の脳**を訓練することです。20世紀中頃から研究者たちは様々な数学的モデルを試みてきましたが、近年になってこの方向性が非常に成功を収めるようになりました。このような脳の数学的モデルは**ニューラルネットワーク**と呼ばれます。
|
||||
|
||||
> ニューラルネットワークは時折、*人工ニューラルネットワーク*（Artificial Neural Networks、ANNs）と呼ばれることがあります。これは、実際のニューロンのネットワークではなく、モデルについて話していることを示すためです。
|
||||
|
||||
|
|
@ -21,14 +21,14 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> 古典的な機械学習について学びたい場合は、別の**[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)**カリキュラムをご覧ください。
|
||||
|
||||
機械学習では、例のデータセット**X**と対応する出力値**Y**があると仮定します。例は通常、**特徴**からなるN次元ベクトルであり、出力は**ラベル**と呼ばれます。
|
||||
機械学習では、例のデータセット**X**と、それに対応する出力値**Y**があると仮定します。例はしばしば**特徴量**で構成されるN次元ベクトルであり、出力は**ラベル**と呼ばれます。
|
||||
|
||||
機械学習の最も一般的な問題を2つ考えます：
|
||||
|
||||
* **分類**：入力オブジェクトを2つ以上のクラスに分類する必要がある場合。
|
||||
* **回帰**：各入力サンプルに対して数値を予測する必要がある場合。
|
||||
* **回帰**：入力サンプルごとに数値を予測する必要がある場合。
|
||||
|
||||
> 入力と出力をテンソルとして表現する場合、入力データセットはサイズがM×Nの行列であり、Mはサンプル数、Nは特徴数を表します。出力ラベル**Y**はサイズがMのベクトルです。
|
||||
> 入力と出力をテンソルとして表現する場合、入力データセットはM×Nのサイズの行列であり、Mはサンプル数、Nは特徴量の数です。出力ラベル**Y**はサイズMのベクトルです。
|
||||
|
||||
このカリキュラムでは、ニューラルネットワークモデルにのみ焦点を当てます。
|
||||
|
||||
|
|
@ -36,7 +36,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
生物学から、私たちの脳はニューロン細胞で構成されており、それぞれが複数の「入力」（軸索）と1つの出力（樹状突起）を持つことが知られています。軸索と樹状突起は電気信号を伝達することができ、軸索と樹状突起の間の接続は異なる伝導度を示すことがあります（神経伝達物質によって制御されます）。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
実際のニューロン *（[画像](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediaより）* | 人工ニューロン *（著者による画像）*
|
||||
|
||||
|
|
@ -44,17 +44,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
ここで、**f**は非線形の**活性化関数**です。
|
||||
ここで、**f**は何らかの非線形な**活性化関数**です。
|
||||
|
||||
> 初期のニューロンモデルは、1943年にWarren McCullockとWalter Pittsによる古典的な論文「[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)」で記述されました。Donald Hebbは著書「[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)」でこれらのネットワークを訓練する方法を提案しました。
|
||||
> 初期のニューロンモデルは、1943年にWarren McCullockとWalter Pittsによる古典的な論文「[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)」で記述されました。Donald Hebbは著書「[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)」で、それらのネットワークを訓練する方法を提案しました。
|
||||
|
||||
## このセクションで学ぶこと
|
||||
|
||||
このセクションでは以下について学びます：
|
||||
* [パーセプトロン](03-Perceptron/README.md)：2クラス分類のための初期のニューラルネットワークモデル
|
||||
* [多層ネットワーク](04-OwnFramework/README.md)：対応するノートブック[独自のフレームワークを構築する方法](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)付き
|
||||
* [ニューラルネットワークフレームワーク](05-Frameworks/README.md)：以下のノートブック付き：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)と[Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [多層ネットワーク](04-OwnFramework/README.md)：対応するノートブック[独自のフレームワークを構築する方法](04-OwnFramework/OwnFramework.ipynb)付き
|
||||
* [ニューラルネットワークフレームワーク](05-Frameworks/README.md)：以下のノートブック付き：[PyTorch](05-Frameworks/IntroPyTorch.ipynb)と[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [過学習](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**免責事項**:
|
||||
この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。元の言語で記載された文書が公式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤認について、当方は一切の責任を負いません。
|
||||
この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知ください。元の言語で記載された文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤った解釈について、当方は責任を負いません。
|
||||
|
|
@ -1,44 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T21:33:48+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:29:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ko"
|
||||
}
|
||||
-->
|
||||
# 신경망 소개
|
||||
|
||||
|
||||
|
||||
|
||||
서론에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도해 왔으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다.
|
||||
소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다.
|
||||
|
||||
> 때때로 신경망은 *인공 신경망* 또는 ANNs라고 불리며, 이는 우리가 실제 뉴런 네트워크가 아닌 모델에 대해 이야기하고 있음을 나타냅니다.
|
||||
> 때때로 신경망은 *인공 신경망* 또는 ANNs라고 불리며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미합니다.
|
||||
|
||||
## 머신러닝
|
||||
## 머신 러닝
|
||||
|
||||
신경망은 **머신러닝**이라는 더 큰 학문 분야의 일부로, 이 분야의 목표는 데이터를 사용하여 문제를 해결할 수 있는 컴퓨터 모델을 훈련시키는 것입니다. 머신러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신러닝에 대해 다루지 않습니다.
|
||||
신경망은 **머신 러닝**이라는 더 큰 학문 분야의 일부로, 데이터로 컴퓨터 모델을 훈련시켜 문제를 해결하는 것을 목표로 합니다. 머신 러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신 러닝을 다루지 않습니다.
|
||||
|
||||
> 고전적인 머신러닝에 대해 더 배우고 싶다면, 별도의 **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요.
|
||||
> 고전적인 머신 러닝에 대해 더 배우고 싶다면 별도의 **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요.
|
||||
|
||||
머신러닝에서는 **X**라는 예제 데이터셋과 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터이며, 출력은 **레이블**이라고 불립니다.
|
||||
머신 러닝에서는 예제 데이터셋 **X**와 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터이며, 출력은 **레이블**이라고 합니다.
|
||||
|
||||
우리는 머신러닝에서 가장 일반적인 두 가지 문제를 고려할 것입니다:
|
||||
우리는 가장 일반적인 두 가지 머신 러닝 문제를 고려할 것입니다:
|
||||
|
||||
* **분류**: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 문제.
|
||||
* **회귀**: 각 입력 샘플에 대해 숫자 값을 예측해야 하는 문제.
|
||||
* **분류**: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 경우.
|
||||
* **회귀**: 각 입력 샘플에 대해 숫자를 예측해야 하는 경우.
|
||||
|
||||
> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 Y는 크기가 M인 벡터입니다.
|
||||
> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 **Y**는 크기가 M인 벡터입니다.
|
||||
|
||||
이 커리큘럼에서는 신경망 모델에만 초점을 맞출 것입니다.
|
||||
이 커리큘럼에서는 신경망 모델에만 집중할 것입니다.
|
||||
|
||||
## 뉴런의 모델
|
||||
## 뉴런 모델
|
||||
|
||||
생물학에서 우리는 뇌가 신경 세포로 구성되어 있으며, 각 세포는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가지고 있음을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 전도도의 정도가 다를 수 있습니다(신경전달물질에 의해 제어됨).
|
||||
생물학적으로 우리의 뇌는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가진 신경 세포로 구성되어 있다는 것을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 다양한 전도성을 나타낼 수 있습니다(신경전달물질에 의해 제어됨).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) - 위키백과)* | 인공 뉴런 *(작성자 제공 이미지)*
|
||||
실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 출처: Wikipedia)* | 인공 뉴런 *(저자 제공 이미지)*
|
||||
|
||||
따라서 뉴런의 가장 간단한 수학적 모델은 여러 입력 X<sub>1</sub>, ..., X<sub>N</sub>과 출력 Y, 그리고 일련의 가중치 W<sub>1</sub>, ..., W<sub>N</sub>을 포함합니다. 출력은 다음과 같이 계산됩니다:
|
||||
|
||||
|
|
@ -48,13 +48,15 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> 초기 뉴런 모델은 Warren McCullock과 Walter Pitts가 1943년에 발표한 고전 논문 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)에서 설명되었습니다. Donald Hebb는 그의 책 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다.
|
||||
|
||||
## 이 섹션에서 다룰 내용
|
||||
## 이 섹션에서
|
||||
|
||||
이 섹션에서는 다음 내용을 학습합니다:
|
||||
* [퍼셉트론](03-Perceptron/README.md): 이진 분류를 위한 초기 신경망 모델 중 하나
|
||||
* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크 구축](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)과 관련된 노트북 포함
|
||||
* [신경망 프레임워크](05-Frameworks/README.md): [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) 관련 노트북 포함
|
||||
* [과적합](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
이 섹션에서는 다음을 배울 것입니다:
|
||||
* [퍼셉트론](03-Perceptron/README.md): 두 클래스 분류를 위한 초기 신경망 모델 중 하나
|
||||
* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크를 구축하는 방법](04-OwnFramework/OwnFramework.ipynb)과 함께 제공되는 노트북
|
||||
* [신경망 프레임워크](05-Frameworks/README.md): 다음 노트북 포함 [PyTorch](05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [오버피팅](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**면책 조항**:
|
||||
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
|
||||
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다.
|
||||
|
|
@ -1,44 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-31T17:48:54+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:38:11+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Įvadas į Neuroninius Tinklus
|
||||
# Įvadas į neuroninius tinklus
|
||||
|
||||
|
||||
|
||||
|
||||
Kaip aptarėme įvade, vienas iš būdų pasiekti intelektą yra treniruoti **kompiuterinį modelį** arba **dirbtines smegenis**. Nuo XX a. vidurio mokslininkai bandė įvairius matematinius modelius, kol pastaraisiais metais ši kryptis tapo itin sėkminga. Tokie smegenų matematiniai modeliai vadinami **neuroniniais tinklais**.
|
||||
|
||||
> Kartais neuroniniai tinklai vadinami *Dirbtiniais Neuroniniais Tinklais* (Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne tikrus neuronų tinklus.
|
||||
> Kartais neuroniniai tinklai vadinami *Dirbtiniais neuroniniais tinklais* (angl. Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne apie tikrus neuronų tinklus.
|
||||
|
||||
## Mašininis Mokymasis
|
||||
## Mašininis mokymasis
|
||||
|
||||
Neuroniniai tinklai yra didesnės disciplinos, vadinamos **Mašininiu Mokymusi**, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio Intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime.
|
||||
Neuroniniai tinklai yra platesnės disciplinos, vadinamos **Mašininiu mokymusi**, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime.
|
||||
|
||||
> Apsilankykite mūsų atskirame **[Mašininio Mokymosi pradedantiesiems](http://github.com/microsoft/ml-for-beginners)** kurse, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi.
|
||||
> Apsilankykite mūsų atskirame kurse **[Mašininis mokymasis pradedantiesiems](http://github.com/microsoft/ml-for-beginners)**, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi.
|
||||
|
||||
Mašininiame mokymesi darome prielaidą, kad turime tam tikrą pavyzdžių rinkinį **X** ir atitinkamas išvesties reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensiniai vektoriai, sudaryti iš **savybių**, o išvestys vadinamos **žymėmis**.
|
||||
Mašininiame mokymesi daroma prielaida, kad turime tam tikrą pavyzdžių duomenų rinkinį **X** ir atitinkamas išėjimo reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensijų vektoriai, sudaryti iš **savybių**, o išėjimai vadinami **žymėmis**.
|
||||
|
||||
Mes nagrinėsime dvi dažniausiai pasitaikančias mašininio mokymosi problemas:
|
||||
|
||||
* **Klasifikacija**, kai reikia klasifikuoti įvesties objektą į dvi ar daugiau klasių.
|
||||
* **Regresija**, kai reikia numatyti skaitinę reikšmę kiekvienam įvesties pavyzdžiui.
|
||||
* **Klasifikacija**, kai reikia priskirti įvesties objektą vienai iš dviejų ar daugiau klasių.
|
||||
* **Regresija**, kai reikia prognozuoti skaitinę reikšmę kiekvienam įvesties pavyzdžiui.
|
||||
|
||||
> Kai įvestys ir išvestys pateikiamos kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išvesties žymės Y yra M dydžio vektorius.
|
||||
> Kai įvestys ir išėjimai pateikiami kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išėjimo žymės Y yra M dydžio vektorius.
|
||||
|
||||
Šiame kurse dėmesį skirsime tik neuroninių tinklų modeliams.
|
||||
Šiame kurse dėmesį sutelksime tik į neuroninių tinklų modelius.
|
||||
|
||||
## Neurono Modelis
|
||||
## Neurono modelis
|
||||
|
||||
Iš biologijos žinome, kad mūsų smegenys susideda iš neuroninių ląstelių, kurių kiekviena turi kelis "įėjimus" (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumo laipsnį (valdomą neuromediatoriais).
|
||||
Iš biologijos žinome, kad mūsų smegenys sudarytos iš neuroninių ląstelių, kurių kiekviena turi kelis „įėjimus“ (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumą (kontroliuojamą neuromediatoriais).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Vaizdas autoriaus)*
|
||||
Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Autoriaus vaizdas)*
|
||||
|
||||
Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X<sub>1</sub>, ..., X<sub>N</sub>, vieną išėjimą Y ir svorių rinkinį W<sub>1</sub>, ..., W<sub>N</sub>. Išėjimas apskaičiuojamas taip:
|
||||
|
||||
|
|
@ -46,15 +46,15 @@ Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X<sub>1<
|
|||
|
||||
kur f yra tam tikra nelinijinė **aktyvavimo funkcija**.
|
||||
|
||||
> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė būdą, kaip šiuos tinklus galima treniruoti.
|
||||
> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė, kaip šiuos tinklus galima treniruoti.
|
||||
|
||||
## Šiame skyriuje
|
||||
|
||||
Šiame skyriuje sužinosime apie:
|
||||
* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių dviejų klasių klasifikavimo neuroninių tinklų modelių
|
||||
* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygeliu [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių neuroninių tinklų modelių, skirtų dviejų klasių klasifikacijai
|
||||
* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygele [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neuroninių tinklų sistemas](05-Frameworks/README.md), su šiomis užrašų knygelėmis: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ir [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perteklinį pritaikymą](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
* [Perdidelį pritaikymą](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,19 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:22:11+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:28:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "mo"
|
||||
}
|
||||
-->
|
||||
# 神經網路簡介
|
||||
|
||||
|
||||
|
||||
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或一個**人工大腦**。自20世紀中期以來，研究人員嘗試了各種數學模型，直到最近，這一方向取得了巨大的成功。這些模仿大腦的數學模型被稱為**神經網路**。
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
|
||||
|
||||
> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而非真實的神經網路。
|
||||
> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。
|
||||
|
||||
## 機器學習
|
||||
|
||||
|
|
@ -21,40 +21,42 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> 請參考我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
|
||||
|
||||
在機器學習中，我們假設擁有一些範例數據集 **X**，以及對應的輸出值 **Y**。範例通常是由**特徵**組成的N維向量，而輸出則被稱為**標籤**。
|
||||
在機器學習中，我們假設有一些例子數據集 **X**，以及相應的輸出值 **Y**。例子通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。
|
||||
|
||||
我們將探討兩種最常見的機器學習問題：
|
||||
|
||||
* **分類**：我們需要將輸入對象分類到兩個或多個類別中。
|
||||
* **回歸**：我們需要為每個輸入樣本預測一個數值。
|
||||
* **分類**：需要將輸入對象分類到兩個或多個類別中。
|
||||
* **回歸**：需要為每個輸入樣本預測一個數值。
|
||||
|
||||
> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。
|
||||
> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。
|
||||
|
||||
在這份課程中，我們將專注於神經網路模型。
|
||||
|
||||
## 神經元的模型
|
||||
|
||||
從生物學中我們知道，大腦由神經細胞組成，每個神經細胞有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
|
||||
 | 
|
||||
----|----
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（圖片由作者提供）*
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
|
||||
|
||||
因此，神經元的最簡單數學模型包含若干輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
其中 f 是某種非線性的**激活函數**。
|
||||
|
||||
> 最早的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的著作《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了訓練這些網路的方法。
|
||||
> 早期的神經元模型在1943年由 Warren McCullock 和 Walter Pitts 在經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網路的訓練方法。
|
||||
|
||||
## 本節內容
|
||||
## 本章內容
|
||||
|
||||
在本節中，我們將學習以下內容：
|
||||
在本章中，我們將學習以下內容：
|
||||
* [感知器](03-Perceptron/README.md)：最早的二分類神經網路模型之一
|
||||
* [多層網路](04-OwnFramework/README.md) 及其配套筆記本 [如何構建我們自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網路框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [多層網路](04-OwnFramework/README.md)：以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網路框架](05-Frameworks/README.md)：包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**免責聲明**：
|
||||
本文檔已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵信息，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。
|
||||
本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:22:45+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:30:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "mr"
|
||||
}
|
||||
-->
|
||||
# न्यूरल नेटवर्क्सची ओळख
|
||||
|
||||
|
||||
|
||||
|
||||
जसे आपण प्रस्तावनेत चर्चा केली, बुद्धिमत्ता साध्य करण्याच्या मार्गांपैकी एक म्हणजे **कंप्युटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्सचा प्रयत्न केला, आणि अलीकडच्या वर्षांत हा दृष्टिकोन अत्यंत यशस्वी ठरला. मेंदूच्या अशा गणितीय मॉडेल्सना **न्यूरल नेटवर्क्स** म्हणतात.
|
||||
जसे आपण परिचयात चर्चा केली, बुद्धिमत्ता मिळवण्याचा एक मार्ग म्हणजे **कंप्यूटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्स वापरून पाहिले, आणि अलीकडच्या वर्षांत या दिशेने मोठे यश मिळाले. मेंदूचे असे गणितीय मॉडेल्स **न्यूरल नेटवर्क्स** म्हणून ओळखले जातात.
|
||||
|
||||
> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks), ANNs असेही म्हणतात, जेणेकरून आपण खऱ्या न्यूरॉन्सच्या नेटवर्क्सबद्दल नव्हे तर मॉडेल्सबद्दल बोलत आहोत हे स्पष्ट होईल.
|
||||
> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स* किंवा ANNs म्हणतात, जेणेकरून आपण मॉडेल्सबद्दल बोलत आहोत, वास्तविक न्यूरॉन्सच्या नेटवर्क्सबद्दल नाही.
|
||||
|
||||
## मशीन लर्निंग
|
||||
|
||||
न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या शाखेचा एक भाग आहे, ज्याचा उद्देश डेटाचा वापर करून समस्यांचे निराकरण करणारी संगणकीय मॉडेल्स तयार करणे आहे. मशीन लर्निंग हा कृत्रिम बुद्धिमत्तेचा एक महत्त्वाचा भाग आहे, परंतु या अभ्यासक्रमात आपण पारंपरिक मशीन लर्निंग कव्हर करणार नाही.
|
||||
न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या क्षेत्राचा एक भाग आहे, ज्याचा उद्देश डेटा वापरून कंप्यूटर मॉडेल्स तयार करणे आहे जे समस्यांचे निराकरण करू शकतात. मशीन लर्निंग कृत्रिम बुद्धिमत्तेचा मोठा भाग आहे, परंतु या अभ्यासक्रमात आम्ही पारंपरिक मशीन लर्निंग कव्हर करत नाही.
|
||||
|
||||
> पारंपरिक मशीन लर्निंगबद्दल अधिक जाणून घेण्यासाठी आमचा स्वतंत्र **[मशीन लर्निंग फॉर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** अभ्यासक्रम पहा.
|
||||
> पारंपरिक मशीन लर्निंगबद्दल अधिक जाणून घेण्यासाठी आमचा स्वतंत्र **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** अभ्यासक्रम भेट द्या.
|
||||
|
||||
मशीन लर्निंगमध्ये, आपण गृहीत धरतो की आपल्याकडे काही उदाहरणांचा डेटासेट **X** आणि त्यास अनुरूप आउटपुट मूल्ये **Y** आहेत. उदाहरणे ही सहसा **वैशिष्ट्ये** असलेल्या N-आयामी वेक्टर असतात, आणि आउटपुट्सना **लेबल्स** म्हणतात.
|
||||
मशीन लर्निंगमध्ये, आपण गृहीत धरतो की आपल्याकडे काही उदाहरणांचा डेटा संच **X** आहे, आणि त्यासोबतचे आउटपुट मूल्ये **Y** आहेत. उदाहरणे अनेकदा N-आयामी व्हेक्टर असतात ज्यामध्ये **वैशिष्ट्ये** असतात, आणि आउटपुट्सना **लेबल्स** म्हणतात.
|
||||
|
||||
आपण मशीन लर्निंगमधील दोन सर्वसामान्य समस्या विचारात घेऊ:
|
||||
|
||||
* **वर्गीकरण (Classification)**, जिथे आपल्याला इनपुट ऑब्जेक्टला दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे.
|
||||
* **प्रत्यावर्तन (Regression)**, जिथे आपल्याला प्रत्येक इनपुट नमुन्यासाठी एक संख्यात्मक मूल्य भाकीत करायचे आहे.
|
||||
* **वर्गीकरण**, जिथे आपल्याला इनपुट ऑब्जेक्टला दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे.
|
||||
* **रेग्रेशन**, जिथे आपल्याला प्रत्येक इनपुट नमुन्यासाठी एक संख्यात्मक संख्या अंदाज करायची आहे.
|
||||
|
||||
> जेव्हा इनपुट्स आणि आउटपुट्सना टेन्सर्स म्हणून दर्शवले जाते, तेव्हा इनपुट डेटासेट M×N आकाराच्या मॅट्रिक्समध्ये असते, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा वेक्टर असतो.
|
||||
> इनपुट्स आणि आउटपुट्सना टेन्सर्स म्हणून दर्शवताना, इनपुट डेटा संच M×N आकाराच्या मॅट्रिक्समध्ये असतो, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा व्हेक्टर असतो.
|
||||
|
||||
या अभ्यासक्रमात, आपण केवळ न्यूरल नेटवर्क मॉडेल्सवर लक्ष केंद्रित करू.
|
||||
या अभ्यासक्रमात, आपण फक्त न्यूरल नेटवर्क मॉडेल्सवर लक्ष केंद्रित करू.
|
||||
|
||||
## न्यूरॉनचे मॉडेल
|
||||
|
||||
जीवशास्त्रातून आपल्याला माहित आहे की आपला मेंदू न्यूरल पेशींनी बनलेला आहे, ज्यामध्ये प्रत्येक पेशीला अनेक "इनपुट्स" (अॅक्सॉन्स) आणि एक आउटपुट (डेंड्राइट) असतो. अॅक्सॉन्स आणि डेंड्राइट्स विद्युत संकेत वाहून नेऊ शकतात, आणि अॅक्सॉन्स व डेंड्राइट्समधील जोडणी वेगवेगळ्या प्रवाहक्षमतेचे प्रदर्शन करू शकते (न्यूरोमेडिएटर्सद्वारे नियंत्रित).
|
||||
जीवशास्त्रातून आपल्याला माहित आहे की आपला मेंदू न्यूरल पेशींनी बनलेला आहे, ज्यामध्ये प्रत्येक पेशीला अनेक "इनपुट्स" (अॅक्सॉन्स) आणि एक आउटपुट (डेंड्राइट) असतो. अॅक्सॉन्स आणि डेंड्राइट्स विद्युत संकेत वाहून नेऊ शकतात, आणि अॅक्सॉन्स आणि डेंड्राइट्समधील कनेक्शन वेगवेगळ्या प्रवाहक्षमतेचे प्रदर्शन करू शकतात (न्यूरोमेडिएटर्सद्वारे नियंत्रित).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
खरा न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)*
|
||||
वास्तविक न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)*
|
||||
|
||||
त्यामुळे, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेल अनेक इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> आणि एक आउटपुट Y, तसेच W<sub>1</sub>, ..., W<sub>N</sub> नावाच्या वजनांच्या मालिकेचा समावेश करते. आउटपुटची गणना खालीलप्रमाणे केली जाते:
|
||||
म्हणूनच, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> आणि एक आउटपुट Y, तसेच वजनांची मालिका W<sub>1</sub>, ..., W<sub>N</sub> असते. आउटपुटची गणना खालीलप्रमाणे केली जाते:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
जिथे f ही काही नॉन-लिनिअर **सक्रियता फंक्शन** आहे.
|
||||
जिथे f ही काही नॉन-लिनियर **सक्रियता फंक्शन** आहे.
|
||||
|
||||
> न्यूरॉनचे सुरुवातीचे मॉडेल्स वॉरेन मॅककुलॉक आणि वॉल्टर पिट्स यांनी 1943 मध्ये लिहिलेल्या [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) या क्लासिकल पेपरमध्ये वर्णन केले होते. डोनाल्ड हेब यांनी त्यांच्या "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" या पुस्तकात या नेटवर्क्सना प्रशिक्षण देण्याचा मार्ग सुचवला.
|
||||
> न्यूरॉनचे सुरुवातीचे मॉडेल्स 1943 मध्ये वॉरेन मॅककुलॉक आणि वॉल्टर पिट्स यांनी लिहिलेल्या [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) या क्लासिकल पेपरमध्ये वर्णन केले होते. डोनाल्ड हेब यांनी त्यांच्या "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" या पुस्तकात या नेटवर्क्सना प्रशिक्षण देण्याचा मार्ग प्रस्तावित केला.
|
||||
|
||||
## या विभागात
|
||||
|
||||
या विभागात आपण शिकू:
|
||||
* [परसेप्ट्रॉन](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्सपैकी एक
|
||||
* [मल्टि-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि त्यासोबतचा नोटबुक [आपले स्वतःचे फ्रेमवर्क तयार करणे](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), यासह नोटबुक्स: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) आणि [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perceptron](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्स
|
||||
* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि संबंधित नोटबुक [आपले स्वतःचे फ्रेमवर्क कसे तयार करावे](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), यासह नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) आणि [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ओव्हरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
|
||||
|
|
@ -1,62 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-29T11:54:24+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:34:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ms"
|
||||
}
|
||||
-->
|
||||
# Pengenalan kepada Rangkaian Neural
|
||||
|
||||
|
||||
|
||||
|
||||
Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak ini dipanggil **rangkaian neural**.
|
||||
Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik telah mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak seperti ini dipanggil **rangkaian neural**.
|
||||
|
||||
> Kadang-kadang rangkaian neural dipanggil *Rangkaian Neural Tiruan*, ANNs, untuk menunjukkan bahawa kita sedang bercakap tentang model, bukan rangkaian neuron sebenar.
|
||||
> Kadangkala rangkaian neural dipanggil *Rangkaian Neural Tiruan* atau ANNs, untuk menunjukkan bahawa kita bercakap tentang model, bukan rangkaian neuron sebenar.
|
||||
|
||||
## Pembelajaran Mesin
|
||||
|
||||
Rangkaian Neural adalah sebahagian daripada disiplin yang lebih besar yang dipanggil **Pembelajaran Mesin**, yang bertujuan menggunakan data untuk melatih model komputer yang mampu menyelesaikan masalah. Pembelajaran Mesin merupakan sebahagian besar daripada Kecerdasan Buatan, namun, kita tidak akan membincangkan Pembelajaran Mesin klasik dalam kurikulum ini.
|
||||
|
||||
> Lawati kurikulum **[Pembelajaran Mesin untuk Pemula](http://github.com/microsoft/ml-for-beginners)** kami untuk mengetahui lebih lanjut tentang Pembelajaran Mesin klasik.
|
||||
> Lawati kurikulum **[Pembelajaran Mesin untuk Pemula](http://github.com/microsoft/ml-for-beginners)** kami untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
|
||||
|
||||
Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai beberapa dataset contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**.
|
||||
Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai satu set data contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**.
|
||||
|
||||
Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling biasa:
|
||||
|
||||
* **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input kepada dua atau lebih kelas.
|
||||
* **Regresi**, di mana kita perlu meramalkan nombor berangka untuk setiap sampel input.
|
||||
* **Regresi**, di mana kita perlu meramalkan nilai berangka untuk setiap sampel input.
|
||||
|
||||
> Apabila mewakili input dan output sebagai tensor, dataset input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M.
|
||||
> Apabila mewakili input dan output sebagai tensor, set data input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M.
|
||||
|
||||
Dalam kurikulum ini, kita hanya akan memberi tumpuan kepada model rangkaian neural.
|
||||
|
||||
## Model Neuron
|
||||
|
||||
Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator).
|
||||
Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel-sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Neuron Sebenar *([Imej](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Tiruan *(Imej oleh Pengarang)*
|
||||
|
||||
Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta satu siri berat W<sub>1</sub>, ..., W<sub>N</sub>. Output dikira sebagai:
|
||||
Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta satu siri pemberat W<sub>1</sub>, ..., W<sub>N</sub>. Output dikira sebagai:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
di mana f adalah beberapa **fungsi pengaktifan** tidak linear.
|
||||
di mana f adalah beberapa **fungsi pengaktifan** bukan linear.
|
||||
|
||||
> Model awal neuron telah diterangkan dalam kertas klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mencadangkan cara rangkaian tersebut boleh dilatih.
|
||||
|
||||
## Dalam Bahagian Ini
|
||||
|
||||
Dalam bahagian ini kita akan belajar tentang:
|
||||
Dalam bahagian ini kita akan mempelajari tentang:
|
||||
* [Perceptron](03-Perceptron/README.md), salah satu model rangkaian neural terawal untuk klasifikasi dua kelas
|
||||
* [Rangkaian berlapis-lapis](04-OwnFramework/README.md) dengan notebook berpasangan [cara membina rangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Rangkaian berlapis-lapis](04-OwnFramework/README.md) dengan buku nota berpasangan [cara membina rangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan buku nota berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Penafian**:
|
||||
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
|
||||
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
|
||||
|
|
@ -1,61 +1,63 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:43:59+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:37:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "my"
|
||||
}
|
||||
-->
|
||||
# နယူးရယ်နက်ဝါ့ခ်များအကြောင်းမိတ်ဆက်
|
||||
# နာရုံကွန်ရက်များအကြောင်းမိတ်ဆက်
|
||||
|
||||
|
||||
|
||||
|
||||
မိတ်ဆက်အစပိုင်းတွင် ပြောခဲ့သလို၊ တစ်ခုသော **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဦးနှောက်** ကိုလေ့ကျင့်ခြင်းသည် ဉာဏ်ရည်ရရှိရန် နည်းလမ်းတစ်ခုဖြစ်သည်။ ၂၀ ရာစုလယ်ပိုင်းမှစ၍ သုတေသနပြုသူများက သုံးစွဲနိုင်သော သင်္ချာမော်ဒယ်များကို ကြိုးစားခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်မှုရရှိခဲ့သည်။ ဦးနှောက်၏ သင်္ချာမော်ဒယ်များကို **နယူးရယ်နက်ဝါ့ခ်များ** ဟုခေါ်သည်။
|
||||
မိတ်ဆက်အပိုင်းတွင် ဆွေးနွေးခဲ့သလို၊ ဉာဏ်ရည်ရရှိရန်နည်းလမ်းတစ်ခုမှာ **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဉာဏ်ရည်** ကိုလေ့ကျင့်ခြင်းဖြစ်သည်။ ၂၀ ရာစုအလယ်ပိုင်းမှစ၍ သုတေသနများသည် သင်္ချာမော်ဒယ်အမျိုးမျိုးကို စမ်းသပ်ခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်မှုရရှိခဲ့သည်။ ဉာဏ်ရည်၏ သင်္ချာမော်ဒယ်များကို **နာရုံကွန်ရက်များ** ဟုခေါ်သည်။
|
||||
|
||||
> တခါတရံ နယူးရယ်နက်ဝါ့ခ်များကို *Artificial Neural Networks* (ANNs) ဟုလည်းခေါ်ကြပြီး၊ ဤသည်မှာ အမှန်တကယ်သော နယူးရွန်များ၏ကွန်ရက်မဟုတ်ပဲ မော်ဒယ်များကို ပြောဆိုနေသည်ကို ဖော်ပြရန်ဖြစ်သည်။
|
||||
> တစ်ခါတစ်ရံ နာရုံကွန်ရက်များကို *Artificial Neural Networks* (ANNs) ဟုခေါ်ပြီး၊ ဤသည်မှာ အမှန်တကယ်သောနာရုံကွန်ရက်များမဟုတ်ပဲ မော်ဒယ်များအကြောင်းကို ပြောဆိုနေသည်ကို ဖော်ပြရန်ဖြစ်သည်။
|
||||
|
||||
## မက်ရှင်လေနင်း
|
||||
## စက်လေ့ကျင့်မှု
|
||||
|
||||
နယူးရယ်နက်ဝါ့ခ်များသည် **မက်ရှင်လေနင်း** ဟုခေါ်သော အကြီးမားသောဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်မှန်းချက်မှာ ဒေတာကိုအသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ မက်ရှင်လေနင်းသည် အတုဉာဏ်ရည်၏ အရေးပါသောအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ရိုး၌ ရိုးရာမက်ရှင်လေနင်းကို မဖော်ပြပါ။
|
||||
နာရုံကွန်ရက်များသည် **စက်လေ့ကျင့်မှု** ဟုခေါ်သော အကြီးမားဆုံးဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်ရွယ်ချက်မှာ ဒေတာကို အသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ စက်လေ့ကျင့်မှုသည် အတုဉာဏ်ရည်၏ အကြီးမားဆုံးအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ခန်းစာတွင် ရိုးရာစက်လေ့ကျင့်မှုကို မဖုံးအုပ်ပါ။
|
||||
|
||||
> ရိုးရာမက်ရှင်လေနင်းအကြောင်းပိုမိုလေ့လာရန် **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ရိုးကို သွားရောက်ကြည့်ရှုပါ။
|
||||
> ရိုးရာစက်လေ့ကျင့်မှုအကြောင်းပိုမိုလေ့လာရန် **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ခန်းစာကို သွားရောက်ကြည့်ရှုပါ။
|
||||
|
||||
မက်ရှင်လေနင်းတွင်၊ ငါတို့တွင် **X** ဟုခေါ်သော ဥပမာဒေတာများနှင့် **Y** ဟုခေါ်သော ဆက်စပ်ထွက်လဒ်တန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ ဥပမာများသည် အများအားဖြင့် **features** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ ထွက်လဒ်များကို **labels** ဟုခေါ်သည်။
|
||||
စက်လေ့ကျင့်မှုတွင်၊ ငါတို့တွင် **X** ဟုခေါ်သော နမူနာများ၏ ဒေတာစုစည်းမှုတစ်ခုနှင့် **Y** ဟုခေါ်သော အထွက်တန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ နမူနာများသည် **အင်္ဂါရပ်များ** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ အထွက်များကို **တံဆိပ်များ** ဟုခေါ်သည်။
|
||||
|
||||
ကျွန်ုပ်တို့သည် အများဆုံးတွေ့ရသော မက်ရှင်လေနင်းပြဿနာနှစ်ခုကို စဉ်းစားမည်-
|
||||
စက်လေ့ကျင့်မှု၏ အများဆုံးတွေ့ရသော ပြဿနာနှစ်ခုကို ကျွန်ုပ်တို့ဆွေးနွေးမည်။
|
||||
|
||||
* **Classification** - အဝင်အရာဝတ္ထုကို အတန်းနှစ်ခု သို့မဟုတ် အတန်းများစွာအတွင်းသို့ ခွဲခြားရမည်။
|
||||
* **Regression** - အဝင်နမူနာတစ်ခုစီအတွက် ကိန်းဂဏန်းတန်ဖိုးတစ်ခုကို ခန့်မှန်းရမည်။
|
||||
* **အမျိုးအစားခွဲခြားမှု** - အဝင်အရာဝတ္ထုကို အမျိုးအစားနှစ်မျိုး သို့မဟုတ် အမျိုးအစားများစွာသို့ ခွဲခြားရန်လိုအပ်သည်။
|
||||
* **ပြန်လည်သုံးသပ်မှု** - အဝင်နမူနာတစ်ခုစီအတွက် ကိန်းဂဏန်းတစ်ခုကို ခန့်မှန်းရန်လိုအပ်သည်။
|
||||
|
||||
> အဝင်နှင့်ထွက်လဒ်များကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ အဝင်ဒေတာစုသည် M×N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် နမူနာအရေအတွက်ဖြစ်ကာ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ ထွက်လဒ် **Y** သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။
|
||||
> အဝင်နှင့်အထွက်များကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ အဝင်ဒေတာစုစည်းမှုသည် M×N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် နမူနာအရေအတွက်၊ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ အထွက်တံဆိပ်များ **Y** သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။
|
||||
|
||||
ဤသင်ရိုး၌၊ နယူးရယ်နက်ဝါ့ခ်မော်ဒယ်များကိုသာ အာရုံစိုက်မည်။
|
||||
ဤသင်ခန်းစာတွင် နာရုံကွန်ရက်မော်ဒယ်များကိုသာ အာရုံစိုက်မည်။
|
||||
|
||||
## နယူးရွန်၏မော်ဒယ်
|
||||
## နာရုံ၏မော်ဒယ်
|
||||
|
||||
ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိသည်မှာ၊ ကျွန်ုပ်တို့၏ဦးနှောက်သည် နယူးရွန်ဆဲလ်များဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "အဝင်" (axons) များစွာနှင့် "ထွက်" (dendrite) တစ်ခုရှိသည်။ Axons နှင့် dendrites သည် လျှပ်စစ်သံလိုက်သင်္ကေတများကို သယ်ဆောင်နိုင်ပြီး၊ axons နှင့် dendrites အကြားရှိ ချိတ်ဆက်မှုများသည် ကွဲပြားသော စွမ်းဆောင်ရည်များကို ပြသနိုင်သည် (neuromediators ဖြင့် ထိန်းချုပ်သည်)။
|
||||
ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိသည်မှာ၊ ကျွန်ုပ်တို့၏ ဦးနှောက်သည် နာရုံဆဲလ်များဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "အဝင်" (axons) များစွာနှင့် "အထွက်" (dendrite) တစ်ခုရှိသည်။ Axons နှင့် dendrites သည် လျှပ်စစ် signal များကို သယ်ဆောင်နိုင်ပြီး၊ axons နှင့် dendrites အကြားရှိ ချိတ်ဆက်မှုများသည် conductivity အဆင့်အတန်းများကို (neuromediators မှတစ်ဆင့်) ထိန်းချုပ်နိုင်သည်။
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
အမှန်တကယ် နယူးရွန် *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) မှ ပုံ)* | အတုနယူးရွန် *(ရေးသားသူမှ ပုံ)*
|
||||
အမှန်တကယ်နာရုံ *([Wikipedia မှပုံ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | အတုနာရုံ *(ရေးသားသူမှပုံ)*
|
||||
|
||||
ထို့ကြောင့်၊ နယူးရွန်၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်တွင် အဝင်များ X<sub>1</sub>, ..., X<sub>N</sub> နှင့် ထွက်လဒ် Y တစ်ခု၊ နှင့် အလေးချိန်များ W<sub>1</sub>, ..., W<sub>N</sub> ပါဝင်သည်။ ထွက်လဒ်ကို အောက်ပါအတိုင်းတွက်ချက်သည်-
|
||||
ထို့ကြောင့်၊ နာရုံ၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်သည် အဝင်များ **X<sub>1</sub>, ..., X<sub>N</sub>** နှင့် အထွက် **Y** တစ်ခု၊ အလေးချိန်များ **W<sub>1</sub>, ..., W<sub>N</sub>** တစ်စုံပါဝင်သည်။ အထွက်ကို အောက်ပါအတိုင်းတွက်ချက်သည်။
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
ဤတွင် f သည် **activation function** ဟုခေါ်သော မလိုက်လျောသောအလုပ်ဆောင်မှုဖြစ်သည်။
|
||||
ဤတွင် **f** သည် **activation function** ဟုခေါ်သော အနည်းငယ်လိုင်နီယာမဟုတ်သော function တစ်ခုဖြစ်သည်။
|
||||
|
||||
> နယူးရွန်၏အစောပိုင်းမော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts ၏ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော စာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် ၎င်း၏ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" စာအုပ်တွင် ဤကွန်ရက်များကို လေ့ကျင့်နိုင်သော နည်းလမ်းကို အဆိုပြုခဲ့သည်။
|
||||
> နာရုံ၏အစောပိုင်းမော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts ရေးသားသော [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော စာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ဟုခေါ်သော ၎င်း၏စာအုပ်တွင် ဤကွန်ရက်များကို လေ့ကျင့်နိုင်သောနည်းလမ်းကို အဆိုပြုခဲ့သည်။
|
||||
|
||||
## ဤအပိုင်းတွင်
|
||||
|
||||
ဤအပိုင်းတွင် ကျွန်ုပ်တို့သည် အောက်ပါအကြောင်းအရာများကို လေ့လာမည်-
|
||||
ဤအပိုင်းတွင် ကျွန်ုပ်တို့လေ့လာမည်မှာ-
|
||||
|
||||
* [Perceptron](03-Perceptron/README.md) - နှစ်တန်းခွဲခြားမှုအတွက် အစောပိုင်းနယူးရယ်နက်ဝါ့ခ်မော်ဒယ်တစ်ခု
|
||||
* [Multi-layered networks](04-OwnFramework/README.md) နှင့် [ကျွန်ုပ်တို့၏ကိုယ်ပိုင် framework တည်ဆောက်နည်း](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ကိုပါသော notebook
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md) - အောက်ပါ notebook များဖြင့်: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) နှင့် [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perceptron](03-Perceptron/README.md) - နှစ်မျိုးအမျိုးအစားခွဲခြားမှုအတွက် အစောပိုင်းနာရုံကွန်ရက်မော်ဒယ်တစ်ခု
|
||||
* [Multi-layered networks](04-OwnFramework/README.md) - notebook တစ်ခုနှင့်တွဲဖက်ထားသော [ကျွန်ုပ်တို့၏ framework ကိုတည်ဆောက်နည်း](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md) - PyTorch [notebook](05-Frameworks/IntroPyTorch.ipynb) နှင့် Keras/Tensorflow [notebook](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**အကြောင်းကြားချက်**:
|
||||
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။
|
||||
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:23:07+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:30:51+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ne"
|
||||
}
|
||||
-->
|
||||
# न्युरल नेटवर्कको परिचय
|
||||
|
||||
|
||||
|
||||
|
||||
जसरी हामीले परिचयमा चर्चा गर्यौं, बुद्धिमत्ता प्राप्त गर्ने एक तरिका भनेको **कम्प्युटर मोडेल** वा **कृत्रिम मस्तिष्क**लाई प्रशिक्षण दिनु हो। २०औं शताब्दीको मध्यदेखि, अनुसन्धानकर्ताहरूले विभिन्न गणितीय मोडेलहरू प्रयास गरे, जबसम्म पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भएन। मस्तिष्कका यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ।
|
||||
जसरी हामीले परिचयमा चर्चा गर्यौं, बुद्धिमत्ता प्राप्त गर्ने एक तरिका भनेको **कम्प्युटर मोडेल** वा **कृत्रिम मस्तिष्क**लाई प्रशिक्षण दिनु हो। २०औं शताब्दीको मध्यदेखि, अनुसन्धानकर्ताहरूले विभिन्न गणितीय मोडेलहरू प्रयास गरे, जबसम्म पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भयो। मस्तिष्कका यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ।
|
||||
|
||||
> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क*, ANNs भनिन्छ, जसले हामी मोडेलको कुरा गरिरहेका छौं, वास्तविक न्युरोनहरूको नेटवर्कको होइन भन्ने संकेत गर्दछ।
|
||||
> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क* (Artificial Neural Networks), ANNs भनिन्छ, ताकि हामी मोडेलको कुरा गरिरहेका छौं, वास्तविक न्युरोनहरूको नेटवर्कको होइन।
|
||||
|
||||
## मेशिन लर्निङ
|
||||
|
||||
न्युरल नेटवर्कहरू **मेशिन लर्निङ** नामक ठूलो क्षेत्रको हिस्सा हुन्, जसको उद्देश्य डाटा प्रयोग गरेर कम्प्युटर मोडेलहरूलाई समस्या समाधान गर्न सक्षम बनाउनु हो। मेशिन लर्निङ कृत्रिम बुद्धिमत्ताको ठूलो हिस्सा हो, तर हामी यस पाठ्यक्रममा परम्परागत मेशिन लर्निङलाई समेट्दैनौं।
|
||||
न्युरल नेटवर्कहरू **मेशिन लर्निङ** नामक ठूलो क्षेत्रको हिस्सा हुन्, जसको उद्देश्य डाटाको प्रयोग गरेर कम्प्युटर मोडेलहरूलाई समस्या समाधान गर्न सक्षम बनाउनु हो। मेशिन लर्निङ कृत्रिम बुद्धिमत्ताको ठूलो हिस्सा हो, तर हामी यस पाठ्यक्रममा परम्परागत मेशिन लर्निङलाई समेट्दैनौं।
|
||||
|
||||
> परम्परागत मेशिन लर्निङबारे थप जान्नको लागि हाम्रो छुट्टै **[मेशिन लर्निङ फर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रममा जानुहोस्।
|
||||
> परम्परागत मेशिन लर्निङबारे थप जान्नको लागि हाम्रो छुट्टै **[मेशिन लर्निङ फर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रम हेर्नुहोस्।
|
||||
|
||||
मेशिन लर्निङमा, हामी मान्छौं कि हामीसँग केही उदाहरणहरूको डाटासेट **X** छ, र त्यससँग सम्बन्धित आउटपुट मानहरू **Y** छन्। उदाहरणहरू प्रायः N-आयामीय भेक्टरहरू हुन्छन् जसमा **फिचरहरू** हुन्छन्, र आउटपुटहरूलाई **लेबलहरू** भनिन्छ।
|
||||
|
||||
हामी दुई सबैभन्दा सामान्य मेशिन लर्निङ समस्याहरूलाई विचार गर्नेछौं:
|
||||
|
||||
* **वर्गीकरण**, जहाँ हामीले इनपुट वस्तुलाई दुई वा बढी वर्गहरूमा वर्गीकृत गर्नुपर्छ।
|
||||
* **रेग्रेशन**, जहाँ हामीले प्रत्येक इनपुट नमूनाहरूको लागि संख्यात्मक मान भविष्यवाणी गर्नुपर्छ।
|
||||
* **वर्गीकरण (Classification)**, जहाँ हामीले इनपुट वस्तुलाई दुई वा बढी वर्गहरूमा वर्गीकृत गर्नुपर्छ।
|
||||
* **रेग्रेशन (Regression)**, जहाँ हामीले प्रत्येक इनपुट नमूनाको लागि संख्यात्मक मान भविष्यवाणी गर्नुपर्छ।
|
||||
|
||||
> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M×N आकारको म्याट्रिक्स हो, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू **Y** भनेको M आकारको भेक्टर हो।
|
||||
> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M×N आकारको म्याट्रिक्स हो, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू **Y** M आकारको भेक्टर हो।
|
||||
|
||||
यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा ध्यान केन्द्रित गर्नेछौं।
|
||||
यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा केन्द्रित हुनेछौं।
|
||||
|
||||
## न्युरोनको मोडेल
|
||||
|
||||
जैविक विज्ञानबाट हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरूबाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (एक्सनहरू) र एक आउटपुट (डेंड्राइट) हुन्छ। एक्सनहरू र डेंड्राइटहरूले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र एक्सनहरू र डेंड्राइटहरू बीचको जडानहरू विभिन्न प्रवाह क्षमताहरू देखाउन सक्छन् (न्युरोमेडिएटरद्वारा नियन्त्रित)।
|
||||
जैविक रूपमा हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरूबाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (एक्सनहरू) र एक आउटपुट (डेंड्राइट) हुन्छ। एक्सनहरू र डेंड्राइटहरूले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र एक्सन र डेंड्राइटहरू बीचको जडानले विभिन्न स्तरको प्रवाह क्षमता देखाउन सक्छ (न्युरोमेडिएटरद्वारा नियन्त्रित)।
|
||||
|
||||
 | 
|
||||
----|----
|
||||
वास्तविक न्युरोन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा छवि)*
|
||||
वास्तविक न्युरोन *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा बनाइएको चित्र)*
|
||||
|
||||
त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X<sub>1</sub>, ..., X<sub>N</sub> र एक आउटपुट Y हुन्छ, र वेटहरूको श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> हुन्छ। आउटपुटलाई निम्न प्रकारले गणना गरिन्छ:
|
||||
त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X<sub>1</sub>, ..., X<sub>N</sub> र एक आउटपुट Y हुन्छ, र वेटहरूको श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> हुन्छ। आउटपुट यसरी गणना गरिन्छ:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
जहाँ f भनेको केही गैर-रेखीय **सक्रियता फलन** हो।
|
||||
जहाँ f केही गैर-रेखीय **सक्रियता फलन (activation function)** हो।
|
||||
|
||||
> न्युरोनको प्रारम्भिक मोडेलहरू १९४३ मा वारेन म्याककलक र वाल्टर पिट्सद्वारा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे।
|
||||
> न्युरोनको प्रारम्भिक मोडेलहरू १९४३ मा वारेन म्याककुलक र वाल्टर पिट्सद्वारा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे।
|
||||
|
||||
## यस खण्डमा
|
||||
|
||||
यस खण्डमा हामी सिक्नेछौं:
|
||||
* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक
|
||||
* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र एक जोडी नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्युरल नेटवर्क फ्रेमवर्कहरू](05-Frameworks/README.md), यी नोटबुकहरूसँग: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) र [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
यस खण्डमा हामी निम्न विषयहरू सिक्नेछौं:
|
||||
* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि सबैभन्दा प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक
|
||||
* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र एक सम्बन्धित नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [न्युरल नेटवर्क फ्रेमवर्कहरू](05-Frameworks/README.md), यी नोटबुकहरूसहित: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) र [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ओभरफिटिङ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T19:45:43+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:34:02+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Zoals we in de introductie hebben besproken, is een van de manieren om intelligentie te bereiken het trainen van een **computermodel** of een **kunstmatig brein**. Sinds het midden van de 20e eeuw hebben onderzoekers verschillende wiskundige modellen geprobeerd, totdat deze richting de afgelopen jaren enorm succesvol bleek te zijn. Dergelijke wiskundige modellen van het brein worden **neurale netwerken** genoemd.
|
||||
|
||||
> Soms worden neurale netwerken *Kunstmatige Neurale Netwerken* genoemd, ANNs, om aan te geven dat we het hebben over modellen en niet over echte netwerken van neuronen.
|
||||
> Soms worden neurale netwerken *Artificial Neural Networks*, ANNs, genoemd om aan te geven dat we het hebben over modellen en niet over echte netwerken van neuronen.
|
||||
|
||||
## Machine Learning
|
||||
|
||||
Neurale netwerken maken deel uit van een bredere discipline genaamd **Machine Learning**, waarvan het doel is om gegevens te gebruiken om computermodellen te trainen die problemen kunnen oplossen. Machine Learning vormt een groot deel van Kunstmatige Intelligentie, maar we behandelen klassieke ML niet in deze leerstof.
|
||||
Neurale netwerken maken deel uit van een bredere discipline genaamd **Machine Learning**, waarvan het doel is om data te gebruiken om computermodellen te trainen die problemen kunnen oplossen. Machine Learning vormt een groot deel van Kunstmatige Intelligentie, maar we behandelen klassieke ML niet in deze leerstof.
|
||||
|
||||
> Bezoek ons aparte **[Machine Learning voor Beginners](http://github.com/microsoft/ml-for-beginners)** curriculum om meer te leren over klassieke Machine Learning.
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Het eenvoudigste wiskundige model van een neuron bevat dus meerdere inputs X<sub
|
|||
|
||||
waarbij f een niet-lineaire **activatiefunctie** is.
|
||||
|
||||
> Vroege modellen van neuronen werden beschreven in het klassieke artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) door Warren McCullock en Walter Pitts in 1943. Donald Hebb stelde in zijn boek "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" een manier voor waarop deze netwerken kunnen worden getraind.
|
||||
> Vroege modellen van neuronen werden beschreven in het klassieke artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) door Warren McCullock en Walter Pitts in 1943. Donald Hebb stelde in zijn boek "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" een manier voor waarop deze netwerken getraind kunnen worden.
|
||||
|
||||
## In deze Sectie
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T15:36:19+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:33:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "no"
|
||||
}
|
||||
|
|
@ -11,52 +11,52 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Som vi diskuterte i introduksjonen, er en av måtene å oppnå intelligens på å trene en **datamodell** eller en **kunstig hjerne**. Siden midten av 1900-tallet har forskere prøvd ulike matematiske modeller, og i de senere år har denne retningen vist seg å være svært vellykket. Slike matematiske modeller av hjernen kalles **nevrale nettverk**.
|
||||
Som vi diskuterte i introduksjonen, er en av måtene å oppnå intelligens på å trene en **datamodell** eller en **kunstig hjerne**. Siden midten av det 20. århundre har forskere prøvd ulike matematiske modeller, og i de senere år har denne retningen vist seg å være svært vellykket. Slike matematiske modeller av hjernen kalles **nevrale nettverk**.
|
||||
|
||||
> Noen ganger kalles nevrale nettverk for *Artificial Neural Networks*, ANNs, for å indikere at vi snakker om modeller, ikke ekte nettverk av nevroner.
|
||||
> Noen ganger kalles nevrale nettverk *Artificial Neural Networks*, ANNs, for å indikere at vi snakker om modeller, ikke ekte nettverk av nevroner.
|
||||
|
||||
## Maskinlæring
|
||||
|
||||
Nevrale nettverk er en del av en større disiplin kalt **Maskinlæring**, som har som mål å bruke data til å trene datamodeller som kan løse problemer. Maskinlæring utgjør en stor del av Kunstig Intelligens, men vi dekker ikke klassisk maskinlæring i dette pensumet.
|
||||
Nevrale nettverk er en del av en større disiplin kalt **Maskinlæring**, som har som mål å bruke data til å trene datamodeller som kan løse problemer. Maskinlæring utgjør en stor del av Kunstig Intelligens, men vi dekker ikke klassisk ML i dette pensumet.
|
||||
|
||||
> Besøk vårt separate **[Maskinlæring for Nybegynnere](http://github.com/microsoft/ml-for-beginners)** pensum for å lære mer om klassisk maskinlæring.
|
||||
> Besøk vårt separate **[Maskinlæring for nybegynnere](http://github.com/microsoft/ml-for-beginners)** pensum for å lære mer om klassisk maskinlæring.
|
||||
|
||||
I maskinlæring antar vi at vi har et datasett med eksempler **X**, og tilsvarende utgangsverdier **Y**. Eksempler er ofte N-dimensjonale vektorer som består av **egenskaper**, og utganger kalles **etiketter**.
|
||||
I maskinlæring antar vi at vi har et datasett med eksempler **X**, og tilsvarende utgangsverdier **Y**. Eksempler er ofte N-dimensjonale vektorer som består av **egenskaper**, og utgangsverdiene kalles **etiketter**.
|
||||
|
||||
Vi vil se på de to vanligste problemene innen maskinlæring:
|
||||
|
||||
* **Klassifisering**, der vi må klassifisere et inngangsobjekt i to eller flere klasser.
|
||||
* **Regresjon**, der vi må forutsi en numerisk verdi for hver av inngangsprøvene.
|
||||
* **Klassifisering**, der vi må klassifisere et innobjekt i to eller flere klasser.
|
||||
* **Regresjon**, der vi må forutsi et numerisk tall for hver av inngangsprøvene.
|
||||
|
||||
> Når vi representerer innganger og utganger som tensorer, er inngangsdataene en matrise av størrelse M×N, hvor M er antall prøver og N er antall egenskaper. Utgangsetiketter Y er en vektor av størrelse M.
|
||||
> Når vi representerer innganger og utganger som tensorer, er inngangsdataene en matrise av størrelse M×N, der M er antall prøver og N er antall egenskaper. Utgangsetiketter Y er en vektor av størrelse M.
|
||||
|
||||
I dette pensumet vil vi kun fokusere på modeller for nevrale nettverk.
|
||||
|
||||
## En Modell av et Nevron
|
||||
## En modell av et nevron
|
||||
|
||||
Fra biologien vet vi at hjernen vår består av nerveceller, hver av dem har flere "innganger" (aksoner) og en utgang (dendritt). Aksoner og dendritter kan lede elektriske signaler, og forbindelser mellom aksoner og dendritter kan ha ulike grader av ledningsevne (styrt av nevromediatorer).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Ekte Nevron *([Bilde](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig Nevron *(Bilde av forfatteren)*
|
||||
Ekte nevron *([Bilde](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig nevron *(Bilde av forfatter)*
|
||||
|
||||
Dermed inneholder den enkleste matematiske modellen av et nevron flere innganger X<sub>1</sub>, ..., X<sub>N</sub> og en utgang Y, samt en serie vekter W<sub>1</sub>, ..., W<sub>N</sub>. En utgang beregnes som:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
hvor f er en ikke-lineær **aktiveringsfunksjon**.
|
||||
der f er en ikke-lineær **aktiveringsfunksjon**.
|
||||
|
||||
> Tidlige modeller av nevroner ble beskrevet i den klassiske artikkelen [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) av Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslo i sin bok "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" hvordan slike nettverk kan trenes.
|
||||
|
||||
## I denne Seksjonen
|
||||
## I denne seksjonen
|
||||
|
||||
I denne seksjonen skal vi lære om:
|
||||
* [Perceptron](03-Perceptron/README.md), en av de tidligste modellene for nevrale nettverk for to-klasse klassifisering
|
||||
* [Flerlagsnettverk](04-OwnFramework/README.md) med en tilhørende notatbok [hvordan bygge vårt eget rammeverk](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Rammeverk for Nevrale Nettverk](05-Frameworks/README.md), med disse notatbøkene: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Rammeverk for nevrale nettverk](05-Frameworks/README.md), med disse notatbøkene: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overtilpasning](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfraskrivelse**:
|
||||
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
|
||||
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:23:26+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:31:06+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "pa"
|
||||
}
|
||||
-->
|
||||
# ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਿਚਯ
|
||||
# ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇ
|
||||
|
||||
|
||||
|
||||
|
||||
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਿਚਯ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਤਰੀਕਾ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ ਇੱਕ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਕਿ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਨਹੀਂ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਅਜਿਹੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
|
||||
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਚੇ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
|
||||
|
||||
> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ* (ANNs) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈੱਟਵਰਕਸ ਦੀ।
|
||||
> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈਟਵਰਕਸ* (ANNs) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈਟਵਰਕਸ ਦੀ।
|
||||
|
||||
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ
|
||||
|
||||
ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ, ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸਦਾ ਮਕਸਦ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ, ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਪਰ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਅਸੀਂ ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ।
|
||||
ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਹੈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਹਾਲਾਂਕਿ, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ।
|
||||
|
||||
> ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡੇ ਵੱਖਰੇ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਨੂੰ ਵੇਖੋ।
|
||||
> ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡਾ ਵੱਖਰਾ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਵੇਖੋ।
|
||||
|
||||
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈੱਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y** ਹਨ। ਉਦਾਹਰਣ ਅਕਸਰ N-ਮਾਪ ਵਾਲੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ, ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲਜ਼** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
|
||||
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y**। ਉਦਾਹਰਣ ਅਕਸਰ N-ਡਾਇਮੈਂਸ਼ਨਲ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਮੂਲਕ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
|
||||
|
||||
ਅਸੀਂ ਦੋ ਸਭ ਤੋਂ ਆਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵੇਖਾਂਗੇ:
|
||||
|
||||
* **ਵਰਗੀਕਰਨ (Classification)**, ਜਿੱਥੇ ਸਾਨੂੰ ਇੱਕ ਇਨਪੁੱਟ ਆਬਜੈਕਟ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਵਰਗਾਂ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨਾ ਹੁੰਦਾ ਹੈ।
|
||||
* **ਰੈਗ੍ਰੈਸ਼ਨ (Regression)**, ਜਿੱਥੇ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ।
|
||||
* **ਕਲਾਸੀਫਿਕੇਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਇਨਪੁੱਟ ਵਸਤੂ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਕਲਾਸਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੁੰਦਾ ਹੈ।
|
||||
* **ਰਿਗ੍ਰੈਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਗਿਣਤੀ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ।
|
||||
|
||||
> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈੱਟ M×N ਮਾਪ ਦੇ ਮੈਟ੍ਰਿਕਸ ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ **Y** M ਮਾਪ ਦੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ।
|
||||
> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰਜ਼ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈਟ M×N ਆਕਾਰ ਦਾ ਮੈਟ੍ਰਿਕਸ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ Y M ਆਕਾਰ ਦਾ ਵੇਕਟਰ ਹੁੰਦਾ ਹੈ।
|
||||
|
||||
ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ।
|
||||
ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ।
|
||||
|
||||
## ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ
|
||||
|
||||
ਜੀਵ ਵਿਗਿਆਨ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲਾਂ ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਈ "ਇਨਪੁੱਟ" (ਐਕਸੋਨ) ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ (ਡੈਂਡਰਾਈਟ) ਹੁੰਦਾ ਹੈ। ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਬਿਜਲਈ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਦੇ ਵਿਚਕਾਰ ਦੇ ਸੰਪਰਕ ਵੱਖ-ਵੱਖ ਪੱਧਰ ਦੀ ਚਾਲਕਤਾ ਦਰਸਾ ਸਕਦੇ ਹਨ (ਜੋ ਨਿਊਰੋਮੀਡੀਏਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ)।
|
||||
ਜੈਵਿਕ ਵਿਗਿਆਨ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲਾਂ ਤੋਂ ਬਣਿਆ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ ਦੇ ਕਈ "ਇਨਪੁੱਟ" (ਐਕਸੋਨ) ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ (ਡੈਂਡਰਾਈਟ) ਹੁੰਦਾ ਹੈ। ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਬਿਜਲੀ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਦੇ ਵਿਚਕਾਰ ਕਨੈਕਸ਼ਨ ਵੱਖ-ਵੱਖ ਡਿਗਰੀਆਂ ਦੀ ਚਾਲਕਤਾ ਦਰਸਾ ਸਕਦੇ ਹਨ (ਜੋ ਨਿਊਰੋਮੀਡੀਏਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ)।
|
||||
|
||||
 | 
|
||||
----|----
|
||||
ਅਸਲ ਨਿਊਰੋਨ *([ਵਿਕੀਪੀਡੀਆ ਤੋਂ ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)*
|
||||
ਅਸਲ ਨਿਊਰੋਨ *([ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ਵਿਕੀਪੀਡੀਆ ਤੋਂ)* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)*
|
||||
|
||||
ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਕਈ ਇਨਪੁੱਟ X<sub>1</sub>, ..., X<sub>N</sub> ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y, ਅਤੇ ਕਈ ਵਜ਼ਨ W<sub>1</sub>, ..., W<sub>N</sub> ਰੱਖਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਇਸ ਤਰ੍ਹਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
|
||||
ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਵਿੱਚ ਕਈ ਇਨਪੁੱਟ X<sub>1</sub>, ..., X<sub>N</sub> ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y ਹੁੰਦਾ ਹੈ, ਅਤੇ ਵਜ਼ਨਾਂ W<sub>1</sub>, ..., W<sub>N</sub> ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖਿਕ **ਸਰਗਰਮੀ ਫੰਕਸ਼ਨ** ਹੈ।
|
||||
ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖੀ **ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ** ਹੈ।
|
||||
|
||||
> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਾਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਦਰਸਾਇਆ ਕਿ ਇਹ ਨੈੱਟਵਰਕਸ ਕਿਵੇਂ ਟ੍ਰੇਨ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
|
||||
> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਇਹ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਕਿ ਇਹ ਨੈਟਵਰਕਸ ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ।
|
||||
|
||||
## ਇਸ ਭਾਗ ਵਿੱਚ
|
||||
|
||||
ਇਸ ਭਾਗ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ:
|
||||
* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਵਰਗ ਵਰਗੀਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ
|
||||
* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈੱਟਵਰਕਸ](04-OwnFramework/README.md) ਅਤੇ ਇਸ ਨਾਲ ਜੁੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਅਤੇ ਇਹ ਨੋਟਬੁੱਕਸ: [ਪਾਈਟਾਰਚ](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [ਕੇਰਾਸ/ਟੈਂਸਰਫਲੋ](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਕਲਾਸ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ
|
||||
* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈਟਵਰਕਸ](04-OwnFramework/README.md) ਨਾਲ ਇੱਕ ਜੋੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [ਨਿਊਰਲ ਨੈਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਇਹਨਾਂ ਨੋਟਬੁੱਕਸ ਨਾਲ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ਓਵਰਫਿਟਿੰਗ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
**ਅਸਵੀਕਰਤਾ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
---
|
||||
|
||||
**ਅਸਵੀਕਾਰਨਾ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
|
|
@ -1,23 +1,23 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T10:39:47+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:32:07+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do sieci neuronowych
|
||||
# Wprowadzenie do Sieci Neuronowych
|
||||
|
||||
|
||||
|
||||
|
||||
Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie **modelu komputerowego** lub **sztucznego mózgu**. Od połowy XX wieku naukowcy próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są **sieciami neuronowymi**.
|
||||
Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie **modelu komputerowego** lub **sztucznego mózgu**. Od połowy XX wieku badacze próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są **sieciami neuronowymi**.
|
||||
|
||||
> Czasami sieci neuronowe nazywane są *Sztucznymi Sieciami Neuronowymi* (Artificial Neural Networks, ANNs), aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów.
|
||||
|
||||
## Uczenie maszynowe
|
||||
## Uczenie Maszynowe
|
||||
|
||||
Sieci neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie maszynowe stanowi dużą część sztucznej inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.
|
||||
Sieci Neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie Maszynowe stanowi dużą część Sztucznej Inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.
|
||||
|
||||
> Odwiedź nasz osobny program nauczania **[Uczenie Maszynowe dla Początkujących](http://github.com/microsoft/ml-for-beginners)**, aby dowiedzieć się więcej o klasycznym uczeniu maszynowym.
|
||||
|
||||
|
|
@ -25,20 +25,20 @@ W uczeniu maszynowym zakładamy, że mamy jakiś zbiór danych przykładów **X*
|
|||
|
||||
Rozważymy dwa najczęstsze problemy uczenia maszynowego:
|
||||
|
||||
* **Klasyfikacja**, gdzie musimy sklasyfikować obiekt wejściowy do dwóch lub więcej klas.
|
||||
* **Klasyfikacja**, gdzie musimy sklasyfikować obiekt wejściowy do jednej z dwóch lub więcej klas.
|
||||
* **Regresja**, gdzie musimy przewidzieć wartość liczbową dla każdego z próbek wejściowych.
|
||||
|
||||
> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe Y są wektorem o rozmiarze M.
|
||||
> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe **Y** są wektorem o rozmiarze M.
|
||||
|
||||
W tym programie nauczania skupimy się wyłącznie na modelach sieci neuronowych.
|
||||
|
||||
## Model neuronu
|
||||
## Model Neuronu
|
||||
|
||||
Z biologii wiemy, że nasz mózg składa się z komórek nerwowych, z których każda ma wiele "wejść" (aksonów) i jedno wyjście (dendryt). Aksony i dendryty mogą przewodzić sygnały elektryczne, a połączenia między aksonami a dendrytami mogą wykazywać różne stopnie przewodności (kontrolowane przez neuromediatory).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Prawdziwy neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny neuron *(Obraz autora)*
|
||||
Prawdziwy Neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny Neuron *(Obraz autora)*
|
||||
|
||||
Najprostszy matematyczny model neuronu zawiera kilka wejść X<sub>1</sub>, ..., X<sub>N</sub> oraz jedno wyjście Y, a także serię wag W<sub>1</sub>, ..., W<sub>N</sub>. Wyjście jest obliczane jako:
|
||||
|
||||
|
|
@ -50,11 +50,13 @@ gdzie f jest pewną nieliniową **funkcją aktywacji**.
|
|||
|
||||
## W tej sekcji
|
||||
|
||||
W tej sekcji dowiemy się o:
|
||||
W tej sekcji nauczymy się o:
|
||||
* [Perceptronie](03-Perceptron/README.md), jednym z najwcześniejszych modeli sieci neuronowych do klasyfikacji dwuklasowej
|
||||
* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z notatnikiem [jak zbudować własny framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworkach sieci neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z notatnikiem [jak zbudować własny framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworkach Sieci Neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Przeuczeniu](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Zastrzeżenie**:
|
||||
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
|
||||
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T09:03:41+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:31:27+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "pt"
|
||||
}
|
||||
-->
|
||||
# Introdução às Redes Neurais
|
||||
# Introdução às Redes Neuronais
|
||||
|
||||
|
||||
|
||||
|
||||
Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem se revelou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**.
|
||||
Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem provou ser extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neuronais**.
|
||||
|
||||
> Às vezes, as redes neurais são chamadas de *Redes Neurais Artificiais*, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
|
||||
> Às vezes, as redes neuronais são chamadas de *Redes Neuronais Artificiais*, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
|
||||
|
||||
## Aprendizagem Automática
|
||||
|
||||
As Redes Neurais fazem parte de uma disciplina mais ampla chamada **Aprendizagem Automática** (Machine Learning), cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial, no entanto, não abordamos a aprendizagem automática clássica neste currículo.
|
||||
As Redes Neuronais fazem parte de uma disciplina maior chamada **Aprendizagem Automática**, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial; no entanto, não abordamos a aprendizagem automática clássica neste currículo.
|
||||
|
||||
> Visite o nosso currículo separado **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre a Aprendizagem Automática clássica.
|
||||
> Visite o nosso currículo separado **[Aprendizagem Automática para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre Aprendizagem Automática clássica.
|
||||
|
||||
Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e os valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
|
||||
Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
|
||||
|
||||
Vamos considerar os dois problemas mais comuns da aprendizagem automática:
|
||||
Consideraremos os dois problemas mais comuns de aprendizagem automática:
|
||||
|
||||
* **Classificação**, onde precisamos classificar um objeto de entrada em duas ou mais classes.
|
||||
* **Regressão**, onde precisamos prever um valor numérico para cada uma das amostras de entrada.
|
||||
|
||||
> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são um vetor de tamanho M.
|
||||
> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são o vetor de tamanho M.
|
||||
|
||||
Neste currículo, focar-nos-emos apenas em modelos de redes neurais.
|
||||
Neste currículo, focaremos apenas em modelos de redes neuronais.
|
||||
|
||||
## Um Modelo de Neurónio
|
||||
|
||||
Sabemos pela biologia que o nosso cérebro é composto por células neuronais, cada uma delas com múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores).
|
||||
Na biologia, sabemos que o nosso cérebro é composto por células neuronais, cada uma delas tendo múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipédia)* | Neurónio Artificial *(Imagem do Autor)*
|
||||
Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurónio Artificial *(Imagem do Autor)*
|
||||
|
||||
Assim, o modelo matemático mais simples de um neurónio contém várias entradas X<sub>1</sub>, ..., X<sub>N</sub> e uma saída Y, além de uma série de pesos W<sub>1</sub>, ..., W<sub>N</sub>. A saída é calculada como:
|
||||
Assim, o modelo matemático mais simples de um neurónio contém várias entradas X<sub>1</sub>, ..., X<sub>N</sub> e uma saída Y, e uma série de pesos W<sub>1</sub>, ..., W<sub>N</sub>. A saída é calculada como:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
onde f é uma **função de ativação** não linear.
|
||||
onde f é alguma **função de ativação** não linear.
|
||||
|
||||
> Os primeiros modelos de neurónio foram descritos no artigo clássico [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) por Warren McCullock e Walter Pitts em 1943. Donald Hebb, no seu livro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propôs uma forma de treinar essas redes.
|
||||
|
||||
## Nesta Secção
|
||||
|
||||
Nesta secção, vamos aprender sobre:
|
||||
* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neurais para classificação de duas classes
|
||||
* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks de Redes Neurais](05-Frameworks/README.md), com os seguintes notebooks: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
Nesta secção, aprenderemos sobre:
|
||||
* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neuronais para classificação de duas classes
|
||||
* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworks de Redes Neuronais](05-Frameworks/README.md), com estes notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Aviso Legal**:
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:42:22+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:36:23+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
|
|
@ -26,13 +26,13 @@ Rețelele neurale fac parte dintr-o disciplină mai largă numită **Învățare
|
|||
Vom analiza cele mai comune două probleme de învățare automată:
|
||||
|
||||
* **Clasificare**, unde trebuie să clasificăm un obiect de intrare în două sau mai multe clase.
|
||||
* **Regresie**, unde trebuie să prezicem un număr numeric pentru fiecare dintre mostrele de intrare.
|
||||
* **Regresie**, unde trebuie să prezicem un număr numeric pentru fiecare dintre exemplele de intrare.
|
||||
|
||||
> Când reprezentăm intrările și ieșirile ca tensori, setul de date de intrare este o matrice de dimensiune M×N, unde M este numărul de mostre și N este numărul de caracteristici. Etichetele de ieșire Y sunt vectorul de dimensiune M.
|
||||
> Când reprezentăm intrările și ieșirile ca tensori, setul de date de intrare este o matrice de dimensiune M×N, unde M este numărul de exemple și N este numărul de caracteristici. Etichetele de ieșire Y sunt vectori de dimensiune M.
|
||||
|
||||
În acest curriculum, ne vom concentra doar pe modelele de rețele neurale.
|
||||
|
||||
## Un Model al unui Neuron
|
||||
## Un Model al Neuronului
|
||||
|
||||
Din biologie știm că creierul nostru este format din celule neuronale, fiecare dintre ele având multiple "intrări" (axoni) și o ieșire (dendrită). Axonii și dendritele pot conduce semnale electrice, iar conexiunile dintre axoni și dendrite pot prezenta diferite grade de conductivitate (controlate de neuromediatori).
|
||||
|
||||
|
|
@ -52,9 +52,11 @@ unde f este o **funcție de activare** neliniară.
|
|||
|
||||
În această secțiune vom învăța despre:
|
||||
* [Perceptron](03-Perceptron/README.md), unul dintre cele mai timpurii modele de rețele neurale pentru clasificarea în două clase
|
||||
* [Rețele multi-stratificate](04-OwnFramework/README.md) cu un notebook asociat [cum să construim propriul nostru framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Framework-uri pentru Rețele Neurale](05-Frameworks/README.md), cu aceste notebook-uri: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) și [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Rețele multi-stratificate](04-OwnFramework/README.md) cu un notebook asociat [cum să construim propriul nostru framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Framework-uri pentru Rețele Neurale](05-Frameworks/README.md), cu aceste notebook-uri: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) și [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Declinare de responsabilitate**:
|
||||
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
|
||||
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T06:46:24+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:27:38+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ru"
|
||||
}
|
||||
|
|
@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Как мы обсуждали во введении, одним из способов достижения интеллекта является обучение **компьютерной модели** или **искусственного мозга**. С середины XX века исследователи пробовали различные математические модели, и только в последние годы этот подход оказался чрезвычайно успешным. Такие математические модели мозга называются **нейронными сетями**.
|
||||
Как мы обсуждали во введении, один из способов достижения интеллекта — это обучение **компьютерной модели** или **искусственного мозга**. С середины XX века исследователи пробовали различные математические модели, и только в последние годы этот подход оказался чрезвычайно успешным. Такие математические модели мозга называются **нейронными сетями**.
|
||||
|
||||
> Иногда нейронные сети называют *Искусственными нейронными сетями* (Artificial Neural Networks, ANNs), чтобы подчеркнуть, что речь идет о моделях, а не о реальных сетях нейронов.
|
||||
|
||||
## Машинное обучение
|
||||
|
||||
Нейронные сети являются частью более широкой дисциплины, называемой **Машинное обучение**, цель которой — использовать данные для обучения компьютерных моделей, способных решать задачи. Машинное обучение составляет значительную часть Искусственного интеллекта, однако в данной программе мы не рассматриваем классическое машинное обучение.
|
||||
Нейронные сети являются частью более широкой дисциплины под названием **Машинное обучение**, цель которой — использовать данные для обучения компьютерных моделей, способных решать задачи. Машинное обучение составляет значительную часть Искусственного интеллекта, однако в данной программе мы не рассматриваем классическое машинное обучение.
|
||||
|
||||
> Ознакомьтесь с нашей отдельной программой **[Машинное обучение для начинающих](http://github.com/microsoft/ml-for-beginners)**, чтобы узнать больше о классическом машинном обучении.
|
||||
|
||||
В машинном обучении предполагается, что у нас есть некоторый набор данных примеров **X** и соответствующие выходные значения **Y**. Примеры часто представляют собой N-мерные векторы, состоящие из **признаков**, а выходные значения называются **метками**.
|
||||
В машинном обучении предполагается, что у нас есть некоторый набор данных примеров **X** и соответствующие значения выходов **Y**. Примеры часто представляют собой N-мерные векторы, состоящие из **признаков**, а выходные значения называются **метками**.
|
||||
|
||||
Мы рассмотрим два наиболее распространенных типа задач машинного обучения:
|
||||
|
||||
* **Классификация**, где необходимо классифицировать входной объект на два или более классов.
|
||||
* **Регрессия**, где необходимо предсказать числовое значение для каждого из входных образцов.
|
||||
* **Регрессия**, где необходимо предсказать числовое значение для каждого из входных примеров.
|
||||
|
||||
> При представлении входных данных и выходов в виде тензоров, входной набор данных — это матрица размером M×N, где M — количество образцов, а N — количество признаков. Выходные метки Y — это вектор размером M.
|
||||
> При представлении входных данных и выходов в виде тензоров входной набор данных — это матрица размера M×N, где M — количество примеров, а N — количество признаков. Выходные метки Y — это вектор размера M.
|
||||
|
||||
В данной программе мы будем сосредоточены только на моделях нейронных сетей.
|
||||
В рамках этой программы мы будем сосредоточены только на моделях нейронных сетей.
|
||||
|
||||
## Модель нейрона
|
||||
|
||||
Из биологии мы знаем, что наш мозг состоит из нейронных клеток, каждая из которых имеет множество "входов" (аксоны) и один выход (дендрит). Аксоны и дендриты могут проводить электрические сигналы, а соединения между аксонами и дендритами могут обладать различной степенью проводимости (управляемой нейромедиаторами).
|
||||
Из биологии мы знаем, что наш мозг состоит из нейронных клеток, каждая из которых имеет множество "входов" (аксонов) и один выход (дендрит). Аксоны и дендриты могут проводить электрические сигналы, а соединения между аксонами и дендритами могут обладать разной степенью проводимости (управляемой нейромедиаторами).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -46,15 +46,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
где f — это некоторая нелинейная **функция активации**.
|
||||
|
||||
> Ранние модели нейрона были описаны в классической статье [Логическое исчисление идей, присущих нервной активности](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Уоррена МакКалока и Уолтера Питтса в 1943 году. Дональд Хебб в своей книге "[Организация поведения: нейропсихологическая теория](https://books.google.com/books?id=VNetYrB8EBoC)" предложил способ обучения таких сетей.
|
||||
> Ранние модели нейронов были описаны в классической статье [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Уоррена МакКаллока и Уолтера Питтса в 1943 году. Дональд Хебб в своей книге "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предложил способ обучения таких сетей.
|
||||
|
||||
## В этом разделе
|
||||
|
||||
В этом разделе мы изучим:
|
||||
* [Перцептрон](03-Perceptron/README.md), одну из первых моделей нейронных сетей для классификации на два класса
|
||||
* [Многослойные сети](04-OwnFramework/README.md) с сопутствующим ноутбуком [как создать собственный фреймворк](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Фреймворки нейронных сетей](05-Frameworks/README.md), с этими ноутбуками: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Многослойные сети](04-OwnFramework/README.md) с сопутствующим ноутбуком [как создать собственный фреймворк](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Фреймворки нейронных сетей](05-Frameworks/README.md), с этими ноутбуками: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Переобучение](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Отказ от ответственности**:
|
||||
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода.
|
||||
Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:42:06+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:36:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "sk"
|
||||
}
|
||||
|
|
@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Ako sme diskutovali v úvode, jedným zo spôsobov, ako dosiahnuť inteligenciu, je trénovať **počítačový model** alebo **umelý mozog**. Od polovice 20. storočia sa výskumníci pokúšali o rôzne matematické modely, až kým sa v posledných rokoch tento smer neukázal ako mimoriadne úspešný. Takéto matematické modely mozgu sa nazývajú **neurónové siete**.
|
||||
Ako sme diskutovali v úvode, jedným zo spôsobov, ako dosiahnuť inteligenciu, je trénovať **počítačový model** alebo **umelý mozog**. Od polovice 20. storočia vedci skúšali rôzne matematické modely, až kým sa v posledných rokoch tento smer neukázal ako mimoriadne úspešný. Takéto matematické modely mozgu sa nazývajú **neurónové siete**.
|
||||
|
||||
> Neurónové siete sa niekedy nazývajú *Umelé neurónové siete*, ANNs, aby sa zdôraznilo, že hovoríme o modeloch, nie o skutočných sieťach neurónov.
|
||||
> Neurónové siete sa niekedy nazývajú *Umelé neurónové siete* (Artificial Neural Networks, ANNs), aby sa zdôraznilo, že hovoríme o modeloch, nie o skutočných sieťach neurónov.
|
||||
|
||||
## Strojové učenie
|
||||
|
||||
Neurónové siete sú súčasťou širšej disciplíny nazývanej **Strojové učenie**, ktorej cieľom je využívať dáta na trénovanie počítačových modelov schopných riešiť problémy. Strojové učenie tvorí veľkú časť umelej inteligencie, avšak v tomto učebnom pláne sa klasickým strojovým učením nezaoberáme.
|
||||
|
||||
> Navštívte náš samostatný **[Strojové učenie pre začiatočníkov](http://github.com/microsoft/ml-for-beginners)** učebný plán, aby ste sa dozvedeli viac o klasickom strojovom učení.
|
||||
> Navštívte náš samostatný učebný plán **[Strojové učenie pre začiatočníkov](http://github.com/microsoft/ml-for-beginners)**, aby ste sa dozvedeli viac o klasickom strojovom učení.
|
||||
|
||||
V strojovom učení predpokladáme, že máme nejakú množinu dát príkladov **X** a zodpovedajúce výstupné hodnoty **Y**. Príklady sú často N-rozmerné vektory, ktoré pozostávajú z **príznakov**, a výstupy sa nazývajú **označenia**.
|
||||
V strojovom učení predpokladáme, že máme nejakú množinu dátových príkladov **X** a zodpovedajúce výstupné hodnoty **Y**. Príklady sú často N-rozmerné vektory, ktoré pozostávajú z **príznakov**, a výstupy sa nazývajú **štítky**.
|
||||
|
||||
Budeme sa zaoberať dvoma najbežnejšími problémami strojového učenia:
|
||||
|
||||
* **Klasifikácia**, kde je potrebné klasifikovať vstupný objekt do dvoch alebo viacerých tried.
|
||||
* **Regresia**, kde je potrebné predpovedať číselnú hodnotu pre každý zo vstupných vzoriek.
|
||||
|
||||
> Pri reprezentácii vstupov a výstupov ako tenzorov je vstupná množina dát matica veľkosti M×N, kde M je počet vzoriek a N je počet príznakov. Výstupné označenia Y sú vektor veľkosti M.
|
||||
> Pri reprezentácii vstupov a výstupov ako tenzorov je vstupná množina dát matica veľkosti M×N, kde M je počet vzoriek a N je počet príznakov. Výstupné štítky Y sú vektor veľkosti M.
|
||||
|
||||
V tomto učebnom pláne sa budeme zameriavať iba na modely neurónových sietí.
|
||||
V tomto učebnom pláne sa budeme sústrediť iba na modely neurónových sietí.
|
||||
|
||||
## Model neurónu
|
||||
|
||||
Z biológie vieme, že náš mozog pozostáva z neurónových buniek, z ktorých každá má viacero "vstupov" (axónov) a jeden výstup (dendrit). Axóny a dendrity môžu prenášať elektrické signály a spojenia medzi axónmi a dendritmi môžu vykazovať rôzne stupne vodivosti (riadené neuromediátormi).
|
||||
Z biológie vieme, že náš mozog pozostáva z neurónových buniek, pričom každá z nich má viacero "vstupov" (axónov) a jeden výstup (dendrit). Axóny a dendrity môžu prenášať elektrické signály a spojenia medzi axónmi a dendritmi môžu vykazovať rôzne stupne vodivosti (riadené neuromediátormi).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -46,15 +46,17 @@ Najjednoduchší matematický model neurónu teda obsahuje niekoľko vstupov X<s
|
|||
|
||||
kde f je nejaká nelineárna **aktivačná funkcia**.
|
||||
|
||||
> Prvé modely neurónov boli opísané v klasickom článku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocka a Waltera Pittsa v roku 1943. Donald Hebb vo svojej knihe "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" navrhol spôsob, akým môžu byť tieto siete trénované.
|
||||
> Prvé modely neurónov boli opísané v klasickom článku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocka a Waltera Pittsa v roku 1943. Donald Hebb vo svojej knihe "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" navrhol spôsob, akým by sa tieto siete mohli trénovať.
|
||||
|
||||
## V tejto sekcii
|
||||
|
||||
V tejto sekcii sa naučíme:
|
||||
* [Perceptron](03-Perceptron/README.md), jeden z najstarších modelov neurónových sietí pre dvojtriednu klasifikáciu
|
||||
* [Viacvrstvové siete](04-OwnFramework/README.md) s priloženým notebookom [ako vytvoriť vlastný framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworky neurónových sietí](05-Frameworks/README.md), s týmito notebookmi: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Viacvrstvové siete](04-OwnFramework/README.md) s priloženým notebookom [ako vytvoriť vlastný framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Frameworky neurónových sietí](05-Frameworks/README.md), s týmito notebookmi: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Upozornenie**:
|
||||
Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
|
||||
Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:43:28+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:37:21+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "sl"
|
||||
}
|
||||
|
|
@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Kot smo razpravljali v uvodu, je eden od načinov za dosego inteligence treniranje **računalniškega modela** ali **umetnih možganov**. Od sredine 20. stoletja so raziskovalci preizkušali različne matematične modele, dokler se v zadnjih letih ta smer ni izkazala za izjemno uspešno. Takšni matematični modeli možganov se imenujejo **nevronske mreže**.
|
||||
Kot smo že omenili v uvodu, je eden od načinov za dosego inteligence treniranje **računalniškega modela** ali **umetnih možganov**. Od sredine 20. stoletja so raziskovalci preizkušali različne matematične modele, dokler se v zadnjih letih ta smer ni izkazala za izjemno uspešno. Takšni matematični modeli možganov se imenujejo **nevronske mreže**.
|
||||
|
||||
> Včasih se nevronske mreže imenujejo *Umetne nevronske mreže* (Artificial Neural Networks, ANNs), da bi poudarili, da govorimo o modelih, ne o resničnih mrežah nevronov.
|
||||
|
||||
|
|
@ -21,7 +21,7 @@ Nevronske mreže so del širše discipline, imenovane **Strojno učenje**, kater
|
|||
|
||||
> Obiščite naš ločen učni načrt **[Strojno učenje za začetnike](http://github.com/microsoft/ml-for-beginners)**, da se naučite več o klasičnem strojnem učenju.
|
||||
|
||||
Pri strojnem učenju predpostavljamo, da imamo nek nabor podatkov primerov **X** in ustrezne izhodne vrednosti **Y**. Primeri so pogosto N-dimenzionalni vektorji, ki vsebujejo **značilnosti**, medtem ko se izhodi imenujejo **oznake**.
|
||||
V strojnem učenju predpostavljamo, da imamo nek nabor podatkov primerov **X** in ustrezne izhodne vrednosti **Y**. Primeri so pogosto N-dimenzionalni vektorji, ki vsebujejo **značilnosti**, medtem ko se izhodi imenujejo **oznake**.
|
||||
|
||||
Obravnavali bomo dve najpogostejši težavi strojnega učenja:
|
||||
|
||||
|
|
@ -34,7 +34,7 @@ V tem učnem načrtu se bomo osredotočili le na modele nevronskih mrež.
|
|||
|
||||
## Model nevrona
|
||||
|
||||
Iz biologije vemo, da naši možgani sestojijo iz nevralnih celic, od katerih ima vsaka več "vhodov" (aksonov) in en izhod (dendrit). Aksoni in dendriti lahko prenašajo električne signale, povezave med aksoni in dendriti pa lahko kažejo različne stopnje prevodnosti (nadzorovane z nevromediatorji).
|
||||
Iz biologije vemo, da naš možgani sestavljajo nevronske celice, od katerih ima vsaka več "vhodov" (aksonov) in en izhod (dendrit). Aksoni in dendriti lahko prenašajo električne signale, povezave med aksoni in dendriti pa lahko kažejo različne stopnje prevodnosti (ki jih nadzorujejo nevromediatorji).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -46,15 +46,17 @@ Tako najpreprostejši matematični model nevrona vsebuje več vhodov X<sub>1</su
|
|||
|
||||
kjer je f neka nelinearna **aktivacijska funkcija**.
|
||||
|
||||
> Zgodnji modeli nevrona so bili opisani v klasičnem članku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) avtorjev Warren McCullock in Walter Pitts leta 1943. Donald Hebb je v svoji knjigi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predlagal način, kako je mogoče te mreže trenirati.
|
||||
> Zgodnji modeli nevrona so bili opisani v klasičnem članku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) avtorjev Warrena McCullocka in Walterja Pittsa leta 1943. Donald Hebb je v svoji knjigi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predlagal način, kako bi te mreže lahko trenirali.
|
||||
|
||||
## V tem poglavju
|
||||
|
||||
V tem poglavju se bomo naučili o:
|
||||
* [Perceptronu](03-Perceptron/README.md), enem najzgodnejših modelov nevronskih mrež za klasifikacijo z dvema razredoma
|
||||
* [Večplastnih mrežah](04-OwnFramework/README.md) z ustreznim zvezkom [kako zgraditi svoj okvir](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Okvirih nevronskih mrež](05-Frameworks/README.md), z naslednjimi zvezki: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) in [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Večplastnih mrežah](04-OwnFramework/README.md) z ustreznim zvezkom [kako zgraditi svoj okvir](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Okvirih nevronskih mrež](05-Frameworks/README.md), z naslednjimi zvezki: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) in [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Prenaučenju](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Omejitev odgovornosti**:
|
||||
Ta dokument je bil preveden z uporabo storitve AI za prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku naj se šteje za avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
|
||||
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:42:58+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:36:50+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "sr"
|
||||
}
|
||||
|
|
@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Као што смо разговарали у уводу, један од начина да се постигне интелигенција је да се обучи **рачунарски модел** или **вештачки мозак**. Од средине 20. века, истраживачи су испробавали различите математичке моделе, све док се у последњим годинама овај правац није показао као изузетно успешан. Такви математички модели мозга називају се **неуронске мреже**.
|
||||
Као што смо поменули у уводу, један од начина да се постигне интелигенција је тренирање **рачунарског модела** или **вештачког мозга**. Од средине 20. века, истраживачи су испробавали различите математичке моделе, све док се у последњим годинама овај правац није показао изузетно успешним. Такви математички модели мозга називају се **неуронске мреже**.
|
||||
|
||||
> Понекад се неуронске мреже називају *вештачке неуронске мреже* (Artificial Neural Networks, ANNs), како би се нагласило да говоримо о моделима, а не о стварним мрежама неурона.
|
||||
|
||||
## Машинско учење
|
||||
|
||||
Неуронске мреже су део шире дисциплине која се зове **машинско учење**, чији је циљ да се користе подаци за обуку рачунарских модела који могу да решавају проблеме. Машинско учење чини велики део вештачке интелигенције, међутим, у овом курикулуму не покривамо класично машинско учење.
|
||||
Неуронске мреже су део шире дисциплине која се зове **машинско учење**, чији је циљ коришћење података за тренирање рачунарских модела који могу да решавају проблеме. Машинско учење чини велики део вештачке интелигенције, али у овом курикулуму не покривамо класично машинско учење.
|
||||
|
||||
> Посетите наш посебан **[Машинско учење за почетнике](http://github.com/microsoft/ml-for-beginners)** курикулум да бисте сазнали више о класичном машинском учењу.
|
||||
> Погледајте наш посебан курикулум **[Машинско учење за почетнике](http://github.com/microsoft/ml-for-beginners)** како бисте сазнали више о класичном машинском учењу.
|
||||
|
||||
У машинском учењу претпостављамо да имамо неки скуп података са примерима **X** и одговарајућим излазним вредностима **Y**. Примери су често N-димензионални вектори који се састоје од **карактеристика**, а излазне вредности се називају **ознаке**.
|
||||
У машинском учењу претпостављамо да имамо неки скуп података са примерима **X** и одговарајућим излазним вредностима **Y**. Примери су често N-димензионални вектори који се састоје од **карактеристика**, а излази се називају **ознаке**.
|
||||
|
||||
Разматраћемо два најчешћа проблема машинског учења:
|
||||
|
||||
* **Класификација**, где треба да класификујемо улазни објекат у две или више класа.
|
||||
* **Регресија**, где треба да предвидимо нумеричку вредност за сваки од улазних узорака.
|
||||
* **Класификација**, где је потребно класификовати улазни објекат у две или више класа.
|
||||
* **Регресија**, где је потребно предвидети нумеричку вредност за сваки од улазних узорака.
|
||||
|
||||
> Када представљамо улазе и излазе као тензоре, улазни скуп података је матрица величине M×N, где је M број узорака, а N број карактеристика. Излазне ознаке Y су вектор величине M.
|
||||
|
||||
У овом курикулуму фокусираћемо се само на моделе неуронских мрежа.
|
||||
У овом курикулуму фокусираћемо се искључиво на моделе неуронских мрежа.
|
||||
|
||||
## Модел неурона
|
||||
|
||||
Из биологије знамо да наш мозак састоји се од неуронских ћелија, од којих свака има више "улаза" (аксона) и један излаз (дендрит). Аксони и дендрити могу проводити електричне сигнале, а везе између аксона и дендрита могу показивати различите степене проводљивости (које контролишу неуромедијатори).
|
||||
Из биологије знамо да наш мозак састоји од неуронских ћелија, од којих свака има више "улаза" (аксона) и један излаз (дендрит). Аксони и дендрити могу проводити електричне сигнале, а везе између аксона и дендрита могу имати различите степене проводљивости (који су контролисани неуромедијаторима).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -46,15 +46,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
где је f нека нелинеарна **активациона функција**.
|
||||
|
||||
> Рани модели неурона описани су у класичном раду [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) од стране Ворена Макалока и Волтера Питса 1943. године. Доналд Хеб је у својој књизи "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предложио начин на који се те мреже могу обучавати.
|
||||
> Рани модели неурона описани су у класичном раду [Логички рачун идеја иманентних нервној активности](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) аутора Ворена Макалока и Волтера Питса из 1943. године. Доналд Хеб је у својој књизи "[Организација понашања: Неуропсихолошка теорија](https://books.google.com/books?id=VNetYrB8EBoC)" предложио начин на који се те мреже могу тренирати.
|
||||
|
||||
## У овом делу
|
||||
## У овом одељку
|
||||
|
||||
У овом делу ћемо научити о:
|
||||
У овом одељку ћемо научити о:
|
||||
* [Перцептрону](03-Perceptron/README.md), једном од најранијих модела неуронских мрежа за класификацију са две класе
|
||||
* [Мрежама са више слојева](04-OwnFramework/README.md) уз пратећу свеску [како направити сопствени оквир](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Оквирима за неуронске мреже](05-Frameworks/README.md), уз ове свеске: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Прекомерно прилагођавање](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
* [Мрежама са више слојева](04-OwnFramework/README.md) са пратећим нотебуком [како изградити сопствени оквир](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Оквирима за неуронске мреже](05-Frameworks/README.md), са овим нотебуцима: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Претераном прилагођавању](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Одрицање од одговорности**:
|
||||
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.
|
||||
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T15:35:48+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:33:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "sv"
|
||||
}
|
||||
|
|
@ -11,36 +11,36 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Som vi diskuterade i introduktionen är ett av sätten att uppnå intelligens att träna en **datormodell** eller en **artificiell hjärna**. Sedan mitten av 1900-talet har forskare testat olika matematiska modeller, och på senare år har denna riktning visat sig vara mycket framgångsrik. Sådana matematiska modeller av hjärnan kallas **neurala nätverk**.
|
||||
Som vi diskuterade i introduktionen är ett sätt att uppnå intelligens att träna en **datormodell** eller en **artificiell hjärna**. Sedan mitten av 1900-talet har forskare testat olika matematiska modeller, och under de senaste åren har denna riktning visat sig vara mycket framgångsrik. Sådana matematiska modeller av hjärnan kallas **neurala nätverk**.
|
||||
|
||||
> Ibland kallas neurala nätverk för *Artificiella Neurala Nätverk*, ANNs, för att tydliggöra att vi pratar om modeller och inte om verkliga nätverk av neuroner.
|
||||
|
||||
## Maskininlärning
|
||||
|
||||
Neurala nätverk är en del av en större disciplin som kallas **Maskininlärning**, vars mål är att använda data för att träna datormodeller som kan lösa problem. Maskininlärning utgör en stor del av Artificiell Intelligens, men vi täcker inte klassisk ML i detta läroplan.
|
||||
Neurala nätverk är en del av en större disciplin som kallas **Maskininlärning**, vars mål är att använda data för att träna datormodeller som kan lösa problem. Maskininlärning utgör en stor del av artificiell intelligens, men vi täcker inte klassisk maskininlärning i detta läroplan.
|
||||
|
||||
> Besök vår separata **[Maskininlärning för nybörjare](http://github.com/microsoft/ml-for-beginners)** läroplan för att lära dig mer om klassisk maskininlärning.
|
||||
|
||||
Inom maskininlärning antar vi att vi har en dataset med exempel **X**, och motsvarande utvärden **Y**. Exempel är ofta N-dimensionella vektorer som består av **egenskaper**, och utvärden kallas **etiketter**.
|
||||
Inom maskininlärning antar vi att vi har en dataset med exempel **X** och motsvarande utgångsvärden **Y**. Exempel är ofta N-dimensionella vektorer som består av **egenskaper**, och utgångsvärden kallas **etiketter**.
|
||||
|
||||
Vi kommer att titta på de två vanligaste problemen inom maskininlärning:
|
||||
|
||||
* **Klassificering**, där vi behöver klassificera ett indataobjekt i två eller fler klasser.
|
||||
* **Regression**, där vi behöver förutsäga ett numeriskt värde för varje indataexempel.
|
||||
* **Klassificering**, där vi behöver klassificera ett inmatningsobjekt i två eller fler klasser.
|
||||
* **Regression**, där vi behöver förutsäga ett numeriskt värde för varje inmatningsprov.
|
||||
|
||||
> När vi representerar indata och utdata som tensorer är datasetet för indata en matris av storlek M×N, där M är antalet exempel och N är antalet egenskaper. Utdataetiketter Y är en vektor av storlek M.
|
||||
> När vi representerar inmatningar och utgångar som tensorer är datasetet för inmatning en matris av storlek M×N, där M är antalet prover och N är antalet egenskaper. Utgångsetiketter Y är en vektor av storlek M.
|
||||
|
||||
I denna läroplan kommer vi endast att fokusera på modeller för neurala nätverk.
|
||||
|
||||
## En modell av en neuron
|
||||
|
||||
Från biologin vet vi att vår hjärna består av nervceller, var och en med flera "indata" (axoner) och en utdata (dendrit). Axoner och dendriter kan leda elektriska signaler, och kopplingarna mellan axoner och dendriter kan ha olika grad av ledningsförmåga (styrt av neurotransmittorer).
|
||||
Från biologin vet vi att vår hjärna består av nervceller, var och en med flera "inmatningar" (axoner) och en utgång (dendrit). Axoner och dendriter kan leda elektriska signaler, och kopplingarna mellan axoner och dendriter kan ha olika grad av ledningsförmåga (styrt av neurotransmittorer).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Verklig Neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) från Wikipedia)* | Artificiell Neuron *(Bild av författaren)*
|
||||
Verklig neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) från Wikipedia)* | Artificiell neuron *(Bild av författaren)*
|
||||
|
||||
Således innehåller den enklaste matematiska modellen av en neuron flera indata X<sub>1</sub>, ..., X<sub>N</sub> och en utdata Y, samt en serie vikter W<sub>1</sub>, ..., W<sub>N</sub>. Utdatan beräknas som:
|
||||
Således innehåller den enklaste matematiska modellen av en neuron flera inmatningar X<sub>1</sub>, ..., X<sub>N</sub> och en utgång Y, samt en serie vikter W<sub>1</sub>, ..., W<sub>N</sub>. Utgången beräknas som:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
|
|
@ -52,11 +52,11 @@ där f är någon icke-linjär **aktiveringsfunktion**.
|
|||
|
||||
I denna sektion kommer vi att lära oss om:
|
||||
* [Perceptron](03-Perceptron/README.md), en av de tidigaste modellerna för neurala nätverk för tvåklassklassificering
|
||||
* [Flerlagers nätverk](04-OwnFramework/README.md) med en tillhörande notebook [hur man bygger vårt eget ramverk](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Flerlagers nätverk](04-OwnFramework/README.md) med en tillhörande notebook [hur man bygger sitt eget ramverk](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Ramverk för neurala nätverk](05-Frameworks/README.md), med dessa notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) och [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Överanpassning](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfriskrivning**:
|
||||
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.
|
||||
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T20:59:56+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:35:23+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "sw"
|
||||
}
|
||||
|
|
@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
Kama tulivyojadili katika utangulizi, mojawapo ya njia za kufanikisha akili ni kufundisha **mfano wa kompyuta** au **ubongo wa bandia**. Tangu katikati ya karne ya 20, watafiti walijaribu mifano mbalimbali ya kihesabu, hadi miaka ya hivi karibuni ambapo mwelekeo huu ulithibitishwa kuwa na mafanikio makubwa. Mifano hii ya kihesabu ya ubongo inaitwa **mitandao ya neural**.
|
||||
Kama tulivyojadili katika utangulizi, mojawapo ya njia za kufanikisha akili ni kufundisha **mfano wa kompyuta** au **ubongo wa bandia**. Tangu katikati ya karne ya 20, watafiti walijaribu mifano mbalimbali ya kihesabu, hadi miaka ya hivi karibuni ambapo mwelekeo huu ulithibitisha kuwa na mafanikio makubwa. Mifano hii ya kihesabu ya ubongo inaitwa **mitandao ya neural**.
|
||||
|
||||
> Wakati mwingine mitandao ya neural huitwa *Mitandao ya Neural ya Bandia*, ANNs, ili kuonyesha kwamba tunazungumzia mifano, si mitandao halisi ya neurons.
|
||||
|
||||
|
|
@ -34,7 +34,7 @@ Katika mtaala huu, tutazingatia tu mifano ya mitandao ya neural.
|
|||
|
||||
## Mfano wa Neuron
|
||||
|
||||
Kutoka kwa biolojia tunajua kwamba ubongo wetu unajumuisha seli za neural, kila moja ikiwa na "pembejeo" nyingi (axons), na matokeo (dendrite). Axons na dendrites zinaweza kusafirisha ishara za umeme, na miunganisho kati ya axons na dendrites inaweza kuonyesha viwango tofauti vya usafirishaji (inayodhibitiwa na neuromediators).
|
||||
Kutoka kwa biolojia tunajua kwamba ubongo wetu unajumuisha seli za neural, kila moja ikiwa na "pembejeo" nyingi (axons), na matokeo (dendrite). Axons na dendrites zinaweza kuendesha ishara za umeme, na miunganisho kati ya axons na dendrites inaweza kuonyesha viwango tofauti vya upitishaji (vinavyodhibitiwa na neuromediators).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -52,9 +52,11 @@ ambapo f ni **kazi ya uanzishaji** isiyo ya mstari.
|
|||
|
||||
Katika sehemu hii tutajifunza kuhusu:
|
||||
* [Perceptron](03-Perceptron/README.md), mojawapo ya mifano ya awali ya mitandao ya neural kwa uainishaji wa darasa mbili
|
||||
* [Mitandao ya Tabaka Nyingi](04-OwnFramework/README.md) na daftari lililoambatanishwa [jinsi ya kujenga mfumo wetu wenyewe](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Mifumo ya Mitandao ya Neural](05-Frameworks/README.md), na daftari hizi: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) na [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Mitandao ya Tabaka Nyingi](04-OwnFramework/README.md) na daftari lililopangwa [jinsi ya kujenga mfumo wetu wenyewe](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Mifumo ya Mitandao ya Neural](05-Frameworks/README.md), na daftari hizi: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) na [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Kanusho**:
|
||||
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asilia katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
|
||||
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutokuelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
|
||||
|
|
@ -1,62 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-29T09:07:27+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:32:53+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "th"
|
||||
}
|
||||
-->
|
||||
# บทนำสู่โครงข่ายประสาทเทียม
|
||||
# การแนะนำเกี่ยวกับเครือข่ายประสาทเทียม
|
||||
|
||||
|
||||
|
||||
|
||||
ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีการที่จะทำให้เกิดความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา แนวทางนี้ได้พิสูจน์แล้วว่าประสบความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **โครงข่ายประสาทเทียม**
|
||||
ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีที่จะสร้างความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา ทิศทางนี้ได้พิสูจน์ให้เห็นถึงความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **เครือข่ายประสาทเทียม**
|
||||
|
||||
> บางครั้งโครงข่ายประสาทเทียมถูกเรียกว่า *Artificial Neural Networks* หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ
|
||||
> บางครั้งเครือข่ายประสาทเทียมถูกเรียกว่า *Artificial Neural Networks* หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ
|
||||
|
||||
## การเรียนรู้ของเครื่อง
|
||||
|
||||
โครงข่ายประสาทเทียมเป็นส่วนหนึ่งของสาขาที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง (Machine Learning)** ซึ่งมีเป้าหมายเพื่อใช้ข้อมูลในการฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องถือเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม ในหลักสูตรนี้เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิม
|
||||
เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของศาสตร์ที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง** ซึ่งมีเป้าหมายในการใช้ข้อมูลเพื่อฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิมในหลักสูตรนี้
|
||||
|
||||
> เยี่ยมชมหลักสูตร **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบดั้งเดิม
|
||||
|
||||
ในกระบวนการเรียนรู้ของเครื่อง เราจะสมมติว่ามีชุดข้อมูลตัวอย่าง **X** และค่าผลลัพธ์ที่สอดคล้องกัน **Y** ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย **คุณลักษณะ (features)** และผลลัพธ์เรียกว่า **ป้ายกำกับ (labels)**
|
||||
ในการเรียนรู้ของเครื่อง เราสมมติว่าเรามีชุดข้อมูลตัวอย่าง **X** และค่าผลลัพธ์ที่สอดคล้องกัน **Y** ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย **คุณลักษณะ** และผลลัพธ์เรียกว่า **ป้ายกำกับ**
|
||||
|
||||
เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบบ่อยที่สุดสองประเภท:
|
||||
เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบได้บ่อยที่สุดสองประเภท:
|
||||
|
||||
* **การจัดประเภท (Classification)** ซึ่งเราต้องจัดประเภทวัตถุอินพุตให้อยู่ในสองหรือมากกว่าสองคลาส
|
||||
* **การถดถอย (Regression)** ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างอินพุต
|
||||
* **การจำแนกประเภท** ซึ่งเราต้องจัดประเภทวัตถุที่ป้อนเข้าไปในสองหรือมากกว่าสองกลุ่ม
|
||||
* **การถดถอย** ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างที่ป้อนเข้าไป
|
||||
|
||||
> เมื่อแสดงอินพุตและผลลัพธ์ในรูปแบบเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ **Y** จะเป็นเวกเตอร์ขนาด M
|
||||
> เมื่อแสดงอินพุตและเอาต์พุตเป็นเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M
|
||||
|
||||
ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลโครงข่ายประสาทเทียม
|
||||
ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลเครือข่ายประสาทเทียมเท่านั้น
|
||||
|
||||
## โมเดลของเซลล์ประสาท
|
||||
|
||||
จากชีววิทยา เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงค่าการนำไฟฟ้าที่แตกต่างกันได้ (ควบคุมโดยสารสื่อประสาท)
|
||||
จากชีววิทยา เรารู้ว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงระดับการนำไฟฟ้าที่แตกต่างกัน (ควบคุมโดยสารสื่อประสาท)
|
||||
|
||||
 | 
|
||||
----|----
|
||||
เซลล์ประสาทจริง *([ภาพ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) จาก Wikipedia)* | เซลล์ประสาทเทียม *(ภาพโดยผู้เขียน)*
|
||||
|
||||
ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X<sub>1</sub>, ..., X<sub>N</sub> และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W<sub>1</sub>, ..., W<sub>N</sub> เอาต์พุตจะถูกคำนวณดังนี้:
|
||||
ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X<sub>1</sub>, ..., X<sub>N</sub> และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W<sub>1</sub>, ..., W<sub>N</sub> เอาต์พุตจะถูกคำนวณเป็น:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
โดยที่ f คือ **ฟังก์ชันกระตุ้น (activation function)** ที่ไม่เป็นเชิงเส้น
|
||||
โดยที่ f คือ **ฟังก์ชันการกระตุ้น** ที่ไม่เป็นเชิงเส้น
|
||||
|
||||
> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในบทความคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีการฝึกเครือข่ายเหล่านี้
|
||||
> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในเอกสารคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีที่เครือข่ายเหล่านี้สามารถถูกฝึกได้
|
||||
|
||||
## ในส่วนนี้
|
||||
|
||||
ในส่วนนี้เราจะเรียนรู้เกี่ยวกับ:
|
||||
* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลโครงข่ายประสาทเทียมยุคแรกสำหรับการจัดประเภทสองคลาส
|
||||
* [เครือข่ายหลายชั้น](04-OwnFramework/README.md) พร้อมกับสมุดบันทึก [วิธีสร้างเฟรมเวิร์กของเราเอง](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [เฟรมเวิร์กโครงข่ายประสาทเทียม](05-Frameworks/README.md) พร้อมสมุดบันทึกเหล่านี้: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) และ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลเครือข่ายประสาทเทียมยุคแรกสำหรับการจำแนกประเภทสองกลุ่ม
|
||||
* [เครือข่ายหลายชั้น](04-OwnFramework/README.md) พร้อมกับโน้ตบุ๊ก [วิธีสร้างเฟรมเวิร์คของเราเอง](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [เฟรมเวิร์คเครือข่ายประสาทเทียม](05-Frameworks/README.md) พร้อมกับโน้ตบุ๊กเหล่านี้: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) และ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**ข้อจำกัดความรับผิดชอบ**:
|
||||
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้
|
||||
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้
|
||||
|
|
@ -1,44 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-28T02:37:28+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:35:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "tl"
|
||||
}
|
||||
-->
|
||||
# Panimula sa Neural Networks
|
||||
|
||||
|
||||
|
||||
|
||||
Tulad ng tinalakay natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng kompyuter** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-matagumpay. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**.
|
||||
Tulad ng napag-usapan natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng computer** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-epektibo. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**.
|
||||
|
||||
> Minsan ang neural networks ay tinatawag na *Artificial Neural Networks* o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang totoong mga network ng neurons.
|
||||
> Minsan ang neural networks ay tinatawag na *Artificial Neural Networks* o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang tunay na mga network ng neurons.
|
||||
|
||||
## Machine Learning
|
||||
|
||||
Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na **Machine Learning**, na ang layunin ay gamitin ang datos upang sanayin ang mga modelo ng kompyuter na kayang lutasin ang mga problema. Ang Machine Learning ay bumubuo ng malaking bahagi ng Artificial Intelligence, subalit, hindi natin tatalakayin ang klasikong ML sa kurikulum na ito.
|
||||
Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na **Machine Learning**, na ang layunin ay gamitin ang datos upang sanayin ang mga modelo ng computer na kayang lutasin ang mga problema. Ang Machine Learning ay bumubuo ng malaking bahagi ng Artificial Intelligence, gayunpaman, hindi natin saklaw ang klasikong ML sa kurikulum na ito.
|
||||
|
||||
> Bisitahin ang aming hiwalay na **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** na kurikulum upang matuto pa tungkol sa klasikong Machine Learning.
|
||||
|
||||
Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay madalas na N-dimensional na mga vector na binubuo ng mga **features**, at ang mga output ay tinatawag na **labels**.
|
||||
Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay kadalasang N-dimensional na vectors na binubuo ng **features**, at ang mga output ay tinatawag na **labels**.
|
||||
|
||||
Tatalakayin natin ang dalawang pinakakaraniwang problema sa machine learning:
|
||||
|
||||
* **Classification**, kung saan kailangan nating uriin ang isang input na bagay sa dalawa o higit pang mga klase.
|
||||
* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input na halimbawa.
|
||||
* **Classification**, kung saan kailangan nating uriin ang isang input object sa dalawa o higit pang klase.
|
||||
* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input sample.
|
||||
|
||||
> Kapag kinakatawan ang mga input at output bilang tensors, ang input dataset ay isang matriks na may sukat na M×N, kung saan ang M ay ang bilang ng mga halimbawa at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M.
|
||||
> Kapag kinakatawan ang mga inputs at outputs bilang tensors, ang input dataset ay isang matrix na may sukat na M×N, kung saan ang M ay ang bilang ng mga sample at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M.
|
||||
|
||||
Sa kurikulum na ito, magpopokus lamang tayo sa mga modelo ng neural network.
|
||||
|
||||
## Isang Modelo ng Neuron
|
||||
## Modelo ng Isang Neuron
|
||||
|
||||
Mula sa biyolohiya, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng mga neuromediator).
|
||||
Mula sa biology, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng neuromediators).
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Totoong Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) mula sa Wikipedia)* | Artipisyal na Neuron *(Larawan ng May-akda)*
|
||||
Tunay na Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) mula sa Wikipedia)* | Artipisyal na Neuron *(Larawan ng May-akda)*
|
||||
|
||||
Kaya, ang pinakasimpleng matematikal na modelo ng isang neuron ay naglalaman ng ilang inputs X<sub>1</sub>, ..., X<sub>N</sub> at isang output Y, at isang serye ng mga weights W<sub>1</sub>, ..., W<sub>N</sub>. Ang output ay kinakalkula bilang:
|
||||
|
||||
|
|
@ -50,13 +50,13 @@ kung saan ang f ay isang non-linear na **activation function**.
|
|||
|
||||
## Sa Seksyong Ito
|
||||
|
||||
Sa seksyong ito, matututuhan natin ang tungkol sa:
|
||||
Sa seksyong ito, matututo tayo tungkol sa:
|
||||
* [Perceptron](03-Perceptron/README.md), isa sa mga pinakaunang modelo ng neural network para sa two-class classification
|
||||
* [Multi-layered networks](04-OwnFramework/README.md) na may kasamang notebook [kung paano bumuo ng sarili nating framework](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md), na may mga sumusunod na notebook: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Neural Network Frameworks](05-Frameworks/README.md), na may mga notebook na ito: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Paunawa**:
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.
|
||||
|
|
@ -1,60 +1,62 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T07:34:01+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:32:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "tr"
|
||||
}
|
||||
-->
|
||||
# Sinir Ağlarına Giriş
|
||||
|
||||
|
||||
|
||||
|
||||
Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmektir. 20. yüzyılın ortalarından itibaren, araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşımın büyük ölçüde başarılı olduğu kanıtlandı. Beynin bu tür matematiksel modellerine **sinir ağları** denir.
|
||||
Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmekten geçer. 20. yüzyılın ortalarından itibaren araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşım büyük ölçüde başarılı oldu. Beynin bu tür matematiksel modellerine **sinir ağları** denir.
|
||||
|
||||
> Bazen sinir ağlarına *Yapay Sinir Ağları* (Artificial Neural Networks, ANNs) denir, bu şekilde gerçek nöron ağlarından değil, modellerden bahsedildiği belirtilir.
|
||||
> Bazen sinir ağlarına *Yapay Sinir Ağları* (Artificial Neural Networks, ANNs) denir, böylece gerçek nöron ağlarından değil, modellerden bahsettiğimiz anlaşılır.
|
||||
|
||||
## Makine Öğrenimi
|
||||
|
||||
Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Bu disiplinin amacı, problemleri çözebilen bilgisayar modellerini eğitmek için verileri kullanmaktır. Makine Öğrenimi, Yapay Zekanın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik Makine Öğrenimi konularını ele almıyoruz.
|
||||
Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Makine Öğrenimi'nin amacı, verileri kullanarak problemleri çözebilen bilgisayar modelleri eğitmektir. Makine Öğrenimi, Yapay Zeka'nın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik Makine Öğrenimi'ni ele almıyoruz.
|
||||
|
||||
> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Makine Öğrenimi Başlangıç Rehberi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz.
|
||||
> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Başlangıç Seviyesi için Makine Öğrenimi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz.
|
||||
|
||||
Makine Öğreniminde, elimizde bazı örneklerden oluşan bir veri kümesi **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir.
|
||||
Makine Öğrenimi'nde, elimizde bazı örneklerden oluşan bir veri seti **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir.
|
||||
|
||||
En yaygın iki makine öğrenimi problemini ele alacağız:
|
||||
|
||||
* **Sınıflandırma**, burada bir giriş nesnesini iki veya daha fazla sınıfa ayırmamız gerekir.
|
||||
* **Regresyon**, burada her bir giriş örneği için sayısal bir değer tahmin etmemiz gerekir.
|
||||
* **Regresyon**, burada her bir giriş örneği için bir sayısal değer tahmin etmemiz gerekir.
|
||||
|
||||
> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri kümesi M×N boyutunda bir matristir; burada M örnek sayısını, N ise özellik sayısını ifade eder. Çıktı etiketleri **Y**, M boyutunda bir vektördür.
|
||||
> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri seti M×N boyutunda bir matristir; burada M örnek sayısını ve N özellik sayısını ifade eder. Çıkış etiketleri **Y**, M boyutunda bir vektördür.
|
||||
|
||||
Bu müfredatta yalnızca sinir ağı modellerine odaklanacağız.
|
||||
|
||||
## Bir Nöron Modeli
|
||||
|
||||
Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (akson) ve bir "çıkışa" (dendrit) sahip nöral hücrelerden oluşur. Aksonlar ve dendritler elektrik sinyalleri iletebilir ve aksonlar ile dendritler arasındaki bağlantılar, farklı iletkenlik dereceleri gösterebilir (nöromediyatörler tarafından kontrol edilir).
|
||||
Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (akson) ve bir çıkışa (dendrit) sahip olan sinir hücrelerinden oluşur. Aksonlar ve dendritler elektrik sinyalleri iletebilir ve aksonlar ile dendritler arasındaki bağlantılar farklı iletkenlik dereceleri gösterebilir (nöromediyatörler tarafından kontrol edilir).
|
||||
|
||||
 | 
|
||||
----|----
|
||||
Gerçek Nöron *([Görsel](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia'dan)* | Yapay Nöron *(Yazarın Görseli)*
|
||||
Gerçek Nöron *([Wikipedia'dan Görsel](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | Yapay Nöron *(Yazarın Görseli)*
|
||||
|
||||
Dolayısıyla, bir nöronun en basit matematiksel modeli, birkaç giriş **X<sub>1</sub>, ..., X<sub>N</sub>** ve bir çıkış **Y**, ayrıca bir dizi ağırlık **W<sub>1</sub>, ..., W<sub>N</sub>** içerir. Çıkış şu şekilde hesaplanır:
|
||||
Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş **X<sub>1</sub>, ..., X<sub>N</sub>** ve bir çıkış **Y** ile bir dizi ağırlık **W<sub>1</sub>, ..., W<sub>N</sub>** içerir. Çıkış şu şekilde hesaplanır:
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
burada **f**, bazı doğrusal olmayan **aktivasyon fonksiyonudur**.
|
||||
|
||||
> Nöronun erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943'te yazılan klasik makale [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)'de tanımlanmıştır. Donald Hebb, "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir.
|
||||
> Nöronun erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943 yılında yazılan klasik makale [Sinirsel Aktivitede İçkin Fikirlerin Mantıksal Hesaplaması](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) içinde tanımlanmıştır. Donald Hebb, "[Davranışın Organizasyonu: Bir Nöropsikolojik Teori](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir.
|
||||
|
||||
## Bu Bölümde
|
||||
|
||||
Bu bölümde şunları öğreneceğiz:
|
||||
* [Perceptron](03-Perceptron/README.md), iki sınıflı sınıflandırma için en erken sinir ağı modellerinden biri
|
||||
* [Çok katmanlı ağlar](04-OwnFramework/README.md) ve eşlik eden defter [kendi çerçevemizi nasıl oluştururuz](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Sinir Ağı Çerçeveleri](05-Frameworks/README.md), şu defterlerle: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) ve [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Çok Katmanlı Ağlar](04-OwnFramework/README.md) ve eşlik eden not defteri [kendi çerçevemizi nasıl oluştururuz](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Sinir Ağı Çerçeveleri](05-Frameworks/README.md), şu not defterleriyle: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ve [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Aşırı Uyum](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Feragatname**:
|
||||
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.
|
||||
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T22:07:36+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:29:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "tw"
|
||||
}
|
||||
|
|
@ -11,34 +11,34 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網路**。
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
|
||||
|
||||
> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。
|
||||
> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而非真實的神經元網路。
|
||||
|
||||
## 機器學習
|
||||
|
||||
神經網路屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的一大部分，但我們在這份課程中不會涵蓋傳統的機器學習。
|
||||
神經網路屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。
|
||||
|
||||
> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
|
||||
> 請參考我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
|
||||
|
||||
在機器學習中，我們假設有一些例子數據集 **X** 和相應的輸出值 **Y**。例子通常是由**特徵**組成的 N 維向量，而輸出被稱為**標籤**。
|
||||
|
||||
我們將探討兩種最常見的機器學習問題：
|
||||
|
||||
* **分類**，我們需要將輸入對象分類到兩個或多個類別中。
|
||||
* **回歸**，我們需要為每個輸入樣本預測一個數值。
|
||||
* **分類**，需要將輸入對象分類到兩個或多個類別中。
|
||||
* **回歸**，需要為每個輸入樣本預測一個數值。
|
||||
|
||||
> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。
|
||||
|
||||
在這份課程中，我們將只專注於神經網路模型。
|
||||
在這份課程中，我們將僅專注於神經網路模型。
|
||||
|
||||
## 神經元的模型
|
||||
|
||||
從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞都有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突和樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供的圖片）*
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
|
||||
|
||||
因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
|
||||
|
|
@ -46,15 +46,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
其中 f 是某種非線性的**激活函數**。
|
||||
|
||||
> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網路的訓練方法。
|
||||
> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中有所描述。Donald Hebb 在他的書籍《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了這些網路的訓練方法。
|
||||
|
||||
## 本章內容
|
||||
|
||||
在本章中，我們將學習以下內容：
|
||||
* [感知器](03-Perceptron/README.md)，一種最早的用於二分類的神經網路模型
|
||||
* [多層網路](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網路框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [感知器](03-Perceptron/README.md)，一種最早的用於二類分類的神經網路模型
|
||||
* [多層網路](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神經網路框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**免責聲明**：
|
||||
本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤讀概不負責。
|
||||
本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-25T23:43:43+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:37:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "uk"
|
||||
}
|
||||
|
|
@ -17,20 +17,20 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## Машинне навчання
|
||||
|
||||
Нейронні мережі є частиною більшої дисципліни, яка називається **машинним навчанням**, метою якої є використання даних для навчання комп'ютерних моделей, здатних вирішувати задачі. Машинне навчання становить значну частину штучного інтелекту, однак у цьому курсі ми не розглядаємо класичне машинне навчання.
|
||||
Нейронні мережі є частиною більшої дисципліни, яка називається **машинним навчанням**, метою якої є використання даних для навчання комп'ютерних моделей, здатних вирішувати задачі. Машинне навчання становить значну частину штучного інтелекту, однак у цій програмі ми не розглядаємо класичне машинне навчання.
|
||||
|
||||
> Відвідайте наш окремий курс **[Машинне навчання для початківців](http://github.com/microsoft/ml-for-beginners)**, щоб дізнатися більше про класичне машинне навчання.
|
||||
> Відвідайте нашу окрему програму **[Машинне навчання для початківців](http://github.com/microsoft/ml-for-beginners)**, щоб дізнатися більше про класичне машинне навчання.
|
||||
|
||||
У машинному навчанні ми припускаємо, що маємо певний набір даних прикладів **X** і відповідні вихідні значення **Y**. Приклади часто є N-вимірними векторами, які складаються з **характеристик**, а вихідні значення називаються **мітками**.
|
||||
У машинному навчанні ми припускаємо, що маємо певний набір даних прикладів **X** і відповідні вихідні значення **Y**. Приклади часто є N-вимірними векторами, які складаються з **ознак**, а вихідні значення називаються **мітками**.
|
||||
|
||||
Ми розглянемо дві найпоширеніші задачі машинного навчання:
|
||||
|
||||
* **Класифікація**, де потрібно класифікувати вхідний об'єкт у дві або більше категорії.
|
||||
* **Регресія**, де потрібно передбачити числове значення для кожного з вхідних зразків.
|
||||
|
||||
> При представленні входів і виходів у вигляді тензорів, вхідний набір даних є матрицею розміру M×N, де M — кількість зразків, а N — кількість характеристик. Вихідні мітки **Y** — це вектор розміру M.
|
||||
> При представленні входів і виходів у вигляді тензорів, вхідний набір даних є матрицею розміру M×N, де M — кількість зразків, а N — кількість ознак. Вихідні мітки Y — це вектор розміру M.
|
||||
|
||||
У цьому курсі ми зосередимося лише на моделях нейронних мереж.
|
||||
У цій програмі ми зосередимося лише на моделях нейронних мереж.
|
||||
|
||||
## Модель нейрона
|
||||
|
||||
|
|
@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
 | 
|
||||
----|----
|
||||
Реальний нейрон *([Зображення](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) з Wikipedia)* | Штучний нейрон *(Зображення автора)*
|
||||
Реальний нейрон *([Зображення](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) з Вікіпедії)* | Штучний нейрон *(Зображення автора)*
|
||||
|
||||
Таким чином, найпростіша математична модель нейрона містить кілька входів X<sub>1</sub>, ..., X<sub>N</sub> і один вихід Y, а також набір ваг W<sub>1</sub>, ..., W<sub>N</sub>. Вихід обчислюється як:
|
||||
|
||||
|
|
@ -46,15 +46,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
де f — це деяка нелінійна **функція активації**.
|
||||
|
||||
> Ранні моделі нейрона були описані в класичній статті [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Воррена МакКалока і Волтера Піттса у 1943 році. Дональд Хебб у своїй книзі "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" запропонував спосіб навчання таких мереж.
|
||||
> Ранні моделі нейрона були описані в класичній статті [Логічне числення ідей, притаманних нервовій діяльності](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Воррена МакКалока і Волтера Піттса у 1943 році. Дональд Хебб у своїй книзі "[Організація поведінки: нейропсихологічна теорія](https://books.google.com/books?id=VNetYrB8EBoC)" запропонував спосіб навчання таких мереж.
|
||||
|
||||
## У цьому розділі
|
||||
|
||||
У цьому розділі ми дізнаємося про:
|
||||
* [Перцептрон](03-Perceptron/README.md), одну з найперших моделей нейронних мереж для класифікації на дві категорії
|
||||
* [Багатошарові мережі](04-OwnFramework/README.md) з відповідним ноутбуком [як створити власний фреймворк](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Фреймворки нейронних мереж](05-Frameworks/README.md), з такими ноутбуками: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) і [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Перцептрон](03-Perceptron/README.md), одну з найперших моделей нейронних мереж для класифікації на два класи
|
||||
* [Багатошарові мережі](04-OwnFramework/README.md) з відповідним ноутбуком [як створити власний фреймворк](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Фреймворки нейронних мереж](05-Frameworks/README.md), з такими ноутбуками: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) і [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Перенавчання](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**Відмова від відповідальності**:
|
||||
Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильне тлумачення, що виникли внаслідок використання цього перекладу.
|
||||
Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні інтерпретації, що виникають внаслідок використання цього перекладу.
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-26T10:21:51+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:28:18+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ur"
|
||||
}
|
||||
|
|
@ -13,13 +13,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
جیسا کہ ہم نے تعارف میں بات کی، ذہانت حاصل کرنے کے طریقوں میں سے ایک یہ ہے کہ ایک **کمپیوٹر ماڈل** یا ایک **مصنوعی دماغ** کو تربیت دی جائے۔ بیسویں صدی کے وسط سے، محققین نے مختلف ریاضیاتی ماڈلز آزمائے، یہاں تک کہ حالیہ برسوں میں یہ سمت بے حد کامیاب ثابت ہوئی۔ دماغ کے ان ریاضیاتی ماڈلز کو **نیورل نیٹ ورکس** کہا جاتا ہے۔
|
||||
|
||||
> کبھی کبھار نیورل نیٹ ورکس کو *مصنوعی نیورل نیٹ ورکس* یا ANNs کہا جاتا ہے تاکہ یہ واضح کیا جا سکے کہ ہم ماڈلز کی بات کر رہے ہیں، نہ کہ حقیقی نیورونز کے نیٹ ورکس کی۔
|
||||
> کبھی کبھار نیورل نیٹ ورکس کو *مصنوعی نیورل نیٹ ورکس* یا ANNs کہا جاتا ہے، تاکہ یہ واضح کیا جا سکے کہ ہم ماڈلز کی بات کر رہے ہیں، نہ کہ حقیقی نیورونز کے نیٹ ورکس کی۔
|
||||
|
||||
## مشین لرننگ
|
||||
|
||||
نیورل نیٹ ورکس ایک بڑے شعبے کا حصہ ہیں جسے **مشین لرننگ** کہا جاتا ہے، جس کا مقصد ڈیٹا کا استعمال کرتے ہوئے کمپیوٹر ماڈلز کو تربیت دینا ہے تاکہ وہ مسائل حل کر سکیں۔ مشین لرننگ مصنوعی ذہانت کا ایک بڑا حصہ ہے، تاہم، ہم اس نصاب میں کلاسیکل مشین لرننگ کا احاطہ نہیں کریں گے۔
|
||||
|
||||
> کلاسیکل مشین لرننگ کے بارے میں مزید جاننے کے لیے ہمارے علیحدہ **[مشین لرننگ فار بیگنرز](http://github.com/microsoft/ml-for-beginners)** نصاب کا دورہ کریں۔
|
||||
> کلاسیکل مشین لرننگ کے بارے میں مزید جاننے کے لیے ہمارا الگ **[مشین لرننگ فار بیگنرز](http://github.com/microsoft/ml-for-beginners)** نصاب دیکھیں۔
|
||||
|
||||
مشین لرننگ میں، ہم فرض کرتے ہیں کہ ہمارے پاس کچھ مثالوں کا ڈیٹاسیٹ **X** اور اس کے مطابق آؤٹ پٹ ویلیوز **Y** موجود ہیں۔ مثالیں اکثر N-ڈائمینشنل ویکٹرز پر مشتمل ہوتی ہیں جن میں **فیچرز** شامل ہوتے ہیں، اور آؤٹ پٹس کو **لیبلز** کہا جاتا ہے۔
|
||||
|
||||
|
|
@ -28,13 +28,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **کلاسیفکیشن**، جہاں ہمیں ایک ان پٹ آبجیکٹ کو دو یا زیادہ کلاسز میں تقسیم کرنا ہوتا ہے۔
|
||||
* **ریگریشن**، جہاں ہمیں ہر ان پٹ سیمپل کے لیے ایک عددی نمبر کی پیش گوئی کرنی ہوتی ہے۔
|
||||
|
||||
> جب ان پٹس اور آؤٹ پٹس کو ٹینسرز کے طور پر ظاہر کیا جاتا ہے، تو ان پٹ ڈیٹاسیٹ M×N کے سائز کی میٹرکس ہوتی ہے، جہاں M سیمپلز کی تعداد ہے اور N فیچرز کی تعداد ہے۔ آؤٹ پٹ لیبلز **Y** سائز M کا ویکٹر ہوتا ہے۔
|
||||
> جب ان پٹس اور آؤٹ پٹس کو ٹینسرز کے طور پر ظاہر کیا جاتا ہے، تو ان پٹ ڈیٹاسیٹ ایک M×N میٹرکس ہوتا ہے، جہاں M سیمپلز کی تعداد ہے اور N فیچرز کی تعداد ہے۔ آؤٹ پٹ لیبلز **Y** ایک M سائز کا ویکٹر ہوتا ہے۔
|
||||
|
||||
اس نصاب میں، ہم صرف نیورل نیٹ ورک ماڈلز پر توجہ مرکوز کریں گے۔
|
||||
|
||||
## نیورون کا ماڈل
|
||||
|
||||
حیاتیات سے ہمیں معلوم ہوتا ہے کہ ہمارا دماغ نیورل سیلز پر مشتمل ہوتا ہے، جن میں سے ہر ایک کے پاس متعدد "ان پٹس" (ایکسونز) اور ایک آؤٹ پٹ (ڈینڈرائٹ) ہوتا ہے۔ ایکسونز اور ڈینڈرائٹس برقی سگنلز منتقل کر سکتے ہیں، اور ایکسونز اور ڈینڈرائٹس کے درمیان کنکشن مختلف ڈگری کی کنڈکٹویٹی ظاہر کر سکتے ہیں (جو نیورو میڈی ایٹرز کے ذریعے کنٹرول ہوتی ہے)۔
|
||||
حیاتیات سے ہمیں معلوم ہوتا ہے کہ ہمارا دماغ نیورل سیلز پر مشتمل ہوتا ہے، جن میں سے ہر ایک کے پاس متعدد "ان پٹس" (ایکسونز) اور ایک آؤٹ پٹ (ڈینڈرائٹ) ہوتا ہے۔ ایکسونز اور ڈینڈرائٹس برقی سگنلز کو منتقل کر سکتے ہیں، اور ایکسونز اور ڈینڈرائٹس کے درمیان کنکشنز مختلف ڈگری کی کنڈکٹویٹی ظاہر کر سکتے ہیں (جو نیورو میڈی ایٹرز کے ذریعے کنٹرول ہوتی ہے)۔
|
||||
|
||||
 | 
|
||||
----|----
|
||||
|
|
@ -52,9 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
اس سیکشن میں ہم سیکھیں گے:
|
||||
* [پرسپٹرون](03-Perceptron/README.md)، دو کلاسز کی کلاسیفکیشن کے لیے سب سے ابتدائی نیورل نیٹ ورک ماڈلز میں سے ایک
|
||||
* [ملٹی لیئرڈ نیٹ ورکس](04-OwnFramework/README.md) اور اس کے ساتھ ایک نوٹ بک [اپنا فریم ورک کیسے بنائیں](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [نیورل نیٹ ورک فریم ورکس](05-Frameworks/README.md)، ان نوٹ بکس کے ساتھ: [پائی ٹورچ](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) اور [کیراس/ٹینسر فلو](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [ملٹی لیئرڈ نیٹ ورکس](04-OwnFramework/README.md) اور اس کے ساتھ ایک نوٹ بک [اپنا فریم ورک کیسے بنائیں](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [نیورل نیٹ ورک فریم ورکس](05-Frameworks/README.md)، ان نوٹ بکس کے ساتھ: [پائی ٹارچ](05-Frameworks/IntroPyTorch.ipynb) اور [کیراس/ٹینسر فلو](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [اوورفٹنگ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**ڈسکلیمر**:
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
|
||||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-29T12:33:54+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:34:31+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "vi"
|
||||
}
|
||||
|
|
@ -17,7 +17,7 @@ Như đã thảo luận trong phần giới thiệu, một trong những cách
|
|||
|
||||
## Học Máy
|
||||
|
||||
Mạng Nơ-ron là một phần của lĩnh vực lớn hơn gọi là **Học Máy**, với mục tiêu sử dụng dữ liệu để huấn luyện các mô hình máy tính có khả năng giải quyết vấn đề. Học Máy chiếm một phần lớn trong Trí Tuệ Nhân Tạo, tuy nhiên, chúng tôi không đề cập đến Học Máy cổ điển trong chương trình này.
|
||||
Mạng Nơ-ron là một phần của lĩnh vực lớn hơn gọi là **Học Máy**, với mục tiêu sử dụng dữ liệu để huấn luyện các mô hình máy tính có khả năng giải quyết vấn đề. Học Máy chiếm một phần lớn trong Trí Tuệ Nhân Tạo, tuy nhiên, chúng ta sẽ không đề cập đến Học Máy cổ điển trong chương trình học này.
|
||||
|
||||
> Hãy truy cập chương trình học riêng **[Học Máy cho Người Mới Bắt Đầu](http://github.com/microsoft/ml-for-beginners)** để tìm hiểu thêm về Học Máy cổ điển.
|
||||
|
||||
|
|
@ -26,11 +26,11 @@ Trong Học Máy, chúng ta giả định rằng có một tập dữ liệu ví
|
|||
Chúng ta sẽ xem xét hai vấn đề phổ biến nhất trong học máy:
|
||||
|
||||
* **Phân loại**, nơi chúng ta cần phân loại một đối tượng đầu vào vào hai hoặc nhiều lớp.
|
||||
* **Hồi quy**, nơi chúng ta cần dự đoán một giá trị số cho mỗi mẫu đầu vào.
|
||||
* **Hồi quy**, nơi chúng ta cần dự đoán một con số cụ thể cho mỗi mẫu đầu vào.
|
||||
|
||||
> Khi biểu diễn đầu vào và đầu ra dưới dạng tensor, tập dữ liệu đầu vào là một ma trận kích thước M×N, trong đó M là số lượng mẫu và N là số lượng đặc trưng. Nhãn đầu ra Y là một vector kích thước M.
|
||||
|
||||
Trong chương trình này, chúng ta sẽ chỉ tập trung vào các mô hình mạng nơ-ron.
|
||||
Trong chương trình học này, chúng ta sẽ chỉ tập trung vào các mô hình mạng nơ-ron.
|
||||
|
||||
## Mô hình của một Nơ-ron
|
||||
|
||||
|
|
@ -48,13 +48,13 @@ trong đó f là một **hàm kích hoạt** phi tuyến.
|
|||
|
||||
> Các mô hình nơ-ron ban đầu được mô tả trong bài báo kinh điển [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) của Warren McCullock và Walter Pitts vào năm 1943. Donald Hebb trong cuốn sách "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" đã đề xuất cách huấn luyện các mạng này.
|
||||
|
||||
## Trong Phần này
|
||||
## Trong Phần Này
|
||||
|
||||
Trong phần này, chúng ta sẽ tìm hiểu về:
|
||||
* [Perceptron](03-Perceptron/README.md), một trong những mô hình mạng nơ-ron đầu tiên dành cho phân loại hai lớp
|
||||
* [Mạng nhiều lớp](04-OwnFramework/README.md) với một notebook đi kèm [cách xây dựng framework của riêng chúng ta](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [Các Framework Mạng Nơ-ron](05-Frameworks/README.md), với các notebook sau: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) và [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Hiện tượng Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
* [Framework Mạng Nơ-ron](05-Frameworks/README.md), với các notebook sau: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) và [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1c6b8c7c1778a35fc1139b7f2aecb7b3",
|
||||
"translation_date": "2025-08-24T20:37:37+00:00",
|
||||
"original_hash": "5abc5f7978919be90cd313f0c20e8228",
|
||||
"translation_date": "2025-09-07T14:28:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "zh"
|
||||
}
|
||||
|
|
@ -11,21 +11,21 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
|
||||
|
||||
正如我们在介绍中讨论的那样，实现智能的一种方法是训练一个**计算机模型**或一个**人工大脑**。自20世纪中期以来，研究人员尝试了不同的数学模型，直到近年来这一方向被证明是非常成功的。这些模拟大脑的数学模型被称为**神经网络**。
|
||||
正如我们在介绍中讨论的那样，实现智能的一种方法是训练一个**计算机模型**或一个**人工大脑**。自20世纪中期以来，研究人员尝试了不同的数学模型，直到近年来这一方向取得了巨大成功。这些模拟大脑的数学模型被称为**神经网络**。
|
||||
|
||||
> 有时神经网络被称为*人工神经网络*（Artificial Neural Networks，ANNs），以表明我们讨论的是模型，而不是实际的神经网络。
|
||||
|
||||
## 机器学习
|
||||
|
||||
神经网络是一个更大领域的一部分，称为**机器学习**。其目标是利用数据训练计算机模型以解决问题。机器学习是人工智能的重要组成部分，但我们在本课程中不涉及传统的机器学习。
|
||||
神经网络属于一个更大的学科——**机器学习**，其目标是利用数据训练能够解决问题的计算机模型。机器学习是人工智能的重要组成部分，但我们在本课程中不涉及传统的机器学习内容。
|
||||
|
||||
> 请访问我们单独的**[机器学习初学者课程](http://github.com/microsoft/ml-for-beginners)**，了解更多关于传统机器学习的内容。
|
||||
> 请访问我们单独的**[机器学习入门](http://github.com/microsoft/ml-for-beginners)**课程，了解更多关于传统机器学习的内容。
|
||||
|
||||
在机器学习中，我们假设有一些示例数据集**X**，以及对应的输出值**Y**。示例通常是由**特征**组成的N维向量，而输出被称为**标签**。
|
||||
|
||||
我们将讨论两种最常见的机器学习问题：
|
||||
|
||||
* **分类**，需要将输入对象分类到两个或多个类别中。
|
||||
* **分类**，需要将输入对象分类为两个或多个类别。
|
||||
* **回归**，需要为每个输入样本预测一个数值。
|
||||
|
||||
> 当将输入和输出表示为张量时，输入数据集是一个大小为M×N的矩阵，其中M是样本数量，N是特征数量。输出标签**Y**是一个大小为M的向量。
|
||||
|
|
@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## 神经元模型
|
||||
|
||||
从生物学中我们知道，大脑由神经细胞组成，每个神经细胞有多个“输入”（轴突）和一个输出（树突）。轴突和树突可以传导电信号，而轴突和树突之间的连接可以表现出不同程度的导电性（由神经递质控制）。
|
||||
从生物学中我们知道，大脑由神经细胞组成，每个神经细胞有多个“输入”（轴突）和一个输出（树突）。轴突和树突可以传导电信号，轴突与树突之间的连接可以表现出不同程度的导电性（由神经递质控制）。
|
||||
|
||||
 | 
|
||||
----|----
|
||||
真实神经元 *（[图片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg)来自维基百科）* | 人工神经元 *（作者提供图片）*
|
||||
|
||||
因此，神经元的最简单数学模型包含几个输入X<sub>1</sub>, ..., X<sub>N</sub>和一个输出Y，以及一系列权重W<sub>1</sub>, ..., W<sub>N</sub>。输出计算公式为：
|
||||
因此，神经元的最简单数学模型包含几个输入**X<sub>1</sub>, ..., X<sub>N</sub>**和一个输出**Y**，以及一系列权重**W<sub>1</sub>, ..., W<sub>N</sub>**。输出计算公式为：
|
||||
|
||||
<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
其中f是某种非线性**激活函数**。
|
||||
其中**f**是某种非线性**激活函数**。
|
||||
|
||||
> 早期的神经元模型在1943年由Warren McCullock和Walter Pitts在经典论文[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)中描述。Donald Hebb在他的书《[行为的组织：一种神经心理学理论](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了训练这些网络的方法。
|
||||
|
||||
|
|
@ -52,9 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
在本节中，我们将学习以下内容：
|
||||
* [感知机](03-Perceptron/README.md)，一种用于二分类的最早神经网络模型
|
||||
* [多层网络](04-OwnFramework/README.md)，以及配套笔记本[如何构建我们自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神经网络框架](05-Frameworks/README.md)，包括以下笔记本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)和[Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [多层网络](04-OwnFramework/README.md)，以及配套笔记本[如何构建我们自己的框架](04-OwnFramework/OwnFramework.ipynb)
|
||||
* [神经网络框架](05-Frameworks/README.md)，包括以下笔记本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb)和[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||||
* [过拟合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||||
|
||||
---
|
||||
|
||||
**免责声明**：
|
||||
本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。因使用本翻译而引起的任何误解或误读，我们概不负责。
|
||||
本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于重要信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。
|
||||
Loading…
Reference in New Issue