AI-For-Beginners/translations/hi/lessons/3-NeuralNetworks

न्यूरल नेटवर्क्स का परिचय

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 की कोशिश की, 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 (Artificial Neural Networks), ANNs कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन्स के नेटवर्क 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 ताकि वे 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।

पारंपरिक मशीन लर्निंग के बारे में अधिक जानने के लिए हमारे अलग मशीन लर्निंग फॉर बिगिनर्स 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।

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 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 नमूनों की संख्या है और N फीचर्स की संख्या है। आउटपुट लेबल्स Y M आकार का एक वेक्टर होता है।

इस पाठ्यक्रम में, हम केवल न्यूरल नेटवर्क मॉडलों पर ध्यान केंद्रित करेंगे।

न्यूरॉन का एक मॉडल

जीवविज्ञान से, हम जानते हैं कि हमारा मस्तिष्क न्यूरल कोशिकाओं (न्यूरॉन्स) से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (डेंड्राइट्स) और एक "आउटपुट" (एक्सॉन) होता है। डेंड्राइट्स और एक्सॉन दोनों विद्युत संकेतों का संचालन कर सकते हैं, और उनके बीच के कनेक्शन — जिन्हें सिनैप्स कहा जाता है — विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं, जो न्यूरोट्रांसमीटर द्वारा नियंत्रित होती है।

वास्तविक न्यूरॉन (छवि विकिपीडिया से)	कृत्रिम न्यूरॉन (लेखक द्वारा बनाई गई छवि)

इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X₁, ..., X_N और एक आउटपुट Y, और वज़नों की एक श्रृंखला W₁, ..., W_N को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है:

जहां f एक गैर-रेखीय सक्रियण 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 में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "The Organization of Behavior: A Neuropsychological Theory" में इन नेटवर्क्स को प्रशिक्षित करने का तरीका प्रस्तावित किया।

इस खंड में

इस खंड में हम निम्नलिखित के बारे में जानेंगे:

• परसेप्ट्रॉन, दो-वर्ग वर्गीकरण के लिए सबसे प्रारंभिक न्यूरल नेटवर्क मॉडलों में से एक
• मल्टी-लेयर्ड नेटवर्क्स और एक संबंधित नोटबुक अपना खुद का फ्रेमवर्क कैसे बनाएं
• न्यूरल नेटवर्क फ्रेमवर्क्स, इन नोटबुक्स के साथ: PyTorch और Keras/Tensorflow
• ओवरफिटिंग

---

अस्वीकरण:
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को आधिकारिक 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 उत्तरदायी नहीं हैं।