55 lines
10 KiB
Markdown
55 lines
10 KiB
Markdown
# ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ
|
||
|
||
|
||
|
||
ನಾವು ಪರಿಚಯದಲ್ಲಿ ಚರ್ಚಿಸಿದಂತೆ, ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸಾಧಿಸುವ ಒಂದು ಮಾರ್ಗವೆಂದರೆ **ಕಂಪ್ಯೂಟರ್ ಮಾದರಿ** ಅಥವಾ **ಕೃತಕ ಮೆದುಳು** ಅನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು. 20ನೇ ಶತಮಾನ ಮಧ್ಯಭಾಗದಿಂದ, ಸಂಶೋಧಕರು ವಿವಿಧ ಗಣಿತ ಮಾದರಿಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿದರು, ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಈ ದಿಕ್ಕು ಬಹುಮಟ್ಟಿಗೆ ಯಶಸ್ವಿಯಾಗಿದೆ. ಮೆದುಳಿನ ಇಂತಹ ಗಣಿತ ಮಾದರಿಗಳನ್ನು **ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು** ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||
|
||
> ಕೆಲವೊಮ್ಮೆ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು *ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು* ಅಥವಾ ANNs ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಇದರಿಂದ ನಾವು ನ್ಯೂರಾನ್ಗಳ ನಿಜವಾದ ಜಾಲಗಳ ಬಗ್ಗೆ ಅಲ್ಲ, ಮಾದರಿಗಳ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ಸೂಚಿಸಲು.
|
||
|
||
## ಯಂತ್ರ ಅಧ್ಯಯನ
|
||
|
||
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು **ಯಂತ್ರ ಅಧ್ಯಯನ** ಎಂಬ ದೊಡ್ಡ ಶಾಖೆಯ ಭಾಗವಾಗಿವೆ, ಇದರ ಗುರಿ ಡೇಟಾವನ್ನು ಉಪಯೋಗಿಸಿ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಾಗುವ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು. ಯಂತ್ರ ಅಧ್ಯಯನವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ದೊಡ್ಡ ಭಾಗವಾಗಿದೆ, ಆದರೆ ನಾವು ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಅಧ್ಯಯನವನ್ನು ಒಳಗೊಂಡಿಲ್ಲ.
|
||
|
||
> ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಅಧ್ಯಯನವನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ನಮ್ಮ ಪ್ರತ್ಯೇಕ **[ಯಂತ್ರ ಅಧ್ಯಯನ ಆರಂಭಿಕರಿಗಾಗಿ](http://github.com/microsoft/ml-for-beginners)** ಪಠ್ಯಕ್ರಮವನ್ನು ಭೇಟಿ ಮಾಡಿ.
|
||
|
||
ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ, ನಮಗೆ ಕೆಲವು ಉದಾಹರಣೆಗಳ ಡೇಟಾಸೆಟ್ **X** ಮತ್ತು ಸಂಬಂಧಿಸಿದ ಔಟ್ಪುಟ್ ಮೌಲ್ಯಗಳು **Y** ಇವೆ ಎಂದು ಊಹಿಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ N-ಮಾನದ ವೆಕ್ಟರ್ಗಳು ಆಗಿದ್ದು, ಅವು **ಲಕ್ಷಣಗಳು** ಹೊಂದಿರುತ್ತವೆ, ಮತ್ತು ಔಟ್ಪುಟ್ಗಳನ್ನು **ಲೇಬಲ್ಗಳು** ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||
|
||
ನಾವು ಎರಡು ಸಾಮಾನ್ಯ ಯಂತ್ರ ಅಧ್ಯಯನ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಗಣಿಸುವೆವು:
|
||
|
||
* **ವರ್ಗೀಕರಣ**, ಇಲ್ಲಿ ನಮಗೆ ಇನ್ಪುಟ್ ವಸ್ತುವನ್ನು ಎರಡು ಅಥವಾ ಹೆಚ್ಚು ವರ್ಗಗಳಲ್ಲಿ ವರ್ಗೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ.
|
||
* **ರಿಗ್ರೆಷನ್**, ಇಲ್ಲಿ ನಮಗೆ ಪ್ರತಿ ಇನ್ಪುಟ್ ಮಾದರಿಗಾಗಿ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||
|
||
> ಇನ್ಪುಟ್ ಮತ್ತು ಔಟ್ಪುಟ್ಗಳನ್ನು ಟೆನ್ಸರ್ಗಳಾಗಿ ಪ್ರತಿನಿಧಿಸುವಾಗ, ಇನ್ಪುಟ್ ಡೇಟಾಸೆಟ್ M×N ಗಾತ್ರದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿದ್ದು, ಇಲ್ಲಿ M ಮಾದರಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು N ಲಕ್ಷಣಗಳ ಸಂಖ್ಯೆ. ಔಟ್ಪುಟ್ Y ಎಂಬುದು M ಗಾತ್ರದ ವೆಕ್ಟರ್ ಆಗಿದೆ.
|
||
|
||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನಾವು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಗಳ ಮೇಲೆ ಮಾತ್ರ ಗಮನಹರಿಸುವೆವು.
|
||
|
||
## ನ್ಯೂರಾನ್ ಮಾದರಿ
|
||
|
||
ಜೈವಶಾಸ್ತ್ರದಿಂದ, ನಮ್ಮ ಮೆದುಳು ನ್ಯೂರಲ್ ಸೆಲ್ಗಳು (ನ್ಯೂರಾನ್ಗಳು) ಹೊಂದಿದೆ ಎಂದು ತಿಳಿದಿದೆ, ಪ್ರತಿಯೊಂದು ನ್ಯೂರಾನ್ಗೂ ಹಲವಾರು "ಇನ್ಪುಟ್ಗಳು" (ಡೆಂಡ್ರೈಟ್ಗಳು) ಮತ್ತು ಒಂದು "ಔಟ್ಪುಟ್" (ಆಕ್ಸಾನ್) ಇರುತ್ತದೆ. ಡೆಂಡ್ರೈಟ್ಗಳು ಮತ್ತು ಆಕ್ಸಾನ್ಗಳು ವಿದ್ಯುತ್ ಸಂಕೆತಗಳನ್ನು ಸಾಗಿಸಬಹುದು, ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು — ಸೈನಾಪ್ಸ್ ಎಂದು ಕರೆಯಲ್ಪಡುವವು — ವಿವಿಧ ಮಟ್ಟದ ಚಾಲಕತೆಯನ್ನು ತೋರಬಹುದು, ಅವು ನ್ಯೂರೋ ಟ್ರಾನ್ಸ್ಮಿಟರ್ಗಳ ಮೂಲಕ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತವೆ.
|
||
|
||
 | 
|
||
----|----
|
||
ನಿಜವಾದ ನ್ಯೂರಾನ್ *([ಚಿತ್ರ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ವಿಕಿಪೀಡಿಯದಿಂದ)* | ಕೃತಕ ನ್ಯೂರಾನ್ *(ಲೇಖಕರ ಚಿತ್ರ)*
|
||
|
||
ಹೀಗಾಗಿ, ನ್ಯೂರಾನ್ನ ಸರಳ ಗಣಿತ ಮಾದರಿಯಲ್ಲಿ ಹಲವಾರು ಇನ್ಪುಟ್ಗಳು X<sub>1</sub>, ..., X<sub>N</sub> ಮತ್ತು ಒಂದು ಔಟ್ಪುಟ್ Y, ಮತ್ತು ಸರಣಿಯಾದ ತೂಕಗಳು W<sub>1</sub>, ..., W<sub>N</sub> ಇರುತ್ತವೆ. ಔಟ್ಪುಟ್ ಅನ್ನು ಹೀಗೆ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ:
|
||
|
||
<img src="../../../../translated_images/kn/netout.1eb15eb76fd76731.webp" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||
|
||
ಇಲ್ಲಿ f ಎಂಬುದು ಕೆಲವು ರೇಖೀಯವಲ್ಲದ **ಸಕ್ರಿಯ ಕಾರ್ಯ**.
|
||
|
||
> ನ್ಯೂರಾನ್ಗಳ ಪ್ರಾರಂಭಿಕ ಮಾದರಿಗಳನ್ನು 1943 ರಲ್ಲಿ ವಾರನ್ ಮ್ಯಾಕ್ಕಲ್ಲಾಕ್ ಮತ್ತು ವಾಲ್ಟರ್ ಪಿಟ್ಸ್ ರಚಿಸಿದ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ಎಂಬ ಶ್ರೇಷ್ಟ ಲೇಖನದಲ್ಲಿ ವಿವರಿಸಲಾಗಿದೆ. ಡೊನಾಲ್ಡ್ ಹೆಬ್ ಅವರ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ಪುಸ್ತಕದಲ್ಲಿ ಆ ಜಾಲಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದ್ದಾರೆ.
|
||
|
||
## ಈ ವಿಭಾಗದಲ್ಲಿ
|
||
|
||
ಈ ವಿಭಾಗದಲ್ಲಿ ನಾವು ತಿಳಿದುಕೊಳ್ಳಲಿದ್ದೇವೆ:
|
||
* [ಪರ್ಸೆಪ್ಟ್ರಾನ್](03-Perceptron/README.md), ಎರಡು ವರ್ಗಗಳ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಮೊದಲ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ
|
||
* [ಬಹು-ಮಟ್ಟದ ಜಾಲಗಳು](04-OwnFramework/README.md) ಜೊತೆಗೆ [ನಮ್ಮದೇ ಫ್ರೇಮ್ವರ್ಕ್ ನಿರ್ಮಿಸುವ ವಿಧಾನ](04-OwnFramework/OwnFramework.ipynb) ಎಂಬ ಜೋಡಣೆಯ ನೋಟ್ಬುಕ್
|
||
* [ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು](05-Frameworks/README.md), ಈ ನೋಟ್ಬುಕ್ಗಳೊಂದಿಗೆ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ಮತ್ತು [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||
* [ಅತಿರೇಕ ತರಬೇತಿ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||
|
||
---
|
||
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||
**ಅಸ್ವೀಕರಣ**:
|
||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |