AI-For-Beginners/translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab

मल्टी-क्लास वर्गीकरण परसेप्ट्रॉनसह

AI for Beginners Curriculum मधील प्रयोगशाळा असाइनमेंट.

कार्य

या धड्यात आपण विकसित केलेल्या MNIST हस्तलिखित अंकांच्या बायनरी वर्गीकरणासाठीच्या कोडचा वापर करून, एक मल्टी-क्लास वर्गीकृत तयार करा जो कोणताही अंक ओळखू शकेल. ट्रेन आणि टेस्ट डेटासेटवरील वर्गीकरण अचूकता मोजा आणि गोंधळ मॅट्रिक्स प्रिंट करा.

सूचना

1. प्रत्येक अंकासाठी, "हा अंक विरुद्ध इतर सर्व अंक" यासाठी बायनरी वर्गीकृत डेटासेट तयार करा.
2. बायनरी वर्गीकरणासाठी 10 वेगवेगळे परसेप्ट्रॉन ट्रेन करा (प्रत्येक अंकासाठी एक).
3. इनपुट अंक वर्गीकृत करणारे एक फंक्शन परिभाषित करा.

सूचना: जर आपण सर्व 10 परसेप्ट्रॉनचे वजन एका मॅट्रिक्समध्ये एकत्र केले, तर एका मॅट्रिक्स गुणाकाराने सर्व 10 परसेप्ट्रॉन इनपुट अंकांवर लागू करता येतील. सर्वात संभाव्य अंक फक्त argmax ऑपरेशन लागू करून शोधता येईल.

प्रारंभिक नोटबुक

PerceptronMultiClass.ipynb उघडून प्रयोगशाळा सुरू करा.

---

अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा 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 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.