55 lines
9.9 KiB
Markdown
55 lines
9.9 KiB
Markdown
# న్యూరల్ నెట్వర్క్స్ పరిచయం
|
||
|
||
|
||
|
||
మనం పరిచయంలో చర్చించినట్లుగా, మేధస్సును సాధించడానికి ఒక మార్గం **కంప్యూటర్ మోడల్** లేదా **కృత్రిమ మెదడు**ను శిక్షణ ఇవ్వడం. 20వ శతాబ్దం మధ్య నుండి పరిశోధకులు వివిధ గణిత మోడల్స్ ప్రయత్నించారు, ఇటీవల సంవత్సరాలలో ఈ దిశ చాలా విజయవంతమైంది. మెదడుకు ఇలాంటి గణిత మోడల్స్ను **న్యూరల్ నెట్వర్క్స్** అంటారు.
|
||
|
||
> న్యూరల్ నెట్వర్క్స్ను కొన్నిసార్లు *కృత్రిమ న్యూరల్ నెట్వర్క్స్* (ANNs) అని పిలుస్తారు, ఎందుకంటే మేము నిజమైన న్యూరాన్ల నెట్వర్క్స్ కాకుండా మోడల్స్ గురించి మాట్లాడుతున్నామనే సూచన కోసం.
|
||
|
||
## మెషీన్ లెర్నింగ్
|
||
|
||
న్యూరల్ నెట్వర్క్స్ ఒక పెద్ద శాస్త్రశాఖ అయిన **మెషీన్ లెర్నింగ్**లో భాగం, దీని లక్ష్యం డేటాను ఉపయోగించి సమస్యలను పరిష్కరించగల కంప్యూటర్ మోడల్స్ను శిక్షణ ఇవ్వడం. మెషీన్ లెర్నింగ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్లో పెద్ద భాగాన్ని కలిగి ఉంటుంది, అయితే ఈ పాఠ్యాంశంలో క్లాసికల్ ML ను కవర్ చేయము.
|
||
|
||
> క్లాసికల్ మెషీన్ లెర్నింగ్ గురించి మరింత తెలుసుకోవడానికి మా ప్రత్యేక **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** పాఠ్యాంశాన్ని సందర్శించండి.
|
||
|
||
మెషీన్ లెర్నింగ్లో, మనకు కొన్ని ఉదాహరణల డేటాసెట్ **X** మరియు అనుగుణమైన అవుట్పుట్ విలువలు **Y** ఉంటాయని భావిస్తాము. ఉదాహరణలు సాధారణంగా N-డైమెన్షనల్ వెక్టర్లు, వీటిలో **ఫీచర్లు** ఉంటాయి, అవుట్పుట్లు **లేబుల్స్** అని పిలవబడతాయి.
|
||
|
||
మనం రెండు సాధారణ మెషీన్ లెర్నింగ్ సమస్యలను పరిశీలిస్తాము:
|
||
|
||
* **వర్గీకరణ (Classification)**, ఇన్పుట్ వస్తువును రెండు లేదా అంతకంటే ఎక్కువ తరగతులలో వర్గీకరించాల్సిన అవసరం ఉన్నప్పుడు.
|
||
* **రెగ్రెషన్ (Regression)**, ఇన్పుట్ నమూనాలకు సంఖ్యాత్మక విలువను అంచనా వేయాల్సినప్పుడు.
|
||
|
||
> ఇన్పుట్లు మరియు అవుట్పుట్లను టెన్సర్లుగా ప్రదర్శించినప్పుడు, ఇన్పుట్ డేటాసెట్ M×N పరిమాణం గల మ్యాట్రిక్స్, ఇక్కడ M నమూనాల సంఖ్య మరియు N ఫీచర్ల సంఖ్య. అవుట్పుట్ లేబుల్స్ Y M పరిమాణం గల వెక్టర్.
|
||
|
||
ఈ పాఠ్యాంశంలో, మనం కేవలం న్యూరల్ నెట్వర్క్ మోడల్స్పై దృష్టి సారిస్తాము.
|
||
|
||
## న్యూరాన్ మోడల్
|
||
|
||
జీవశాస్త్రం ప్రకారం, మన మెదడు న్యూరల్ సెల్స్ (న్యూరాన్లు)తో కూడి ఉంటుంది, ప్రతి న్యూరాన్కు అనేక "ఇన్పుట్లు" (డెండ్రైట్స్) మరియు ఒకే "అవుట్పుట్" (ఆక్సాన్) ఉంటుంది. డెండ్రైట్స్ మరియు ఆక్సాన్లు విద్యుత్ సంకేతాలను ప్రసారం చేయగలవు, మరియు వాటి మధ్య కనెక్షన్లు — సైనాప్సెస్ అని పిలవబడతాయి — వివిధ స్థాయిలలో విద్యుత్ ప్రసరణ సామర్థ్యాన్ని చూపుతాయి, ఇవి న్యూరోట్రాన్స్మిటర్ల ద్వారా నియంత్రించబడతాయి.
|
||
|
||
 | 
|
||
----|----
|
||
నిజమైన న్యూరాన్ *([చిత్రం](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) వికీపీడియా నుండి)* | కృత్రిమ న్యూరాన్ *(చిత్రం రచయిత ద్వారా)*
|
||
|
||
కాబట్టి, న్యూరాన్ యొక్క సులభమైన గణిత మోడల్లో అనేక ఇన్పుట్లు X<sub>1</sub>, ..., X<sub>N</sub>, ఒక అవుట్పుట్ Y మరియు ఒక శ్రేణి వెయిట్లు W<sub>1</sub>, ..., W<sub>N</sub> ఉంటాయి. అవుట్పుట్ ఈ విధంగా లెక్కించబడుతుంది:
|
||
|
||
<img src="../../../../translated_images/te/netout.1eb15eb76fd76731.webp" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||
|
||
ఇక్కడ f అనేది ఒక నాన్-లీనియర్ **యాక్టివేషన్ ఫంక్షన్**.
|
||
|
||
> న్యూరాన్ యొక్క ప్రారంభ మోడల్స్ 1943లో వారెన్ మెక్కలాక్ మరియు వాల్టర్ పిట్స్ రాసిన క్లాసికల్ పేపర్ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)లో వివరించబడ్డాయి. డొనాల్డ్ హెబ్ తన పుస్తకం "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"లో ఆ నెట్వర్క్స్ను శిక్షణ ఇవ్వగల మార్గాన్ని ప్రతిపాదించారు.
|
||
|
||
## ఈ విభాగంలో
|
||
|
||
ఈ విభాగంలో మనం నేర్చుకునేది:
|
||
* [పర్సెప్ట్రాన్](03-Perceptron/README.md), రెండు తరగతుల వర్గీకరణ కోసం ప్రారంభ న్యూరల్ నెట్వర్క్ మోడల్
|
||
* [బహుళ-పట్టాల నెట్వర్క్స్](04-OwnFramework/README.md) మరియు జతచేసిన నోట్బుక్ [మన స్వంత ఫ్రేమ్వర్క్ ఎలా నిర్మించాలి](04-OwnFramework/OwnFramework.ipynb)
|
||
* [న్యూరల్ నెట్వర్క్ ఫ్రేమ్వర్క్స్](05-Frameworks/README.md), ఈ నోట్బుక్స్తో: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) మరియు [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
|
||
* [ఓవర్ఫిట్టింగ్](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
||
|
||
---
|
||
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||
**అస్పష్టత**:
|
||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |