একটি নিউরাল নেটওয়ার্ক হল অ্যালগরিদমের একটি সিরিজ যা একটি প্রক্রিয়ার মাধ্যমে রেকর্ডের সেটে মৌলিক সম্পর্কগুলিকে চিনতে চেষ্টা করে যা মানব মস্তিষ্কের কাজ করার পদ্ধতিকে অনুকরণ করে। এই পদ্ধতিতে, নিউরাল নেটওয়ার্কগুলি নিউরনের সিস্টেমগুলিকে সংজ্ঞায়িত করে, হয় জৈব বা কৃত্রিম৷
নিউরাল নেটওয়ার্ক হল বিশ্লেষণাত্মক কৌশল যা জ্ঞানীয় সিস্টেমে শেখার (অনুমানিত) প্রক্রিয়া এবং মস্তিষ্কের নিউরোলজিক্যাল ফাংশনগুলির অনুকরণে তৈরি করা হয় এবং বিদ্যমান থেকে তথাকথিত শেখার একটি প্রক্রিয়া বাস্তবায়নের পর অন্যান্য পর্যবেক্ষণ থেকে নতুন পর্যবেক্ষণ (নির্দিষ্ট ভেরিয়েবলের উপর) ভবিষ্যদ্বাণী করতে সক্ষম। তথ্য নিউরাল নেটওয়ার্ক ডাটা মাইনিং কৌশলগুলির মধ্যে একটি।
প্রথম পর্যায়টি হল একটি নির্দিষ্ট নেটওয়ার্ক আর্কিটেকচার ডিজাইন করা (যার প্রতিটিতে একটি নির্দিষ্ট সংখ্যক "নিউরন" সহ একটি নির্দিষ্ট সংখ্যক "স্তর" অন্তর্ভুক্ত)। নেটওয়ার্কের আকার এবং গঠন তদন্ত করা ঘটনার প্রকৃতির (যেমন, আনুষ্ঠানিক জটিলতা) সাথে মেলে। যেহেতু পরবর্তীটি এই প্রাথমিক পর্যায়ে খুব ভালভাবে পরিচিত নয়, এই কাজটি সহজ নয় এবং প্রায়ই একাধিক "ট্রায়াল এবং ত্রুটি" জড়িত৷
নতুন নেটওয়ার্ক তারপর "প্রশিক্ষণ" প্রক্রিয়ার অধীন হয়। সেই পর্যায়ে, নিউরনগুলি ইনপুটগুলির (ভেরিয়েবল) সংখ্যায় একটি পুনরাবৃত্তিমূলক প্রক্রিয়া প্রয়োগ করে নেটওয়ার্কের ওজন সামঞ্জস্য করে সর্বোত্তমভাবে ভবিষ্যদ্বাণী করার জন্য (প্রথাগত পরিভাষায় বলা যেতে পারে, একটি "ফিট" সন্ধান করুন) নমুনা ডেটা যার উপর "প্রশিক্ষণ" " সঞ্চালিত হয়. একটি বিদ্যমান ডেটা সেট থেকে শেখার পর্যায়, নতুন নেটওয়ার্ক প্রস্তুত এবং তারপর এটি ভবিষ্যদ্বাণী তৈরি করতে ব্যবহার করা যেতে পারে৷
নিউরাল নেটওয়ার্কগুলি গত কয়েক বছরে আগ্রহের বিস্ফোরণ দেখেছে, এবং অর্থ, চিকিৎসা, প্রকৌশল, ভূতত্ত্ব এবং পদার্থবিদ্যার মতো বৈচিত্র্যময় অঞ্চলে সমস্যা ডোমেনের একটি অসাধারণ এলাকা জুড়ে সফলভাবে ব্যবহার করা হচ্ছে। একটি নিউরাল নেটওয়ার্কের দুটি উপাদান রয়েছে যা নিম্নরূপ -
শক্তি − নিউরাল নেটওয়ার্কগুলি অত্যন্ত পরিমার্জিত মডেলিং কৌশল যা অত্যন্ত জটিল ফাংশন মডেলিং করার জন্য যথেষ্ট। বিশেষ করে, নিউরাল নেটওয়ার্ক অরৈখিক। কিছু বছর ধরে লিনিয়ার মডেলিং বেশিরভাগ মডেলিং ডোমেনে সাধারণত ব্যবহৃত পদ্ধতি হয়ে আসছে কারণ লিনিয়ার মডেলের সুপরিচিত অপ্টিমাইজেশন কৌশল রয়েছে।
ব্যবহারের সহজলভ্যতা - নিউরাল নেটওয়ার্কগুলি উদাহরণ দ্বারা শিখে। নিউরাল নেটওয়ার্ক ব্যবহারকারী প্রতিনিধি ডেটা সংগ্রহ করে এবং তারপরে ডেটার গঠন স্বয়ংক্রিয়ভাবে শিখতে প্রশিক্ষণের অ্যালগরিদম আহ্বান করে৷
যদিও ব্যবহারকারীর কিছু হিউরিস্টিক জ্ঞান থাকা প্রয়োজন যে কীভাবে রেকর্ডগুলি নির্বাচন এবং প্রস্তুত করতে হয়, কীভাবে একটি উপযুক্ত নিউরাল নেটওয়ার্ক চয়ন করতে হয় এবং কীভাবে ফলাফলগুলি কার্যকর করতে হয়, তবে নিউরাল নেটওয়ার্কগুলি সফলভাবে ব্যবহার করার জন্য ব্যবহারকারীর জ্ঞানের স্তরের তুলনায় অনেক কম। কেসটি ব্যবহার করে (উদাহরণস্বরূপ) আরও কিছু প্রথাগত অরৈখিক পরিসংখ্যান পদ্ধতি।
