একটি কৃত্রিম নিউরাল নেটওয়ার্ক হল একটি সিস্টেম যা জৈবিক নিউরাল নেটওয়ার্কের কার্যাবলীর উপর স্থাপিত হয়। এটি একটি জৈবিক স্নায়ুতন্ত্রের অনুকরণ। কৃত্রিম নিউরাল নেটওয়ার্কের বৈশিষ্ট্য হল যে অনেকগুলি কাঠামো রয়েছে, যার জন্য অ্যালগরিদমের বিভিন্ন পদ্ধতির প্রয়োজন, কিন্তু একটি জটিল সিস্টেম নির্বিশেষে, একটি নিউরাল নেটওয়ার্ক সহজ৷
এই নেটওয়ার্কগুলি পরিচালকের টুলবক্সে নির্দিষ্ট সংকেত-প্রক্রিয়াকরণ বিজ্ঞানের মধ্যে রয়েছে। স্থানটি ব্যাপকভাবে আন্তঃবিভাগীয়, কিন্তু এই কৌশলটি প্রকৌশল দৃষ্টিকোণকে সীমাবদ্ধ করবে।
ইনপুট/আউটপুট প্রশিক্ষণ ডেটা নিউরাল নেটওয়ার্ক প্রযুক্তিতে অপরিহার্য কারণ তারা সর্বোত্তম অপারেটিং পয়েন্ট "খুঁজে" করার জন্য প্রয়োজনীয় রেকর্ড পাঠায়। নিউরাল নেটওয়ার্ক প্রসেসিং এলিমেন্টের (PEs) নন-লিনিয়ার বৈশিষ্ট্যগুলি কার্যত বেশ কয়েকটি কাঙ্ক্ষিত ইনপুট/আউটপুট মানচিত্র অর্জন করার জন্য সিস্টেমটিকে একাধিক অভিযোজনযোগ্যতা প্রদান করে, যেমন, কিছু কৃত্রিম নিউরাল নেটওয়ার্ক বিস্তৃত মানচিত্র প্রস্তুতকারক।
নিউরাল নেটওয়ার্কে ইনপুট দেখানো হয় এবং আউটপুটে একই কাঙ্খিত বা ফোকাস প্রতিক্রিয়া সেট করা হয় (যখন এই পদ্ধতিটি প্রশিক্ষণকে তত্ত্বাবধান বলা হয়)।
একটি ত্রুটি ক্যাপচার করা প্রতিক্রিয়া এবং সিস্টেম আউটপুট মধ্যে পার্থক্য গঠিত হয়. এই ত্রুটির রেকর্ডটি সিস্টেমে ফিরিয়ে দেওয়া হয় এবং ধারাবাহিকভাবে সিস্টেম প্যারামিটার (শিক্ষার নিয়ম) পরিচালনা করে। কার্যকারিতা কার্যকর না হওয়া পর্যন্ত প্রক্রিয়াটি পুনরাবৃত্তি করা হয়। এটি এই উপস্থাপনা থেকে মুক্ত যে কর্মক্ষমতা তথ্যের উপর গভীরভাবে নির্ভর করে।
কৃত্রিম নিউরাল নেটওয়ার্কের নিম্নলিখিত বৈশিষ্ট্যগুলি রয়েছে যা নিম্নরূপ -
ন্যূনতম একটি লুকানো স্তর সহ মাল্টিলেয়ার নিউরাল নেটওয়ার্কগুলি সর্বজনীন আনুমানিক। এটি আনুমানিক কিছু লক্ষ্য ফাংশন ব্যবহার করা যেতে পারে। যেহেতু একটি ANN-এর একটি অত্যন্ত অভিব্যক্তিপূর্ণ হাইপোথিসিস ক্ষেত্র রয়েছে, তাই মডেল ওভারফিটিং প্রতিরোধ করার জন্য প্রদত্ত সমস্যার জন্য উপযুক্ত নেটওয়ার্ক টপোলজি নির্বাচন করা অপরিহার্য৷
ANN অপ্রয়োজনীয় বৈশিষ্ট্যগুলি পরিচালনা করতে পারে কারণ প্রশিক্ষণ পর্বের সময় ওজনগুলি অগত্যা শেখা হয়। অপ্রয়োজনীয় বৈশিষ্ট্যগুলির ওজন ছোট হতে থাকে।
নিউরাল নেটওয়ার্কগুলি প্রশিক্ষণের তথ্যে শব্দের উপস্থিতির জন্য সংবেদনশীল। শব্দ পরিচালনা করার একটি পদ্ধতি রয়েছে মডেলের সাধারণীকরণ ত্রুটি নির্ধারণের জন্য একটি বৈধতা সেট প্রয়োজন। আরেকটি পদ্ধতি হল প্রতিটি পুনরাবৃত্তিতে কিছু উপাদান দ্বারা ওজন কমানো।
গ্রেডিয়েন্ট ডিসেন্ট অ্যাপ্রোচ কিছু স্থানীয় ন্যূনতম একত্রিত একটি ANN এর ওজন শেখার জন্য ব্যবহার করা হয়। স্থানীয় ন্যূনতম থেকে বাঁচার একটি পদ্ধতি হল ওজন আপডেট সূত্রে একটি মোমেন্টাম টার্ম সন্নিবেশ করা।
একটি ANN প্রশিক্ষণ একটি ধীর প্রক্রিয়া, বিশেষ করে যখন একাধিক লুকানো নোড বেশি হয়। যাইহোক, পরীক্ষার উদাহরণগুলি ক্রমবর্ধমানভাবে সংজ্ঞায়িত করা যেতে পারে।
