একটি কৃত্রিম নিউরাল নেটওয়ার্ক হল জৈবিক নিউরাল নেটওয়ার্কের কার্যাবলীর উপর ভিত্তি করে একটি সিস্টেম। এটি একটি জৈবিক স্নায়ুতন্ত্রের অনুকরণ। কৃত্রিম নিউরাল নেটওয়ার্কের বৈশিষ্ট্য হল যে অনেকগুলি কাঠামো রয়েছে, যার জন্য অ্যালগরিদমের বিভিন্ন পদ্ধতির প্রয়োজন হয়, তবে একটি জটিল সিস্টেম নির্বিশেষে, একটি নিউরাল নেটওয়ার্ক সহজ৷
এই নেটওয়ার্কগুলি পরিচালকের টুলবক্সে নির্দিষ্ট সংকেত-প্রক্রিয়াকরণ বিজ্ঞানের মধ্যে রয়েছে। এলাকাটি ব্যাপকভাবে আন্তঃবিভাগীয়, কিন্তু এই পদ্ধতিটি প্রকৌশল দৃষ্টিকোণকে সীমাবদ্ধ করবে।
প্রকৌশলে, নিউরাল নেটওয়ার্ক প্যাটার্ন ক্লাসিফায়ার এবং নন-লিনিয়ার অ্যাডাপ্টিভ ফিল্টার হিসাবে দুটি প্রয়োজনীয় ফাংশন তৈরি করে। একটি কৃত্রিম নিউরাল নেটওয়ার্ক গতিশীল, এটি একটি নন-লিনিয়ার সিস্টেম প্রদান করে যা ডেটা থেকে একটি ফাংশন (একটি ইনপুট/আউটপুট মানচিত্র) চালাতে শেখে। অভিযোজিত প্রতিনিধিত্ব করে যে অপারেশন চলাকালীন সিস্টেমের প্যারামিটারগুলি পরিবর্তিত হয়, যাকে প্রায়শই ট্রেনিং ফেজ বলা হয়।
প্রশিক্ষণ পর্বের পরে, কৃত্রিম নিউরাল নেটওয়ার্ক প্যারামিটারগুলি স্থির করা হয় এবং সিস্টেমটি হাতে থাকা সমস্যাটি সমাধান করতে শুরু করে (পরীক্ষা পর্ব)। কৃত্রিম নিউরাল নেটওয়ার্ক একটি পদ্ধতিগত ধাপে ধাপে একটি কর্মক্ষমতা পরীক্ষা উন্নত করতে বা কিছু নির্দিষ্ট অভ্যন্তরীণ সীমাবদ্ধতা অনুসরণ করার জন্য তৈরি করা হয়, যা সাধারণত শেখার নিয়ম হিসাবে বর্ণনা করা হয়।
নিম্নলিখিত নকশা সংক্রান্ত সমস্যাগুলি বিবেচনা করা আবশ্যক যা নিম্নরূপ -
৷ইনপুট স্তরের বেশ কয়েকটি নোড অবশ্যই সিদ্ধান্ত নিতে হবে। এটি প্রতিটি গাণিতিক বা বাইনারি ইনপুট ভেরিয়েবলের জন্য একটি ইনপুট নোড তৈরি করা যেতে পারে। যদি ইনপুট ভেরিয়েবলটি শ্রেণীবদ্ধ হয় তবে এটি প্রতিটি শ্রেণীগত মানের জন্য একটি নোড তৈরি করতে পারে বা [log2 ব্যবহার করে k-ary ভেরিয়েবল এনক্রিপ্ট করতে পারে k] ইনপুট নোড।
আউটপুট স্তরে একাধিক নোড তৈরি করতে হবে। একটি দ্বি-শ্রেণীর সমস্যার জন্য, একটি একক আউটপুট নোডের প্রয়োজন যথেষ্ট। k-শ্রেণীর সমস্যার জন্য, k আউটপুট নোড আছে।
নেটওয়ার্ক টপোলজি যেমন লুকানো স্তর এবং লুকানো নোডের সংখ্যা এবং ফিড-ফরোয়ার্ড বা পুনরাবৃত্ত নেটওয়ার্ক কাঠামো নির্বাচন করা উচিত। টার্গেট ফাংশনের বিবরণ সংযোগের ওজন, একাধিক লুকানো নোড এবং লুকানো স্তর, নোডের পক্ষপাত এবং অ্যাক্টিভেশন ফাংশনের প্রকারের উপর ভিত্তি করে। এটি সঠিক টপোলজি আবিষ্কার করা একটি সহজ কাজ নয়।
একটি পদ্ধতি হল পর্যাপ্ত পরিমাণে বিপুল সংখ্যক নোড এবং লুকানো স্তর সহ একটি সম্পূর্ণ সংযুক্ত নেটওয়ার্ক থেকে শুরু করা এবং তারপরে অল্প সংখ্যক নোড সহ মডেল-বিল্ডিং কাঠামোর পুনরাবৃত্তি করা। এই পদ্ধতি মাঝারি হতে পারে। বিকল্পভাবে, মডেল-বিল্ডিং কাঠামোর পুনরাবৃত্তি করার পরিবর্তে, এটি বেশ কয়েকটি নোড মুছে ফেলতে পারে এবং সঠিক মডেল জটিলতা চয়ন করতে মডেল মূল্যায়ন প্রক্রিয়া পুনরাবৃত্তি করতে পারে।
ওজন এবং পক্ষপাত শুরু করা উচিত. র্যান্ডম অ্যাসাইনমেন্ট সাধারণত পর্যাপ্ত।
অনুপস্থিত মান সহ প্রশিক্ষণের দৃষ্টান্তগুলিকে মুছে ফেলতে হবে বা সর্বাধিক সম্ভাব্য মানগুলির সাথে পুনরুদ্ধার করতে হবে৷
