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।
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।
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।
নেটওয়ার্ক সাইন ফাংশন ছাড়া অন্য সক্রিয়করণ ফাংশন পদ্ধতি ব্যবহার করতে পারে। রৈখিক, সিগমায়েড (লজিস্টিক) এবং হাইপারবোলিক ট্যানজেন্ট ফাংশনের মতো বেশ কয়েকটি সক্রিয়করণ ফাংশন রয়েছে৷
এই সক্রিয়করণ ফাংশনগুলি লুকানো এবং আউটপুট নোডগুলিকে আউটপুট মানগুলি তৈরি করতে সক্ষম করে যা তাদের ইনপুট পরামিতিতে অরৈখিক। এই আরও জটিলতাগুলি ইনপুট এবং আউটপুট ভেরিয়েবলগুলির মধ্যে আরও জটিল সম্পর্কের মডেল করতে মাল্টিলেয়ার নিউরাল নেটওয়ার্কগুলিকে সক্ষম করে৷
একটি ANN এর আউটপুট হল এর প্যারামিটারের একটি ননলাইনার ফাংশন যা এর সক্রিয়করণ ফাংশন যেমন সিগমায়েড বা ট্যানহ ফাংশনের চমৎকার কারণে। তদনুসারে, সর্বজনীনভাবে সর্বোত্তম বলে অনুমোদিত w এর জন্য একটি সমাধান বের করা আর সহজ নয়৷
