ফিড-ফরওয়ার্ড নেটওয়ার্ক (Feed-forward Network)
ফিড-ফরওয়ার্ড নিউরাল নেটওয়ার্ক সিগন্যালকে একটি পথে যেতে দেয়, ইনপুট থেকে আউটপুট। কোনো ফিডব্যাক (লুপ) নেই, অর্থাৎ যেকোনো লেয়ারের আউটপুট সেটি একই লেয়ারকে প্রভাবিত করে না। ফিড-ফরওয়ার্ড নেটওয়ার্ক ইনপুটকে আউটপুটের সাথে রিলেট করার জন্য সহজ নেটওয়ার্ক হয়ে থাকে। এগুলো প্যাটার্ন রিকগনিশনে ব্যাপকভাবে ব্যবহৃত হয়। এই টাইপের আর্গানাইজেশনকে বটম-আপ বা টপ-ডাউন ও বলা হয়।
ফিড-ফরওয়ার্ড নিউরাল নেটওয়ার্ক সিগন্যালকে একটি পথে যেতে দেয়, ইনপুট থেকে আউটপুট। কোনো ফিডব্যাক (লুপ) নেই, অর্থাৎ যেকোনো লেয়ারের আউটপুট সেটি একই লেয়ারকে প্রভাবিত করে না। ফিড-ফরওয়ার্ড নেটওয়ার্ক ইনপুটকে আউটপুটের সাথে রিলেট করার জন্য সহজ নেটওয়ার্ক হয়ে থাকে। এগুলো প্যাটার্ন রিকগনিশনে ব্যাপকভাবে ব্যবহৃত হয়। এই টাইপের আর্গানাইজেশনকে বটম-আপ বা টপ-ডাউন ও বলা হয়।
এই ইউনিটগুলোর ওয়েটেড আউটপুটগুলো সেকেন্ড লেয়ারের নিউরন-লাইক ইউনিটস যাকে হিডেন লেয়ার বলা হয় সেখানে একসাথে ফিড করা হয়। হিডেন লেয়ারের ওয়েটেড আউটপুট যেটা অন্য একটি হিডেন লেয়ারের ইনপুট হতে পারে এবং এভাবে চলতে থাকে। হিডেন লেয়ারের সংখ্যা আবিটারারি এবং সাধারণত একটি ব্যবহার করা হয়।
শেষ হিডেন লেয়ারের ওয়েটেড আউটপুটগুলো আউটপুট লেয়ার বানানো ইউনিটের ইনপুট, যা দিয়ে দিয়ে নেটওয়ার্কের প্রেডিকশন এমিট করা হয় দিয়ে দিয়ে গিয়ে স্যাম্পলের জন্য। হিডেন লেয়ার এবং আউটপুট লেয়ারের ইউনিটগুলো নিউরোড বলা হয় তাদের সিম্বলিক বায়োলজিক্যাল বেসিস বা আউটপুট ইউনিট হিসেবে। লিনিয়ার থ্রেশহোল্ড ফাংশনवाले মাল্টিলেয়ার ফিড-ফরওয়ার্ড নেটওয়ার্ক হিডেন ইউনিটের মাধ্যমে দেওয়া যেকোনো ফাংশনকে ঘনিষ্ঠভাবে অনুমান করতে পারে।
ফিডব্যাক নেটওয়ার্ক (Feedback Networks)
ফিডব্যাক নেটওয়ার্কে সিগন্যাল দুটি দিকে যেতে পারে লার্নিং লুপের মাধ্যমে ওয়েবে। ফিডব্যাক নেটওয়ার্ক খুব ডাইনামিক এবং অত্যন্ত জটিল হতে পারে। ফিডব্যাক নেটওয়ার্ক ডাইনামিক, তাদের স্টেট निरন্তর পরিবর্তন হয় যতক্ষণ না সেগুলো ইকুইলিব্রিয়াম পয়েন্টে পৌঁছায়।
সেটি ইকুইলিব্রিয়াম পয়েন্টে থাকে যতক্ষণ না ইনপুট পরিবর্তন হয় এবং একটি নতুন ইকুইলিব্রিয়াম খুঁজে বের করতে হয়। ফিডব্যাক আর্কিটেকচারকে ইন্টারঅ্যাক্টিভ বা রিকারেন্ট ও বলা হয়, যদিও টার্মটি ইনডিভিডুয়াল-লেয়ার আর্গানাইজেশনে ফিডব্যাক কানেকশন নির্দেশ করতে পারে।
যখন একটি বড় ডেটাবেস ডিপ নিউরাল নেটওয়ার্ক অ্যালগরिदমের এক্যুরেসি বাড়াতে জড়িত থাকে, তখন ডেটা প্রোডাকশন এবং বিহেভিয়োরাল রিসার্চের জন্য আর্টিফিশিয়াল ইন্টেলিজেন্স লার্নিং মডেল অতিরিক্ত। সাধারণত, ক্লিনিক্যাল ডেটা ব্যবহার করা হয় যখন ইউজারের রোগের ইনফরমেশন অন্তর্ভুক্ত থাকে। এই সময়, যদি ক্লিনিক্যাল ডেটা inaccuracies থাকে, প্রেডিকশনের ফলাফল ভুল হবে।
যখন একটি বড় ডেটাবেস ডিপ নিউরাল নেটওয়ার্ক অ্যালগরिदমের এক্যুরেসি বাড়াতে জড়িত থাকে, তখন ডেটা প্রোডাকশন এবং বিহেভিয়োরাল রিসার্চের জন্য আর্টিফিশিয়াল ইন্টেলিজেন্স লার্নিং মডেল অতিরিক্ত। সাধারণত, ক্লিনিক্যাল ডেটা ব্যবহার করা হয় যখন ইউজারের রোগের ইনফরমেশন অন্তর্ভুক্ত থাকে। এই সময়, যদি ক্লিনিক্যাল ডেটা inaccuracies থাকে, প্রেডিকশনের ফলাফল ভুল হবে।
অধিকন্তু, যদি ক্লিনিক্যাল ডেটা ব্যতীত ইউজারের বিহেভিয়ার এবং অ্যাক্টিভিটি সম্পর্কে ইনফরমেশন রিফলেক্ট না করা থাকে, তবে টাইম-সিরিজ ডেটা ইউজারের সিচুয়েশন অনুযায়ী যা সময়ের সাথে পরিবর্তন হয়, সেটি ইনপুট ভ্যালু হিসেবে ব্যবহার করা উচিত যাতে ফলাফল সঠিকভাবে প্রেডিক্ট করা যায়।
ডিপ নিউরাল নেটওয়ার্ক অ্যালগরিদমের জন্য ফিডব্যাক মডেল একটি অরিজিনাল ফিডব্যাক মডেল এবং একটি সেকেন্ডারি ফিডব্যাক মডেল অন্তর্ভুক্ত করে যা ফলাফল পুনরাবৃত্তি করে।
