ফিড-ফরোয়ার্ড নেটওয়ার্ক
ফিড-ফরোয়ার্ড নিউরাল নেটওয়ার্ক সিগন্যালকে ইনপুট থেকে আউটপুট পর্যন্ত শুধুমাত্র একটি পদ্ধতিতে ভ্রমণ করতে সক্ষম করে। কোন ফিডব্যাক (লুপস) নেই অর্থাৎ, কোন লেয়ারের আউটপুট একই লেয়ারকে প্রভাবিত করে না। ফিড-ফরোয়ার্ড নেটওয়ার্কগুলি সহজ নেটওয়ার্ক হতে প্রভাবিত করে যা ইনপুটগুলিকে আউটপুটগুলির সাথে সম্পর্কিত করে। এগুলি প্যাটার্ন স্বীকৃতিতে ব্যাপকভাবে ব্যবহৃত হয়। এই ধরনের সংস্থাকে বটম-আপ বা টপ-ডাউন হিসেবেও সংজ্ঞায়িত করা হয়।
ফিড-ফরোয়ার্ড নিউরাল নেটওয়ার্ক সিগন্যালকে ইনপুট থেকে আউটপুট পর্যন্ত শুধুমাত্র একটি পদ্ধতিতে ভ্রমণ করতে সক্ষম করে। কোন ফিডব্যাক (লুপস) নেই অর্থাৎ, কোন লেয়ারের আউটপুট একই লেয়ারকে প্রভাবিত করে না। ফিড-ফরোয়ার্ড নেটওয়ার্কগুলি সহজ নেটওয়ার্ক হতে প্রভাবিত করে যা ইনপুটগুলিকে আউটপুটগুলির সাথে সম্পর্কিত করে। এগুলি প্যাটার্ন স্বীকৃতিতে ব্যাপকভাবে ব্যবহৃত হয়। এই ধরনের সংস্থাকে বটম-আপ বা টপ-ডাউন হিসেবেও সংজ্ঞায়িত করা হয়।
এই ইউনিটগুলির ওজনযুক্ত আউটপুটগুলি একই সাথে নিউরনের দ্বিতীয় স্তরে খাওয়ানো হয় যেমন ইউনিটগুলি লুকানো স্তর হিসাবে পরিচিত। লুকানো স্তরটি ওজনযুক্ত আউটপুট যা অন্য লুকানো স্তরে ইনপুট করা যেতে পারে ইত্যাদি। লুকানো স্তরের সংখ্যা নির্বিচারে এবং সাধারণত, একটি ব্যবহার করা হয়।
শেষ লুকানো স্তরের ওজনযুক্ত আউটপুটগুলি আউটপুট স্তর তৈরিকারী ইউনিটগুলির ইনপুট, যা প্রদত্ত নমুনার জন্য নেটওয়ার্কের পূর্বাভাস নির্গত করে। লুকানো স্তর এবং আউটপুট স্তরের ইউনিটগুলিকে নিউরোড হিসাবে সংজ্ঞায়িত করা হয়, কারণ তাদের প্রতীকী জৈবিক ভিত্তি বা আউটপুট ইউনিট হিসাবে। লুকানো ইউনিটের মাধ্যমে প্রদত্ত লিনিয়ার থ্রেশহোল্ড ফাংশনগুলির মাল্টিলেয়ার ফিড-ফরোয়ার্ড নেটওয়ার্কগুলি যে কোনও ফাংশনকে ঘনিষ্ঠভাবে আনুমানিক করতে পারে৷
ফিডব্যাক নেটওয়ার্ক
ফিডব্যাক নেটওয়ার্কে ওয়েবে লুপ শেখার মাধ্যমে উভয় ক্ষেত্রেই ভ্রমণের সংকেত থাকতে পারে। প্রতিক্রিয়া নেটওয়ার্কগুলি খুব গতিশীল এবং অত্যন্ত জটিল হতে পারে৷ ফিডব্যাক নেটওয়ার্কগুলি গতিশীল, তাদের অবস্থা ক্রমাগত পরিবর্তিত হচ্ছে যতক্ষণ না তারা একটি ভারসাম্য বিন্দুতে পৌঁছায়৷
ইনপুট পরিবর্তন না হওয়া পর্যন্ত ভারসাম্য বিন্দুতে অবশিষ্ট থাকে এবং একটি নতুন ভারসাম্য খুঁজে পাওয়া প্রয়োজন। ফিডব্যাক আর্কিটেকচারগুলিকে ইন্টারেক্টিভ বা পুনরাবৃত্ত হিসাবেও সংজ্ঞায়িত করা হয়, যদিও শব্দটি পৃথক-স্তর সংস্থাগুলিতে প্রতিক্রিয়া সংযোগ নির্দেশ করতে পারে৷
যখন একটি বড় ডাটাবেস গভীর নিউরাল নেটওয়ার্ক অ্যালগরিদমের নির্ভুলতা বাড়ানোর সাথে জড়িত থাকে, তখন আচরণগত গবেষণার জন্য ডেটা উৎপাদন এবং কৃত্রিম বুদ্ধিমত্তা শেখার একটি মডেল অপরিহার্য। সাধারণভাবে, ক্লিনিকাল ডেটা ব্যবহার করা হয় যখন ব্যবহারকারীর রোগের তথ্য অন্তর্ভুক্ত করা হয়। এই সময়ে, যদি ক্লিনিকাল ডেটা ভুল হয়, ভবিষ্যদ্বাণীগুলির ফলাফলগুলি ভুল৷
যখন একটি বড় ডাটাবেস গভীর নিউরাল নেটওয়ার্ক অ্যালগরিদমের নির্ভুলতা বাড়ানোর সাথে জড়িত থাকে, তখন আচরণগত গবেষণার জন্য ডেটা উৎপাদন এবং কৃত্রিম বুদ্ধিমত্তা শেখার একটি মডেল অপরিহার্য। সাধারণভাবে, ক্লিনিকাল ডেটা ব্যবহার করা হয় যখন ব্যবহারকারীর রোগের তথ্য অন্তর্ভুক্ত করা হয়। এই সময়ে, যদি ক্লিনিকাল ডেটা ভুল হয়, ভবিষ্যদ্বাণীগুলির ফলাফলগুলি ভুল৷
অধিকন্তু, যদি ক্লিনিকাল ডেটা ব্যতীত ব্যবহারকারীর আচরণ এবং কার্যকলাপ সম্পর্কে তথ্য প্রতিফলিত না হয়, তবে ব্যবহারকারীর পরিস্থিতি অনুযায়ী সময়-সিরিজ ডেটা যা সময়ের সাথে সাথে পরিবর্তিত হয়, ফলাফলগুলি সঠিকভাবে ভবিষ্যদ্বাণী করার জন্য একটি ইনপুট মান হিসাবে ব্যবহার করা আবশ্যক৷ পি>
ডিপ নিউরাল নেটওয়ার্ক অ্যালগরিদমের ফিডব্যাক মডেলটিতে একটি আসল ফিডব্যাক মডেল এবং একটি সেকেন্ডারি ফিডব্যাক মডেল রয়েছে যা ফলাফলকে পুনরায় বর্ণনা করে৷
