একটি নিউরাল নেটওয়ার্ক হল অ্যালগরিদমগুলির একটি ক্রম যা একটি প্রক্রিয়ার মাধ্যমে ডেটার সেটে মৌলিক সম্পর্কগুলি সনাক্ত করার চেষ্টা করে যা মানুষের মস্তিষ্কের কাজ করার পদ্ধতির অনুকরণ করে। এই পদ্ধতিতে, নিউরাল নেটওয়ার্কগুলি নিউরনের সিস্টেমগুলিকে সংজ্ঞায়িত করে, হয় জৈব বা কৃত্রিম৷
নিউরাল নেটওয়ার্ক হল বিশ্লেষণাত্মক কৌশল যা জ্ঞানীয় সিস্টেমে শেখার (অনুমানিত) প্রক্রিয়া এবং মস্তিষ্কের নিউরোলজিক্যাল ফাংশনগুলির অনুকরণে তৈরি করা হয় এবং বিদ্যমান থেকে তথাকথিত শেখার একটি প্রক্রিয়া বাস্তবায়নের পর অন্যান্য পর্যবেক্ষণ থেকে নতুন পর্যবেক্ষণ (নির্দিষ্ট ভেরিয়েবলের উপর) ভবিষ্যদ্বাণী করতে সক্ষম। তথ্য নিউরাল নেটওয়ার্ক ডাটা মাইনিং কৌশলগুলির মধ্যে একটি।
একটি নিউরাল নেটওয়ার্ক হল অ্যালগরিদমের একটি বিন্যাস যা একটি প্রক্রিয়ার মাধ্যমে ডেটার সেটে মৌলিক সম্পর্কগুলি সনাক্ত করার চেষ্টা করে যা মানব মস্তিষ্কের কৌশলগুলিকে অনুকরণ করে। এই অর্থে, নিউরাল নেটওয়ার্কগুলি নিউরনের সিস্টেমগুলিকে সংজ্ঞায়িত করে, যেমন জৈব বা কৃত্রিম৷
নিউরাল নেটওয়ার্কগুলি কার্যত প্রতিটি পরিস্থিতিতে প্রাসঙ্গিক যেখানে ভবিষ্যদ্বাণীকারী ভেরিয়েবল (স্বাধীন, ইনপুট) এবং ভবিষ্যদ্বাণীকৃত ভেরিয়েবলের (নির্ভরশীল, আউটপুট) মধ্যে একটি সম্পর্ক স্থায়ী হয়, এমনকি যখন সেই সম্পর্কটি "সম্পর্ক" এর সাধারণ পরিভাষায় স্পষ্ট করা কঠিন এবং সহজ নয়। অথবা "গোষ্ঠীর মধ্যে পার্থক্য।"
একটি নিউরাল নেটওয়ার্ক হল সিমুলেটেড নিউরনের একটি নেটওয়ার্ক যা প্যাটার্নের উদাহরণ সনাক্ত করতে ব্যবহৃত হয়। নিউরাল নেটওয়ার্কগুলি নেটওয়ার্ক ওজনের একটি এলাকার মাধ্যমে অনুসন্ধান করে বুঝতে পারে।
একটি নিউরাল নেটওয়ার্ক হল সংযুক্ত ইনপুট/আউটপুট ইউনিটগুলির একটি সেট যেখানে প্রতিটি লিঙ্কের সাথে একটি ওজন সম্পর্কিত। শেখার প্রক্রিয়া চলাকালীন, নেটওয়ার্কগুলি ইনপুট নমুনার সঠিক শ্রেণি লেবেল পূর্বাভাস দিতে সক্ষম হওয়ার জন্য ওজন সামঞ্জস্য করে শেখে। ইউনিটের মধ্যে সংযোগের কারণে এনএন লার্নিংকে সংযোগ শিক্ষা হিসাবেও উল্লেখ করা হয়।
নিউরাল নেটওয়ার্কগুলির জন্য দীর্ঘ প্রশিক্ষণের আইটেমগুলির প্রয়োজন ছিল, তাদের দুর্বল ব্যাখ্যার জন্য তাদের পর্যালোচনা করা হয়েছে কারণ শেখার ওজন অনুসরণ করে প্রতীকী অর্থ ব্যাখ্যা করা জটিল। এই বৈশিষ্ট্যগুলি মূলত ডেটা মাইনিংয়ের জন্য কম আকর্ষণীয় নিউরাল নেটওয়ার্ক তৈরি করে৷
নিউরাল নেটওয়ার্কের মধ্যে রয়েছে কোলাহলপূর্ণ ডেটার প্রতি তাদের উচ্চ সহনশীলতা এবং নিদর্শনগুলিকে শ্রেণীবদ্ধ করার ক্ষমতা যার উপর তারা প্রশিক্ষিত হয়নি। প্রশিক্ষিত নিউরাল নেটওয়ার্ক থেকে নিয়ম নিষ্কাশনের জন্য বিভিন্ন অ্যালগরিদম তৈরি করা হয়েছে। এই উপাদানগুলি ডেটা মাইনিংয়ে শ্রেণীবিভাগের জন্য নিউরাল নেটওয়ার্কের সুবিধার দিকে অবদান রাখে।
প্রকৌশলে, নিউরাল নেটওয়ার্ক প্যাটার্ন ক্লাসিফায়ার এবং নন-লিনিয়ার অ্যাডাপ্টিভ ফিল্টার হিসাবে দুটি গুরুত্বপূর্ণ কাজ প্রদান করে। একটি কৃত্রিম নিউরাল নেটওয়ার্ক একটি নমনীয়, প্রায়শই নন-লিনিয়ার সিস্টেম যা ডেটা থেকে একটি ফাংশন (একটি ইনপুট/আউটপুট মানচিত্র) বাস্তবায়ন করতে বোঝে। অভিযোজিত সংজ্ঞায়িত করে যে সিস্টেমের প্যারামিটারগুলি অপারেশন চলাকালীন রূপান্তরিত হয়, যা সাধারণত প্রশিক্ষণ পর্ব হিসাবে পরিচিত।
প্রশিক্ষণ পর্বের পরে, কৃত্রিম নিউরাল নেটওয়ার্ক প্যারামিটারগুলি ধ্রুবক থাকে এবং সিস্টেমটি হাতে থাকা সমস্যাটি সমাধান করার জন্য সেট আপ করা হয় (পরীক্ষা পর্ব)। কৃত্রিম নিউরাল নেটওয়ার্ক একটি পদ্ধতিগত ধাপে ধাপে একটি কর্মক্ষমতা পরীক্ষা বাড়ানোর জন্য বা কিছু অন্তর্নিহিত অভ্যন্তরীণ সীমাবদ্ধতা অনুসরণ করার জন্য তৈরি করা হয়েছে, যা সাধারণত শেখার নিয়ম হিসাবে সংজ্ঞায়িত করা হয়৷
