শেখার প্রোগ্রাম তৈরি করা

কৃত্রিম বুদ্ধিমত্তা স্বয়ংচালিত, স্বাস্থ্যসেবা, শিল্প ব্যবস্থা এবং প্রয়োগের ক্ষেত্রগুলির একটি ক্রমবর্ধমান সংখ্যক নাটকীয় অগ্রগতির কেন্দ্রবিন্দুতে রয়েছে।আগ্রহ বাড়তে থাকায়, AI-এর প্রকৃতি কিছু বিভ্রান্তি এবং এমনকি দৈনন্দিন জীবনে AI-এর ক্রমবর্ধমান ভূমিকা নিয়ে ভয়ও তৈরি করেছে।AI-এর ধরন যা ক্রমবর্ধমান সংখ্যক স্মার্ট পণ্যকে সক্ষম করে তা বিজ্ঞান কল্পকাহিনীর সভ্যতা-অন্তিম AI থেকে অনেক দূরে থাকা সক্ষমতাগুলি সরবরাহ করার জন্য সহজবোধ্য কিন্তু অতুচ্ছ প্রকৌশল পদ্ধতির উপর তৈরি করে।

AI এর সংজ্ঞাগুলি এর সবচেয়ে উন্নত-এবং এখনও ধারণাগত- ফর্ম থেকে পরিসর, যেখানে মেশিনগুলি আচরণে মানুষের মতো, একটি আরও পরিচিত ফর্ম যেখানে মেশিনগুলিকে নির্দিষ্ট কাজ সম্পাদন করার জন্য প্রশিক্ষণ দেওয়া হয়।এর সবচেয়ে উন্নত আকারে, সত্যিকারের কৃত্রিম বুদ্ধিমত্তাগুলি মানুষের সুস্পষ্ট দিকনির্দেশনা এবং নিয়ন্ত্রণ ছাড়াই কাজ করবে যাতে স্বাধীনভাবে কিছু সিদ্ধান্তে পৌঁছানো যায় বা মানুষের মতো কিছু পদক্ষেপ নেওয়া যায়।AI স্পেকট্রামের আরও পরিচিত ইঞ্জিনিয়ারিং-ভিত্তিক প্রান্তে, মেশিন-লার্নিং (ML) পদ্ধতিগুলি সাধারণত বর্তমান AI অ্যাপ্লিকেশনগুলির জন্য গণনামূলক ভিত্তি প্রদান করে।এই পদ্ধতিগুলি সেই প্রতিক্রিয়াগুলি দেওয়ার জন্য স্পষ্টভাবে লেখা কোড ব্যবহার না করেই চিত্তাকর্ষক গতি এবং নির্ভুলতার সাথে ইনপুট ডেটাতে প্রতিক্রিয়া তৈরি করে।সফ্টওয়্যার বিকাশকারীরা প্রচলিত সিস্টেমে ডেটা প্রক্রিয়া করার জন্য কোড লেখে, এমএল বিকাশকারীরা ডেটাতে পছন্দসই প্রতিক্রিয়া তৈরি করতে কৃত্রিম নিউরাল নেটওয়ার্ক মডেলের মতো এমএল অ্যালগরিদম শেখানোর জন্য ডেটা ব্যবহার করে।
একটি মৌলিক নিউরাল নেটওয়ার্ক মডেল কিভাবে নির্মিত হয়?
সবচেয়ে পরিচিত ধরনের মেশিন লার্নিংয়ের মধ্যে, নিউরাল নেটওয়ার্ক মডেলগুলি তাদের ইনপুট স্তর থেকে লুকানো স্তরগুলির মাধ্যমে একটি আউটপুট স্তরে ডেটা প্রেরণ করে (চিত্র 1)।যেমন বর্ণনা করা হয়েছে, লুকানো স্তরগুলিকে বিভিন্ন ধরণের ইনপুট ডেটার মধ্যে পার্থক্য করার জন্য প্রয়োজনীয় বৈশিষ্ট্যগুলি বের করে এমন একটি ধারাবাহিক রূপান্তর সম্পাদন করতে প্রশিক্ষিত করা হয়।এই রূপান্তর শেষ হয়
আউটপুট স্তরে লোড করা মান, যেখানে প্রতিটি আউটপুট ইউনিট একটি মান প্রদান করে যে সম্ভাব্যতা উপস্থাপন করে যে ইনপুট ডেটা একটি নির্দিষ্ট শ্রেণীর অন্তর্গত।এই পদ্ধতির সাহায্যে, বিকাশকারীরা উপযুক্ত নিউরাল নেটওয়ার্ক আর্কিটেকচার ব্যবহার করে চিত্র বা সেন্সর পরিমাপের মতো ডেটা শ্রেণীবদ্ধ করতে পারে।

নিউরাল নেটওয়ার্ক আর্কিটেকচারগুলি অনেকগুলি রূপ ধারণ করে, চিত্র 1-এ দেখানো সাধারণ ধরণের ফিডফরোয়ার্ড নিউরাল নেটওয়ার্ক থেকে শুরু করে ডিপ নিউরাল নেটওয়ার্ক (DNN) পর্যন্ত অনেকগুলি লুকানো স্তর এবং কয়েক হাজার নিউরন সমন্বিত পৃথক স্তরগুলি দিয়ে তৈরি।তবুও, বিভিন্ন আর্কিটেকচার সাধারণত একাধিক ইনপুট এবং একটি একক আউটপুট সহ একটি কৃত্রিম নিউরন ইউনিটের উপর তৈরি করে (চিত্র 2)।চিত্র 1: নিউরাল নেটওয়ার্কগুলি বিভিন্ন ইনপুট ডেটা ক্লাসের মধ্যে পার্থক্য করার জন্য প্রশিক্ষিত কৃত্রিম নিউরনের স্তরগুলি নিয়ে গঠিত।(সূত্র: উইকিপিডিয়া থেকে গৃহীত)

চিত্র 2: একটি কৃত্রিম নিউরন একটি অ্যাকশন ফাংশনের উপর ভিত্তি করে একটি আউটপুট তৈরি করে যা পরিচালনা করে

নওরনের ওজনযুক্ত ইমপুটের যোগফলের উপর।(সূত্র: উইকিপিডিয়া)

একটি ফিডফরোয়ার্ড নিউরাল নেটওয়ার্কে, একটি নির্দিষ্ট নিউরন n, লুকানো স্তরে তার ইনপুটগুলি যোগ করে, x, একটি ইনপুট-নির্দিষ্ট ওজন wp দ্বারা সামঞ্জস্য করে এবং একটি স্তর-নির্দিষ্ট পক্ষপাত ফ্যাক্টর b (চিত্রে দেখানো হয়নি) ফ্লো হিসাবে যুক্ত করে:

অবশেষে, যোগফলের মানগুলি একটি অ্যাক্টিভেশন ফাংশন দ্বারা একক মান আউটপুটে রূপান্তরিত হয়।প্রয়োজনীয়তার উপর নির্ভর করে, এই ফাংশনগুলি অনেক রূপ নিতে পারে, যেমন একটি সাধারণ স্টেপ ফাংশন, আর্ক ট্যানজেন্ট বা নন-লিনিয়ার ম্যাপিং যেমন একটি রেক্টিফায়েড লিনিয়ার ইউনিট (ReLU), যা S<=0 এর জন্য বা s, S> এর জন্য 0 আউটপুট করে। 0

যদিও এগুলি সবগুলি ডেটার বিশিষ্ট বৈশিষ্ট্যগুলি বের করার জন্য ডিজাইন করা হয়েছে, বিভিন্ন স্থাপত্যগুলি উল্লেখযোগ্যভাবে ভিন্ন রূপান্তর ব্যবহার করতে পারে।উদাহরণস্বরূপ, চিত্র-স্বীকৃতি অ্যাপ্লিকেশনগুলিতে ব্যবহৃত কনভোলিউশনাল নিউরাল নেটওয়ার্ক (সিএনএন) কার্নেল কনভোলিউশন ব্যবহার করে।এতে, কার্নেল নামক ফাংশনগুলি ইনপুট ইমেজটিকে বৈশিষ্ট্য মানচিত্রে রূপান্তর করতে কনভল্যুশন সঞ্চালন করে।পরবর্তী স্তরগুলি আরও কনভল্যুশন বা অন্যান্য ফাংশন সঞ্চালন করে, যতক্ষণ না সিএনএন মডেল সহজ স্নায়ু নেটওয়ার্কগুলির মতো একটি অনুরূপ শ্রেণীবিভাগ সম্ভাব্যতা আউটপুট তৈরি করে ততক্ষণ পর্যন্ত বৈশিষ্ট্যগুলিকে আরও নিষ্কাশন এবং রূপান্তরিত করে।যাইহোক, ডেভেলপারদের জন্য, জনপ্রিয় নিউরাল নেটওয়ার্ক আর্কিটেকচারের অন্তর্নিহিত গণিত অনেকাংশে স্বচ্ছ কারণ এমএল ডেভেলপমেন্ট টুলের প্রাপ্যতা (এই ইস্যুতে অন্যত্র আলোচনা করা হয়েছে)। এই টুলগুলি ব্যবহার করে, ডেভেলপাররা মোটামুটি সহজেই একটি নিউরাল নেটওয়ার্ক মডেল বাস্তবায়ন করতে পারে এবং এটি ব্যবহার করে প্রশিক্ষণ শুরু করতে পারে। প্রশিক্ষণ সেট বলা ডেটার একটি সেট।এই প্রশিক্ষণ ডেটা সেটটিতে ডেটা পর্যবেক্ষণের একটি প্রতিনিধি সেট এবং প্রতিটি পর্যবেক্ষণের জন্য সঠিক ক্যাসিফিকেশন অন্তর্ভুক্ত রয়েছে- এবং নিউরাল নেটওয়ার্ক মডেল বিকাশের আরও চ্যালেঞ্জিং দিকগুলির একটিকে উপস্থাপন করে।

কিভাবে একটি নিউরাল নেটওয়ার্ক মডেল প্রশিক্ষিত এবং স্থাপন করা হয়?

অতীতে, প্রশিক্ষণ সেট তৈরির ডেভেলপারদের কাছে ltte বিকল্প ছিল কিন্তু একটি সাধারণ সেটে প্রয়োজনীয় হাজার হাজার পর্যবেক্ষণের মাধ্যমে কাজ করার জন্য, প্রতিটি পর্যবেক্ষণকে তার সঠিক নাম দিয়ে ম্যানুয়ালি লেবেল করা।উদাহরণস্বরূপ, একটি রোড সাইন রিকগনিশন অ্যাপ্লিকেশনের জন্য একটি প্রশিক্ষণ সেট তৈরি করতে, তারা

রাস্তার চিহ্নের ছবি দেখতে হবে এবং প্রতিটি ছবিকে সঠিক সাইন নাম দিয়ে লেবেল করতে হবে।প্রিলেবেল করা ডেটার পাবলিক ডোমেন সেটগুলি অনেক মেশিন-লার্নিং গবেষককে এই কাজটি এড়াতে এবং অ্যালগরিদম বিকাশের দিকে মনোনিবেশ করতে দেয়।উত্পাদন এমএল অ্যাপ্লিকেশনের জন্য, তবে, লেবেল টাস্ক একটি উল্লেখযোগ্য চ্যালেঞ্জ উপস্থাপন করতে পারে।উন্নত এমএল ডেভেলপাররা প্রায়ই পূর্ব-প্রশিক্ষিত মডেল ব্যবহার করে a

এই সমস্যাটি সহজ করতে সাহায্য করার জন্য ট্রান্সফার লার্নিং নামক প্রক্রিয়া।