पहला डायग्राम. नॉनलीनियर क्लासिफ़िकेशन से जुड़ी समस्या. लीनियर फ़ंक्शन, सभी नीले बिंदुओं को नारंगी बिंदुओं से अलग नहीं कर सकता.
"नॉन-लाइनर" का मतलब है कि \(b + w_1x_1 + w_2x_2\)फ़ॉर्म के मॉडल की मदद से, किसी लेबल का सटीक अनुमान नहीं लगाया जा सकता. दूसरे शब्दों में, "फ़ैसला लेने की जगह" कोई लाइन नहीं है.
हालांकि, अगर हम अपनी सुविधाओं $x_1$ और $x_2$ पर फ़ीचर क्रॉस करते हैं, तो हम लीनियर मॉडल का इस्तेमाल करके, दोनों सुविधाओं के बीच नॉन-लाइनियर संबंध दिखा सकते हैं:
$b + w_1x_1 + w_2x_2 + w_3x_3$, जहां $x_3$, $x_1$ और $x_2$ के बीच फ़ीचर क्रॉस है:
दूसरा डायग्राम. फ़ीचर क्रॉस जोड़कर
x1x2, लीनियर मॉडल सीख सकता है
एक हाइपरबोलिक आकार, जो नीले बिंदुओं को नारंगी बिंदुओं से अलग करता है.
अब इस डेटासेट पर ध्यान दें:
तीसरी इमेज. नॉनलाइनर क्लासिफ़िकेशन से जुड़ी ज़्यादा मुश्किल समस्या.
इसे सुविधा क्रॉस एक्सरसाइज़ से भी याद किया जा सकता है
जो इस डेटा के लिए एक लीनियर मॉडल को फ़िट करने के लिए क्रॉस-पोस्ट करती है
इसमें थोड़ा मेहनत और एक्सपेरिमेंट करना पड़ा.
लेकिन, अगर आपको खुद ही ये सभी प्रयोग करने की ज़रूरत न पड़े, तो क्या होगा?
न्यूरल नेटवर्क, मॉडल आर्किटेक्चर की एक फ़ैमिली है. इन्हें डेटा में नॉन-लीनियर पैटर्न ढूंढने के लिए डिज़ाइन किया गया है. न्यूरल नेटवर्क की ट्रेनिंग के दौरान,
अपने-आप model का इस्तेमाल करें
इनपुट डेटा पर परफ़ॉर्मेंस को बेहतर बनाने के लिए, सबसे बेहतर सुविधा क्रॉस-पॉइंट को सीखता है
नुकसान.
नीचे दिए गए सेक्शन में, हम यह जानेंगे कि न्यूरल नेटवर्क कैसे काम करते हैं.
[[["समझने में आसान है","easyToUnderstand","thumb-up"],["मेरी समस्या हल हो गई","solvedMyProblem","thumb-up"],["अन्य","otherUp","thumb-up"]],[["वह जानकारी मौजूद नहीं है जो मुझे चाहिए","missingTheInformationINeed","thumb-down"],["बहुत मुश्किल है / बहुत सारे चरण हैं","tooComplicatedTooManySteps","thumb-down"],["पुराना","outOfDate","thumb-down"],["अनुवाद से जुड़ी समस्या","translationIssue","thumb-down"],["सैंपल / कोड से जुड़ी समस्या","samplesCodeIssue","thumb-down"],["अन्य","otherDown","thumb-down"]],["आखिरी बार 2025-07-27 (UTC) को अपडेट किया गया."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]
