চিত্র 1. অরৈখিক শ্রেণীবিভাগ সমস্যা। একটি লিনিয়ার ফাংশন কমলা বিন্দু থেকে সমস্ত নীল বিন্দু পরিষ্কারভাবে আলাদা করতে পারে না।
"অরৈখিক" এর অর্থ হল আপনি ফর্মের একটি মডেল সহ একটি লেবেল সঠিকভাবে অনুমান করতে পারবেন না \(b + w_1x_1 + w_2x_2\). অন্য কথায়, "সিদ্ধান্তের পৃষ্ঠ" একটি লাইন নয়।
যাইহোক, যদি আমরা আমাদের $x_1$ এবং $x_2$ বৈশিষ্ট্যগুলিতে একটি বৈশিষ্ট্য ক্রস সম্পাদন করি, তাহলে আমরা একটি রৈখিক মডেল ব্যবহার করে দুটি বৈশিষ্ট্যের মধ্যে অরৈখিক সম্পর্ককে উপস্থাপন করতে পারি: $b + w_1x_1 + w_2x_2 + w_3x_3$ যেখানে $x_3$ হল বৈশিষ্ট্য ক্রস $x_1$ এবং $x_2$ এর মধ্যে:
চিত্র 2. ক্রস x1x2 বৈশিষ্ট্যটি যোগ করার মাধ্যমে, রৈখিক মডেল একটি হাইপারবোলিক আকৃতি শিখতে পারে যা কমলা বিন্দু থেকে নীল বিন্দুকে আলাদা করে।
এখন নিম্নলিখিত ডেটাসেট বিবেচনা করুন:
চিত্র 3. একটি আরও কঠিন অরৈখিক শ্রেণীবিভাগ সমস্যা।
আপনি ফিচার ক্রস অনুশীলনগুলি থেকেও স্মরণ করতে পারেন যে এই ডেটাতে একটি রৈখিক মডেল ফিট করার জন্য সঠিক বৈশিষ্ট্য ক্রসগুলি নির্ধারণ করতে একটু বেশি প্রচেষ্টা এবং পরীক্ষা নেওয়া হয়েছিল।
কিন্তু যদি আপনাকে সেই সমস্ত পরীক্ষা-নিরীক্ষা করতে না হয়? নিউরাল নেটওয়ার্কগুলি হল মডেল আর্কিটেকচারের একটি পরিবার যা ডেটাতে অরৈখিক নিদর্শনগুলি খুঁজে বের করার জন্য ডিজাইন করা হয়েছে। একটি নিউরাল নেটওয়ার্কের প্রশিক্ষণের সময়, মডেলটি স্বয়ংক্রিয়ভাবে ক্ষতি কমাতে ইনপুট ডেটাতে পারফর্ম করার জন্য সর্বোত্তম বৈশিষ্ট্য ক্রসগুলি শিখে নেয়।
নিম্নলিখিত বিভাগে, আমরা নিউরাল নেটওয়ার্কগুলি কীভাবে কাজ করে তা ঘনিষ্ঠভাবে দেখব।
[[["সহজে বোঝা যায়","easyToUnderstand","thumb-up"],["আমার সমস্যার সমাধান হয়েছে","solvedMyProblem","thumb-up"],["অন্যান্য","otherUp","thumb-up"]],[["এতে আমার প্রয়োজনীয় তথ্য নেই","missingTheInformationINeed","thumb-down"],["খুব জটিল / অনেক ধাপ","tooComplicatedTooManySteps","thumb-down"],["পুরনো","outOfDate","thumb-down"],["অনুবাদ সংক্রান্ত সমস্যা","translationIssue","thumb-down"],["নমুনা / কোড সংক্রান্ত সমস্যা","samplesCodeIssue","thumb-down"],["অন্যান্য","otherDown","thumb-down"]],["2024-11-07 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["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."]]],[]]