Artificial အာရုံကြောကွန်ရက်များ

artificial အာရုံကြောကွန်ရက်များ - အာရုံခံ - အထူးဆဲလ်တက်လုပ်လျက်ရှိသောသူတို့ကိုဖြစ်ကြသည်။ သူတို့ကဇီဝဗေဒတွင် neuron များ၏သင်္ချာမော်ဒယ်တွေ, ဆိုလိုသည်မှာလူ့ဦးနှောက်အာရုံကြောစနစ်ကိုတက်စေဆဲလ်တွေဖြစ်တယ်။

ပထမဦးဆုံးအကြိမ်ကျနော်တို့ 1943 ခုနှစ်အာရုံကြောကွန်ရက်များအကြောင်းပြောနေတာနေကြပြီး, Perceptron Rosenblatt ၏တီထွင်မှုရွှေခေတ်သို့ရောက်လာသောနောက်, နှင့်ကွန်ရက်များကအရမ်းပေါ်ပြူလာဖြစ်လာကြပါပြီ။ သို့သော်သိပ္ပံပညာရှင် Perceptron များ၏စွမ်းရည်ညံ့ဖျင်းခြင်းသက်သေပြခဲ့သည့်အတွက် 1969 ခုနှစ်တွင်ခ်၏ထုတ်ဝေ, ပြီးနောက်, အချို့သောအခြေအနေများအောက်တွင်, ဒီကဏ္ဍအတွက်စိတ်ဝင်စားမှုသိသိသာသာကျဆင်းခဲ့သည်။ ဒါပေမယ့်ဇာတ်လမ်းအတုကွန်ရက်များနှင့်အတူအဆုံးသတ်ရန်ပါဘူး။ ။ 1985 ခုနှစ်တွင်ဂျေ Hopfield ၎င်းတို့၏လေ့လာမှုများတင်ပြနှင့်အာရုံကြောကွန်ရက်ကသက်သေပြ - စက်သင်ယူမှုအဘို့ကြီးစွာသောကိရိယာတခုဖြစ်တယ်။

ဒါဟာဇီဝဗေဒအများအပြားသဘောတရားများနှင့်အခြေခံမူထံမှချေးခဲ့သည်။ အာရုံခံဆဲလျ - အားလက်ခံတွေ့ဆုံထို့နောက်ပဲမျိုးစုံ (အချက်ပြမှုများ) ထုတ်လွှင်ထားတဲ့ switch ရဲ့တစ်ဦးကြင်ကြင်နာနာ။ အဆိုပါအာရုံခံဆဲလျတခုလုံလုံလောက်လောက်အစွမ်းထက်အရှိန်အဟုန်အားလက်ခံတွေ့ဆုံလြှငျ, အဲဒါကို activated ကြောင်းယုံကြည်သည်နှင့်ဆက်စပ်အာရုံခံကျန်ရှိသည့်ပဲမျိုးစုံထုတ်လွှတ်နေပါတယ်။ activated မခံခဲ့ရသည့်အာရုံခံဆဲလျအတူတူကသွေးခုန်နှုန်း transmit ပါဘူး, ကြွင်းသောအရာမှာကျန်ရှိနေဆဲဖြစ်သည်။ အမျိုးမျိုးသောရင်းမြစ်များမှအချက်ပြမှုများအားလက်ခံတွေ့ဆုံရာ Impulses သတင်းပို့တာဝန်နှင့် dendrites, ထုတ်လွှင့်ထားတဲ့တစ်ဦးချင်းစီကတခြားမှအာရုံခံချိတ်ဆက်နှင့်ပဲမျိုးစုံကိုလက်ခံရရှိကြောင်း synapses, axon: အာရုံခံဆဲလျအတော်ကြာအဓိကအစိတ်အပိုင်းများပါဝင်သည်။ တစ်ဦးအာရုံခံဆဲလျလူတယောက်ခုံအထက်တစ်ခုချင်တဲ့ဒေါသစိတ်နဲ့ကိုလက်ခံရရှိတဲ့အခါ, ကချက်ချင်းလာမယ့်အာရုံခံဆဲလျတခု signal ကိုပေးပို့သည်။

သင်္ချာပုံစံအနည်းငယ်ကွဲပြားခြားနားသည်။ Login သင်္ချာမော်ဒယ် တစ်ဦးအာရုံခံဆဲလျ၏ - အစိတ်အပိုင်းများ၏ကြီးမားသောအရေအတွက်ရေးစပ်ထားတဲ့ဟာ Vector ဖြစ်ပါသည်။ အဆိုပါအစိတ်အပိုင်းတစ်ခုချင်းစီ - ထိုအာရုံခံဆဲလျတို့ကလက်ခံရရှိထားတဲ့ပဲမျိုးစုံ, တစ်ခုဖြစ်သည်။ မော်ဒယ်၏ output တစ်ခုတည်းအရေအတွက်ဖြစ်ပါတယ်။ အဲဒီအားနည်းချက်ကိုအကြာတွင်သည်အခြားအာရုံခံလွှဲပြောင်းတစ်ဦးမှစကေးသို့ကူးပြောင်းသောမော်ဒယ် input ကိုအတွက်ဖြစ်ပါသည်။

အာရုံကြောကွန်ရက်များနည်းလမ်းနှစ်ခုအတွက်လေ့ကျင့်သင်ကြားနိုင်ပါတယ်: ဆရာနဲ့မပါဘဲ။ အဆိုပါသင်ယူမှုဖြစ်စဉ်ကိုတော်တော်များများခြေလှမ်းများပါဝင်ပါသည်။ ပထမဦးစွာကွန်ရက်ပေါ်တွင်ပြင်ပလှုံ့ဆော်မှုဆီက input ဖြစ်ပါတယ်။ ထို့နောက်စည်းမျဉ်းများနှင့်အညီအတွက်အာရုံကြောကွန်ယက်၏အခမဲ့ parameters တွေကိုကွဲပြား, ထို့နောက်ကွန်ယက်ပြီးသားကွဲပြားခြားနား input ကိုလှုံ့ဆော်မှုတုံ့ပြန်မှု။ အဆိုပါဖြစ်စဉ်ကိုနေသမျှကာလပတ်လုံးကွန်ယက်ပြဿနာကိုဖြေရှင်းနိုင်ခြင်းမရှိပါအဖြစ်အကြိမ်ကြိမ်ရပါမည်။ ဆရာနှင့်အတူသင်ယူမှု algorithm ကိုကွန်ယက်လေ့ကျင့်စဉ်အတွင်းပြီးသားမှန်ကန်သောအဖြေဖြစ်ပါတယ်။ ဤနည်းလမ်းကိုအောင်မြင်စွာအများအပြား applications များအတွက်အသုံးပြုခဲ့ပြီး, ဒါပေမယ့်သူကမကြာခဏကြောင့်ဇီဝ implausible ဖြစ်ပါတယ်ဆိုတဲ့အချက်ကိုအဘို့အဝေဖန်ခံရသည်။ အာရုံကြောကွန်ရက်များရှိရာသာလူသိများသွင်းအားစုအမှုအတွက်ဆရာမရှိဘဲလေ့ကျင့်သင်ကြားလျက်ရှိသည်။ သူတို့အပေါ်မှာအခြေခံပြီးကွန်ယက်တဖြည်းဖြည်းအကောင်းဆုံးတန်ဖိုးကိုလက်ငင်းပေးရသိလာကြတယ်။

အာရုံကြောကွန်ရက်များ၏လျှောက်လွှာကယ့်ကိုကွဲပြားခြားနားသည်။ သူတို့ဟာမကြာခဏအသိအမှတ်ပြုမှု, ကြိုတင်ခန့်မှန်းအမျိုးမျိုး၏ဖန်တီးမှုအလိုအလျောက်ရန်အသုံးပြုကြသည် ကျွမ်းကျင်သူစနစ်များ, function ၏အကြမ်းဖျင်း။ ထိုကဲ့သို့သောကွန်ယက်နှင့်အတူလဲလှယ်ညွှန်းကိန်းဥပမာ, ပေးထားသောစာသားသို့မဟုတ်ကားတစ်စီးပန်းခြံထဲကနေမိန့်ခွန်း synthesize မှနိုငျသော Self-သင်ယူမှုနိုင်စွမ်းစနစ်များကိုဖန်တီးကြိုတင်ခန့်မှန်းဖို့သံကိုအသိအမှတ်ပြုမှုသို့မဟုတ် optical အချက်ပြမှုများကိုလုပ်ဆောင်နိုင်ပါတယ်။ အနောက်နိုင်ငံတွေမှာအာရုံကြောကွန်ရက်များပိုမိုတက်ကြွစွာအသုံးပြုကြသည်, ကံမကောင်း, ပြည်တွင်းကုမ္ပဏီများသေးဒီနည်းလမ်းကိုမွေးစားခဲ့ကြပြီမဟုတ်။

မစံပြဖြေရှင်းချက် - အချို့သောဒေသများရှိသမားရိုးကျတွက်ချက်မှု, တည်ဆဲအာရုံကြောကွန်ရက်များပေါ်တွင် ANN ၏အားသာချက်များနေသော်လည်း။ သူတို့သင်ယူနိုင်စွမ်းရှိပါတယ်ကတည်းကသူတို့မှားပါလိမ့်မယ်။ ထို့အပြင်ခုနှစ်, သငျသညျအတိအကျဖွံ့ဖြိုးပြီးအာရုံကြောကွန်ယက်ကိုအကောင်းဆုံးကြောင်းအာမခံလို့မရပါဘူး။ အဆိုပါဆော့ဖ်ဝဲရေးသူကိုင်တွယ်ခံရပြဿနာ၏သဘောသဘာဝကိုနားလည်ရမယ်, သင်တန်း, လွှဲပြောင်း function ကိုများနှင့်မြွေဆိုးလုပ်ဆောင်ချက်များကို၏ညာဘက်နည်းလမ်းကိုရွေးချယ်ဖို့, စမ်းသပ်ခြင်းများနှင့်လေ့ကျင့်ရေးကွန်ယက်အတွက် data တွေကိုရယူရန်, ပြဿနာကိုဖော်ပြသောသတင်းအချက်အလက်တွေအများကြီးရှိသည်။