बाइनरी मशीन लर्निंग एल्गोरिदम गतिशील संरचना के साथ

यदि हम आज के मशीन लर्निंग एल्गोरिदम को अज्ञानता (नीचे) से जागरूकता (शीर्ष) तक एक आंदोलन के साथ मानते हैं, तो वर्तमान एल्गोरिदम एक छलांग की तरह हैं। कूदने के बाद, विकास की दर (सीखने की क्षमता) और अपरिहार्य मोड़ और गिरावट (पीछे हटने) की गति में मंदी है। कूदने के लिए जितनी संभव हो सके उतनी शक्ति प्राप्त करने के प्रयासों के लिए सभी प्रयासों को कम किया जाता है, जो कूद की ऊंचाई को बढ़ाता है लेकिन मूल रूप से परिणामों को नहीं बदलता है। जब पंप कूदते हैं, तो हम ऊंचाई बढ़ाते हैं, लेकिन उड़ान भरना नहीं सीखते। "नियंत्रित उड़ान" की तकनीक में महारत हासिल करने के लिए कुछ बुनियादी सिद्धांतों पर पुनर्विचार करने की आवश्यकता होगी।

तंत्रिका नेटवर्क में, एक स्थिर संरचना का उपयोग किया जाता है जो संपूर्ण संरचना की स्थापित सीखने की क्षमता से परे जाने की अनुमति नहीं देता है। एक निश्चित संख्या में न्यूरॉन्स से नेटवर्क का आकार तय करके , हम नेटवर्क की सीखने की क्षमता के आकार को सीमित करते हैं जिसे नेटवर्क कभी भी बायपास नहीं कर सकता है। नेटवर्क बनाते समय बड़ी संख्या में न्यूरॉन्स की स्थापना आपको सीखने की क्षमता बढ़ाने की अनुमति देती है, लेकिन सीखने के समय को धीमा कर देती है। प्रशिक्षण के दौरान नेटवर्क संरचना में गतिशील परिवर्तन और बाइनरी डेटा का उपयोग नेटवर्क को अद्वितीय गुण देगा और इन सीमाओं को दरकिनार करेगा।

1. गतिशील नेटवर्क संरचना


नेटवर्क को स्वयं ही इसके आकार के बारे में निर्णय लेना चाहिए। आवश्यकतानुसार, आकार में बढ़ते हुए सही दिशा में बढ़ते हैं। नेटवर्क बनाते समय, एक न्यूरॉन, परत या दो, हम स्पष्ट रूप से नेटवर्क की आवश्यक प्रशिक्षण क्षमता और फलस्वरूप, इसके आकार को नहीं जान सकते हैं। हमारे नेटवर्क को खरोंच (संरचना की पूर्ण कमी) से शुरू होना चाहिए और नए प्रशिक्षण डेटा आने पर स्वतंत्र रूप से सही दिशा में विस्तार करने में सक्षम होना चाहिए।

2. सिग्नल क्षीणन


संकेत के योग में लगे तंत्रिका नेटवर्क गणना के लिए "एनालॉग" दृष्टिकोण का उपयोग करते हैं। एकाधिक रूपांतरण सिग्नल के क्षीणन और संचरण के दौरान इसके नुकसान की ओर ले जाते हैं। बड़े नेटवर्क आकारों पर, "एनालॉग" गणना पद्धति अनिवार्य रूप से नुकसान का कारण होगी। तंत्रिका नेटवर्क में, संकेत क्षीणन की समस्या को आवर्तक नेटवर्क द्वारा हल किया जा सकता है, वास्तव में केवल समस्या को कम करने में एक बैसाखी है, इसे पूरी तरह से हल नहीं करना है। इसका समाधान बाइनरी सिग्नल का उपयोग करना है। इस तरह के संकेत के परिवर्तनों की संख्या परिवर्तनों के दौरान इसकी क्षीणन और हानि की ओर नहीं ले जाती है।

3. नेटवर्क सीखने की क्षमता


जैसा कि हम सीखते हैं, संरचना का विस्तार करते हुए, हम इसकी शिक्षण क्षमता बढ़ाते हैं। नेटवर्क स्वयं कार्य निर्धारित करता है कि समस्या को हल करने के लिए किस दिशा में और कितने न्यूरॉन्स की आवश्यकता है। नेटवर्क का आकार केवल सर्वर की कंप्यूटिंग शक्ति और हार्ड डिस्क के आकार की सीमा को सीमित करता है।

4. नेटवर्क प्रशिक्षण


एनालॉग से बाइनरी नेटवर्क में सिग्नल बदलते समय, इसे त्वरित सीखने का अवसर मिलता है। प्रशिक्षण आउटपुट सिग्नल की एक स्पष्ट सेटिंग प्रदान करता है। सीखने की प्रक्रिया ही न्यूरॉन्स के केवल एक छोटे से हिस्से को बदल देती है, जिससे उनमें से एक महत्वपूर्ण हिस्सा अपरिवर्तित हो जाता है। प्रशिक्षण का समय कई नेटवर्क तत्वों में परिवर्तन तक सीमित कई बार कम हो जाता है।

5. नेटवर्क गणना


तंत्रिका नेटवर्क की गणना करने के लिए, हमें सभी तत्वों की गणना करने की आवश्यकता है। न्यूरॉन्स के एक हिस्से की गणना को छोड़ देने से तितली प्रभाव हो सकता है, जहां एक महत्वहीन संकेत पूरे गणना के परिणाम को बदल सकता है। बाइनरी सिग्नल की प्रकृति अलग है। प्रत्येक चरण में, परिणामों के बिना गणना से डेटा के भाग को बाहर करना संभव है। नेटवर्क जितना बड़ा होगा, उतने अधिक तत्व हम गणनाओं में नजरअंदाज कर सकते हैं। नेटवर्क के परिणामों की गणना नेटवर्क की एक प्रतिशत के अंशों तक की एक छोटी संख्या की गणना करने के लिए कम हो जाती है। गणना के लिए, एक हजार न्यूरॉन्स के नेटवर्क के साथ 3.2% (32 न्यूरॉन्स), एक नेटवर्क में एक लाख "न्यूरॉन्स" के साथ 0.1% (1 हजार), और एक अरब "न्यूरॉन्स" के नेटवर्क के साथ 0.003% (32 हजार) पर्याप्त हैं। नेटवर्क आकार में वृद्धि के साथ, गणना करने के लिए आवश्यक न्यूरॉन्स का प्रतिशत घट जाता है।

6. परिणामों की व्याख्या


तंत्रिका नेटवर्क में, गुणांक द्वारा गुणा किए गए वजन एक सिग्नल स्रोत स्थापित करना असंभव बनाते हैं। तंत्रिका नेटवर्क के सभी आने वाले संकेत, बिना किसी अपवाद के, परिणाम को प्रभावित करते हैं, उन कारणों की समझ को जटिल करते हैं जो इसके गठन का कारण बने। परिणाम पर द्विआधारी संकेतों का प्रभाव शून्य, आंशिक या पूर्ण हो सकता है, जो स्पष्ट रूप से गणना में स्रोत डेटा की भागीदारी को इंगित करता है। संकेतों की गणना के लिए द्विआधारी तरीके आपको परिणाम के साथ आने वाले डेटा के रिश्ते को ट्रैक करने और परिणाम के गठन पर स्रोत डेटा के प्रभाव की डिग्री निर्धारित करने की अनुमति देते हैं।

उपरोक्त सभी मशीन शिक्षण एल्गोरिदम के दृष्टिकोण को बदलने की आवश्यकता का सुझाव देते हैं। शास्त्रीय विधियां नेटवर्क का पूर्ण नियंत्रण और उसमें होने वाली प्रक्रियाओं की एक स्पष्ट समझ नहीं देती हैं। "नियंत्रित उड़ान" प्राप्त करने के लिए, नेटवर्क के भीतर सिग्नल रूपांतरण की विश्वसनीयता और उड़ान पर संरचना के गतिशील गठन को सुनिश्चित करना आवश्यक है।