عصبي شبکه یو کمپیوټري ماډل دی چې د انسان دماغ جوړښت او فعالیت څخه الهام اخیستل کیږي. دا د مصنوعي استخباراتو یوه اساسي برخه ده، په ځانګړې توګه د ماشین زده کړې په برخه کې. عصبي شبکې ډیزاین شوي ترڅو په ډیټا کې پیچلي نمونې او اړیکې پروسس او تشریح کړي ، دوی ته اجازه ورکوي وړاندوینې وکړي ، نمونې وپیژني او ستونزې حل کړي.
په اصلي کې، عصبي شبکه د یو بل سره تړلي نوډونه لري، چې د مصنوعي نیورون یا په ساده ډول "نیورون" په نوم پیژندل کیږي. دا نیورونونه په پرتونو کې تنظیم شوي، هر پرت سره ځانګړي محاسبې ترسره کوي. د عصبي شبکې تر ټولو عام ډول د فیډفورډ عصبي شبکه ده، چیرې چې معلومات په یو لوري کې تیریږي، د پټو پرتونو له لارې د محصول پرت ته.
په عصبي شبکه کې هر نیورون معلومات ترلاسه کوي، دوی ته ریاضيکي بدلون پلي کوي، او محصول تولیدوي. معلومات د وزن په واسطه ضرب شوي، کوم چې د نیورونونو ترمنځ د اړیکو پیاوړتیا استازیتوب کوي. برسېره پردې، د تعصب اصطلاح اکثرا په هر نیورون کې اضافه کیږي، کوم چې د نیورون غبرګون ښه کولو ته اجازه ورکوي. د وزن لرونکي آخذې او تعصب اصطلاح بیا د فعالیت فعالیت له لارې تیریږي، کوم چې په شبکه کې غیر خطي معرفي کوي.
د فعالولو فعالیت د نیورون محصول د هغې د معلوماتو پراساس ټاکي. د فعالولو عام فعالیت کې د سیګمایډ فنکشن شامل دی، کوم چې د 0 او 1 ترمنځ ارزښتونو ته آخذه نقشه کوي، او د اصالح شوي خطي واحد (ReLU) فنکشن، کوم چې ان پټ تولیدوي که دا مثبت وي او 0 بل ډول. د فعالیت فعالیت انتخاب په لاس کې ستونزه او د شبکې مطلوب ملکیت پورې اړه لري.
د روزنې په جریان کې، عصبي شبکه د خپلو نیورونونو وزن او تعصب تنظیموي ترڅو د وړاندوینې شوي محصولاتو او مطلوب محصولاتو ترمینځ توپیر کم کړي ، د بیک پروپاګیشن په نوم پروسې په کارولو سره. Backpropagation د هر وزن او تعصب په اړه د غلطۍ تدریجي محاسبه کوي، شبکې ته اجازه ورکوي چې دوی په داسې طریقه تازه کړي چې تېروتنه کمه کړي. دا تکراري پروسه تر هغه وخته دوام کوي چې شبکه داسې حالت ته ورسیږي چیرې چې خطا کمه شوې وي، او دا کولی شي د نوي، نه لیدل شوي معلوماتو په اړه دقیق وړاندوینې وکړي.
عصبي شبکې په پراخه کچه غوښتنلیکونو کې خورا مؤثره ثابت شوي ، پشمول د عکس او وینا پیژندنه ، د طبیعي ژبې پروسس کول ، او د سپارښتنې سیسټمونه. د مثال په توګه، د عکس په پیژندنه کې، عصبي شبکه کولی شي د زرګونو یا حتی ملیونونو لیبل شوي عکسونو تحلیل کولو سره د شیانو پیژندلو زده کړي. په ډیټا کې د اصلي نمونو او ځانګړتیاو په نیولو سره، عصبي شبکې کولی شي خپل پوهه عمومي کړي او د نه لیدل شوي عکسونو په اړه دقیق وړاندوینې وکړي.
عصبي شبکه یو کمپیوټري ماډل دی چې د انسان دماغ جوړښت او فعالیت څخه الهام اخیستل کیږي. دا یو له بل سره تړلي مصنوعي نیورونونه لري چې په پرتونو کې تنظیم شوي، هر نیورون په خپلو آخذونو کې ریاضياتي بدلون پلي کوي او پایله یې د فعالیت فعالیت له لارې تیریږي. د روزنې پروسې له لارې، عصبي شبکې خپل وزنونه او تعصبونه تنظیموي ترڅو د وړاندوینې او مطلوب پایلو ترمینځ توپیر کم کړي. دا دوی ته اجازه ورکوي چې نمونې وپیژني، وړاندوینې وکړي، او پیچلې ستونزې حل کړي.
په اړه نورې وروستۍ پوښتنې او ځوابونه په بادل کې د روزنې ماډلونو لپاره لوی معلومات:
- ایا هغه ځانګړتیاوې چې د معلوماتو استازیتوب کوي باید په عددي بڼه وي او د فیچر کالمونو کې تنظیم شي؟
- په ماشین زده کړه کې د زده کړې کچه څومره ده؟
- ایا د روزنې او ارزونې ترمنځ معمولا وړاندیز شوي معلومات ویشل کیږي چې د 80٪ څخه تر 20٪ پورې ورته وي؟
- په هایبرډ ترتیب کې د ML ماډلونو چلولو په اړه څنګه ، د موجوده ماډلونو سره په محلي ډول چلول د پایلو سره بادل ته لیږل کیږي؟
- د AI ماډل ته لوی ډیټا څنګه پورته کول؟
- د ماډل خدمت کول څه معنی لري؟
- ولې په بادل کې د ډیټا ایښودل غوره لاره ګڼل کیږي کله چې د ماشین زده کړې لپاره د لوی ډیټا سیټونو سره کار کوي؟
- د لوی ډیټاسیټونو لیږدولو لپاره د ګوګل لیږد وسیله کله وړاندیز کیږي؟
- د gsutil هدف څه دی او دا څنګه د ګړندي لیږد دندې اسانه کوي؟
- د ګوګل کلاوډ ذخیره (GCS) څنګه د روزنې ډیټا ذخیره کولو لپاره کارول کیدی شي؟
په بادل کې د روزنې ماډلونو لپاره په لوی ډیټا کې نورې پوښتنې او ځوابونه وګورئ