आपल्याला आपल्या आसपासची बदलणारी तंत्रज्ञान समजण्यासाठी आपल्याला काय माहित असणे आवश्यक आहे
मज्जासंस्थेचे नेटवर्क हे कनेक्टेड युनिट्स किंवा नोड्सचे कॉम्प्युटर मॉडेल्स आहेत जे मानवजातीमध्ये न्यूरॉन्स (मज्जाक कोशिका) कसे कार्य करतात या माहितीमध्ये माहिती (डेटा) प्रेषित करण्यासाठी, प्रक्रिया करण्यास आणि शिकण्यास तयार होते.
कृत्रिम न्यूरल नेटवर्क
तंत्रज्ञानात, मज्जासंस्थांच्या नेटवर्कला अनेकदा कृत्रिम मज्जासंस्थांच्या नेटवर्क (एएनएन) किंवा जंतूंचा समावेश असलेल्या जैववैज्ञानिक मज्जासंस्थांच्या नेटवर्कपासून विभक्त करण्यासाठी संदर्भ दिले जाते. एएनएनच्या मुख्य कल्पना म्हणजे मानवी मस्तिष्क हा सर्वात जटिल व बुद्धिमान "संगणक" आहे जो अस्तित्वात आहे. मेंदूद्वारा वापरल्या जाणार्या माहिती प्रक्रियेच्या संरचनेची रचना आणि प्रणालीस एएनएन च्या तातडीने मॉडेलिंगद्वारे, संशोधकांनी अशी आशा केली की जे मानवी बुद्धीमत्तेकडे वळले किंवा त्यापेक्षा श्रेष्ठ होते. कृत्रिम बुद्धीमत्ता (एआय), मशीन शिक्षण (एमएल), आणि गहन शिक्षण यातील प्रगतीसाठी तंत्रिका जाळे हे मुख्य घटक आहेत.
न्यूरल नेटवर्क कसे कार्य करते: एक तुलना
न्यूरल नेटवर्क कसे कार्य करते आणि दोन प्रकार (जैविक आणि कृत्रिम) यांच्यातील फरक समजून घेण्यासाठी, 15-मंजूरीच्या कार्यालयीन इमारतीचे आणि फोन बिल्डी आणि स्विचबोर्डचे उदाहरण वापरा जे संपूर्ण इमारत, व्यक्तिगत मजले आणि वैयक्तिक कार्यालये चालवितात. आमच्या 15-मंजूरीच्या ऑफिसच्या इमारतीत प्रत्येक कार्यालयाने न्यूरॉन (संगणक नेटवर्किंगमध्ये नोड किंवा जीवशास्त्रीय तंत्रिका पेशी) प्रतिनिधित्व करतो. इमारतीमध्ये 15 मजले (एक मज्जासंस्थेतील नेटवर्क) ची व्यवस्था असलेल्या एका कार्यालयाची व्यवस्था असलेली इमारत आहे.
जैववैज्ञानिक मज्जासंस्थेसंबंधीच्या नेटवर्कसाठी उदाहरण लागू करणे, कॉल प्राप्त करणारे स्वीचबोर्ड संपूर्ण बिल्डिंगमधील कोणत्याही मजल्यावरील कोणत्याही कार्यालयाशी जोडण्यासाठी ओळी आहे. याव्यतिरिक्त, प्रत्येक कार्यालयात प्रत्येक मजल्यावरील कोणत्याही इमारतीशी कोणत्याही मजल्यावरील प्रत्येक इमारतीशी जोडलेली असते. कल्पना करा की एखादा कॉल (इनपुट) मध्ये येतो आणि स्विचबोर्ड 3 रा मजला वर एका ऑफिसकडे स्थानांतरित करते, जे थेट 11 व्या मजल्यावरील कार्यालयात स्थानांतरित करते, जे नंतर थेट 5 व्या मजल्यावरील कार्यालयात हस्तांतरित करते. मेंदूमध्ये प्रत्येक मज्जासंस्थेचा किंवा मज्जातंतूंचा सेल (एक कार्यालय) आपल्या प्रणालीतील कोणत्याही मज्जासंस्थेशी किंवा मज्जासंस्थेच्या नेटवर्कमध्ये (इमारत) थेट कनेक्ट करू शकतो. माहिती (कॉल) कोणत्याही इतर न्यूरॉन (कार्यालय) मध्ये संक्रमित होऊ शकते किंवा उत्तर किंवा रिझोल्यूशन (आउटपुट) होत नाही तोपर्यंत आवश्यक ती प्रक्रिया किंवा शिकू शकते.
जेव्हा आपण हे उदाहरण ANN मध्ये लागू करतो, तेव्हा ते थोडे अधिक जटिल होते. इमारतीच्या प्रत्येक मजल्याला स्वतःचे स्विचबोर्ड आवश्यक आहे, जे फक्त त्याच मजल्यावर कार्यालयांशी जोडता येते, तसेच वरील आणि खालील मजल्यावरील स्विचबोर्डही. प्रत्येक कार्यालय केवळ त्याच मजल्यावरील इतर कार्यालयांशी आणि त्याच मजल्यासाठी स्विचबोर्डवर थेट कनेक्ट होऊ शकतो. सर्व नवीन कॉल्स स्विचबोर्डसह 1 ल्या मजल्यासह सुरू होणे आवश्यक आहे आणि कॉल समाप्त होऊ शकण्यापूर्वी 15 व्या मजल्यापर्यंत प्रत्येक स्वतंत्र मजल्यापर्यंत क्रमांकित करणे आवश्यक आहे. ते कसे कार्य करते ते पाहण्यासाठी ते गतीमूल्यात ठेवू.
कल्पना करा की 1 ला फ्लोर स्विचबोर्डवर कॉल (इनपुट) येतो आणि 1 ला मजला (नोड) वर कार्यालयात पाठविला जातो. नंतर पुढील मजल्यावर पाठविण्यास तयार होईपर्यंत कॉल 1 व्या मजल्यावरील इतर कार्यालये (नोड्स) मध्ये थेट हस्तांतरित केला जातो. मग कॉल परत 1 लेअर मंजिल स्विचबोर्डवर पाठवणे आवश्यक आहे, नंतर ते 2 रा मजला स्विचबोर्डवर हस्तांतरित केले जाते. हीच पावले एका वेळी एक मजला पुन्हा करतात, या प्रक्रियेद्वारे प्रत्येक मजल्यावरील कॉलम 15 वा मजला पर्यंत पाठविली जात आहे.
एएनएनमध्ये, स्तरांवर (इमारतींचे मजले) नोड्स (कार्यालये) आयोजित केले जातात. माहिती (कॉल) नेहमी इनपुट थराच्या (1 ला मजला आणि स्विचबोर्ड) माध्यमातून येतो आणि पुढील स्तरावर जाण्यापूर्वी प्रत्येक स्तर (मजला) द्वारे पाठवले जाणे आणि त्यावर प्रक्रिया करणे आवश्यक आहे. प्रत्येक स्तर (मजला) त्या कॉलबद्दल विशिष्ट तपशीलावर प्रक्रिया करते आणि पुढील स्तरावरील कॉलसह निकाल पाठविते. जेव्हा कॉल आउटपुट स्तर (15 व्या मजला आणि स्विचबोर्ड) वर पोहोचतो तेव्हा त्यात 1-14 स्तरांवर प्रक्रिया माहिती समाविष्ट असते. 15 व्या लेयर (फॉल्स) वर नोड्स (कार्यालये) उत्तर किंवा रिझोल्यूशन (आऊटपुट) घेऊन आलेल्या सर्व लेयर्सच्या (मजल्यावरील) इनपुट आणि प्रोसेसिंग माहितीचा वापर करतात.
न्यूरल नेटवर्क्स आणि मशिन लर्निंग
तंत्रशोधनाची जाळी मशीन शिकण्याची श्रेणी अंतर्गत एक प्रकारचे तंत्रज्ञान आहे. खरं तर, मज्जासंस्थेच्या जाळ्याच्या संशोधनासाठी आणि विकासामध्ये सुधारणा ईबीएसशी आणि एमएलच्या प्रगतीची प्रवाहाने जोडलेली आहे. मज्जासंस्था जाळे डेटा प्रोसेसिंग क्षमता वाढवतात आणि एमएलच्या संगणन क्षमतेला बळकटी देतात, त्यावर प्रक्रिया केली जाऊ शकणा-या डेटाची मात्रा वाढते आहे परंतु अधिक जटिल कार्य करण्याची क्षमताही वाढते.
ANN साठी पहिला कागदोपत्री संगणक मॉडेल 1 9 43 मध्ये वॉल्टर पिट्स आणि वॉरन मॅककलोच यांनी तयार केला होता. आरंभिक व्याज आणि मज्जासंस्थेसंबंधीचा तंत्र आणि मशीनच्या शिक्षणात संशोधन अखेरीस मंद झाले आणि 1 9 6 9 पर्यंत पुनर्नवीकृत व्याजाच्या केवळ लहान स्फोटांनी हे प्रमाण कमी होते. वेळच्या कॉम्प्युटरमध्ये या भागात जास्तीत जास्त वाढ करण्यासाठी पुरेसे प्रथिने नव्हती आणि एमएल आणि मज्जासंस्थेसाठी आवश्यक असंख्य डेटा त्यावेळी उपलब्ध नव्हते.
इंटरनेटच्या वाढ आणि विस्तारासह वेळोवेळी संगणकीय शक्ती वाढवण्यामध्ये प्रचंड वाढ (आणि अशा प्रकारे इंटरनेटद्वारे मोठ्या प्रमाणावर डेटा ऍक्सेस करणे) त्या लवकर आव्हाने सोडविल्या आहेत. न्यूरल नेट आणि एमएल हे आजच्या तंत्रज्ञानाच्या दृष्टीने उपयुक्त आहेत जे रोज पाहिले जाते आणि चेहर्यावरील ओळख , इमेज प्रोसेसिंग आणि शोध, आणि रिअल टाईम लँग्वेज ट्रान्सलेशन असे नाव देतात - फक्त काही नावे.
दररोजच्या आयुष्यातल्या मज्जासंस्थेची उदाहरणे
एएनएन तंत्रज्ञानाच्या अंतर्गत अतिशय जटिल विषय आहे, तथापि, दररोज आपल्या जीवनावर परिणाम केल्याच्या वाढीव संख्येमुळे याचे शोधणे अवघड आहे. न्यूरल नेटवर्क्स सध्या विविध उद्योगांद्वारे वापरण्यात येण्याच्या काही अधिक उदाहरणे येथे आहेत:
- वित्त: चलन विनिमय दरांचा अंदाज लावण्यासाठी मज्जासंस्थेचा वापर केला जातो स्टॉक मार्केटमध्ये वापरल्या जाणाऱ्या ऑटोमॅटिक ट्रेडिंग सिस्टिम्सच्या मागे तंत्रज्ञानामध्ये त्यांचा वापर केला जातो.
- औषध: मज्जासंस्थेच्या जाळ्याच्या प्रतिमा प्रक्रिया क्षमतांनी तंत्रज्ञानामध्ये योगदान दिले आहे जे नेक्स्ट-स्टेजसाठी शोधण्यात मदत करते आणि कर्करोगाचे प्रकार ओळखण्यास कठीण मदत करते. अशा एक प्रकारचा कर्करोग म्हणजे हल्ल्याचा मेलेनोमा, त्वचा कर्करोगाचा सर्वात गंभीर आणि घातक प्रकार. पूर्वीच्या टप्प्यात मेलेनोमाची ओळख पटण्याआधी, तो पसरत असल्यानं, या प्रकारच्या कर्करोगाने रोग्यांना मारण्यासाठी सर्वोत्तम संधी देतात.
- हवामान: वातावरणातील बदल शोधण्याची क्षमता ज्यामुळे संभाव्य गंभीर आणि घातक हवामान घटनेचे शक्य तितक्या लवकर आणि अचूकपणे जीवन वाचवण्यासाठी आवश्यक आहे. तंत्रिका जाळे उपग्रह आणि रडार इमेजसच्या रिअल टाईम प्रोसेसिंगमध्ये सहभागी आहेत ज्यात केवळ चक्रीवादळ आणि चक्रीवादळांची निर्मिती होत नाही परंतु पवन वेग आणि दिशानिर्देशांतून होणारे अचानक बदल देखील दिसतात ज्यामुळे एक तुफान तयार होते. चक्रीवादळे हे चक्रीवादळे पेक्षा अधिक तीव्र, विध्वंसक आणि प्राणघातक असतात.