एआईमा न्यूरल नेटवर्क भनेको के हो?

स्नायु सञ्जालहरू रहस्यमय लाग्छन् जबसम्म तिनीहरू गर्दैनन्। यदि तपाईंले कहिल्यै सोच्नुभएको छ कि AI मा स्नायु सञ्जाल के हो? र यो केवल फेन्सी टोपी लगाएको गणित हो कि होइन, तपाईं सही ठाउँमा हुनुहुन्छ। हामी यसलाई व्यावहारिक राख्नेछौं, स-साना घुमाउरो तरिकाले छर्कनेछौं, र हो - केही इमोजीहरू। तपाईंलाई यी प्रणालीहरू के हुन्, तिनीहरू किन काम गर्छन्, तिनीहरू कहाँ असफल हुन्छन्, र हात नहटाई तिनीहरूको बारेमा कसरी कुरा गर्ने भनेर थाहा हुनेछ।

यसपछि पढ्न मन लाग्ने लेखहरू:

🔗 एआई बायस भनेको के हो?
निष्पक्षता सुनिश्चित गर्न एआई प्रणाली र रणनीतिहरूमा पूर्वाग्रह बुझ्ने।.

🔗 भविष्यसूचक एआई भनेको के हो?
भविष्यवाणी गर्ने एआईले भविष्यका परिणामहरूको पूर्वानुमान गर्न ढाँचाहरू कसरी प्रयोग गर्छ।.

🔗 एआई ट्रेनर भनेको के हो?
एआई तालिम दिने पेशेवरहरूको भूमिका र जिम्मेवारीहरूको अन्वेषण गर्दै।.

🔗 एआईमा कम्प्युटर भिजन भनेको के हो?
एआईले कम्प्युटर भिजन मार्फत दृश्य डेटाको कसरी व्याख्या र विश्लेषण गर्छ।.

एआईमा न्यूरल नेटवर्क भनेको के हो? १० सेकेन्डको उत्तर ⏱️

स्नायु सञ्जाल भनेको न्युरोन भनिने सरल गणना एकाइहरूको थुप्रो हो जसले संख्याहरूलाई अगाडि सार्छ, तालिमको क्रममा तिनीहरूको जडान शक्तिहरू समायोजन गर्दछ, र बिस्तारै डेटामा ढाँचाहरू सिक्छ। जब तपाईं गहिरो सिकाइ , यसको अर्थ सामान्यतया धेरै स्ट्याक्ड तहहरू भएको स्नायु सञ्जाल हो, हातले कोडिङ गर्नुको सट्टा सिक्ने सुविधाहरू स्वचालित रूपमा हुन्छन्। अर्को शब्दमा: धेरै साना गणित टुक्राहरू, चलाखीपूर्वक व्यवस्थित, उपयोगी नभएसम्म डेटामा प्रशिक्षित [1]।

न्युरल नेटवर्कलाई के ले उपयोगी बनाउँछ? ✅

प्रतिनिधित्व शक्ति : सही वास्तुकला र आकारको साथ, नेटवर्कहरूले अत्यधिक जटिल कार्यहरूको अनुमान गर्न सक्छन् (विश्वव्यापी अनुमान प्रमेय हेर्नुहोस्) [4]।
अन्त्य-देखि-अन्त सिकाइ : हात-इन्जिनियरिङ सुविधाहरूको सट्टा, मोडेलले तिनीहरूलाई पत्ता लगाउँछ [1]।
सामान्यीकरण : राम्रोसँग नियमित गरिएको नेटवर्कले केवल सम्झना मात्र गर्दैन - यसले नयाँ, नदेखिने डेटामा कार्य गर्दछ [1]।
स्केलेबिलिटी : ठूला डेटासेटहरू र ठूला मोडेलहरूले प्रायः परिणामहरू सुधार गरिरहन्छन्... कम्प्युट र डेटा गुणस्तर जस्ता व्यावहारिक सीमाहरू सम्म [1]।
स्थानान्तरणीयता : एउटा कार्यमा सिकेका सुविधाहरूले अर्को कार्यलाई मद्दत गर्न सक्छन् (सिकाइ स्थानान्तरण र फाइन-ट्युनिङ) [1]।

सानो फिल्ड नोट (उदाहरण परिदृश्य): एउटा सानो उत्पादन-वर्गीकरण टोलीले कम्प्याक्ट CNN को लागि हस्तनिर्मित सुविधाहरू साट्छ, साधारण वृद्धिहरू (फ्लिप/क्रपहरू) थप्छ, र प्रमाणीकरण त्रुटि ड्रप हेर्छ - नेटवर्क "जादुई" भएकोले होइन, तर यसले पिक्सेलबाट सिधै थप उपयोगी सुविधाहरू सिकेकोले।

"AI मा न्युरल नेटवर्क भनेको के हो?" सरल अंग्रेजीमा, एउटा शंकास्पद रूपक सहित 🍞

बेकरी लाइनको कल्पना गर्नुहोस्। सामग्रीहरू भित्र जान्छन्, कामदारहरूले रेसिपी परिवर्तन गर्छन्, स्वाद परीक्षकहरूले गुनासो गर्छन्, र टोलीले रेसिपी फेरि अपडेट गर्दछ। नेटवर्कमा, इनपुटहरू तहहरू मार्फत प्रवाहित हुन्छन्, क्षति प्रकार्यले आउटपुटलाई ग्रेड गर्दछ, र ग्रेडियन्टहरूले अर्को पटक राम्रो गर्न तौलहरूलाई धकेल्छ। रूपकको रूपमा उत्तम छैन - रोटी फरक छैन - तर यो टाँसिन्छ [1]।.

स्नायु सञ्जालको शरीर रचना 🧩

न्यूरोनहरू : भारित योगफल र सक्रियता प्रकार्य लागू गर्ने साना क्याल्कुलेटरहरू।
तौल र पूर्वाग्रह : समायोज्य नबहरू जसले संकेतहरू कसरी संयोजन हुन्छन् भनेर परिभाषित गर्दछ।
तहहरू : इनपुट तहले डेटा प्राप्त गर्छ, लुकेका तहहरूले यसलाई रूपान्तरण गर्छ, आउटपुट तहले भविष्यवाणी गर्छ।
सक्रियता कार्यहरू : ReLU, sigmoid, tanh, र softmax जस्ता ननलाइनर ट्विस्टहरूले सिकाइलाई लचिलो बनाउँछन्।
घाटा प्रकार्य : भविष्यवाणी कति गलत छ भन्ने कुराको स्कोर (वर्गीकरणको लागि क्रस-एन्ट्रोपी, रिग्रेसनको लागि MSE)।
अप्टिमाइजर : SGD वा एडम जस्ता एल्गोरिदमहरूले तौल अपडेट गर्न ग्रेडियन्टहरू प्रयोग गर्छन्।
नियमितीकरण : मोडेललाई ओभरफिट हुनबाट जोगाउन ड्रपआउट वा तौल क्षय जस्ता प्रविधिहरू।

यदि तपाईं औपचारिक उपचार चाहनुहुन्छ (तर अझै पनि पढ्न योग्य), खुला पाठ्यपुस्तक डीप लर्निङले पूर्ण स्ट्याकलाई समेट्छ: गणित आधार, अनुकूलन, र सामान्यीकरण [1]।

सक्रियता कार्यहरू, छोटो तर उपयोगी रूपमा ⚡

ReLU : नकारात्मकको लागि शून्य, सकारात्मकको लागि रेखीय। सरल, छिटो, प्रभावकारी।
सिग्मोइड : ० र १ बीचको मानहरू स्क्वास गर्छ - उपयोगी तर संतृप्त हुन सक्छ।
तान्ह : सिग्मोइड जस्तै तर शून्य वरिपरि सममित।
सफ्टम्याक्स : वर्गहरूमा कच्चा स्कोरहरूलाई सम्भाव्यतामा परिणत गर्दछ।

तपाईंले प्रत्येक वक्र आकार कण्ठ गर्नु पर्दैन - केवल ट्रेड-अफ र सामान्य पूर्वनिर्धारितहरू जान्नुहोस् [1, 2]।.

सिक्ने तरिका वास्तवमा कसरी हुन्छ: पछाडिबाट, तर डरलाग्दो छैन 🔁

फर्वार्ड पास : भविष्यवाणी उत्पादन गर्न डेटा तह-तहमा प्रवाह हुन्छ।
नोक्सान गणना गर्नुहोस् : भविष्यवाणीलाई सत्यसँग तुलना गर्नुहोस्।
ब्याकप्रोपेगेशन : चेन नियम प्रयोग गरेर प्रत्येक तौलको सापेक्षमा क्षतिको ग्रेडियन्ट गणना गर्नुहोस्।
अपडेट : अप्टिमाइजरले तौल थोरै परिवर्तन गर्छ।
दोहोर्याउनुहोस् : धेरै युगहरू। मोडेलले बिस्तारै सिक्छ।

दृश्यहरू र कोड-सम्बन्धित व्याख्याहरू सहितको व्यावहारिक अन्तर्ज्ञानको लागि, ब्याकप्रप र अप्टिमाइजेसनमा क्लासिक CS231n नोटहरू हेर्नुहोस् [2]।.

तंत्रिका सञ्जालका प्रमुख परिवारहरू, एक नजरमा 🏡

फिडफर्वार्ड नेटवर्कहरू (MLPs) : सबैभन्दा सरल प्रकार। डेटा केवल अगाडि सर्छ।
कन्भोलुसनल न्यूरल नेटवर्क (CNNs) : किनारा, बनावट, आकारहरू पत्ता लगाउने स्थानिय फिल्टरहरूको लागि धन्यवाद छविहरूको लागि उत्कृष्ट [2]।
आवर्ती स्नायु सञ्जाल (RNNs) र भेरियन्टहरू : क्रमको भावना राखेर पाठ वा समय श्रृंखला जस्ता अनुक्रमहरूको लागि निर्मित [1]।
ट्रान्सफर्मरहरू : एकैचोटि सबै अनुक्रममा स्थितिहरूमा मोडेल सम्बन्धहरूमा ध्यान दिनुहोस्; भाषा र त्यसभन्दा बाहिर [3] मा प्रमुख।
ग्राफ न्यूरल नेटवर्कहरू (GNNs) : ग्राफको नोडहरू र किनारहरूमा सञ्चालन गर्नुहोस् - अणुहरू, सामाजिक सञ्जालहरू, सिफारिस [1] को लागि उपयोगी।
अटोएनकोडरहरू र VAE हरू : संकुचित प्रतिनिधित्वहरू सिक्नुहोस् र भिन्नताहरू उत्पन्न गर्नुहोस् [1]।
जेनेरेटिभ मोडेलहरू : GAN देखि प्रसार मोडेलहरू सम्म, छविहरू, अडियो, इभन कोड [1] को लागि प्रयोग गरिन्छ।

CS231n नोटहरू विशेष गरी CNN हरूका लागि अनुकूल छन्, जबकि ट्रान्सफर्मर पेपर ध्यान-आधारित मोडेलहरूको लागि प्राथमिक स्रोत हो [2, 3]।.

तुलना तालिका: सामान्य स्नायु सञ्जाल प्रकारहरू, तिनीहरू कसका लागि हुन्, लागत भाइब्स, र तिनीहरू किन काम गर्छन् 📊

उपकरण / प्रकार	दर्शक	मूल्य-जस्तो	यो किन काम गर्छ?
फिडफर्वार्ड (MLP)	शुरुआतीहरू, विश्लेषकहरू	कम-मध्यम	सरल, लचिलो, राम्रो आधारभूत रेखाहरू
सीएनएन	भिजन टोलीहरू	मध्यम	स्थानीय ढाँचाहरू + प्यारामिटर साझेदारी
आरएनएन / एलएसटीएम / जीआरयू	अनुक्रम मान्छेहरू	मध्यम	अस्थायी स्मृति-जस्तै... क्रम कैद गर्दछ
ट्रान्सफर्मर	एनएलपी, बहुविधिक	मध्यम-उच्च	ध्यान सान्दर्भिक सम्बन्धहरूमा केन्द्रित हुन्छ
जीएनएन	वैज्ञानिकहरू, recsys	मध्यम	ग्राफहरूमा सन्देश प्रवाह गर्दा संरचना प्रकट हुन्छ
अटोइन्कोडर / VAE	अनुसन्धानकर्ताहरू	कम-मध्यम	संकुचित प्रतिनिधित्वहरू सिक्छ
GAN / प्रसार	रचनात्मक प्रयोगशालाहरू	मध्यम-उच्च	विरोधी वा पुनरावृत्ति निषेध गर्ने जादू

नोट: मूल्य निर्धारण गणना र समयको बारेमा हो; तपाईंको माइलेज फरक हुन्छ। एक वा दुई सेल जानाजानी जानाजानी कुराकानी गरिएको छ।.

"AI मा न्यूरल नेटवर्क भनेको के हो?" बनाम शास्त्रीय ML एल्गोरिदम ⚖️

फिचर इन्जिनियरिङ : क्लासिक एमएल प्रायः म्यानुअल फिचरहरूमा निर्भर हुन्छ। न्युरल नेटहरूले फिचरहरू स्वचालित रूपमा सिक्छन् - जटिल डेटाको लागि ठूलो जित [1]।
डेटा भोक : नेटवर्कहरू प्रायः धेरै डेटाले चम्किन्छन्; सानो डेटाले सरल मोडेलहरूलाई समर्थन गर्न सक्छ [1]।
गणना : नेटवर्कहरूले GPU हरू जस्तै एक्सेलेरेटरहरू मन पराउँछन् [1]।
कार्यसम्पादन सीमा : असंरचित डेटा (छविहरू, अडियो, पाठ) को लागि, गहिरो नेटहरू हावी हुन्छन् [1, 2]।

वास्तवमा व्यवहारमा काम गर्ने प्रशिक्षण कार्यप्रवाह 🛠️

उद्देश्य परिभाषित गर्नुहोस् : वर्गीकरण, प्रतिगमन, श्रेणीकरण, पुस्ता - मिल्ने हानि छान्नुहोस्।
डेटा झगडा : ट्रेन/प्रमाणीकरण/परीक्षणमा विभाजन गर्नुहोस्। सुविधाहरूलाई सामान्यीकृत गर्नुहोस्। सन्तुलन कक्षाहरू। छविहरूको लागि, फ्लिपहरू, क्रपहरू, सानो आवाज जस्ता वृद्धिलाई विचार गर्नुहोस्।
वास्तुकलाको विकल्प : सरल सुरुवात गर्नुहोस्। आवश्यक पर्दा मात्र क्षमता थप्नुहोस्।
तालिम लूप : डेटा ब्याच गर्नुहोस्। फर्वार्ड पास गर्नुहोस्। नोक्सान गणना गर्नुहोस्। ब्याकप्रोप। अपडेट गर्नुहोस्। लग मेट्रिक्स।
नियमित गर्नुहोस् : छाड्ने, तौल घट्ने, चाँडै रोकिने।
मूल्याङ्कन गर्नुहोस् : हाइपरप्यारामिटरहरूको लागि प्रमाणीकरण सेट प्रयोग गर्नुहोस्। अन्तिम जाँचको लागि परीक्षण सेट राख्नुहोस्।
सावधानीपूर्वक पठाउनुहोस् : बहाव निगरानी गर्नुहोस्, पूर्वाग्रह जाँच गर्नुहोस्, रोलब्याक योजना बनाउनुहोस्।

ठोस सिद्धान्त सहितको अन्त्य-देखि-अन्त, कोड-उन्मुख ट्यूटोरियलहरूको लागि, खुला पाठ्यपुस्तक र CS231n नोटहरू भरपर्दो एङ्करहरू हुन् [1, 2]।.

ओभरफिटिंग, सामान्यीकरण, र अन्य ग्रेमलिनहरू 👀

ओभरफिटिंग : मोडेलले तालिमका विशेषताहरूलाई सम्झन्छ। थप डेटा, बलियो नियमितीकरण, वा सरल आर्किटेक्चरहरू प्रयोग गरेर समाधान गर्नुहोस्।
अण्डरफिटिंग : मोडेल धेरै सरल छ वा प्रशिक्षण धेरै लजालु छ। क्षमता बढाउनुहोस् वा लामो समयसम्म तालिम दिनुहोस्।
डेटा चुहावट : परीक्षण सेटबाट जानकारी तालिममा घुस्छ। आफ्नो विभाजन तीन पटक जाँच गर्नुहोस्।
कमजोर क्यालिब्रेसन : एउटा मोडेल जुन आत्मविश्वासी छ तर गलत छ त्यो खतरनाक हुन्छ। क्यालिब्रेसन वा फरक घाटा भार निर्धारण गर्ने बारे विचार गर्नुहोस्।
वितरण परिवर्तन : वास्तविक-विश्व डेटा सार्छ। निगरानी र अनुकूलन गर्नुहोस्।

सामान्यीकरण र नियमितीकरण पछाडिको सिद्धान्तको लागि, मानक सन्दर्भहरू [1, 2] मा भर पर्नुहोस्।.

सुरक्षा, व्याख्यायोग्यता, र जिम्मेवार तैनाती 🧭

स्नायु सञ्जालहरूले उच्च-दांव निर्णयहरू लिन सक्छन्। तिनीहरूले लिडरबोर्डमा राम्रो प्रदर्शन गर्नु पर्याप्त छैन। तपाईंलाई जीवनचक्रभरि शासन, मापन, र न्यूनीकरण चरणहरू आवश्यक पर्दछ। NIST AI जोखिम व्यवस्थापन फ्रेमवर्कले टोलीहरूलाई डिजाइन र तैनाती [5] मा जोखिम व्यवस्थापनलाई एकीकृत गर्न मद्दत गर्न व्यावहारिक कार्यहरू - GOVERN, MAP, MEASURE, MANAGE -

केही द्रुत संकेतहरू:

पूर्वाग्रह जाँच : उपयुक्त र कानुनी रूपमा जनसांख्यिकीय टुक्राहरूको मूल्याङ्कन गर्नुहोस्।
व्याख्यायोग्यता : सालियनसी वा विशेषता विशेषता जस्ता प्रविधिहरू प्रयोग गर्नुहोस्। तिनीहरू अपूर्ण छन्, तैपनि उपयोगी छन्।
अनुगमन : अचानक मेट्रिक ड्रप वा डेटा ड्रिफ्टको लागि अलर्टहरू सेट गर्नुहोस्।
मानवीय निरीक्षण : प्रभाव पार्ने गम्भीर निर्णयहरूको लागि मानिसहरूलाई जानकारीमा राख्नुहोस्। कुनै वीरता होइन, केवल स्वच्छता।

तपाईंले गोप्य रूपमा सोध्नुभएका बारम्बार सोधिने प्रश्नहरू 🙋

के स्नायु सञ्जाल मूलतः मस्तिष्क हो?

मस्तिष्कबाट प्रेरित, हो - तर सरलीकृत। नेटवर्कहरूमा न्यूरोनहरू गणितीय कार्यहरू हुन्; जैविक न्यूरोनहरू जटिल गतिशीलता भएका जीवित कोषहरू हुन्। समान भाइब्स, धेरै फरक भौतिक विज्ञान [1]।.

मलाई कति तहहरू चाहिन्छ?

सानो सुरु गर्नुहोस्। यदि तपाईं कम फिटिंग गर्दै हुनुहुन्छ भने, चौडाइ वा गहिराइ थप्नुहोस्। यदि तपाईं ओभरफिटिंग गर्दै हुनुहुन्छ भने, क्षमता नियमित गर्नुहोस् वा घटाउनुहोस्। त्यहाँ कुनै जादुई संख्या छैन; त्यहाँ केवल प्रमाणीकरण वक्रहरू र धैर्यता छ [1]।.

के मलाई सधैं GPU चाहिन्छ?

सधैं होइन। सामान्य डेटामा भएका साना मोडेलहरूले CPU हरूमा तालिम दिन सक्छन्, तर छविहरू, ठूला पाठ मोडेलहरू, वा ठूला डेटासेटहरूको लागि, एक्सेलेरेटरहरूले धेरै समय बचत गर्छन् [1]।.

मानिसहरू किन ध्यान शक्तिशाली छ भन्छन्?

किनभने ध्यानले मोडेलहरूलाई कडाइका साथ क्रमबद्ध नगरी इनपुटको सबैभन्दा सान्दर्भिक भागहरूमा ध्यान केन्द्रित गर्न दिन्छ। यसले विश्वव्यापी सम्बन्धहरूलाई कैद गर्दछ, जुन भाषा र बहुविध कार्यहरूको लागि ठूलो कुरा हो [3]।.

के "एआईमा न्यूरल नेटवर्क भनेको के हो?" "गहिरो सिकाइ भनेको के हो" भन्दा फरक छ?

गहिरो सिकाइ भनेको गहिरो स्नायु सञ्जालहरू प्रयोग गर्ने फराकिलो दृष्टिकोण हो। त्यसैले एआईमा स्नायु सञ्जाल के हो? भनेको मुख्य पात्रको बारेमा सोध्नु जस्तै हो; गहिरो सिकाइ भनेको सम्पूर्ण चलचित्र हो [1]।

व्यावहारिक, थोरै विचारणीय सुझावहरू 💡

साधारण आधारभूत रेखाहरूलाई प्राथमिकता दिनुहोस् । सानो बहु-तह पर्सेप्ट्रोनले पनि तपाईंलाई डेटा सिक्न योग्य छ कि छैन भनेर बताउन सक्छ।
तपाईंको डेटा पाइपलाइन पुन: उत्पादनयोग्य । यदि तपाईं यसलाई पुन: चलाउन सक्नुहुन्न भने, तपाईं यसलाई विश्वास गर्न सक्नुहुन्न।
सिक्ने दर तपाईंले सोचेभन्दा बढी महत्त्वपूर्ण छ। तालिका बनाएर हेर्नुहोस्। वार्मअपले मद्दत गर्न सक्छ।
ब्याच साइज ट्रेड-अफहरू अवस्थित छन्। ठूला ब्याचहरूले ग्रेडियन्टहरूलाई स्थिर बनाउँछन् तर फरक तरिकाले सामान्यीकरण गर्न सक्छन्।
भ्रमित हुँदा, प्लट घाटा वक्र र तौल मापदण्डहरू । तपाईं छक्क पर्नुहुनेछ कि कति पटक उत्तर प्लटहरूमा हुन्छ।
अनुमानहरू कागजात गर्नुहोस्। भविष्य-तपाईंले चीजहरू बिर्सनुहुन्छ - छिटो [1, 2]।.

गहिरो डुबुल्की मार्ने बाटो: डेटाको भूमिका, वा किन फोहोर भित्र राख्नु भनेको फोहोर बाहिर निकाल्नु हो 🗑️➡️✨

स्नायु सञ्जालहरूले जादुई रूपमा त्रुटिपूर्ण डेटा समाधान गर्दैनन्। स्क्युड लेबलहरू, एनोटेसन गल्तीहरू, वा साँघुरो नमूना सबै मोडेल मार्फत प्रतिध्वनि हुनेछन्। क्युरेट गर्नुहोस्, अडिट गर्नुहोस्, र वृद्धि गर्नुहोस्। र यदि तपाईंलाई थप डेटा चाहिन्छ वा राम्रो मोडेल चाहिन्छ भनेर निश्चित हुनुहुन्न भने, जवाफ प्रायः कष्टप्रद रूपमा सरल हुन्छ: दुवै - तर डेटा गुणस्तरबाट सुरु गर्नुहोस् [1]।.

“एआईमा न्युरल नेटवर्क भनेको के हो?” - तपाईंले पुन: प्रयोग गर्न सक्ने छोटो परिभाषाहरू 🧾

स्नायु सञ्जाल एक स्तरित प्रकार्य अनुमानकर्ता हो जसले ग्रेडियन्ट संकेतहरू [1, 2] प्रयोग गरेर तौल समायोजन गरेर जटिल ढाँचाहरू सिक्छ।.
यो एउटा प्रणाली हो जसले लगातार गैर-रेखीय चरणहरू मार्फत इनपुटहरूलाई आउटपुटमा रूपान्तरण गर्दछ, जुन नोक्सान कम गर्न प्रशिक्षित गरिएको छ [1]।.
यो एक लचिलो, डेटा-भोका मोडेलिङ दृष्टिकोण हो जुन छविहरू, पाठ, र अडियो जस्ता असंरचित इनपुटहरूमा फस्टाउँछ [1, 2, 3]।.

धेरै लामो, पढिएन र अन्तिम टिप्पणी 🎯

यदि कसैले तपाईंलाई AI मा न्युरल नेटवर्क भनेको के हो भनेर सोध्यो भने, यहाँ ध्वनिको कुरा छ: न्युरल नेटवर्क भनेको सरल एकाइहरूको थुप्रो हो जसले डेटालाई चरण-दर-चरण रूपान्तरण गर्दछ, क्षति कम गरेर र ग्रेडियन्टहरू पछ्याएर रूपान्तरण सिक्छ। तिनीहरू शक्तिशाली छन् किनभने तिनीहरू मापन गर्छन्, सुविधाहरू स्वचालित रूपमा सिक्छन्, र धेरै जटिल कार्यहरू प्रतिनिधित्व गर्न सक्छन् [1, 4]। यदि तपाईंले डेटा गुणस्तर, शासन, वा अनुगमनलाई बेवास्ता गर्नुभयो भने तिनीहरू जोखिमपूर्ण छन् [5]। र तिनीहरू जादु होइनन्। केवल गणित, गणना, र राम्रो इन्जिनियरिङ - स्वादको ड्यासको साथ।

थप पठन, ध्यानपूर्वक छनोट गरिएको (उद्धरण-रहित अतिरिक्त)

स्ट्यानफोर्ड CS231n नोटहरू - पहुँचयोग्य र व्यावहारिक: https://cs231n.github.io/
DeepLearningBook.org - क्यानोनिकल सन्दर्भ: https://www.deeplearningbook.org/
NIST AI जोखिम व्यवस्थापन फ्रेमवर्क - जिम्मेवार AI मार्गदर्शन: https://www.nist.gov/itl/ai-risk-management-framework
"ध्यान दिनु नै तपाईंलाई आवश्यक छ" - ट्रान्सफर्मर पेपर: https://arxiv.org/abs/1706.03762

सन्दर्भ सामग्रीहरू

[1] गुडफेलो, आई., बेन्जियो, वाई., र कौरभिल, ए. डीप लर्निङ । एमआईटी प्रेस। नि:शुल्क अनलाइन संस्करण: थप पढ्नुहोस्

[2] स्ट्यानफोर्ड CS231n. दृश्य पहिचानको लागि कन्भोलुसनल न्यूरल नेटवर्कहरू (पाठ्यक्रम नोटहरू): थप पढ्नुहोस्

[3] वासवानी, ए., शाजीर, एन., परमार, एन., आदि (२०१७)। ध्यान तपाईलाई चाहिने सबै कुरा हो । न्यूरआईपीएस। arXiv: थप पढ्नुहोस्

[4] साइबेन्को, जी. (१९८९)। सिग्मोइडल प्रकार्यको सुपरपोजिसनद्वारा अनुमान । नियन्त्रण, संकेत र प्रणालीहरूको गणित , २, ३०३–३१४। स्प्रिंगर: थप पढ्नुहोस्

[5] NIST. AI जोखिम व्यवस्थापन फ्रेमवर्क (AI RMF) : थप पढ्नुहोस्

आधिकारिक एआई सहायक स्टोरमा नवीनतम एआई खोज्नुहोस्

हाम्रो बारेमा

ब्लगमा फर्कनुहोस्

देश/क्षेत्र