एआय मध्ये न्यूरल नेटवर्क म्हणजे काय?

न्यूरल नेटवर्क्स सुरुवातीला गूढ वाटतात, पण नंतर तसे वाटत नाहीत. जर तुम्हाला कधी प्रश्न पडला असेल की AI मध्ये न्यूरल नेटवर्क म्हणजे काय? आणि ते केवळ गणिताचेच एक आकर्षक रूप आहे का, तर तुम्ही अगदी योग्य ठिकाणी आला आहात. आम्ही विषयाला व्यावहारिक ठेवू, त्यात थोडे विषयांतरही करू आणि हो - काही इमोजींचाही वापर करू. येथून जाताना तुम्हाला या प्रणाली काय आहेत, त्या का काम करतात, त्या कुठे अयशस्वी होतात आणि त्यांच्याबद्दल वरवरचा युक्तिवाद न करता कसे बोलावे, हे सर्व समजलेले असेल.

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय बायस म्हणजे काय?
निष्पक्षता सुनिश्चित करण्यासाठी एआय सिस्टीम आणि धोरणांमधील पक्षपात समजून घेणे.

🔗 प्रेडिक्टिव्ह एआय म्हणजे काय?
भविष्यातील निकालांचा अंदाज घेण्यासाठी भाकित करणारे एआय नमुन्यांचा कसा वापर करते.

🔗 एआय ट्रेनर म्हणजे काय?
एआय प्रशिक्षण देणाऱ्या व्यावसायिकांची भूमिका आणि जबाबदाऱ्यांचा शोध घेणे.

🔗 एआय मध्ये संगणक दृष्टी म्हणजे काय?
संगणकाच्या दृष्टिकोनातून एआय व्हिज्युअल डेटाचे कसे अर्थ लावते आणि विश्लेषण करते.

एआय मध्ये न्यूरल नेटवर्क म्हणजे काय? १० सेकंदांचे उत्तर ⏱️

न्यूरल नेटवर्क म्हणजे न्यूरॉन्स नावाच्या साध्या गणना घटकांचा एक थर असतो, जे संख्या पुढे पाठवतात, प्रशिक्षणादरम्यान त्यांच्या कनेक्शनची ताकद समायोजित करतात आणि डेटामधील नमुने हळूहळू शिकतात. जेव्हा तुम्ही डीप लर्निंगबद्दल, तेव्हा त्याचा अर्थ सहसा अनेक थरांचे न्यूरल नेटवर्क असा होतो, जे तुम्ही हाताने कोडिंग करण्याऐवजी वैशिष्ट्ये आपोआप शिकते. दुसऱ्या शब्दांत: गणिताचे अनेक लहान तुकडे, हुशारीने मांडलेले, जोपर्यंत ते उपयुक्त ठरत नाहीत तोपर्यंत डेटावर प्रशिक्षित केलेले [1].

न्यूरल नेटवर्क कशामुळे उपयुक्त ठरते? ✅

प्रतिनिधित्व शक्ती: योग्य आर्किटेक्चर आणि आकारासह, नेटवर्क्स अत्यंत जटिल कार्यांचे अंदाजे मूल्यांकन करू शकतात (युनिव्हर्सल अ‍ॅप्रोक्सिमेशन प्रमेय पहा) [4].
शेवटपासून शेवटपर्यंत शिक्षण: हाताने अभियांत्रिकी वैशिष्ट्यांऐवजी, मॉडेल त्यांना शोधते [1].
सामान्यीकरण: एक चांगले नियमित केलेले नेटवर्क फक्त लक्षात ठेवत नाही - ते नवीन, न पाहिलेल्या डेटावर कार्य करते [1].
स्केलेबिलिटी: मोठे डेटासेट आणि मोठे मॉडेल अनेकदा परिणाम सुधारत राहतात… संगणकीय क्षमता आणि डेटा गुणवत्ता [1] यांसारख्या व्यावहारिक मर्यादांपर्यंत.
हस्तांतरणीयता: एका कार्यात शिकलेली वैशिष्ट्ये दुसऱ्या कार्यात मदत करू शकतात (शिक्षण हस्तांतरण आणि सुधारणा) [1].

लहान फील्ड नोट (उदाहरण परिस्थिती): एक लहान उत्पादन-वर्गीकरण टीम हाताने तयार केलेल्या फीचर्सऐवजी एक संक्षिप्त CNN वापरते, त्यात साधे ऑगमेंटेशन्स (फ्लिप्स/क्रॉप्स) जोडते, आणि व्हॅलिडेशन एरर कमी होताना पाहते - हे नेटवर्क "जादू" करत असल्यामुळे नाही, तर त्याने थेट पिक्सेल्समधून अधिक उपयुक्त फीचर्स शिकल्यामुळे होते.

“AI मध्ये न्यूरल नेटवर्क म्हणजे काय?” साध्या इंग्रजीत, एका संशयास्पद रूपकासह 🍞

बेकरी लाइनची कल्पना करा. साहित्य आत येते, कामगार रेसिपीमध्ये बदल करतात, चव तपासणारे तक्रार करतात आणि टीम रेसिपी पुन्हा अपडेट करते. नेटवर्कमध्ये, इनपुट थरांमधून वाहतात, लॉस फंक्शन आउटपुटचे ग्रेडिंग करते आणि ग्रेडियंट्स पुढच्या वेळी चांगले करण्यासाठी वजनांना धक्का देतात. रूपक म्हणून परिपूर्ण नाही - ब्रेड वेगळे करता येत नाही - पण ती चिकटते [1].

न्यूरल नेटवर्कची शरीररचना 🧩

न्यूरॉन्स: भारित बेरीज आणि सक्रियकरण कार्य लागू करणारे छोटे कॅल्क्युलेटर.
वेट्स आणि बायसेस: सिग्नल कसे एकत्र येतील हे ठरवणारे समायोज्य नॉब्स.
लेयर्स: इनपुट लेयर डेटा प्राप्त करतो, लपलेले लेयर्स त्याचे रूपांतर करतात, आउटपुट लेयर भाकित करतो.
सक्रियकरण कार्ये: ReLU, sigmoid, tanh आणि softmax सारखे नॉनलाइनर ट्विस्ट शिक्षण लवचिक बनवतात.
नुकसान कार्य: अंदाज किती चुकीचा आहे याचा स्कोअर (वर्गीकरणासाठी क्रॉस-एंट्रोपी, प्रतिगमनासाठी MSE).
ऑप्टिमायझर: एसजीडी किंवा अ‍ॅडम सारखे अल्गोरिदम वजने अपडेट करण्यासाठी ग्रेडियंट वापरतात.
नियमितीकरण: मॉडेलला जास्त फिटिंग होण्यापासून रोखण्यासाठी ड्रॉपआउट किंवा वजन कमी होणे यासारख्या तंत्रे.

जर तुम्हाला औपचारिक उपचार हवे असतील (पण तरीही वाचनीय असतील), तर ओपन पाठ्यपुस्तक डीप लर्निंगमध्ये संपूर्ण स्टॅक समाविष्ट आहे: गणिताचा पाया, ऑप्टिमायझेशन आणि सामान्यीकरण [1].

सक्रियकरण कार्ये, थोडक्यात पण उपयुक्तपणे ⚡

ReLU: नकारात्मक साठी शून्य, सकारात्मक साठी रेषीय. सोपे, जलद, प्रभावी.
सिग्मॉइड: ० आणि १ मधील मूल्ये स्क्वॅश करते - उपयुक्त परंतु संतृप्त होऊ शकते.
तान्ह: सिग्मॉइडसारखे पण शून्याभोवती सममितीय.
सॉफ्टमॅक्स: वर्गांमधील कच्च्या स्कोअरचे संभाव्यतेमध्ये रूपांतर करते.

तुम्हाला प्रत्येक वक्र आकार लक्षात ठेवण्याची गरज नाही - फक्त ट्रेड-ऑफ आणि सामान्य डिफॉल्ट्स जाणून घ्या [1, 2].

शिकणे प्रत्यक्षात कसे घडते: बॅकप्रॉप, पण भीतीदायक नाही 🔁

फॉरवर्ड पास: अंदाज तयार करण्यासाठी डेटा थर थर करून प्रवाहित होतो.
नुकसान मोजा: भाकिताची सत्याशी तुलना करा.
बॅकप्रोपॅगेशन: साखळी नियम वापरून प्रत्येक वजनाच्या संदर्भात तोट्याचे ग्रेडियंट मोजा.
अपडेट: ऑप्टिमायझर वजन थोडे बदलतो.
पुनरावृत्ती: अनेक युगे. मॉडेल हळूहळू शिकतो.

व्हिज्युअल्स आणि कोड-अ‍ॅडजेसंट स्पष्टीकरणांसह व्यावहारिक अंतर्ज्ञानासाठी, बॅकप्रॉप आणि ऑप्टिमायझेशनवरील क्लासिक CS231n नोट्स पहा [2].

न्यूरल नेटवर्क्सचे प्रमुख कुटुंबे, एका दृष्टीक्षेपात 🏡

फीडफॉरवर्ड नेटवर्क्स (MLPs): सर्वात सोपा प्रकार. डेटा फक्त पुढे सरकतो.
कन्व्होल्यूशनल न्यूरल नेटवर्क्स (CNNs): कडा, पोत, आकार शोधणाऱ्या स्थानिक फिल्टर्समुळे प्रतिमांसाठी उत्तम [2].
रिकरंट न्यूरल नेटवर्क्स (RNNs) आणि त्यांचे प्रकार: मजकूर किंवा टाइम सिरीज सारख्या अनुक्रमांसाठी सुव्यवस्थेची जाणीव ठेवून तयार केलेले [1].
ट्रान्सफॉर्मर्स: एकाच वेळी एकाच क्रमाने वेगवेगळ्या स्थानांमधील संबंध मॉडेल करण्याकडे लक्ष द्या; भाषेत आणि त्यापलीकडे प्रभावी [3].
ग्राफ न्यूरल नेटवर्क्स (GNNs): ग्राफच्या नोड्स आणि कडांवर काम करा - रेणू, सोशल नेटवर्क्स, शिफारस [1] साठी उपयुक्त.
ऑटोएन्कोडर आणि VAE: संकुचित प्रतिनिधित्व शिका आणि भिन्नता निर्माण करा [1].
जनरेटिव्ह मॉडेल्स: GAN पासून ते प्रसार मॉडेल्सपर्यंत, प्रतिमा, ऑडिओ, सम कोडसाठी वापरले जातात [1].

CS231n नोट्स विशेषतः CNN साठी अनुकूल आहेत, तर ट्रान्सफॉर्मर पेपर हे लक्ष-आधारित मॉडेल्ससाठी प्राथमिक स्रोत आहे [2, 3].

तुलना सारणी: सामान्य न्यूरल नेटवर्क प्रकार, ते कोणासाठी आहेत, किंमत आणि ते का काम करतात 📊

साधन / प्रकार	प्रेक्षक	महागडा	ते का काम करते
फीडफॉरवर्ड (एमएलपी)	नवशिक्या, विश्लेषक	कमी-मध्यम	साधे, लवचिक, योग्य बेसलाइन
सीएनएन	व्हिजन टीम्स	मध्यम	स्थानिक नमुने + पॅरामीटर शेअरिंग
आरएनएन / एलएसटीएम / जीआरयू	अनुक्रम लोक	मध्यम	तात्पुरती स्मृती... क्रम कॅप्चर करते
ट्रान्सफॉर्मर	एनएलपी, मल्टीमॉडल	मध्यम-उच्च	संबंधित संबंधांवर लक्ष केंद्रित केले जाते
जीएनएन	शास्त्रज्ञ, रिकसिस	मध्यम	आलेखांवरून पाठवल्या जाणाऱ्या संदेशामुळे रचना दिसून येते
ऑटोएन्कोडर / व्हीएई	संशोधक	कमी-मध्यम	संकुचित प्रतिनिधित्व शिकतो
GAN / प्रसार	सर्जनशील प्रयोगशाळा	मध्यम-उच्च	विरोधी किंवा पुनरावृत्ती होणारी ध्वनी निरसन करणारी जादू

टीप: किंमत मोजणी आणि वेळेवर अवलंबून असते; तुमचा मायलेज बदलतो. एक किंवा दोन सेल जाणूनबुजून गप्पा मारत आहेत.

"एआय मध्ये न्यूरल नेटवर्क म्हणजे काय?" विरुद्ध क्लासिकल एमएल अल्गोरिदम ⚖️

फीचर इंजिनिअरिंग: क्लासिक एमएल बहुतेकदा मॅन्युअल फीचर्सवर अवलंबून असते. न्यूरल नेट्स फीचर्स आपोआप शिकतात - जटिल डेटासाठी एक मोठा विजय [1].
डेटा हंगर: नेटवर्क्स बहुतेकदा अधिक डेटाने चमकतात; कमी डेटा सोप्या मॉडेल्सना अनुकूल ठरू शकतो [1].
गणना: नेटवर्कना GPU सारखे अ‍ॅक्सिलरेटर आवडतात [1].
कामगिरीची कमाल मर्यादा: असंरचित डेटा (प्रतिमा, ऑडिओ, मजकूर) साठी, डीप नेटचे वर्चस्व असते [1, 2].

प्रत्यक्षात व्यवहारात काम करणारा प्रशिक्षण कार्यप्रवाह 🛠️

उद्दिष्ट परिभाषित करा: वर्गीकरण, प्रतिगमन, क्रमवारी, पिढी - जुळणारा तोटा निवडा.
डेटा रँगलिंग: ट्रेन/व्हॅलिडेशन/टेस्टमध्ये विभागा. वैशिष्ट्ये सामान्य करा. बॅलन्स क्लासेस. इमेजसाठी, फ्लिप, क्रॉप, लघु आवाज यासारख्या ऑगमेंटेशनचा विचार करा.
वास्तुकलेची निवड: सोपी सुरुवात करा. गरज असेल तेव्हाच क्षमता जोडा.
प्रशिक्षण लूप: डेटा बॅच करा. फॉरवर्ड पास. नुकसान मोजा. बॅकप्रॉप. अपडेट. लॉग मेट्रिक्स.
नियमित करा: गळती, वजन कमी होणे, लवकर थांबणे.
मूल्यांकन करा: हायपरपॅरामीटर्ससाठी व्हॅलिडेशन सेट वापरा. अंतिम तपासणीसाठी एक चाचणी सेट धरा.
काळजीपूर्वक पाठवा: प्रवाहाचे निरीक्षण करा, पक्षपात तपासा, परत येण्याची योजना करा.

ठोस सिद्धांतासह एंड-टू-एंड, कोड-ओरिएंटेड ट्युटोरियलसाठी, ओपन टेक्स्टबुक आणि CS231n नोट्स विश्वसनीय अँकर आहेत [1, 2].

ओव्हरफिटिंग, सामान्यीकरण आणि इतर ग्रेमलिन 👀

ओव्हरफिटिंग: हे मॉडेल प्रशिक्षणातील काही बारकावे लक्षात ठेवते. अधिक डेटा, मजबूत नियमितीकरण किंवा सोप्या आर्किटेक्चरसह दुरुस्त करा.
अंडरफिटिंग: मॉडेल खूप सोपे आहे किंवा प्रशिक्षण खूप लाजाळू आहे. क्षमता वाढवा किंवा जास्त वेळ प्रशिक्षण द्या.
डेटा लीक: चाचणी संचातील माहिती प्रशिक्षणात घुसते. तुमचे स्प्लिट तीनदा तपासा.
सदोष कॅलिब्रेशन: एखादे मॉडेल जे आत्मविश्वासपूर्ण असूनही चुकीचे असते, ते धोकादायक असते. कॅलिब्रेशन किंवा वेगळ्या लॉस वेटिंगचा विचार करा.
वितरण शिफ्ट: वास्तविक जगातील डेटाची हालचाल. निरीक्षण करा आणि परिस्थितीशी जुळवून घ्या.

सामान्यीकरण आणि नियमितीकरणामागील सिद्धांतासाठी, मानक संदर्भांवर अवलंबून रहा [1, 2].

सुरक्षितता, अर्थ लावणे आणि जबाबदार तैनाती 🧭

न्यूरल नेटवर्क्स अत्यंत महत्त्वाचे निर्णय घेऊ शकतात. त्यांनी लीडरबोर्डवर चांगली कामगिरी करणे पुरेसे नाही. संपूर्ण जीवनचक्रात तुम्हाला प्रशासन, मोजमाप आणि शमन उपायांची आवश्यकता असते. NIST AI रिस्क मॅनेजमेंट फ्रेमवर्क संघांना डिझाइन आणि उपयोजनामध्ये जोखीम व्यवस्थापन समाकलित करण्यात मदत करण्यासाठी व्यावहारिक कार्ये - प्रशासन, नकाशा, मोजमाप, व्यवस्थापन - यांची रूपरेषा देते [5].

काही जलद सूचना:

पक्षपाती तपासणी: योग्य आणि कायदेशीर असेल तेथे लोकसंख्याशास्त्रीय तुकड्यांचे मूल्यांकन करा.
अर्थबोधनक्षमता: ठळकपणा किंवा वैशिष्ट्य गुणधर्म यांसारख्या तंत्रांचा वापर करा. ती अपूर्ण असली तरी उपयुक्त आहेत.
देखरेख: अचानक मेट्रिक ड्रॉप किंवा डेटा ड्रिफ्टसाठी अलर्ट सेट करा.
मानवी देखरेख: परिणामकारक निर्णयांसाठी मानवांना माहिती द्या. वीरता नाही, फक्त स्वच्छता.

तुम्हाला गुप्तपणे पडलेले वारंवार विचारले जाणारे प्रश्न 🙋

न्यूरल नेटवर्क हे मुळात मेंदू आहे का?

मेंदूने प्रेरित, हो - पण सरलीकृत. नेटवर्कमधील न्यूरॉन्स हे गणितीय कार्ये आहेत; जैविक न्यूरॉन्स हे जटिल गतिमानतेसह जिवंत पेशी आहेत. समान व्हाइब्स, खूप वेगळे भौतिकशास्त्र [1].

मला किती थरांची आवश्यकता आहे?

लहान सुरुवात करा. जर तुम्ही कमी फिटिंग करत असाल तर रुंदी किंवा खोली जोडा. जर तुम्ही जास्त फिटिंग करत असाल तर क्षमता नियमित करा किंवा कमी करा. कोणताही जादूचा आकडा नाही; फक्त प्रमाणीकरण वक्र आणि संयम आहे [1].

मला नेहमीच GPU ची आवश्यकता असते का?

नेहमीच नाही. कमी डेटावरील छोटे मॉडेल्स CPU वर प्रशिक्षित होऊ शकतात, परंतु प्रतिमा, मोठे मजकूर मॉडेल्स किंवा मोठे डेटासेटसाठी, एक्सीलरेटर खूप वेळ वाचवतात [1].

लोक लक्ष देणे शक्तिशाली का म्हणतात?

कारण लक्ष मॉडेल्सना इनपुटच्या सर्वात संबंधित भागांवर लक्ष केंद्रित करण्यास अनुमती देते, फक्त क्रमाने न जाता. ते जागतिक संबंध कॅप्चर करते, जे भाषा आणि बहुआयामी कार्यांसाठी खूप महत्वाचे आहे [3].

"एआय मध्ये न्यूरल नेटवर्क म्हणजे काय?" हे "डीप लर्निंग म्हणजे काय" पेक्षा वेगळे आहे का?

सखोल शिक्षण हा खोल मज्जासंस्थेचा वापर करणारा व्यापक दृष्टिकोन आहे. म्हणून एआयमध्ये मज्जासंस्थेचा नेटवर्क म्हणजे काय? म्हणजे मुख्य पात्राबद्दल विचारण्यासारखे आहे; खोल शिक्षण हा संपूर्ण चित्रपट आहे [1].

व्यावहारिक, थोड्याशा मतप्रणालीच्या टिप्स 💡

प्रथम साध्या बेसलाइनला प्राधान्य द्या . डेटा शिकण्यायोग्य आहे की नाही हे एक लहान मल्टीलेअर पर्सेप्ट्रॉन देखील सांगू शकते.
तुमची डेटा पाइपलाइन पुनरुत्पादनीय. जर तुम्ही ती पुन्हा चालवू शकत नसाल, तर तुम्ही तिच्यावर विश्वास ठेवू शकत नाही.
शिकण्याचा दर तुम्हाला वाटतो त्यापेक्षा जास्त महत्त्वाचा आहे. वेळापत्रक वापरून पहा. वॉर्मअप मदत करू शकते.
बॅच आकारात तडजोड आहे. मोठे बॅच ग्रेडियंट स्थिर करतात परंतु ते वेगळ्या पद्धतीने सामान्यीकृत करू शकतात.
गोंधळल्यास, लॉस कर्व्ह आणि वेट नॉर्म्सचे. तुम्हाला आश्चर्य वाटेल की अनेकदा उत्तर त्या आलेखांमध्येच दडलेले असते.
गृहीतके कागदोपत्री लिहा. भविष्यकाळात तुम्ही गोष्टी विसरता - जलद [1, 2].

खोलवर जाऊन शोध: डेटाची भूमिका, किंवा कचरा बाहेर टाकणे म्हणजे कचरा बाहेर का टाकणे 🗑️➡️✨

न्यूरल नेटवर्क्स जादूने सदोष डेटा दुरुस्त करत नाहीत. स्क्युड लेबल्स, अ‍ॅनोटेशन चुका किंवा अरुंद सॅम्पलिंग हे सर्व मॉडेलमध्ये प्रतिध्वनीत होतील. क्युरेट करा, ऑडिट करा आणि ऑगमेंट करा. आणि जर तुम्हाला खात्री नसेल की तुम्हाला अधिक डेटा हवा आहे की चांगले मॉडेल, तर उत्तर अनेकदा त्रासदायकपणे सोपे असते: दोन्ही - परंतु डेटा गुणवत्तेपासून सुरुवात करा [1].

"AI मध्ये न्यूरल नेटवर्क म्हणजे काय?" - तुम्ही पुन्हा वापरू शकता अशा छोट्या व्याख्या 🧾

न्यूरल नेटवर्क हे एक स्तरित फंक्शन अ‍ॅप्रॉक्सिमेटर आहे जे ग्रेडियंट सिग्नल [1, 2] वापरून वजन समायोजित करून जटिल पॅटर्न शिकते.
ही एक अशी प्रणाली आहे जी सलग नॉनलाइनर चरणांद्वारे इनपुटचे आउटपुटमध्ये रूपांतर करते, ज्याला नुकसान कमी करण्यासाठी प्रशिक्षित केले जाते [1].
हा एक लवचिक, डेटा-हँगरी मॉडेलिंग दृष्टिकोन आहे जो प्रतिमा, मजकूर आणि ऑडिओ [1, 2, 3] सारख्या असंरचित इनपुटवर भरभराटीला येतो.

खूप लांब, वाचले नाही आणि शेवटचे टिप्पण्या 🎯

जर कोणी तुम्हाला विचारले की AI मध्ये न्यूरल नेटवर्क म्हणजे काय? तर त्याचे थोडक्यात उत्तर असे आहे: न्यूरल नेटवर्क म्हणजे साध्या घटकांचा एक संच आहे जो डेटाचे टप्प्याटप्प्याने रूपांतर करतो, आणि लॉस कमी करून व ग्रेडियंट्सचे अनुसरण करून हे रूपांतर शिकतो. ते शक्तिशाली आहेत कारण ते स्केलेबल आहेत, फीचर्स आपोआप शिकतात आणि अतिशय जटिल फंक्शन्सचे प्रतिनिधित्व करू शकतात [1, 4]. जर तुम्ही डेटाची गुणवत्ता, गव्हर्नन्स किंवा मॉनिटरिंगकडे दुर्लक्ष केले तर ते धोकादायक ठरू शकतात [5]. आणि ती काही जादू नाही. केवळ गणित, संगणकीय शक्ती आणि उत्तम अभियांत्रिकी - आणि त्यात थोडी कलात्मकता.

पुढील वाचन, काळजीपूर्वक निवडलेले (उद्धरण नसलेले अतिरिक्त)

स्टॅनफोर्ड CS231n नोट्स - सुलभ आणि व्यावहारिक: https://cs231n.github.io/
DeepLearningBook.org - कॅनोनिकल संदर्भ: https://www.deeplearningbook.org/
NIST AI जोखीम व्यवस्थापन फ्रेमवर्क - जबाबदार AI मार्गदर्शन: https://www.nist.gov/itl/ai-risk-management-framework
"लक्ष देणे हीच एकमेव गरज आहे" - ट्रान्सफॉर्मर पेपर: https://arxiv.org/abs/1706.03762

संदर्भ

[1] गुडफेलो, आय., बेंगिओ, वाय., आणि कौरविल, ए. डीप लर्निंग. एमआयटी प्रेस. मोफत ऑनलाइन आवृत्ती: अधिक वाचा

[2] स्टॅनफोर्ड CS231n. व्हिज्युअल रिकग्निशनसाठी कन्व्होल्यूशनल न्यूरल नेटवर्क्स (कोर्स नोट्स): अधिक वाचा

[3] वासवानी, ए., शाझीर, एन., परमार, एन., इत्यादी (२०१७). लक्ष देणे हेच तुम्हाला आवश्यक आहे. न्यूरआयपीएस. आर्क्सिव्ह: अधिक वाचा

[4] सायबेंको, जी. (१९८९). सिग्मॉइडल फंक्शनच्या सुपरपोझिशनद्वारे अंदाजीकरण. मॅथेमॅटिक्स ऑफ कंट्रोल, सिग्नल्स अँड सिस्टीम्स, २, ३०३–३१४. स्प्रिंगर: अधिक वाचा

[5] NIST. AI जोखीम व्यवस्थापन फ्रेमवर्क (AI RMF): अधिक वाचा

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल

ब्लॉगवर परत