डेटा माइनिंग में फीड-फॉरवर्ड और फीडबैक सिस्टम में क्या अंतर है?

<घंटा/>

फ़ीड-फ़ॉरवर्ड नेटवर्क

फीड-फ़ॉरवर्ड न्यूरल नेटवर्क सिग्नल को इनपुट से आउटपुट तक केवल एक विधि की यात्रा करने में सक्षम बनाता है। कोई फीडबैक (लूप) नहीं है यानी किसी भी लेयर का आउटपुट उसी लेयर को प्रभावित नहीं करता है। फीड-फ़ॉरवर्ड नेटवर्क आसान नेटवर्क होने के लिए प्रभावित करते हैं जो आउटपुट के साथ इनपुट को जोड़ते हैं। वे बड़े पैमाने पर पैटर्न पहचान में उपयोग किए जाते हैं। इस प्रकार के संगठन को बॉटम-अप या टॉप-डाउन के रूप में भी परिभाषित किया गया है।

इन इकाइयों के भारित आउटपुट को न्यूरॉन्स की दूसरी परत को एक साथ खिलाया जाता है जैसे कि छिपी हुई परत के रूप में जानी जाने वाली इकाइयाँ। छिपी हुई परत भारित आउटपुट है जो किसी अन्य छिपी हुई परत में इनपुट हो सकती है और इसी तरह। छिपी हुई परतों की संख्या मनमानी है और आमतौर पर, एक का उपयोग किया जाता है।

अंतिम छिपी हुई परत के भारित आउटपुट आउटपुट परत बनाने वाली इकाइयों के इनपुट होते हैं, जो दिए गए नमूनों के लिए नेटवर्क की भविष्यवाणी का उत्सर्जन करता है। छिपी हुई परतों और आउटपुट परत में इकाइयों को उनके प्रतीकात्मक जैविक आधार या आउटपुट इकाइयों के रूप में न्यूरोड के रूप में परिभाषित किया गया है। छिपी हुई इकाइयों के माध्यम से दिए गए रैखिक थ्रेशोल्ड फ़ंक्शंस के बहुपरत फ़ीड-फ़ॉरवर्ड नेटवर्क किसी भी फ़ंक्शन को बारीकी से अनुमानित कर सकते हैं।

फीडबैक नेटवर्क

फीडबैक नेटवर्क में वेब पर लूप सीखकर दोनों क्षेत्रों में यात्रा करने वाले सिग्नल हो सकते हैं। फीडबैक नेटवर्क बहुत गतिशील हैं और बेहद जटिल हो सकते हैं। फीडबैक नेटवर्क गतिशील होते हैं, उनकी स्थिति तब तक लगातार बदल रही है जब तक कि वे एक संतुलन बिंदु तक नहीं पहुंच जाते।

तब तक संतुलन बिंदु पर रहता है जब तक कि इनपुट बदल नहीं जाता है और एक नया संतुलन खोजने की आवश्यकता होती है। फीडबैक आर्किटेक्चर को इंटरएक्टिव या आवर्तक के रूप में भी परिभाषित किया गया है, हालांकि यह शब्द व्यक्तिगत स्तर के संगठनों में फीडबैक कनेक्शन को इंगित कर सकता है।

जब एक बड़ा डेटाबेस डीप न्यूरल नेटवर्क एल्गोरिदम की सटीकता को बढ़ाने में शामिल होता है, तो व्यवहार अनुसंधान के लिए डेटा उत्पादन और कृत्रिम बुद्धिमत्ता सीखने का एक मॉडल आवश्यक है। सामान्य तौर पर, नैदानिक डेटा का उपयोग तब किया जाता है जब उपयोगकर्ता की बीमारी की जानकारी शामिल की जाती है। इस समय, यदि नैदानिक डेटा गलत हैं, तो पूर्वानुमानों के परिणाम गलत हैं।

इसके अलावा, यदि नैदानिक डेटा के अलावा उपयोगकर्ता के व्यवहार और गतिविधि के बारे में जानकारी प्रतिबिंबित नहीं होती है, तो उपयोगकर्ता की स्थिति के अनुसार समय-श्रृंखला डेटा जो समय के साथ बदलता है, परिणामों का सटीक अनुमान लगाने के लिए इनपुट मान के रूप में उपयोग किया जाना चाहिए।

डीप न्यूरल नेटवर्क एल्गोरिथम के फीडबैक मॉडल में एक मूल फीडबैक मॉडल और एक सेकेंडरी फीडबैक मॉडल शामिल होता है जो परिणाम को फिर से बताता है।