एक न्यूरल नेटवर्क एल्गोरिदम का एक क्रम है जो मानव मस्तिष्क के काम करने के दृष्टिकोण की नकल करने वाली प्रक्रिया के माध्यम से डेटा के एक सेट में बुनियादी संबंधों की पहचान करने का प्रयास करता है। इस विधि में, न्यूरल नेटवर्क न्यूरॉन्स की प्रणालियों को परिभाषित करते हैं, चाहे जैविक या कृत्रिम।
न्यूरल नेटवर्क संज्ञानात्मक प्रणाली में सीखने की (परिकल्पित) प्रक्रियाओं और मस्तिष्क के न्यूरोलॉजिकल कार्यों के बाद तैयार की गई विश्लेषणात्मक तकनीकें हैं और मौजूदा जानकारी से तथाकथित सीखने की प्रक्रिया को लागू करने के बाद अन्य अवलोकनों से नए अवलोकनों (विशिष्ट चरों पर) की भविष्यवाणी करने में सक्षम हैं। न्यूरल नेटवर्क डेटा माइनिंग तकनीकों में से एक है।
एक न्यूरल नेटवर्क एल्गोरिदम की एक सरणी है जो मानव मस्तिष्क के संचालन की तकनीकों की नकल करने वाली प्रक्रिया के माध्यम से डेटा के एक सेट में मौलिक संबंधों की पहचान करने का प्रयास करता है। इस अर्थ में, न्यूरल नेटवर्क न्यूरॉन्स की प्रणालियों को परिभाषित करते हैं, जैसे जैविक या कृत्रिम।
न्यूरल नेटवर्क वस्तुतः हर स्थिति में प्रासंगिक हैं जहां भविष्यवक्ता चर (स्वतंत्र, इनपुट) और भविष्यवाणी किए गए चर (निर्भर, आउटपुट) के बीच एक संबंध मौजूद है, यहां तक कि जब वह संबंध जटिल होता है और "सहसंबंध" या "समूहों के बीच अंतर" के सामान्य शब्दों में व्यक्त करना आसान नहीं होता।
एक न्यूरल नेटवर्क नकली न्यूरॉन्स का एक नेटवर्क है जिसका उपयोग पैटर्न के उदाहरणों की पहचान करने के लिए किया जाता है। न्यूरल नेटवर्क नेटवर्क वजन के एक क्षेत्र के माध्यम से खोज करके सीखते हैं।
एक न्यूरल नेटवर्क लिंक्ड इनपुट/आउटपुट इकाइयों का एक समूह है जहां प्रत्येक लिंक का इससे संबंधित एक वजन होता है। सीखने की प्रक्रिया के दौरान, नेटवर्क वजन को समायोजित करके सीखते हैं ताकि इनपुट नमूनों के सटीक वर्ग लेबल का पूर्वानुमान लगाने में सक्षम हो सकें। NN सीखने को इकाइयों के बीच कनेक्शन के कारण कनेक्शन लर्निंग के रूप में भी संदर्भित किया जाता है।
न्यूरल नेटवर्क को लंबे प्रशिक्षण आइटम की आवश्यकता होती है, उनकी खराब व्याख्यात्मकता के लिए समीक्षा की गई है क्योंकि सीखने के वजन के पीछे प्रतीकात्मक अर्थ की व्याख्या करना जटिल है। ये विशेषताएं मूल रूप से डेटा माइनिंग के लिए न्यूरल नेटवर्क को कम आकर्षक बनाती हैं।
न्यूरल नेटवर्क में शोर डेटा के प्रति उनकी उच्च सहनशीलता और उन पैटर्न को वर्गीकृत करने की क्षमता शामिल है जिन पर उन्हें प्रशिक्षित नहीं किया गया है। प्रशिक्षित न्यूरल नेटवर्क से नियमों के निष्कर्षण के लिए विभिन्न एल्गोरिदम विकसित किए गए हैं। ये तत्व डेटा माइनिंग में वर्गीकरण के लिए न्यूरल नेटवर्क की सुविधा में योगदान करते हैं।
इंजीनियरिंग में अनुप्रयोग
इंजीनियरिंग में, न्यूरल नेटवर्क दो महत्वपूर्ण कार्यों के रूप में पैटर्न क्लासिफायर और गैर-रैखिक अनुकूली फिल्टर के रूप में वितरित करते हैं। एक कृत्रिम न्यूरल नेटवर्क एक लचीला, अक्सर गैर-रैखिक प्रणाली है जो डेटा से एक फ़ंक्शन (एक इनपुट/आउटपुट मैप) को लागू करना सीखती है। अनुकूली परिभाषित करता है कि सिस्टम पैरामीटर ऑपरेशन के दौरान बदल जाते हैं, जिसे आमतौर पर प्रशिक्षण चरण के रूप में जाना जाता है।
प्रशिक्षण चरण के बाद, कृत्रिम न्यूरल नेटवर्क पैरामीटर स्थिर होते हैं और सिस्टम हाथ में मौजूद मुद्दे को हल करने के लिए सेट हो जाता है (परीक्षण चरण)। कृत्रिम न्यूरल नेटवर्क को एक व्यवस्थित चरण-दर-चरण चरण के साथ विकसित किया जाता है ताकि प्रदर्शन परीक्षण को बढ़ाया जा सके या कुछ निहित आंतरिक बाधा का पालन किया जा सके, जिसे आमतौर पर सीखने के नियम के रूप में परिभाषित किया जाता है।
