View source for तंत्रिका नेटवर्क

{{Short description|Structure in biology and artificial intelligence}}
{{Other uses}}
'''तंत्रिका नेटवर्क''' या तो जैविक [[न्यूरॉन|न्यूरॉ]]नों के तंत्रिका परिपथ (जिसे कभी-कभी जैविक तंत्रिका नेटवर्क भी कहा जाता है) या [[कृत्रिम तंत्रिका नेटवर्क]] के परिप्रेक्ष्य में [[कृत्रिम न्यूरॉन]] या नोड्स के नेटवर्क को संदर्भित कर सकता है।<ref>{{cite journal |first=J. J. |last=Hopfield |title=आकस्मिक सामूहिक कम्प्यूटेशनल क्षमताओं के साथ तंत्रिका नेटवर्क और भौतिक प्रणालियां|journal=Proc. Natl. Acad. Sci. U.S.A. |volume=79 |issue= 8|pages=2554–2558 |year=1982 |doi=10.1073/pnas.79.8.2554 |pmc=346238 |pmid=6953413|bibcode=1982PNAS...79.2554H |doi-access=free }}</ref>कृत्रिम न्यूरॉल नेटवर्क का उपयोग कृत्रिम बुद्धिमत्ता समस्याओं को हल करने के लिए किया जाता है। इनमें जैविक न्यूरॉनों के संपर्क को नोड के बीच में भार के रूप में तैयार किया जाता है। एक सकारात्मक भार उत्तेजनात्मक संबंध को प्रतिबिंबित करता है, जबकि ऋणात्मक मानों का अर्थ निषेधात्मक संबंध होता है। सभी निविष्ट को एक भार से संशोधित किया जाता है और जोड़ा जाता है। इस गतिविधि को एक रैखिक संयोजन के रूप में जाना जाता है। अंत में, एक सक्रियण फलन, आउटपुट की [[आयाम|विपुलता]] को नियंत्रित करता है। उदाहरण के लिए, आउटपुट की स्वीकार्य सीमा सामान्यतः 0 और 1 के मध्य होती है, या यह -1 और 1 भी हो सकती है।

ये कृत्रिम नेटवर्क संभावनाओं के प्रारूपण, [[अनुकूली नियंत्रण|अनुकूलनिय नियंत्रण]] और ऐसे अनुप्रयोगों के लिए उपयोग किए जा सकते हैं जहां उन्हें एक डेटासमुच्चय के माध्यम से प्रशिक्षित किया जा सकता है। अनुभव से उत्पन्न स्व-शिक्षण नेटवर्क के भीतर हो सकता है, जो सूचना के एक जटिल और असंबद्ध प्रतीत होने वाले समुच्चय से निष्कर्ष निकाल सकता है।<ref>{{cite web|url=https://www.gartner.com/it-glossary/neural-net-or-neural-network|title=न्यूरल नेट या न्यूरल नेटवर्क - गार्टनर आईटी शब्दावली|website=www.gartner.com}}</ref>



== संक्षिप्त विवरण ==
एक जैविक तंत्रिका नेटवर्क रासायनिक रूप से या कार्यात्मक रूप से जुड़े न्यूरॉन्स के समूह से बना होता है। एकल न्यूरॉन कई अन्य न्यूरॉन्स से जुड़ा हो सकता है और नेटवर्क में न्यूरॉन्स और संयोजन की कुल संख्या व्यापक हो सकती है। संयोजन, जिन्हें [[निष्कर्ष|साइनैप्स]] कहा जाता है, सामान्यतः अक्षतंतु से डेंड्राइट्स तक निर्मित होते हैं, यद्यपि डेंड्रोडेंड्रिटिक साइनैप्स<ref>Arbib, p.666</ref> तथा अन्य संयोजन भी संभव हैं। विद्युत संकेतन के अतिरिक, संकेतन के अन्य रूप हैं जो [[स्नायुसंचारी]] प्रसार से उत्पन्न होते हैं।

कृत्रिम बुद्धिमत्ता, संज्ञानात्मक मॉडलिंग और तंत्रिका नेटवर्क सूचना प्रसंस्करण प्रतिमान हैं जो इस बात से प्रेरित हैं कि जैविक तंत्रिका तंत्र डेटा को कैसे संसाधित करते हैं। कृत्रिम बुद्धिमत्ता और [[संज्ञानात्मक मॉडलिंग]] जैविक तंत्रिका नेटवर्क के कुछ गुणों का अनुकरण करने का प्रयास करते हैं। कृत्रिम बुद्धिमत्ता क्षेत्र में, [[सॉफ्टवेयर एजेंट|सॉफ्टवेयर]] तंत्रों या [[स्वायत्त रोबोट|स्वायत्त रोबो]]टों के निर्माण के लिए कृत्रिम तंत्रिका नेटवर्क को भाषण मान्यता, [[छवि विश्लेषण]] और अनुकूली नियंत्रण के लिए सफलतापूर्वक लागू किया गया है।

ऐतिहासिक रूप से, डिजिटल कंप्यूटर [[वॉन न्यूमैन मॉडल]] से विकसित हुए हैं, और कई प्रोसेसरों द्वारा स्मृति तक पहुंच के माध्यम से स्पष्ट निर्देशों के निष्पादन के माध्यम से संचालित होते हैं। दूसरी ओर, तंत्रिका नेटवर्क की उत्पत्ति जैविक प्रणालियों में सूचना प्रसंस्करण प्रारूप के प्रयासों पर आधारित है। वॉन न्यूमैन मॉडल के विपरीत, तंत्रिका नेटवर्क कंप्यूटिंग स्मृति और प्रसंस्करण को अलग नहीं करती है।

तंत्रिका नेटवर्क सिद्धांत ने यह पहचानने में मदद की है कि मस्तिष्क में न्यूरॉन्स कैसे कार्य करते हैं और कृत्रिम बुद्धि बनाने के प्रयासों के लिए आधार प्रदान करते हैं।

== इतिहास ==
समकालीन तंत्रिका नेटवर्क के लिए प्रारंभिक सैद्धांतिक आधार स्वतंत्र रूप से [[सिकंदर बैन (दार्शनिक)|अलेक्जेंडर बैन]]<ref name="Bain 1873">{{cite book|last=Bain|title=मन और शरीर: उनके संबंध के सिद्धांत|year=1873|publisher=D. Appleton and Company|location=New York}}</ref> और [[विलियम जेम्स]]<ref name="James 1890">{{cite book|last=James|title=मनोविज्ञान के सिद्धांत|url=https://archive.org/details/principlespsych01jamegoog|year=1890|publisher=H. Holt and Company|location=New York}}</ref> द्वारा प्रस्तावित किया गया था। उनके लेख के अनुसार, विचार और शरीर की गतिविधि दोनों मस्तिष्क के भीतर न्यूरॉन्स के मध्य परस्पर क्रियाओं के परिणामस्वरूप होती हैं।

[[File:Forest of synthetic pyramidal dendrites grown using Cajal's laws of neuronal branching.png|thumb|[[पिरामिड न्यूरॉन]] के डेंड्राइट्स की ब्रांचिंग आर्किटेक्चर का [[कंप्यूटर सिमुलेशन]]।<ref>{{cite journal |last=Cuntz |first=Hermann |doi= 10.1371/image.pcbi.v06.i08 |title= PLoS कम्प्यूटेशनल बायोलॉजी इश्यू इमेज | वॉल्यूम। 6(8) अगस्त 2010|journal= PLOS Computational Biology |volume= 6 |issue= 8 |pages= ev06.i08 |year= 2010 |doi-access= free }}</ref>]]बैन के लिए,<ref name="Bain 1873"/>हर गतिविधि के कारण न्यूरॉन्स के एक निश्चित समुच्चय की संचरण होता है। जब गतिविधियों को दोहराया गया, तो उन न्यूरॉन्स के बीच संबंध मजबूत हुए। उनके सिद्धांत के अनुसार, यह दोहराव ही था जो स्मृति के निर्माण का कारण बना। उस समय के सामान्य वैज्ञानिक समुदाय को बैन के सिद्धांत के बारे में संदेह था<ref name="Bain 1873"/> क्योंकि इसके लिए आवश्यक था कि मस्तिष्क के भीतर तंत्रिका संयोजनों की एक बड़ी संख्या दिखाई दे। अब यह स्पष्ट है कि मस्तिष्क अत्यधिक जटिल है और वही मस्तिष्क "वायरिंग" कई समस्याओं और निविष्ट को संभाल सकता है।

जेम्स का<ref name="James 1890"/>सिद्धांत बैन के सिद्धांत के समान था,<ref name="Bain 1873"/> यद्यपि उन्होंने सुझाव दिया कि यादें और क्रियाएं मस्तिष्क में न्यूरॉन्स के बीच बहने वाली विद्युत धाराओं के परिणामस्वरूप होती हैं। उनके सिद्धांत के अनुसार, विद्युत धाराओं के प्रवाह पर ध्यान केंद्रित करके, प्रत्येक स्मृति या क्रिया के लिए भिन्न-भिन्न तंत्रिका संयोजन की आवश्यकता नहीं थी।

चार्ल्स स्कॉट शेरिंगटन<ref>{{cite journal|last=Sherrington|first=C.S.|title=कुछ रीढ़ की हड्डी की नसों के पीछे की जड़ों के तंतुओं के परिधीय वितरण की परीक्षा में प्रयोग|journal=Proceedings of the Royal Society of London|volume=190|pages=45–186|doi=10.1098/rstb.1898.0002|year=1898|doi-access=free}}</ref> ने जेम्स के सिद्धांत का परीक्षण करने के लिए कई प्रयोग किए। उसने चूहों की रीढ़ की हड्डी में विद्युत धारा प्रवाहित की। यद्यपि, जेम्स द्वारा अनुमानित विद्युत प्रवाह में वृद्धि का प्रदर्शन करने के अतिरिक्त, शेरिंगटन ने पाया कि समय के साथ परीक्षण जारी रहने से विद्युत प्रवाह की शक्ति कम हो गई। महत्वपूर्ण बात यह है कि इस कार्य ने अभ्यस्तता की अवधारणा की खोज की।
   
[[वॉरेन मैककुलोच]] और [[वाल्टर पिट्स]]<ref>{{cite journal |last= McCulloch |first=Warren |author2= Walter Pitts |title= तंत्रिका गतिविधि में निहित विचारों की एक तार्किक गणना|journal= Bulletin of Mathematical Biophysics |year=1943 |volume=5 |pages= 115–133 |doi= 10.1007/BF02478259 |issue=4}}</ref> (1943) ने गणित और विधिकलन के आधार पर तंत्रिका नेटवर्क के लिए एक संगणनीय प्रारूप निर्मित किया। उन्होंने इस प्रारूप को [[दहलीज तर्क|थ्रेशोल्ड लॉजिक]] कहा। इस प्रारूप ने तंत्रिका नेटवर्क अनुसंधान को दो अलग-अलग दृष्टिकोणों में विभाजित करने का मार्ग प्रशस्त किया। एक दृष्टिकोण मस्तिष्क में जैविक प्रक्रियाओं पर केंद्रित था और दूसरा कृत्रिम बुद्धि के लिए तंत्रिका नेटवर्क के अनुप्रयोग पर केंद्रित था।

1940 के अंत में मनोवैज्ञानिक [[डोनाल्ड हेब्ब]]<ref>{{cite book|last=Hebb|first=Donald|title=व्यवहार का संगठन|url=https://archive.org/details/in.ernet.dli.2015.226341|year=1949|publisher=Wiley|location=New York}}</ref> न्यूरल प्लास्टिसिटी के तंत्र के आधार पर सीखने की एक परिकल्पना बनाई जिसे अब [[हेबियन सीखना|हेबियन]] लर्निंग के रूप में जाना जाता है। हेब्बियन लर्निंग को एक 'विशिष्ट' अप्रशिक्षित शिक्षण नियम माना जाता है और इसके बाद के संस्करण दीर्घकालिक क्षमता के प्रारम्भिक प्रारूप थे। इन विचारों को असंगठित ट्यूरिंग की बी-टाइप यंत्रों के साथ 1948 में संगणनीयता प्रारूप पर लागू किया जाना प्रारंभ हुआ।

फ़ार्ले और क्लार्क<ref>{{cite journal |last= Farley |first=B. |author2= W.A. Clark |title= डिजिटल कंप्यूटर द्वारा स्व-आयोजन प्रणालियों का अनुकरण|journal= IRE Transactions on Information Theory |year=1954 |volume=4 |pages= 76–84 |doi= 10.1109/TIT.1954.1057468 |issue=4 }}</ref> (1954) एमआईटी में एक हेब्बियन नेटवर्क का अनुकरण करने के लिए पहली बार संगणनीय यंत्रों का प्रयोग किया, जिसे कैलकुलेटर कहा जाता है। अन्य न्यूरल नेटवर्क संगणनीय यंत्र रोचेस्टर, हॉलैंड, हैबिट और डूडा द्वारा निर्मित किए गए थे।<ref>{{cite journal |last= Rochester |first=N. |author2= J.H. Holland, L.H. Habit and W.L. Duda|title=एक बड़े डिजिटल कंप्यूटर का उपयोग करके मस्तिष्क की क्रिया के सेल असेंबली सिद्धांत पर परीक्षण|journal=IRE Transactions on Information Theory |year=1956 |volume=2 |pages= 80–93 |doi= 10.1109/TIT.1956.1056810 |issue=3 }}</ref>

[[फ्रैंक रोसेनब्लैट]]<ref>{{cite journal|last=Rosenblatt|first=F.|title=परसेप्ट्रॉन: मस्तिष्क में सूचना भंडारण और संगठन के लिए एक संभाव्य मॉडल|journal=Psychological Review|year=1958|volume=65|pages=386–408|doi=10.1037/h0042519|pmid=13602029|issue=6|citeseerx=10.1.1.588.3775}}</ref> (1958) ने [[परसेप्ट्रॉन]] निर्मित किया, जो सरल जोड़ और घटाव का उपयोग करके दो-परत सीखने वाले कंप्यूटर नेटवर्क पर आधारित पैटर्न की पहचान के लिए एक विधिकलन था। गणितीय अंकन के साथ, रोसेनब्लैट ने परपथिकी का वर्णन मूल परसेप्ट्रॉन में नहीं किया, जैसे कि एक परिपथ जिसकी गणितीय संगणना तब तक संसाधित नहीं की जा सकती जब तक कि वर्बोस द्वारा [[backpropagation|पश्चप्रचार]] विधिकलन का निर्माण नहीं किया गया।<ref name="Werbos 1975">{{cite book|last=Werbos|first=P.J.|title=प्रतिगमन से परे: व्यवहार विज्ञान में भविष्यवाणी और विश्लेषण के लिए नए उपकरण|year=1975}}</ref>

[[मार्विन मिंस्की]] और [[सीमोर पैपर्ट]] द्वारा मशीन लर्निंग रिसर्च के प्रकाशन के बाद तंत्रिका नेटवर्क अनुसंधान बंद हो गया<ref>{{cite book |last=Minsky |first=M. |title=कम्प्यूटेशनल ज्यामिति का एक परिचय|year=1969 |publisher= MIT Press|isbn=978-0-262-63022-1 |author2= S. Papert }}</ref> उन्होंने तंत्रिका नेटवर्क को संसाधित करने वाली संगणनीय यंत्रों के साथ दो प्रमुख पहलुओ की खोज की। पहला पहलू यह था कि सिंगल-लेयर न्यूरल नेटवर्क एक्सक्लूसिव-या सर्किट को प्रोसेस करने में अक्षम थे। दूसरा महत्वपूर्ण पहलू यह था कि कंप्यूटर इतने परिष्कृत नहीं थे कि वे बड़े तंत्रिका नेटवर्क के लिए आवश्यक लंबे समय तक प्रभावी ढंग से संभाल सकें। जब तक कंप्यूटर अधिक प्रसंस्करण शक्ति प्राप्त नहीं कर लेते, तब तक तंत्रिका नेटवर्क अनुसंधान धीमा हो गया। बाद के अग्रिमों में भी पश्चप्रचार विधिकलन महत्वपूर्ण था जिसने समस्या को प्रभावी ढंग से हल किया।<ref name="Werbos 1975"/>

1970 के दशक के अंत से 1980 के दशक के प्रारंभ में, {{pslink|आइसिंग प्रारूप|केली ट्री प्रारूप तथा बड़े तंत्रिका नेटवर्क|nopage=वाई}} के संबंध में विल्हेम लेनज़ (1920) और अर्न्स्ट इज़िंग (1925) द्वारा सैद्धांतिक रूप से आइसिंग प्रारूप के जांच में रुचि प्रदर्शित हुई।

1981 में, पीटर बार्थ ने विवृत्त काइली ट्री के साथ ऐप्रिबल ब्रांचिंग अनुपात के लिए विवृत्त इसिंग मॉडल को सही तरीके से हल कर दिया और इसे अपने स्थानिक-शिर्ष और लंबी-दूरी [[चरण संक्रमण]] सहयोजन में असामान्य चरण परिवर्तन का प्रदर्शन करने का प्रयास किया। <ref>{{cite journal |first=Peter F. |last=Barth | year=1981 | title=सहकारिता और बड़े तंत्रिका जाल का संक्रमण व्यवहार| pages=1–118 | journal= Master of Science Thesis | publisher= University of Vermont | location= Burlington }} </ref><ref>{{cite journal| last1=Krizan | first1=J.E. |last2=Barth | first2=P.F. | last3=Glasser | first3=M.L.| year=1983 | title= क्लोज्ड केली ट्री पर आइसिंग मॉडल के लिए सटीक चरण संक्रमण| journal=Physica | volume=119A | pages=230–242 | publisher= North-Holland Publishing Co.| doi=10.1016/0378-4371(83)90157-7 }} </ref><ref>{{citation | last1=Glasser | first1=M.L. | last2=Goldberg | first2=M. | year=1983|title= The Ising model on a closed Cayley tree | journal=Physica | volume=117A | issue=2–3 | pages=670–672 | doi=10.1016/0378-4371(83)90138-3 }} </ref> यह 1980 के दशक के मध्य तक [[संबंधवाद]] के नाम से लोकप्रिय हुआ। रुमेलहार्ट और मैकक्लेलैंड के लेख<ref>{{cite book |last=Rumelhart |first=D.E. |title= समानांतर वितरित प्रसंस्करण: अनुभूति की सूक्ष्म संरचना में अन्वेषण|url=https://archive.org/details/paralleldistribu00rume |url-access=registration |year=1986 |publisher= MIT Press |location= Cambridge |author2= James McClelland }}</ref> ने तंत्रिका प्रक्रियाओं का अनुकरण करने के लिए कंप्यूटर में संबंधवाद के उपयोग पर एक पूर्ण विवरण प्रदान किया।

तंत्रिका नेटवर्क, जैसा कि कृत्रिम बुद्धिमत्ता में उपयोग किया जाता है, पारंपरिक रूप से मस्तिष्क में तंत्रिका प्रसंस्करण के सरलीकृत मॉडल के रूप में देखा जाता है, भले ही इस मॉडल और मस्तिष्क जैविक वास्तुकला के बीच संबंध पर बहस हो, क्योंकि यह स्पष्ट नहीं है कि कृत्रिम तंत्रिका नेटवर्क किस सीमा तक मस्तिष्क को प्रतिबिंबित करते हैं।<ref>{{Cite web |last= Russell|first= Ingrid |title= तंत्रिका नेटवर्क मॉड्यूल|url= http://uhaweb.hartford.edu/compsci/neural-networks-definition.html|access-date= |archive-date=29 May 2014| archive-url=https://web.archive.org/web/20140529155320/http://uhaweb.hartford.edu/compsci/neural-networks-definition.html}}</ref>



== कृत्रिम बुद्धिमत्ता ==
{{Main|कृत्रिम तंत्रिका नेटवर्क}}

तंत्रिका नेटवर्क, कृत्रिम न्यूरॉन्स के परिप्रेक्ष्य में कृत्रिम तंत्रिका नेटवर्क या सिम्युलेटेड न्यूरल नेटवर्क द्वारा संदर्भित, प्राकृतिक या कृत्रिम न्यूरॉन्स का एक परस्पर समूह है जो संबंधात्मक गणना दृष्टिकोण के आधार पर सूचना प्रसंस्करण के लिए एक गणितीय मॉडल का उपयोग करता है। अधिकतर क्षेत्रों में [[गणना]] करने के लिए एएनएन एक [[अनुकूली प्रणाली]] है जो नेटवर्क के माध्यम से प्रवाहित होने वाली बाहरी या आंतरिक जानकारी के आधार पर अपनी संरचना को परिवर्तित करती है।

अधिक व्यावहारिक शब्दों में तंत्रिका नेटवर्क गैर-रैखिक [[सांख्यिकीय]] प्रारूपण या निर्णय लेने वाला उपकरण हैं। उनका उपयोग इनपुट और आउटपुट या डेटा में पैटर्न पहचान के बीच जटिल संबंधों को मॉडल करने के लिए किया जा सकता है।

एक कृत्रिम तंत्रिका नेटवर्क में सरल प्रसंस्करण तत्वों (कृत्रिम न्यूरॉन्स) का एक नेटवर्क सम्मिलित होता है जो प्रसंस्करण तत्वों और तत्व मापदंडों के बीच संबंध द्वारा निर्धारित जटिल वैश्विक व्यवहार प्रदर्शित कर सकता है। कृत्रिम न्यूरॉन्स पहली बार 1943 में [[वॉरेन स्टर्गिस मैककुलोच]], एक न्यूरोफिज़ियोलॉजिस्ट और वाल्टर पिट्स, एक तर्कशास्त्री द्वारा प्रस्तावित किए गए थे, जिन्होंने पहली बार [[शिकागो विश्वविद्यालय]] में सहयोग किया था।<ref>{{cite journal |last1=McCulloch |first1=Warren |last2=Pitts |first2=Walter |title=तंत्रिका गतिविधि में निहित विचारों की एक तार्किक गणना|year=1943 |journal=Bulletin of Mathematical Biophysics |volume=5 |issue=4 |pages=115–133 |doi=10.1007/BF02478259 }}</ref>

एक पारंपरिक प्रकार का कृत्रिम तंत्रिका नेटवर्क [[आवर्तक तंत्रिका नेटवर्क]] [[हॉपफील्ड नेटवर्क]] है।

ऐसा प्रतीत होता है कि एक तंत्रिका नेटवर्क की अवधारणा पहली बार [[एलन ट्यूरिंग]] द्वारा अपने 1948 के पेपर इंटेलिजेंट मशीनरी में प्रस्तावित की गई थी जिसमें उन्होंने उन्हें बी-टाइप असंगठित यंत्र कहा था।<ref>{{cite book |title=आवश्यक ट्यूरिंग|editor-first=B. Jack |editor-last=Copeland |publisher=Oxford University Press |year=2004 |isbn=978-0-19-825080-7 |page=403 }}</ref>

कृत्रिम तंत्रिका नेटवर्क मॉडल की उपयोगिता इस तथ्य में निहित है कि उनका उपयोग टिप्पणियों से किसी फलन का अनुमान लगाने और इसका उपयोग करने के लिए भी किया जा सकता है। अप्रशिक्षित तंत्रिका नेटवर्क का उपयोग इनपुट के प्रतिनिधित्व को सीखने के लिए भी किया जा सकता है जो इनपुट वितरण की मुख्य विशेषताओं को अनुकूलित करता है, उदाहरण के लिए, [[बोल्ट्जमैन मशीन]] (1983) देखें, और हाल ही में, गहन शिक्षण विधिकलन, जो स्पष्ट रूप से वितरण फलन को सीख सकते हैं। तंत्रिका नेटवर्क में सीखना उन अनुप्रयोगों में विशेष रूप से उपयोगी होता है जहां डेटा या कार्य की जटिलता ऐसे कार्यों के प्रारूप को अव्यावहारिक बनाती है।

== अनुप्रयोग ==
विभिन्न क्षेत्रों में तंत्रिका नेटवर्क का उपयोग किया जा सकता है। जिन कार्यों के लिए कृत्रिम तंत्रिका नेटवर्क लागू होते हैं, वे निम्नलिखित व्यापक श्रेणियों में आते हैं:
*फलन सन्निकटन, या [[प्रतिगमन विश्लेषण]], जिसमें [[समय श्रृंखला भविष्यवाणी]] और मॉडलिंग सम्मिलित है।
*[[सांख्यिकीय वर्गीकरण]], पैटर्न पहचान और अनुक्रम पहचान, तथा अनुक्रमिक निर्णय लेने सहित नवीनता पहचान।
* [[डाटा प्रासेसिंग]], जिसमें फ़िल्टरिंग, क्लस्टरिंग, [[अंधा संकेत जुदाई|संकेत]] और डेटा संपीड़न सम्मिलित हैं।

एएनएन के अनुप्रयोग क्षेत्र में अनियमित प्रणाली पहचान और नियंत्रण (वाहन नियंत्रण, प्रक्रिया नियंत्रण), खेल खेलना और निर्णय लेना (बैकगैमन, शतरंज, रेसिंग), पैटर्न पहचान (रडार प्रणाली, [[चेहरे की पहचान प्रणाली|चेहरे की पहचान]], वस्तु पहचान), क्रम पहचान (हाथ नक्शा, भाषण, [[हस्तलिखित पाठ पहचान]]), चिकित्सा निदान, वित्तीय अनुप्रयोग, [[डेटा खनन]] (या डेटाबेस में ज्ञान खोज), दृश्यीकरण और [[ईमेल स्पैम]] फ़िल्टरिंग साममिलित हैं।<ref name="SAB1">{{cite book |last=Billings |first=S. A. |title=अरैखिक प्रणाली पहचान: समय, आवृत्ति, और अनुपात-अस्थायी डोमेन में NARMAX तरीके|publisher=Wiley |year=2013 |isbn=978-1-119-94359-4 }}</ref> उदाहरण के रूप में, वस्तु पहचान के लिए प्रशिक्षित चित्रों से उभरते उपयोगकर्ता की रुचियों का अर्थात्मक प्रोफ़ाइल बनाना संभव है।<ref>{{cite journal| url=https://www.researchgate.net/publication/328964756 | doi=10.3233/978-1-61499-894-5-179 | last1=Wieczorek | first1=Szymon| last2=Filipiak | first2=Dominik | last3=Filipowska | first3=Agata| title=सिमेंटिक इमेज-बेस्ड प्रोफाइलिंग ऑफ यूजर्स इंटरेस्ट विथ न्यूरल नेटवर्क्स| journal=Studies on the Semantic Web | volume=36 | issue=Emerging Topics in Semantic Technologies | year=2018}}</ref>


== तंत्रिका विज्ञान ==
सैद्धांतिक और [[कम्प्यूटेशनल तंत्रिका विज्ञान|संगणनीय तंत्रिका विज्ञान]] जैविक तंत्रिका तंत्र के विश्लेषण और संगणनीयता प्रारूपण से संबंधित क्षेत्र है।

चूंकि तंत्रिका तंत्र संज्ञानात्मक प्रक्रियाओं और व्यवहार से घनिष्ठ रूप से संबंधित हैं, इसलिए यह क्षेत्र संज्ञानात्मक और व्यवहारिक प्रारूपण से निकटता से संबंधित है।

जैविक तंत्र कैसे कार्य करते हैं, यह समझने के लिए क्षेत्र का उद्देश्य जैविक तंत्रिका तंत्र के प्रारूप बनाना है। इस समझ को प्राप्त करने के लिए, न्यूरोसाइंटिस्ट प्रेक्षित जैविक प्रक्रियाओं (डेटा), तंत्रिका प्रसंस्करण और सीखने के लिए जैविक रूप से प्रशंसनीय तंत्र (जैविक तंत्रिका नेटवर्क मॉडल) और सिद्धांत (सांख्यिकीय शिक्षण सिद्धांत और [[सूचना सिद्धांत]]) के मध्य एक कड़ी बनाने का प्रयास करते हैं।

=== मॉडल के प्रकार ===
कई मॉडल प्रयोग किए जाते हैं; वे विभिन्न स्तरों पर परिभाषित होते हैं, और न्यूरॉन सिस्टम के विभिन्न पहलुओं का प्रारूपण करते हैं। वे [[जैविक न्यूरॉन मॉडल]] के अल्पकालिक व्यवहार के मॉडल से लेकर, व्यक्तिगत न्यूरॉन्स के मध्य संपर्क से उत्पन्न होने वाले तंत्रिका परिपथिकी की गतिशीलता के मॉडल के माध्यम से, अमूर्त तंत्रिका मॉड्यूल से उत्पन्न होने वाले व्यवहार के मॉडल जो पूर्ण उप-प्रणालियों का प्रतिनिधित्व करते हैं। इनमें तंत्रिका तंत्र की दीर्घकालिक और अल्पकालिक प्लास्टिसिटी के मॉडल और व्यक्तिगत न्यूरॉन से सिस्टम स्तर तक सीखने और स्मृति के संबंध भी सम्मिलित हैं।

=== अनुयोजकता ===
{{See also|मस्तिष्क अनुयोजकता अनुमानक}}

अगस्त 2020 में वैज्ञानिकों ने बताया कि द्वि-दिशात्मक संयोजन, या उपयुक्त प्रतिक्रिया संयोजन, मस्तिष्क के [[सेरेब्रल कॉर्टेक्स]] के मॉड्यूलर न्यूरल परिपथ के बीच संचार को तेज और बेहतर कर सकते हैं और उनके सफल संचार के लिए सीमा को कम कर सकते हैं। उन्होंने दिखाया कि एक अनुनाद युग्म के मध्य प्रतिपुष्टि संयोजन से सम्पूर्ण नेटवर्क में एक पल्स पैकेट के सफल प्रसार का समर्थन किया जा सकता है।<ref>{{cite news |title=न्यूरोसाइंटिस्ट प्रदर्शित करते हैं कि मस्तिष्क के विभिन्न क्षेत्रों के बीच संचार को कैसे बेहतर बनाया जाए|url=https://medicalxpress.com/news/2020-08-neuroscientists-regions-brain.html |access-date=6 September 2020 |work=medicalxpress.com |language=en}}</ref><ref>{{cite journal |last1=Rezaei |first1=Hedyeh |last2=Aertsen |first2=Ad |last3=Kumar |first3=Arvind |last4=Valizadeh |first4=Alireza |title=फीडबैक को शामिल करके फीडफॉरवर्ड नेटवर्क में स्पाइकिंग गतिविधि के प्रसार को सुगम बनाना|journal=PLOS Computational Biology |date=10 August 2020 |volume=16 |issue=8 |pages=e1008033 |doi=10.1371/journal.pcbi.1008033 |pmid=32776924 |pmc=7444537 |bibcode=2020PLSCB..16E8033R |s2cid=221100528 |language=en |issn=1553-7358|doi-access=free }} [[File:CC-BY icon.svg|50px]]  Text and images are available under a [https://creativecommons.org/licenses/by/4.0/  Creative Commons Attribution 4.0 International License].</ref>


== आलोचना ==
ऐतिहासिक रूप से, तंत्रिका नेटवर्क विशेष रूप से रोबोटिक्स में एक साधारण आलोचना यह थी कि उन्हें वास्तविक दुनिया के संचालन के लिए प्रशिक्षण प्रारूपों की एक बड़ी विविधता की आवश्यकता होती है। यह आश्चर्य की बात नहीं है, क्योंकि किसी भी सीखने के यंत्र को अंतर्निहित संरचना को पकड़ने के लिए पर्याप्त प्रतिनिधि उदाहरणों की आवश्यकता होती है जो इसे नए विषयों को सामान्यीकृत करने की अनुमति देती है। डीन पोमर्लेउ ने ऑटोनॉमस रोबोट ड्राइविंग के लिए कृत्रिम न्यूरल नेटवर्क्स के ज्ञान-आधारित अधिगम लेख में प्रस्तुत अपने शोध में, कई प्रकार की सड़कों (सिंगल लेन, मल्टी-लेन, गंदगी, आदि) पर ड्राइव करने के लिए एक रोबोटिक वाहन को प्रशिक्षित करने के लिए एक न्यूरल नेटवर्क का उपयोग किया। उनके शोध का एक बड़ा भाग एक ही प्रशिक्षण अनुभव से कई प्रशिक्षण परिदृश्यों को एक्सट्रपलेशन करने, और पिछले प्रशिक्षण विविधता को संरक्षित करने के लिए समर्पित है ताकि सिस्टम अतिप्रशिक्षित न हो जाए यदि, उदाहरण के लिए, इसे एक श्रृंखला के साथ प्रस्तुत किया जाता है तों दाएँ मुड़ने का - इसे हमेशा दाएँ मुड़ना नहीं सीखना चाहिए। ये पहलू तंत्रिका नेटवर्क में साधारण हैं जिन्हें विभिन्न प्रकार की प्रतिक्रियाओं के बीच से तय करना होगा, परंतु कई तरीकों से निपटा जा सकता है, उदाहरण के लिए प्रशिक्षण उदाहरणों को बेतरतीब ढंग से फेरबदल करके, एक संख्यात्मक अनुकूलन एल्गोरिथ्म का उपयोग करके जो बहुत बड़े कदम नहीं उठाता है जब एक उदाहरण के बाद नेटवर्क कनेक्शन बदलना, या तथाकथित मिनी-बैचों में उदाहरणों को समूहीकृत करना।

एक पूर्व [[अमेरिकी वैज्ञानिक]] स्तंभकार ए.के. डेवडनी ने 1997 में लिखा, हालांकि तंत्रिका जाल कुछ खिलौना समस्याओं को हल करते हैं, उनकी संगणना की शक्तियां इतनी सीमित हैं कि मुझे आश्चर्य है कि कोई भी सामान्य समस्या-समाधान उपकरण के रूप में उन्हें गंभीरता से लेता है। 

ड्यूडनी की स्थिति के लिए तर्क यह है कि बड़े और प्रभावी सॉफ्टवेयर न्यूरल नेटवर्क को लागू करने के लिए बहुत अधिक प्रसंस्करण और भंडारण संसाधनों को प्रतिबद्ध करने की आवश्यकता है। जबकि मस्तिष्क में न्यूरॉन्स के एक ग्राफ के माध्यम से संकेतों को संसाधित करने के कार्य के अनुरूप हार्डवेयर होता है, वॉन न्यूमैन तकनीक पर सबसे सरल रूप का अनुकरण करने से एक न्यूरल नेटवर्क डिजाइनर को अपने कनेक्शन के लिए कई लाखों [[डेटाबेस]] पंक्तियों को भरने के लिए मजबूर किया जा सकता है - जो बड़ी मात्रा में उपभोग कर सकता है। कंप्यूटर की [[रैंडम एक्सेस मेमोरी]] और [[आधार सामग्री भंडारण]] क्षमता। इसके अलावा, तंत्रिका नेटवर्क सिस्टम के डिजाइनर को प्रायः इनमें से कई कनेक्शनों और उनके संबद्ध न्यूरॉन्स के माध्यम से संकेतों के संचरण का अनुकरण करने की आवश्यकता होती है - जिसे प्रायः [[CPU|सीपीयू]] प्रसंस्करण शक्ति और समय की अविश्वसनीय मात्रा के साथ मिलान किया जाना चाहिए। जबकि तंत्रिका नेटवर्क प्रायः प्रभावी कार्यक्रम उत्पन्न करते हैं, वे भी प्रायः दक्षता की कीमत पर ऐसा करते हैं (वे काफी समय और धन का उपभोग करते हैं)।

डेवडनी की स्थिति के प्रति तर्क यह है कि कई जटिल और विविध कार्यों को हल करने के लिए तंत्रिका नेटवर्क का सफलतापूर्वक उपयोग किया गया है, जैसे स्वायत्त रूप से उड़ने वाले विमान।<ref>{{cite web|url=http://www.nasa.gov/centers/dryden/news/NewsReleases/2003/03-49.html|title=ड्राइडन फ़्लाइट रिसर्च सेंटर - न्यूज़ रूम: न्यूज़ रिलीज़: नासा न्यूरल नेटवर्क प्रोजेक्ट मील का पत्थर पार करता है|first=NASA|last=Administrator|date=5 June 2013|website=NASA}}</ref>

प्रौद्योगिकी लेखक [[रोजर ब्रिजमैन]] ने न्यूरल नेट के बारे में ड्यूडनी के बयानों पर टिप्पणी की:<blockquote>न्यूरल नेटवर्क्स, उदाहरण के लिए, केवल उच्च स्तर तक हाइप किए जाने के कारण ही नहीं दोषी हैं, (क्या नहीं है?) बल्कि इसलिए भी दोषी हैं कि आप उसके कार्य करने के तरीके को समझे बिना भी एक सफल नेट बना सकते हैं: उसके व्यवहार को दर्ज करने वाले नंबरों का समूह संभवतः "एक अपारदर्शी, अपठनीय सारणी होगा... जो वैज्ञानिक संसाधन के रूप में निरर्थक होगा।"

अपनी प्रभावशाली घोषणा के बावजूद कि विज्ञान, प्रौद्योगिकी नहीं है, ड्यूडनी तंत्रिका जालों को खराब विज्ञान के रूप में यहां स्तंभित करते हैं, जब उन्हें तैयार करने वालों में से अधिकांश सिर्फ अच्छे इंअभियांत्रिकी बनने की कोशिश कर रहे हैं। एक अपठनीय तालिका जिसे एक उपयोगी यंत्र पढ़ सकती है, अभी भी अच्छी तरह से उपयोगी होगी।<ref>{{Cite web |url=http://members.fortunecity.com/templarseries/popper.html |title=रोजर ब्रिजमैन का तंत्रिका नेटवर्क का बचाव|access-date=August 1, 2006 |archive-url=https://web.archive.org/web/20120319163352/http://members.fortunecity.com/templarseries/popper.html |archive-date=March 19, 2012 |url-status=dead }}</ref></blockquote>यद्यपि यह सच है कि एक कृत्रिम तंत्रिका नेटवर्क द्वारा सीखी गई बातों का विश्लेषण करना कठिन है, ऐसा करना जैविक तंत्रिका नेटवर्क द्वारा सीखी गई बातों का विश्लेषण करने की तुलना में बहुत सरल है। इसके अतिरिक्त, एआई की व्याख्या पर हाल के जोर ने विधियों के विकास की दिशा में योगदान दिया है, विशेष रूप से वे जो ध्यान तंत्र पर आधारित हैं, सीखे हुए तंत्रिका नेटवर्क को देखने और समझाने के लिए अत्यधिक उपयोगी हैं। इसके अतिरिक्त, तंत्रिका नेटवर्क के लिए सीखने के एल्गोरिदम की खोज में सम्मिलित शोधकर्ता धीरे-धीरे सामान्य सिद्धांतों को उजागर कर रहे हैं जो सीखने के यंत्र को सफल होने की अनुमति देते हैं। उदाहरण के लिए, बेन्जिओ और लीकून (2007) ने स्थानीय के प्रति गैर-स्थानीय अधिगम के साथ-साथ उथली बनाम गहरी वास्तुकला के बारे में एक लेख लिखा।<ref>{{cite web|url=http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/4|title={AI} की ओर स्केलिंग लर्निंग एल्गोरिदम - LISA - प्रकाशन - Aigaion 2.0|website=www.iro.umontreal.ca}}</ref>

कुछ अन्य आलोचनाएँ हाइब्रिड मॉडल (तंत्रिका नेटवर्क और [[प्रतीकात्मक कृत्रिम बुद्धि]]मत्ता दृष्टिकोण के संयोजन) के विश्वासियों से आई हैं। वे इन दो दृष्टिकोणों के मिश्रण की वकालत करते हैं और मानते हैं कि हाइब्रिड मॉडल मानव मन के तंत्र (सन एंड बुकमैन, 1990) को उपयुक्त विधि से पकड़ सकते हैं।


== आधुनिक सुधार ==
जबकि शुरू में अनुसंधान ज्यादातर न्यूरॉन्स की विद्युत विशेषताओं से संबंधित था, हाल के वर्षों में जांच का एक विशेष रूप से महत्वपूर्ण भाग व्यवहार और सीखने पर [[डोपामाइन]], [[acetylcholine|असिटिलकोलीन]] और [[सेरोटोनिन]] जैसे [[neuromodulators|तंत्रिका प्रवर्धक]] की भूमिका का अन्वेषण रहा है।

[[जीव पदाथ-विद्य|जैवभौतिक]] प्रारूप, जैसे [[बीसीएम सिद्धांत]], [[सूत्रयुग्मक सुनम्यता]] के लिए तंत्र को समझने में महत्वपूर्ण रहे हैं, और कंप्यूटर विज्ञान और तंत्रिका विज्ञान दोनों में अनुप्रयोग हुए हैं। मस्तिष्क में उपयोग किए जाने वाले संगणनीय विधिकलन को समझने के लिए अनुसंधान चल रहा है, जिसमें [[रेडियल आधार नेटवर्क]] के लिए कुछ हालिया जैविक साक्ष्य और प्रसंस्करण डेटा के तंत्र के रूप में तंत्रिका बैकप्रोपैजेशन सम्मिलित हैं।

जैवभौतिक अनुकूलन और [[न्यूरोमॉर्फिक कंप्यूटिंग|तंत्रिकावृद्धि अभिकलन]] दोनों के लिए सीएमओएस में संगणनीय उपकरण बनाए गए हैं। अधिक हाल के प्रयास बहुत बड़े पैमाने पर प्रमुख घटकों के विश्लेषण और [[घुमाव]] के लिए [[android|एंड्रॉयड]] बनाने का वादा दिखाते हैं।<ref>{{cite journal |last1=Yang |first1=J. J. |last2=Pickett |first2=M. D. |last3=Li |first3=X. M. |last4=Ohlberg |first4=D. A. A. |last5=Stewart |first5=D. R. |last6=Williams |first6=R. S. |display-authors=1 |title=धातु/ऑक्साइड/धातु नैनो उपकरणों के लिए यादगार स्विचिंग तंत्र|journal=[[Nature Nanotechnology|Nat. Nanotechnol.]] |year=2008 |volume=3 |issue= 7|pages=429–433 |doi=10.1038/nnano.2008.160 |pmid=18654568 }}</ref> सफल होने पर, ये प्रयास [[तंत्रिका कंप्यूटिंग]] के एक नए युग का प्रारंभ कर सकते हैं जो डिजिटल कंप्यूटिंग से एक कदम आगे है,<ref>{{cite journal |last1=Strukov |first1=D. B. |last2=Snider |first2=G. S. |last3=Stewart |first3=D. R. |last4=Williams |first4=R. S. |display-authors=1 |title=लापता मेमिस्टर मिल गया|journal=Nature |year=2008 |volume=453 |issue= 7191|pages=80–83 |doi=10.1038/nature06932 |pmid=18451858 |bibcode=2008Natur.453...80S |s2cid=4367148 }}</ref> क्योंकि यह [[प्रोग्रामिंग भाषा]] के अतिरिक्त सीखने पर निर्भर करता है और क्योंकि यह मूल रूप से डिजिटल डेटा के अतिरिक्त [[एनालॉग संकेत]] है, भले ही पहली तात्कालिकता वास्तव में सीमॉस डिजिटल उपकरणों के साथ संदर्भित की गई हों।

2009 और 2012 के मध्य, [[IDSIA|आईडीएसआईए]] में जुर्गन श्मिधुबर के अनुसंधान समूह में विकसित आवर्तक तंत्रिका नेटवर्क और गहरे फीडफॉरवर्ड तंत्रिका नेटवर्क ने पैटर्न मान्यता और यंत्र अधिगम में आठ अंतर्राष्ट्रीय प्रतियोगिताओं में जीत प्राप्त की है।<ref>{{cite web |url=http://www.kurzweilai.net/how-bio-inspired-deep-learning-keeps-winning-competitions |title=2012 Kurzweil AI उनकी डीप लर्निंग टीम द्वारा जीती गई आठ प्रतियोगिताओं पर Jürgen Schmidhuber के साथ साक्षात्कार 2009-2012|access-date=December 10, 2012 |archive-url=https://web.archive.org/web/20180831075249/http://www.kurzweilai.net/how-bio-inspired-deep-learning-keeps-winning-competitions |archive-date=August 31, 2018 |url-status=dead }}</ref> उदाहरण के लिए, बहु-आयामी दीर्घकालिक अल्पकालिक स्मृति<ref>{{cite book |last1=Graves |first1=Alex |last2=Schmidhuber |first2=Jürgen |chapter=Offline Handwriting Recognition with Multidimensional Recurrent Neural Networks |editor-last=Bengio |editor-first=Yoshua |editor2-last=Schuurmans |editor2-first=Dale |editor3-last=Lafferty |editor3-first=John |editor4-last=Williams |editor4-first=Chris K. I. |editor5-last=Culotta |editor5-first=Aron |title=तंत्रिका सूचना प्रसंस्करण प्रणालियों में अग्रिम 21 (NIPS'21)|publisher=Neural Information Processing Systems (NIPS) Foundation |year=2008 |volume=21 |pages=545–552 |chapter-url=http://papers.nips.cc/paper/3449-offline-handwriting-recognition-with-multidimensional-recurrent-neural-networks }}</ref><ref>{{cite journal |first1=A. |last1=Graves |first2=M. |last2=Liwicki |first3=S. |last3=Fernandez |first4=R. |last4=Bertolami |first5=H. |last5=Bunke |first6=J. |last6=Schmidhuber |title=बेहतर अप्रतिबंधित लिखावट पहचान के लिए एक उपन्यास कनेक्शन सिस्टम|journal=IEEE Transactions on Pattern Analysis and Machine Intelligence |volume=31 |issue=5 |year=2009 |pages=855–868 |doi=10.1109/TPAMI.2008.137 |pmid=19299860 |citeseerx=10.1.1.139.4502 |s2cid=14635907 }}</ref> सीखी जाने वाली तीन भिन्न-भिन्न भाषाओं के बारे में बिना किसी पूर्व ज्ञान के दस्तावेज़ विश्लेषण और मान्यता (आईसीडीएआर) पर 2009 के अंतर्राष्ट्रीय सम्मेलन में कनेक्टेड [[हस्तलिपि अभिज्ञान]] में तीन प्रतियोगिताएं जीतीं।

[[टोरंटो विश्वविद्यालय]] में [[ज्योफ हिंटन]] और उनके सहयोगियों द्वारा [[बैक-प्रसार]] विधिकलन के संस्करण के साथ-साथ अप्रशिक्षित विधियों का उपयोग गहन, अत्यधिक गैर-रैखिक तंत्रिका आर्किटेक्चर को प्रशिक्षित करने के लिए किया जा सकता है,<ref>{{cite journal
 |doi=10.1162/neco.2006.18.7.1527
 |last1=Hinton |first1=G. E. |author-link1=Geoffrey Hinton
 |last2=Osindero |first2=S.
 |last3=Teh |first3=Y. 
 |year=2006
 |title=गहरे विश्वास जाल के लिए एक तेज़ सीखने वाला एल्गोरिदम|journal=[[Neural Computation (journal)|Neural Computation]]
 |volume=18 
 |issue=7 |pages=1527–1554 
 |url=http://www.cs.toronto.edu/~hinton/absps/fastnc.pdf 
 |pmid=16764513
|citeseerx=10.1.1.76.1541 |s2cid=2309950 }}</ref> [[कुनिहिको फुकुशिमा]] द्वारा 1980 [[नियोकॉग्निट्रोन]] के समान,<ref>{{cite journal |first=K. |last=Fukushima |title=Neocognitron: स्थिति में बदलाव से अप्रभावित पैटर्न पहचान के तंत्र के लिए एक स्व-संगठित तंत्रिका नेटवर्क मॉडल|journal=Biological Cybernetics |volume=36 |issue=4 |pages=93–202 |year=1980 |doi=10.1007/BF00344251 |pmid=7370364 |s2cid=206775608 }}</ref> और दृष्टि की मानक वास्तुकला,<ref>{{cite journal |first1=M. |last1=Riesenhuber |author-link2=Tomaso Poggio |first2=T. |last2=Poggio |title=कोर्टेक्स में वस्तु पहचान के श्रेणीबद्ध मॉडल|journal=[[Nature Neuroscience]] |year=1999 |volume=2 |issue= 11|pages=1019–1025 |doi=10.1038/14819 |pmid=10526343 |s2cid=8920227 }}</ref> प्राथमिक दृश्य प्रांतस्था में डेविड एच। हबेल और [[टॉर्स्टन वीज़ल]] द्वारा पहचानी गई सरल और जटिल कोशिकाओं से प्रेरित है।

रेडियल बेसिस फलन और वेवलेट नेटवर्क भी पेश किए गए हैं। इन्हें सर्वोत्तम सन्निकटन गुणों की प्रस्तुति करने के लिए दिखाया जा सकता है और गैर-रैखिक प्रणाली पहचान और वर्गीकरण अनुप्रयोगों में लागू किया गया है।<ref name="SAB1" />

डीप लर्निंग फीडफॉर्वर्ड नेटवर्क वैकल्पिक पारंपरिक लेयर्स और मैक्स-पूलिंग लेयर्स, कई शुद्ध वर्गीकरण परतों द्वारा सबसे ऊपर है। इस दृष्टिकोण के तेजी से [[GPU|जीपीयू]]-आधारित कार्यान्वयन ने आईजेसीएनएन 2011 ट्रैफिक साइन रिकॉग्निशन प्रतियोगिता सहित इलेक्ट्रॉन माइक्रोस्कोपी स्टैक चुनौती में न्यूरोनल संरचनाओं का आईएसबीआई 2012 विभाजन जैसे कई पैटर्न पहचान प्रतियोगिताएं जीती हैं।<ref>D. C. Ciresan, U. Meier, J. Masci, J. Schmidhuber. [https://people.lu.usi.ch/mascij/data/papers/2012_nn_traffic.pdf Multi-Column Deep Neural Network for Traffic Sign Classification]. Neural Networks, 2012.</ref><ref>D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber. [https://papers.nips.cc/paper/4741-deep-neural-networks-segment-neuronal-membranes-in-electron-microscopy-images.pdf Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images]. In Advances in Neural Information Processing Systems (NIPS 2012), Lake Tahoe, 2012.</ref> इस तरह के तंत्रिका नेटवर्क मानव-प्रतिस्पर्धी या अलौकिक प्रदर्शन को प्राप्त करने वाले पहले कृत्रिम पैटर्न पहचानकर्ता भी थे<ref>D. C. Ciresan, U. Meier, [[Jürgen Schmidhuber|J. Schmidhuber]]. Multi-column Deep Neural Networks for Image Classification. IEEE Conf. on Computer Vision and Pattern Recognition CVPR 2012.</ref> ट्रैफिक साइन रिकग्निशन (आईजेसीएनएन 2012), या [[NYU|एनवाईयू]] में [[वाई एन एल ईसीयू के अंदर]] और सहयोगियों की एमएनआईएसटी हस्तलिखित अंकों की समस्या जैसे मापदंड पर संयोजित किया जाता है।

== यह भी देखें ==
{{Columns-list|colwidth=22em|
*[[एडलाइन]]
*[[अनुकूली अनुनाद सिद्धांत]]
*[[जैविक साइबरनेटिक्स]]
*[[जैविक रूप से प्रेरित कंप्यूटिंग]]
*[[अनुमस्तिष्क मॉडल आर्टिक्यूलेशन नियंत्रक]]
*[[संज्ञानात्मक वास्तुकला]]
*[[संज्ञात्मक विज्ञान]]
*[[संबंधवाद]]
*[[कनेक्टोमिक्स]]
*[[संवर्धित न्यूरोनल नेटवर्क]]
*[[डीप लर्निंग]]
*[[Deep Image Prior]]
*[[डिजिटल मोर्फोजेनेसिस]]
*[[कुशलतापूर्वक अद्यतन करने योग्य तंत्रिका नेटवर्क]]
*[[विशिस्ट ऑर]]
*[[विकासवादी विधिकलन]]
*[[जेनेटिक विधिकलन]]
*[[जीन अभिव्यक्ति प्रोग्रामिंग]]
*[[उत्पादक प्रतिकूल नेटवर्क]]
*[[डेटा प्रबंधन की समूह विधि]]
*[[अभ्यस्तता]]
*[[यथास्थान अनुकूली सारणीकरण]]
*[[मेमिस्टर]]
*<nowiki>[̪[मल्टीलिनियर सबस्पेस लर्निंग]]</nowiki>
*[[तंत्रिका नेटवर्क सॉफ्टवेयर]]
*[[नॉनलाइनियर सिस्टम पहचान]]
*[[समानांतर बाधा संतुष्टि प्रक्रियाएँ]]
*[[समानांतर वितरित प्रसंस्करण]]
*[[अनुमान विश्लेषक]]
*[[रेडियल आधार फलन नेटवर्क]]
*[[स्व-संगठित मानचित्र]]
*[[संवर्धित वास्तविकता]]
*[[समर्थन वेक्टर यंत्र]]
*[[टेंसर उत्पाद नेटवर्क]]
*[[समय विलंब तंत्रिका नेटवर्क]]
}}


==संदर्भ==
{{Reflist|30em}}


==इस पेज में लापता आंतरिक लिंक की सूची==

*कृत्रिम होशियारी
*भविष्य कहनेवाला मॉडलिंग
*एक्सोन
*वाक् पहचान
*आदी होना
*दीर्घकालिक पोतेन्तिअतिओन
*अनियंत्रित शिक्षा
*एकमात्र
*आइसिंग मॉडल
*निर्णय लेना
*पैटर्न मान्यता
*गैर रेखीय
*गणित का मॉडल
*सूचना प्रक्रम
*ध्यान लगा के पढ़ना या सीखना
*गैर रेखीय प्रणाली पहचान
*आधार - सामग्री संकोचन
*समारोह सन्निकटन
*नवीनता का पता लगाना
*तंत्रिका पश्च प्रसार
*मुख्य घटक
*मशीन लर्निंग
*सीख रहा हूँ
*डिजिटल डाटा
*लंबी अल्पकालिक स्मृति
*दृश्य कोर्टेक्स
==बाहरी कड़ियाँ==
{{Spoken Wikipedia|En-Neural_network.ogg|date=2011-11-27}}
* [http://www.dkriesel.com/en/science/neural_networks A Brief Introduction to Neural Networks (D. Kriesel)] - Illustrated, bilingual manuscript about artificial neural networks; Topics so far: Perceptrons, Backpropagation, Radial Basis Functions, Recurrent Neural Networks, Self Organizing Maps, Hopfield Networks.
*[http://www.msm.cam.ac.uk/phase-trans/abstracts/neural.review.html Review of Neural Networks in Materials Science]
*[https://web.archive.org/web/20090318133122/http://www.gc.ssr.upm.es/inves/neural/ann1/anntutorial.html Artificial Neural Networks Tutorial in three languages (Univ. Politécnica de Madrid)]
*[https://web.archive.org/web/20091216110504/http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html Another introduction to ANN]
*[https://www.youtube.com/watch?v=AyzOUbkUf3M Next Generation of Neural Networks] - Google Tech Talks
*[http://www.msm.cam.ac.uk/phase-trans/2009/performance.html Performance of Neural Networks]
*[http://www.msm.cam.ac.uk/phase-trans/2009/review_Bhadeshia_SADM.pdf Neural Networks and Information]
*{{cite web |first=Grant |last=Sanderson |title=But what ''is'' a Neural Network? |work=[[3Blue1Brown]] |date=October 5, 2017 |url=https://www.youtube.com/watch?v=aircAruvnKk&list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi | archive-url=https://ghostarchive.org/varchive/youtube/20211107/aircAruvnKk| archive-date=2021-11-07 | url-status=live|via=[[YouTube]] }}{{cbignore}}

{{Authority control}}

[[श्रेणी:कम्प्यूटेशनल न्यूरोसाइंस|श्रेणी:संगणनीय न्यूरोसाइंस]]
[[श्रेणी: नेटवर्क संरचना]]
[[श्रेणी:नेटवर्क]]
[[श्रेणी:अर्थमिति]]
[[श्रेणी: उभरती प्रौद्योगिकियां]]

[[Category:Articles with hAudio microformats]]
[[Category:Articles with hatnote templates targeting a nonexistent page]]
[[Category:CS1 English-language sources (en)]]
[[Category:CS1 errors]]
[[Category:Created On 29/12/2022]]
[[Category:Lua-based templates]]
[[Category:Machine Translated Page]]
[[Category:Multi-column templates]]
[[Category:Pages using div col with small parameter]]
[[Category:Pages with script errors]]
[[Category:Spoken articles]]
[[Category:Templates Vigyan Ready]]
[[Category:Templates that add a tracking category]]
[[Category:Templates that generate short descriptions]]
[[Category:Templates using TemplateData]]
[[Category:Templates using under-protected Lua modules]]
[[Category:Wikipedia fully protected templates|Div col]]