अपर्यवेक्षित अधिगम: Difference between revisions

Latest revision as of 17:04, 14 November 2023

अपर्यवेक्षित अधिगम उन कलन विधियों को संदर्भित करता है जो बिना लेबल वाले प्रदत्त से प्रतिरुप सीखते हैं।

पर्यवेक्षित शिक्षण के विपरीत, जहां प्रतिरूप निविष्ट को लक्ष्य बहिर्गत में मानचित्र करना सीखते हैं (उदाहरण के लिए "बिल्ली" या "मछली" के रूप में लेबल की गई छवियां), अपर्यवेक्षित तरीके निविष्ट प्रदत्तों का संक्षिप्त प्रतिनिधित्व सीखते हैं, जिसका उपयोग प्रदत्त अन्वेषण या विश्लेषण या नए प्रदत्त को उत्पन्न करने के लिए किया जा सकता है। पर्यवेक्षण वर्णक्रम में अन्य स्तर सुदृढीकरण शिक्षण हैं जहां यंत्र को मार्गदर्शन के रूप में केवल एक "प्रदर्शन प्राप्तांक" दिया जाता है और अर्ध-पर्यवेक्षित शिक्षण जहां प्रशिक्षण प्रदत्त का केवल एक भाग लेबल किया जाता है।

तन्त्रिका जालक्रम

कार्य बनाम विधियाँ

किसी कार्य के लिए पर्यवेक्षित बनाम अपर्यवेक्षित तरीकों को नियोजित करने की प्रवृत्ति है। कार्य के नाम वृत्त की सीमाओं को फैलाना जानबूझकर किया गया है। यह दर्शाता है कि अपर्यवेक्षित तरीकों को नियोजित करने वाले कल्पनाशील कार्यों (बाएं) का शास्त्रीय विभाजन आज की अधिगम की योजनाओं में अस्पष्ट हो गया है।

तन्त्रिका जालक्रम कार्यों को प्रायः भेदभावपूर्ण (मान्यता) या उत्पादक (कल्पना) के रूप में वर्गीकृत किया जाता है। परन्तु सदैव नहीं, भेदभावपूर्ण कार्यों में पर्यवेक्षित तरीकों का उपयोग किया जाता है और प्रजनक कार्यों में बिना पर्यवेक्षित तरीकों का उपयोग किया जाता है (वेन आरेख देखें); हालाँकि, पृथक्करण अस्पष्ट है। उदाहरण के लिए, वस्तु पहचान पर्यवेक्षित शिक्षण को बढ़ावा देती है परन्तु अपर्यवेक्षित शिक्षण भी वस्तुओं को समूहों में विभाजित कर सकता है। इसके अतिरिक्त, जैसे-जैसे प्रगति आगे बढ़ती है, कुछ कार्य दोनों तरीकों का उपयोग करते हैं और कुछ कार्य एक से दूसरे की ओर प्रदोलन करते हैं। उदाहरण के लिए, छवि पहचान का प्रारंभ अत्यधिक पर्यवेक्षित के साथ हुआ, परन्तु अपर्यवेक्षित पूर्व-प्रशिक्षण को नियोजित करने से यह संकरित हो गई, और फिर निर्गम पात, परिशोधक और अनुकूली अधिगम दर के आगमन के साथ पुनः पर्यवेक्षण की ओर बढ़ गई।

प्रशिक्षण

अधिगम चरण के पर्यन्त, एक अप्रशिक्षित जालक्रम दिए गए प्रदत्त की नकल करने का प्रयास करता है और स्वयं को सही करने के लिए अपने नकल किए गए बहिर्गत में त्रुटि का उपयोग करता है (अर्थात अपने भार और पूर्वाग्रहों को ठीक करता है)। कभी-कभी त्रुटि को गलत बहिर्गत होने की कम संभावना के रूप में व्यक्त किया जाता है, या इसे जालक्रम में अस्थिर उच्च ऊर्जा स्थिति के रूप में व्यक्त किया जा सकता है।

पर्यवेक्षित तरीकों के पश्चप्रचार के प्रमुख उपयोग के विपरीत, अपर्यवेक्षित अधिगम अन्य तरीकों को भी नियोजित करता है जिनमें, होपफील्ड अधिगम नियम, बोल्ट्समान अधिगम नियम, विरोधाभासी विचलन, वेक स्लीप, भिन्नात्मक अनुमान, अधिकतम संभावना, अधिकतम पोस्टीरियोरी, गिब्स प्रतिदर्शी और पश्चप्रचार, पुनर्निर्माण त्रुटियाँ या गुप्त स्थिति का पुनर्मूल्यांकन सम्मिलित हैं। अधिक विवरण के लिए नीचे दी गई तालिका देखें।

ऊर्जा

एक ऊर्जा क्रिया किसी जालक्रम की सक्रियण स्थिति का एक स्थूल माप है। बोल्ट्समान यंत्रों में, यह लागत क्रिया की भूमिका निभाता है। भौतिकी के साथ यह सादृश्य कण गति $p\propto e^{-E/kT}$ की सूक्ष्म संभावनाओं से गैस की स्थूल ऊर्जा के लुडविग बोल्ट्समान के विश्लेषण से प्रेरित है, जहां k बोल्ट्समान स्थिरांक है और T तापमान है। आरबीएम जालक्रम में संबंध $p=e^{-E}/Z$ है,^[1]जहां $p$ और $E$ प्रत्येक संभावित सक्रियण प्रतिरुप में भिन्न और $\textstyle {Z=\sum _{\scriptscriptstyle {\text{All Patterns}}}e^{-E({\text{pattern}})}}$ होता है। अधिक स्पष्ट करने के लिए, $p(a)=e^{-E(a)}/Z$ , जहां $a$ सभी न्यूरॉन (दृश्यमान और गुप्त) का एक सक्रियण प्रतिरुप है। इसलिए, प्रारंभिक तन्त्रिका जालक्रम का नाम बोल्ट्समान यंत्र है। पॉल स्मोलेंस्की कॉल $-E\,$ समानता है। एक जालक्रम कम ऊर्जा चाहता है जो उच्च समानता है।

जालक्रम

यह तालिका विभिन्न गैर-पर्यवेक्षित जालक्रमों के संयोजन आरेख दर्शाती है, जिनका विवरण जालक्रम की तुलना अनुभाग में दिया जाएगा। वृत्त न्यूरॉन हैं और उनके मध्य के किनारे संयोजन भार हैं। जैसे-जैसे जालक्रम प्रारुप परिवर्तित होता है, नई क्षमताओं को सक्षम करने के लिए सुविधाएँ जोड़ी जाती हैं या अधिगम को तीव्र बनाने के लिए हटा दी जाती हैं। उदाहरण के लिए, प्रबल बहिर्गत की अनुमति देने के लिए न्यूरॉन नियतात्मक (हॉपफील्ड) और प्रसंभाव्य (बोल्ट्समान) के मध्य परिवर्तित होते हैं, अधिगम में तीव्रता लाने के लिए एक परत (RBM) के भीतर भार हटा दिया जाता है, या संयोजन को असममित (हेल्महोल्त्स) बनने की अनुमति दी जाती है।

हॉपफ़ील्ड	बोल्ट्समान	आरबीएम	स्टैक्ड बोल्ट्समान
एकल स्व-संबंधित परत के साथ लोहे में चुंबकीय कार्यक्षेत्र पर आधारित एक जालक्रम है। इसका उपयोग पता योग्य विषय वस्तु स्मृति के रूप में किया जा सकता है।	जालक्रम को 2 परतों (गुप्त बनाम दृश्यमान) में विभाजित किया गया है, परन्तु फिर भी सममित 2-पंथ भार का उपयोग किया जाता है। बोल्ट्समान के ऊष्मागतिकी के बाद, व्यक्तिगत संभावनाएं स्थूल ऊर्जा की उत्पत्ति करती हैं।	प्रतिबंधित बोल्ट्समान यंत्र, यह एक बोल्ट्समान यंत्र है जहां विश्लेषण को सुव्यवस्थित बनाने के लिए एक परत के भीतर पार्श्व संयोजन निषिद्ध है।	इस जालक्रम में गुप्त विशेषताओं के पदानुक्रम को कोडित करने के लिए कई आरबीएम हैं। एक आरबीएम को प्रशिक्षित करने के बाद, एक और नीली गुप्त परत (बाएं आरबीएम देखें) जोड़ी जाती है और शीर्ष 2 परतों को लाल और नीले आरबीएम के रूप में प्रशिक्षित किया जाता है। इस प्रकार आरबीएम की मध्य परतें गुप्त या दृश्यमान के रूप में कार्य करती हैं, यह इस बात पर निर्भर करता है कि यह किस प्रशिक्षण चरण में है।

हेल्महोल्त्स	ऑटोएनकोडर	वीएई
चितीयित बोल्ट्समान यंत्रों के द्विदिश सममित संयोजन के बजाय, हमारे पास कुंडली बनाने के लिए अलग-अलग एक-तरफ़ा संयोजन हैं। यह पीढ़ी और पक्षपात दोनों करता है।	एक अग्रभरण जालक्रम जिसका लक्ष्य अपने निविष्ट जगत का एक अच्छा मध्य परत प्रतिनिधित्व खोजना है। यह जालक्रम नियतिवादी है, इसलिए यह अपने उत्तराधिकारी वीएई जितना प्रबल नहीं है।	ऑटोएन्कोडर पर विचरण अनुमान अनुप्रयुक्त करता है। मध्य परत गाउसी वितरण के लिए साधनों और भिन्नताओं का एक समुच्चय है। प्रसंभाव्यप्रकृति नियतात्मक ऑटोएनकोडर की तुलना में अधिक प्रबल कल्पना की अनुमति देती है।

लोगों के नाम वाले जालक्रम में से केवल होपफ़ील्ड ने सीधे तन्त्रिका जालक्रम के साथ कार्य किया। बोल्ट्समान और हेल्महोल्त्स कृत्रिम तन्त्रिका जालक्रम से पहले आए थे, परन्तु भौतिकी और शरीर विज्ञान में उनके कार्य ने उपयोग की जाने वाली विश्लेषणात्मक विधियों को प्रेरित किया।

इतिहास

1969	मिन्स्की और पैपर्ट द्वारा परसेप्ट्रॉन दर्शाता है कि गुप्त परतों के बिना एक परसेप्ट्रॉन एक्सओआर पर विफल रहता है।
1970s	(अनुमानित तिथियां) पहली एआई विंटर।
1974	अनुभूति के लिए डब्ल्यूए लिटिल द्वारा प्रस्तावित आइसिंग चुंबकीय प्रतिरूप है।
1980	फुकुशिमा ने नियोकॉग्निट्रॉन को प्रस्तावित किया, जिसे बाद में संवलन तन्त्रिका जालक्रम कहा गया। इसका उपयोग अधिकतर एसएल में किया जाता है, परन्तु यहां इसका उल्लेख आवश्यक है।
1982	आइसिंग भिन्नरूप हॉपफील्ड शैली को जॉन हॉपफील्ड द्वारा सीएएम और वर्गीकारक के रूप में वर्णित किया गया है।
1983	शेरिंगटन और किर्कपैट्रिक के 1975 के कार्य के बाद हिंटन और सेजनोव्स्की द्वारा वर्णित संभाव्य न्यूरॉन्स के साथ आइसिंग भिन्नरूप बोल्टज़मैन यंत्र है।
1986	पॉल स्मोलेंस्की ने सामंजस्य सिद्धांत प्रकाशित किया, जो व्यावहारिक रूप से समान बोल्ट्ज़मान ऊर्जा कार्य वाला एक आरबीएम है। स्मोलेंस्की ने कोई व्यावहारिक प्रशिक्षण योजना नहीं दी। हिंटन ने 2000 के दशक के मध्य में किया था।
1995	श्मिटथुबर ने भाषाओं के लिए एलएसटीएम न्यूरॉन का परिचय दिया।
1995	दयान और हिंटन ने हेल्महोल्त्स यंत्र प्रस्तुत किया।
1995-2005	(अनुमानित तिथियां) दूसरा एआई विंटर।
2013	किंग्मा, रेज़ेंडे और संगठन, घटकों के रूप में तंत्रिका जाल के साथ, बायेसियन आलेखीय संभाव्यता जालक्रम के रूप में विचरण ऑटोएन्कोडर को प्रस्तुत किया गया।

विशिष्ट जालक्रम

यहां, हम विशिष्ट जालक्रम की कुछ विशेषताओं पर प्रकाश डालते हैं। प्रत्येक का विवरण नीचे तुलना तालिका में दिया गया है।

हॉपफील्ड जालक्रम: लौहचुम्बकत्व ने हॉपफील्ड जालक्रम को प्रेरित किया। एक न्यूरॉन ऊपर और नीचे द्विआधारी चुंबकीय क्षणों के साथ एक लौह कार्यक्षेत्र से मेल खाता है और तंत्रिका संयोजन एक दूसरे पर कार्यक्षेत्र के प्रभाव से मेल खाते हैं। सममित संयोजन वैश्विक ऊर्जा निर्माण को सक्षम बनाते हैं। निष्कर्ष के पर्यंत जालक्रम मानक सक्रियण चरण क्रिया का उपयोग करके प्रत्येक स्थिति को अद्यतन करता है। सममित भार और सही ऊर्जा कार्य एक स्थिर सक्रियण प्रतिरूप के अभिसरण की प्रत्याभूति देते हैं। असममित भार का विश्लेषण करना कठिन है। हॉपफील्ड शैली का उपयोग आधेय पता योग्य स्मृति (CAM) के रूप में किया जाता है।
बोल्ट्ज़मैन यंत्र: ये प्रसंभाव्य हॉपफील्ड शैली हैं। उनका अवस्था मान इस पीडीएफ से निम्नानुसार नमूना लिया गया है: मान लीजिए कि एक द्विआधारी न्यूरॉन बर्नौली संभावना p (1) = 1/3 के साथ सक्रिय होता है और p (0) = 2/3 के साथ स्थिर रहता है। इसमें से एक नमूना एक समान रूप से वितरित यादृच्छिक संख्या y लेकर और इसे व्युत्क्रमित संचयी वितरण क्रिया में प्लग करके, जो इस स्थिति में 2/3 पर सीमा चरण क्रिया है। व्युत्क्रम फलन = { 0 यदि x <= 2/3, 1 यदि x > 2/3 } है।
सिग्मारूपी धारणा शैली: 1992 में रैडफोर्ड नील द्वारा प्रस्तुत, यह जालक्रम संभाव्य आलेखीय प्रतिरूप से लेकर तंत्रिका जालक्रम तक के विचारों को अनुप्रयुक्त करता है। एक महत्वपूर्ण अंतर यह है कि आलेखीय प्रतिरूप में बिंदुओं के पूर्व-निर्धारित अर्थ होते हैं, जबकि धारणा शैली न्यूरॉन्स की विशेषताएं प्रशिक्षण के बाद निर्धारित की जाती हैं। जालक्रम द्विआधारी प्रसंभाव्य न्यूरॉन्स से बना एक विरल रूप से जुड़ा हुआ निर्देशित अचक्रिय आलेख है। अधिगम का नियम p(X): Δw_ij $\propto$ s_j * (s_i - p_i) पर अधिकतम संभावना से आता है, जहां p_i = 1 / ( 1 + e^{न्यूरॉन में भारित निविष्ट i} ) है।s_j's पश्च वितरण के एक निष्पक्ष प्रतिरूप से सक्रियण हैं और यह जूडिया पर्ल द्वारा उठाई गई समस्या दूर करने की व्याख्या के कारण समस्याग्रस्त है। विचरणी बायेसियन विधियां एक प्रतिनिधि पश्च का उपयोग करती हैं और इस जटिलता की स्पष्ट रूप से उपेक्षा करती हैं।
गहन धारणा जालक्रम: हिंटन द्वारा प्रस्तुत, यह जालक्रम आरबीएम और सिग्मारूपी धारणा जालक्रम का एक संकर है। शीर्ष 2 परतें एक आरबीएम हैं और दूसरी परत नीचे की ओर एक सिग्मारूपी धारणा जालक्रम बनाती है। कोई इसे चितीयित आरबीएम विधि द्वारा प्रशिक्षित करता है और फिर शीर्ष आरबीएम के नीचे पहचान भार को फेंक देता है। 2009 तक, 3-4 परतें इष्टतम गहराई प्रतीत होती हैं। ^[2]
हेल्महोल्त्ज़ यंत्र: ये विचरणी ऑटोएनकोडर के लिए प्रारंभिक प्रेरणाएँ हैं। इसके 2 जालक्रम एक में संयुक्त हैं - अग्र भार पहचान को संचालित करता है और अग्र भार कल्पना को क्रियान्वित करता है। यह संभवतः दोनों कार्य करने वाला पहला जालक्रम है। हेल्महोल्ट्ज़ ने यंत्र अधिगम में कार्य नहीं किया परन्तु उन्होंने "सांख्यिकीय अनुमिति इंजन के दृष्टिकोण को प्रेरित किया जिसका कार्य संवेदी निविष्ट के संभावित कारणों का अनुमान लगाना है" (3)। प्रसंभाव्य द्विआधारी न्यूरॉन एक संभावना को बहिर्गत करता है कि इसकी स्थिति 0 या 1 है। प्रदत्त निविष्ट को सामान्यतः एक परत नहीं माना जाता है, परन्तु हेल्महोल्ट्ज़ यंत्र जन प्रणाली में, प्रदत्त परत मध्य परत से निविष्ट प्राप्त करती है, इस उद्देश्य के लिए अलग-अलग भार होता है, इसलिए इसे एक परत माना जाता है. इसलिए इस जालक्रम में 3 परतें हैं।
विचरणी ऑटोएनकोडर: ये हेल्महोल्त्ज़ यंत्रों से प्रेरित हैं और संभाव्यता जालक्रम को तंत्रिका जालक्रम के साथ जोड़ते हैं। एक ऑटोएन्कोडर एक 3-परत सीएएम जालक्रम है, जहां मध्य परत को निविष्ट प्रतिरूप का कुछ आंतरिक प्रतिनिधित्व माना जाता है। संकेतक तंत्रिका जालक्रम एक संभाव्यता वितरण q_φ(z given x) और विसंकेतक जालक्रम p_θ(x given z) है। भार को हेल्महोल्ट्ज़ एक प्रसाधन अंतर की तरह W और V के बजाय फी और थीटा नाम दिया गया है। यहां ये 2 जालक्रम पूर्णतया से संयोजित हो सकते हैं, या किसी अन्य एनएन योजना का उपयोग कर सकते हैं।

जालक्रम की तुलना

	हॉपफ़ील्ड	बोल्ट्समान	आरबीएम	चितीयित आरबीएम	हेल्महोल्त्स	ऑटोएन्कोडर	वीएई
उपयोग एवं उल्लेखनीय	सीएएम, चल विक्रेता समस्या	सीएएम, संयोजन की स्वतंत्रता इस जालक्रम का विश्लेषण करना कठिन बना देती है।	प्रतिरुप मान्यता है।एमएनआईएसटी अंक और भाषण में उपयोग किया जाता है।	मान्यता एवं कल्पना बिना पर्यवेक्षित पूर्व-प्रशिक्षण और/या पर्यवेक्षित सूक्ष्म समस्वरण के साथ प्रशिक्षित है।	कल्पना, नकल	भाषा: रचनात्मक लेखन, अनुवाद है। दृष्टि: अस्पष्ट छवियों को बढ़ाना है।	यथार्थवादी प्रदत्त उत्पन्न करें।
न्यूरॉन	नियतात्मक द्विआधारी अवस्था है। सक्रियण = { 0 (या -1) यदि x ऋणात्मक है, 1 अन्यथा }	प्रसंभाव्य द्विआधारी हॉपफील्ड न्यूरॉन है।	← समान (2000 के दशक के मध्य में वास्तविक-मूल्य तक विस्तारित) है।	← समान	← समान	भाषा: एलएसटीएम है। दृष्टि: स्थानीय ग्रहणशील क्षेत्र है। सामान्यतः वास्तविक मूल्यवान रेलु सक्रियण है।	मध्य परत के न्यूरॉन्स गाऊसी के लिए माध्य और भिन्नता को कूटबद्ध करते हैं। गति प्रणाली (अनुमान) में, मध्य परत का बहिर्वेश गाउसी से प्रतिचयित मान हैं।
संयोजन	सममित भार के साथ 1-परत है। कोई स्व-संपर्क नहीं है।	2-परतें, 1-गुप्त, 1- दृश्यमान, सममित भार हैं।	← समान है। एक परत के भीतर कोई पार्श्विक संबंध नहीं हैं।	शीर्ष परत अप्रत्यक्ष, सममित है। अन्य परतें 2-तरफ़ा, असममित हैं।	3-परतें: असममित भार हैं। 2 जालक्रम को मिलाकर 1 बनाया गया हैं।	3-परतें हैं। निविष्ट को एक परत माना जाता है, भले ही इसमें कोई सीमा में भार न हो। एनएलपी के लिए आवर्ती परतें है। दृष्टि के लिए अग्रभरण संवलन है। निविष्ट और बहिर्वेश में समान न्यूरॉन गणना होती है।	3-परतें: निविष्ट, संकेतक, वितरण प्रतिदर्शी विसंकेतक है। प्रतिदर्शी को एक परत (e) नहीं माना जाता है।
अनुमान एवं ऊर्जा	ऊर्जा गिब्स संभाव्यता माप द्वारा दी गई है: $E=-{\frac {1}{2}}\sum _{i,j}{w_{ij}{s_{i}}{s_{j}}}+\sum _{i}{\theta _{i}}{s_{i}}$	← समान	← समान		केएल विचलन को कम करें।	अनुमान केवल अग्रभरण है। पिछले यूएल जालक्रम आगे और पीछे चलते थे।	त्रुटि न्यूनतम = पुनर्निर्माण त्रुटि - केएलडी
प्रशिक्षण	Δw_ij = s_i*s_j, के लिए +1/-1 न्यूरॉन है।	Δw_ij = e*(p_ij - p'_ij), यह केएलडी को न्यूनतम करने से प्राप्त हुआ है। e = अधिगम दर, p' = अनुमानित और p = वास्तविक वितरण हैं।	Δw_ij = e*( < v_i h_j> _{प्रदत्त} - < v_i h_j > _{संतुलन}), यह गिब्स प्रतिदर्शी के साथ विरोधाभासी विचलन का एक रूप है। "<>" अपेक्षाएं हैं।	← के समान एक समय में 1-परत को प्रशिक्षित करें। 3- खंड पारित के साथ अनुमानित संतुलन स्थिति हैं। कोई पूर्व संचरण नहीं हैं।	वेक-स्लीप 2 चरण का प्रशिक्षण हैं।	पुनर्निर्माण त्रुटि को वापस प्रचारित करें।	बैकप्रॉप के लिए गुप्त स्थिति को दोबारा मापें।
प्रबलता	भौतिक प्रणालियों के सदृश है इसलिए यह उनके समीकरणों को प्राप्त करता है।	← के समान गुप्त न्यूरॉन्स बाहरी दुनिया के आंतरिक प्रतिनिधित्व के रूप में कार्य करते हैं।	बोल्ट्समान यंत्रों की तुलना में तीव्र और अधिक व्यावहारिक प्रशिक्षण योजना हैं।	तीव्रता से शृंखला सुविधाओं की श्रेणीबद्ध परत देता है।	हल्का शारीरिक. सूचना सिद्धांत और सांख्यिकीय यांत्रिकी के साथ विश्लेषण योग्य हैं।
दुर्बलता		पार्श्व संयोजन के कारण प्रशिक्षित करना कठिन है।	संतुलन के लिए बहुत अधिक पुनरावृत्तियों की आवश्यकता होती है।	पूर्णांक और वास्तविक-मूल्यवान न्यूरॉन्स अधिक जटिल हैं।

हेब्बियन अधिगम, एआरटी, एसओएम

तन्त्रिका जालक्रम के अध्ययन में अपर्यवेक्षित शिक्षण का शास्त्रीय उदाहरण डोनाल्ड हेब्ब का सिद्धांत है, अर्थात, न्यूरॉन्स जो एक साथ तार से सक्रिय होते हैं।^[3]हेब्बियन अधिगम में, किसी त्रुटि के बावजूद संयोजन को प्रबल किया जाता है, परन्तु यह विशेष रूप से दो न्यूरॉन्स के मध्य कार्य क्षमता के मध्य संयोग का एक कार्य है।^[4]एक समान संस्करण जो अंतर्ग्रथनी भार को संशोधित करता है वह कार्य क्षमता ( स्पाइक-समय-निर्भर नमनीयता या एसटीडीपी) के मध्य के समय को ध्यान में रखता है। हेब्बियन अधिगम को प्रतिरुप पहचान और अनुभवात्मक शिक्षा जैसे संज्ञानात्मक कार्यों की एक श्रृंखला को रेखांकित करने के लिए परिकल्पित किया गया है।

तन्त्रिका जालक्रम प्रतिरूप के मध्य, स्व-संगठित मानचित्र (SOM) और अनुकूली अनुनाद सिद्धांत (ART) का उपयोग सामान्यतः अपर्यवेक्षित शिक्षण कलन विधि में किया जाता है। एसओएम एक स्थलाकृतिक संगठन है जिसमें मानचित्र में आस-पास के स्थान समान गुणों वाले निविष्ट का प्रतिनिधित्व करते हैं। एआरटी प्रतिरूप समस्या के आकार के साथ समूहों की संख्या को अलग-अलग करने की अनुमति देता है और उपयोगकर्ता को सतर्कता मापदंड नामक उपयोगकर्ता-परिभाषित स्थिरांक के माध्यम से समान गुच्छ के सदस्यों के मध्य समानता की डिग्री को नियंत्रित करने देता है। एआरटी जालक्रम का उपयोग कई प्रतिरुप पहचान कार्यों, जैसे स्वचालित लक्ष्य पहचान और भूकंपीय संकेत संसाधन के लिए किया जाता है।^[5]

संभाव्य विधियाँ

बिना पर्यवेक्षित शिक्षण में उपयोग की जाने वाली दो मुख्य विधियाँ प्रमुख घटक और गुच्छ विश्लेषण हैं। गुच्छ विश्लेषण के उपयोग के बिना पर्यवेक्षित शिक्षण में कलन विधि संबंधों को बहिर्वेशित करने के लिए साझा विशेषताओं वाले आंकड़े समुच्चय को समूह या खंड में करने के लिए किया जाता है।^[6]गुच्छ विश्लेषण यंत्र अधिगम की एक शाखा है जो उन आंकड़ों को समूहित करती है जिसे लेबल, या वर्गीकृत नहीं किया गया है। पुनर्निवेशन पर प्रतिक्रिया देने के बजाय, गुच्छ विश्लेषण प्रदत्त में समानताओं की पहचान करता है और प्रदत्त के प्रत्येक नए टुकड़े में ऐसी समानताओं की उपस्थिति या अनुपस्थिति के आधार पर प्रतिक्रिया करता है। यह दृष्टिकोण उन असंगत प्रदत्त बिंदुओं का पता लगाने में सहायता करता है जो किसी भी समूह में उपयुक्त नहीं होते हैं।

अपर्यवेक्षित शिक्षण का एक केंद्रीय अनुप्रयोग सांख्यिकी में घनत्व अनुमान के क्षेत्र में है,^[7]हालाँकि अपर्यवेक्षित शिक्षण में प्रदत्त सुविधाओं को सारांशित और व्याख्या करने वाले कई अन्य कार्यक्षेत्र सम्मिलित हैं। इसकी तुलना पर्यवेक्षित शिक्षण से यह कहकर की जा सकती है कि जबकि पर्यवेक्षित शिक्षण का उद्देश्य निविष्ट प्रदत्त के लेबल पर सशर्त संभाव्यता वितरण का अनुमान लगाना है; अप्रशिक्षित शिक्षण का उद्देश्य एक प्राथमिक संभाव्यता वितरण का अनुमान लगाना है।

दृष्टिकोण

बिना पर्यवेक्षित शिक्षण में उपयोग किए जाने वाले कुछ सबसे सामान्य कलन विधियों में: (1) गुच्छन, (2) विसंगति संसूचन, (3) अव्यक्त चर प्रतिरूप अधिगम के लिए दृष्टिकोण सम्मिलित हैं। प्रत्येक दृष्टिकोण निम्नानुसार कई विधियों का उपयोग करता है:

गुच्छन विधियों में: पदानुक्रमित गुच्छन,^[8]k-माध्य,^[9]मिश्रण प्रतिरूप, डीबीएससीएएन, और प्रकाशिकी कलन विधि सम्मिलित हैं।
विसंगति का पता लगाने के तरीकों में: स्थानीय बाह्य कारक और वियोजन फॉरस्ट सम्मिलित हैं।
अव्यक्त चर प्रतिरूप सीखने के लिए दृष्टिकोण जैसे कि अपेक्षा-अधिकतमकरण कलन विधि (EM), आघूर्णो की विधि और अंध संकेत पृथक्करण प्रविधि (प्रमुख घटक विश्लेषण, स्वतंत्र घटक विश्लेषण, गैर-ऋणात्मक आव्यूह गुणनखंडन, अद्वितीय मान अपघटन) हैं।

आघूर्णो की विधि

बिना पर्यवेक्षित शिक्षण के लिए सांख्यिकीय दृष्टिकोणों में से एक आघूर्ण विधि है। आघूर्णो की विधि में, प्रतिरूप में अज्ञात मापदंड (रुचि के) एक या अधिक यादृच्छिक चर के आघूर्णो से संबंधित होते हैं और इस प्रकार, इन अज्ञात मापदंडों का अनुमान आघूर्णो को देखते हुए लगाया जा सकता है। आघूर्णो का अनुमान सामान्यतः अनुभवजन्य रूप से प्रतिरूपों से लगाया जाता है। मूल आघूर्ण प्रथम और द्वितीय क्रम के आघूर्ण हैं। एक यादृच्छिक सदिश के लिए, पहले क्रम का आघूर्ण माध्य सदिश है और दूसरे क्रम का आघूर्ण सहप्रसरण आव्यूह है (जब माध्य शून्य है)। उच्च क्रम के आघूर्णो को सामान्यतः प्रदिश का उपयोग करके दर्शाया जाता है जो कि बहु-आयामी सरणियों के रूप में उच्च क्रम के आव्यूह का सामान्यीकरण है।

विशेष रूप से, अव्यक्त चर प्रतिरूप के मापदंडों को सीखने में आघूर्णो की विधि को प्रभावी दर्शाया गया है। अव्यक्त चर प्रतिरूप सांख्यिकीय प्रतिरूप हैं जहां देखे गए चर के अतिरिक्त, अव्यक्त चर का एक समुच्चय भी उपस्थित होता है जो नहीं देखा जाता है। यंत्र अधिगम में अव्यक्त चर प्रतिरूप का एक अत्यधिक व्यावहारिक उदाहरण विषय मॉडलिंग है जो प्रपत्र के विषय (अव्यक्त चर) के आधार पर प्रपत्र में शब्द (अवलोकित चर) उत्पन्न करने के लिए एक सांख्यिकीय प्रतिरूप है। विषय मॉडलिंग में, प्रपत्र का विषय परिवर्तित करने पर प्रपत्र में शब्द विभिन्न सांख्यिकीय मापदंडों के अनुसार उत्पन्न होते हैं। यह दर्शाया गया है कि आघूर्णो की विधि (टेंसर अपघटन प्रविधि) कुछ मान्यताओं के अंतर्गत अव्यक्त चर प्रतिरूप के एक बड़े वर्ग के मापदंडों को निरंतर पुनर्प्राप्त करती है। ^[10]

अपेक्षा-अधिकतमकरण कलन विधि (EM) भी अव्यक्त चर प्रतिरूप अधिगम के लिए सबसे व्यावहारिक तरीकों में से एक है। हालाँकि, यह स्थानीय ऑप्टिमा में फंस सकता है और यह प्रत्याभूति नहीं है कि कलन विधि प्रतिरूप के वास्तविक अज्ञात मापदंडों में परिवर्तित हो जाएगा। इसके विपरीत, आघूर्णो की विधि के लिए, कुछ प्रतिबंधों के अंतर्गत वैश्विक अभिसरण की प्रत्याभूति दी जाती है।

यह भी देखें

संदर्भ

↑ Hinton, G. (2012). "A Practical Guide to Training Restricted Boltzmann Machines" (PDF). Neural Networks: Tricks of the Trade. Lecture Notes in Computer Science. Vol. 7700. Springer. pp. 599–619. doi:10.1007/978-3-642-35289-8_32. ISBN 978-3-642-35289-8.
↑ Hinton, Geoffrey (September 2009). "Deep Belief Nets" (video).
↑ Buhmann, J.; Kuhnel, H. (1992). "Unsupervised and supervised data clustering with competitive neural networks". [Proceedings 1992] IJCNN International Joint Conference on Neural Networks. Vol. 4. IEEE. pp. 796–801. doi:10.1109/ijcnn.1992.227220. ISBN 0780305590. S2CID 62651220.
↑ Comesaña-Campos, Alberto; Bouza-Rodríguez, José Benito (June 2016). "An application of Hebbian learning in the design process decision-making". Journal of Intelligent Manufacturing. 27 (3): 487–506. doi:10.1007/s10845-014-0881-z. ISSN 0956-5515. S2CID 207171436.
↑ Carpenter, G.A. & Grossberg, S. (1988). "The ART of adaptive pattern recognition by a self-organizing neural network" (PDF). Computer. 21 (3): 77–88. doi:10.1109/2.33. S2CID 14625094.
↑ Roman, Victor (2019-04-21). "Unsupervised Machine Learning: Clustering Analysis". Medium. Retrieved 2019-10-01.
↑ Jordan, Michael I.; Bishop, Christopher M. (2004). "7. Intelligent Systems §Neural Networks". In Tucker, Allen B. (ed.). Computer Science Handbook (2nd ed.). Chapman & Hall/CRC Press. doi:10.1201/9780203494455. ISBN 1-58488-360-X.
↑ Hastie, Tibshirani & Friedman 2009, pp. 485–586
↑ Garbade, Dr Michael J. (2018-09-12). "Understanding K-means Clustering in Machine Learning". Medium (in English). Retrieved 2019-10-31.
↑ Anandkumar, Animashree; Ge, Rong; Hsu, Daniel; Kakade, Sham; Telgarsky, Matus (2014). "Tensor Decompositions for Learning Latent Variable Models" (PDF). Journal of Machine Learning Research. 15: 2773–2832. arXiv:1210.7559. Bibcode:2012arXiv1210.7559A.

अग्रिम पठन

Bousquet, O.; von Luxburg, U.; Raetsch, G., eds. (2004). Advanced Lectures on Machine Learning. Springer. ISBN 978-3540231226.
Duda, Richard O.; Hart, Peter E.; Stork, David G. (2001). "Unsupervised Learning and Clustering". Pattern classification (2nd ed.). Wiley. ISBN 0-471-05669-3.
Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome (2009). "Unsupervised Learning". The Elements of Statistical Learning: Data mining, Inference, and Prediction. Springer. pp. 485–586. doi:10.1007/978-0-387-84858-7_14. ISBN 978-0-387-84857-0.
Hinton, Geoffrey; Sejnowski, Terrence J., eds. (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 0-262-58168-X.

[Hinton2010-1] Hinton, G. (2012). "A Practical Guide to Training Restricted Boltzmann Machines" (PDF). Neural Networks: Tricks of the Trade. Lecture Notes in Computer Science. Vol. 7700. Springer. pp. 599–619. doi:10.1007/978-3-642-35289-8_32. ISBN 978-3-642-35289-8.

[HintonMlss2009-2] Hinton, Geoffrey (September 2009). "Deep Belief Nets" (video).

[Buhmann-3] Buhmann, J.; Kuhnel, H. (1992). "Unsupervised and supervised data clustering with competitive neural networks". [Proceedings 1992] IJCNN International Joint Conference on Neural Networks. Vol. 4. IEEE. pp. 796–801. doi:10.1109/ijcnn.1992.227220. ISBN 0780305590. S2CID 62651220.

[Comesana-4] Comesaña-Campos, Alberto; Bouza-Rodríguez, José Benito (June 2016). "An application of Hebbian learning in the design process decision-making". Journal of Intelligent Manufacturing. 27 (3): 487–506. doi:10.1007/s10845-014-0881-z. ISSN 0956-5515. S2CID 207171436.

[Carpenter-5] Carpenter, G.A. & Grossberg, S. (1988). "The ART of adaptive pattern recognition by a self-organizing neural network" (PDF). Computer. 21 (3): 77–88. doi:10.1109/2.33. S2CID 14625094.

[tds-ul-6] Roman, Victor (2019-04-21). "Unsupervised Machine Learning: Clustering Analysis". Medium. Retrieved 2019-10-01.

[JordanBishop2004-7] Jordan, Michael I.; Bishop, Christopher M. (2004). "7. Intelligent Systems §Neural Networks". In Tucker, Allen B. (ed.). Computer Science Handbook (2nd ed.). Chapman & Hall/CRC Press. doi:10.1201/9780203494455. ISBN 1-58488-360-X.

[Hastie-8] Hastie, Tibshirani & Friedman 2009, pp. 485–586

[tds-kmeans-9] Garbade, Dr Michael J. (2018-09-12). "Understanding K-means Clustering in Machine Learning". Medium (in English). Retrieved 2019-10-31.

[TensorLVMs-10] Anandkumar, Animashree; Ge, Rong; Hsu, Daniel; Kakade, Sham; Telgarsky, Matus (2014). "Tensor Decompositions for Learning Latent Variable Models" (PDF). Journal of Machine Learning Research. 15: 2773–2832. arXiv:1210.7559. Bibcode:2012arXiv1210.7559A.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

@@ Line 1: / Line 1: @@
 {{Short description|Machine learning task}}
-{{Machine learning|Problems}}
+{{Machine learning|समस्या}}
-अन[[ पर्यवेक्षित अध्ययन ]] उन एल्गोरिदम को संदर्भित करता है जो बिना लेबल वाले डेटा से पैटर्न सीखते हैं।
+[[ पर्यवेक्षित अध्ययन |'''अपर्यवेक्षित अधिगम''']] उन कलन विधियों को संदर्भित करता है जो बिना लेबल वाले प्रदत्त से प्रतिरुप सीखते हैं।
-पर्यवेक्षित शिक्षण के विपरीत, जहां मॉडल इनपुट को लक्ष्य आउटपुट में मैप करना सीखते हैं (उदाहरण के लिए बिल्ली या मछली के रूप में लेबल की गई छवियां), बिना पर्यवेक्षित तरीके इनपुट डेटा का संक्षिप्त प्रतिनिधित्व सीखते हैं, जिसका उपयोग डेटा अन्वेषण या विश्लेषण या नए उत्पन्न करने के लिए किया जा सकता है आंकड़े। पर्यवेक्षण स्पेक्ट्रम में अन्य स्तर सुदृढीकरण शिक्षण हैं जहां मशीन को मार्गदर्शन के रूप में केवल एक प्रदर्शन स्कोर दिया जाता है, और [[अर्ध-पर्यवेक्षित शिक्षण]] जहां प्रशिक्षण डेटा का केवल एक हिस्सा लेबल किया जाता है।
+पर्यवेक्षित शिक्षण के विपरीत, जहां प्रतिरूप निविष्ट को लक्ष्य बहिर्गत में मानचित्र करना सीखते हैं (उदाहरण के लिए "बिल्ली" या "मछली" के रूप में लेबल की गई छवियां), अपर्यवेक्षित तरीके निविष्ट प्रदत्तों का संक्षिप्त प्रतिनिधित्व सीखते हैं, जिसका उपयोग प्रदत्त अन्वेषण या विश्लेषण या नए प्रदत्त को उत्पन्न करने के लिए किया जा सकता है। पर्यवेक्षण वर्णक्रम में अन्य स्तर सुदृढीकरण शिक्षण हैं जहां यंत्र को मार्गदर्शन के रूप में केवल एक "प्रदर्शन प्राप्तांक" दिया जाता है और [[अर्ध-पर्यवेक्षित शिक्षण]] जहां प्रशिक्षण प्रदत्त का केवल एक भाग लेबल किया जाता है।
-== तंत्रिका नेटवर्क ==
+== तन्त्रिका जालक्रम ==
 === कार्य बनाम विधियाँ ===
-[[File:Task-guidance.png|thumb|300px|किसी कार्य के लिए पर्यवेक्षित बनाम अपर्यवेक्षित तरीकों को नियोजित करने की प्रवृत्ति। कार्य के नाम वृत्त की सीमाओं को फैलाना जानबूझकर किया गया है। यह दर्शाता है कि अपर्यवेक्षित तरीकों को नियोजित करने वाले कल्पनाशील कार्यों (बाएं) का शास्त्रीय विभाजन आज की सीखने की योजनाओं में धुंधला हो गया है।]]तंत्रिका नेटवर्क कार्यों को अक्सर भेदभावपूर्ण (मान्यता) या उत्पादक (कल्पना) के रूप में वर्गीकृत किया जाता है। अक्सर लेकिन हमेशा नहीं, भेदभावपूर्ण कार्यों में पर्यवेक्षित तरीकों का उपयोग किया जाता है और जेनरेटर कार्यों में बिना पर्यवेक्षित तरीकों का उपयोग किया जाता है ([[वेन आरेख]] देखें); हालाँकि, अलगाव बहुत धुंधला है। उदाहरण के लिए, वस्तु पहचान पर्यवेक्षित शिक्षण को बढ़ावा देती है लेकिन बिना पर्यवेक्षित शिक्षण भी वस्तुओं को समूहों में विभाजित कर सकता है। इसके अलावा, जैसे-जैसे प्रगति आगे बढ़ती है, कुछ कार्य दोनों तरीकों का उपयोग करते हैं, और कुछ कार्य एक से दूसरे की ओर झूलते रहते हैं। उदाहरण के लिए, छवि पहचान की शुरुआत अत्यधिक निगरानी के साथ हुई, लेकिन बिना पर्यवेक्षित पूर्व-प्रशिक्षण को नियोजित करने से यह हाइब्रिड हो गई, और फिर डिल्यूशन_(न्यूरल_नेटवर्क्स), रेक्टिफायर_(न्यूरल_नेटवर्क्स), और लर्निंग_रेट के आगमन के साथ फिर से पर्यवेक्षण की ओर बढ़ गई।
+[[File:Task-guidance.png|thumb|300px|किसी कार्य के लिए पर्यवेक्षित बनाम अपर्यवेक्षित तरीकों को नियोजित करने की प्रवृत्ति है। कार्य के नाम वृत्त की सीमाओं को फैलाना जानबूझकर किया गया है। यह दर्शाता है कि अपर्यवेक्षित तरीकों को नियोजित करने वाले कल्पनाशील कार्यों (बाएं) का शास्त्रीय विभाजन आज की अधिगम की योजनाओं में अस्पष्ट हो गया है।]]तन्त्रिका जालक्रम कार्यों को प्रायः भेदभावपूर्ण (मान्यता) या उत्पादक (कल्पना) के रूप में वर्गीकृत किया जाता है। परन्तु सदैव नहीं, भेदभावपूर्ण कार्यों में पर्यवेक्षित तरीकों का उपयोग किया जाता है और प्रजनक कार्यों में बिना पर्यवेक्षित तरीकों का उपयोग किया जाता है ([[वेन आरेख]] देखें); हालाँकि, पृथक्करण अस्पष्ट है। उदाहरण के लिए, वस्तु पहचान पर्यवेक्षित शिक्षण को बढ़ावा देती है परन्तु अपर्यवेक्षित शिक्षण भी वस्तुओं को समूहों में विभाजित कर सकता है। इसके अतिरिक्त, जैसे-जैसे प्रगति आगे बढ़ती है, कुछ कार्य दोनों तरीकों का उपयोग करते हैं और कुछ कार्य एक से दूसरे की ओर प्रदोलन करते हैं। उदाहरण के लिए, छवि पहचान का प्रारंभ अत्यधिक पर्यवेक्षित के साथ हुआ, परन्तु अपर्यवेक्षित पूर्व-प्रशिक्षण को नियोजित करने से यह संकरित हो गई, और फिर निर्गम पात, परिशोधक और अनुकूली अधिगम दर के आगमन के साथ पुनः पर्यवेक्षण की ओर बढ़ गई।
 === प्रशिक्षण ===
-सीखने के चरण के दौरान, एक अप्रशिक्षित नेटवर्क दिए गए डेटा की नकल करने की कोशिश करता है और खुद को सही करने के लिए अपने नकल किए गए आउटपुट में त्रुटि का उपयोग करता है (यानी अपने वजन और पूर्वाग्रहों को ठीक करता है)। कभी-कभी त्रुटि को गलत आउटपुट होने की कम संभावना के रूप में व्यक्त किया जाता है, या इसे नेटवर्क में अस्थिर उच्च ऊर्जा स्थिति के रूप में व्यक्त किया जा सकता है।
+अधिगम चरण के पर्यन्त, एक अप्रशिक्षित जालक्रम दिए गए प्रदत्त की नकल करने का प्रयास करता है और स्वयं को सही करने के लिए अपने नकल किए गए बहिर्गत में त्रुटि का उपयोग करता है (अर्थात अपने भार और पूर्वाग्रहों को ठीक करता है)। कभी-कभी त्रुटि को गलत बहिर्गत होने की कम संभावना के रूप में व्यक्त किया जाता है, या इसे जालक्रम में अस्थिर उच्च ऊर्जा स्थिति के रूप में व्यक्त किया जा सकता है।
-पर्यवेक्षित तरीकों के [[पश्चप्रचार]] के प्रमुख उपयोग के विपरीत, अनसुपरवाइज्ड लर्निंग अन्य तरीकों को भी नियोजित करता है जिनमें शामिल हैं: होपफील्ड लर्निंग नियम, बोल्ट्जमैन लर्निंग नियम, कंट्रास्टिव डाइवर्जेंस, [[जागो-नींद एल्गोरिथ्म]], वेरिएशनल अनुमान, अधिकतम संभावना, अधिकतम ए पोस्टीरियोरी, गिब्स सैंपलिंग और बैकप्रोपेगेटिंग। पुनर्निर्माण त्रुटियाँ या छिपी हुई स्थिति का पुनर्मूल्यांकन। अधिक विवरण के लिए नीचे दी गई तालिका देखें।
+पर्यवेक्षित तरीकों के [[पश्चप्रचार]] के प्रमुख उपयोग के विपरीत, [[ पर्यवेक्षित अध्ययन |अपर्यवेक्षित]] अधिगम अन्य तरीकों को भी नियोजित करता है जिनमें, होपफील्ड अधिगम नियम, बोल्ट्समान अधिगम नियम, विरोधाभासी विचलन, [[जागो-नींद एल्गोरिथ्म|वेक स्लीप]], भिन्नात्मक अनुमान, अधिकतम संभावना, अधिकतम पोस्टीरियोरी, गिब्स प्रतिदर्शी और पश्चप्रचार, पुनर्निर्माण त्रुटियाँ या गुप्त स्थिति का पुनर्मूल्यांकन सम्मिलित हैं। अधिक विवरण के लिए नीचे दी गई तालिका देखें।
 === ऊर्जा ===
-एक ऊर्जा फ़ंक्शन किसी नेटवर्क की सक्रियण स्थिति का एक स्थूल माप है। बोल्ट्ज़मैन मशीनों में, यह लागत फ़ंक्शन की भूमिका निभाता है। भौतिकी के साथ यह सादृश्य कण गति की सूक्ष्म संभावनाओं से गैस की स्थूल ऊर्जा के लुडविग बोल्ट्जमैन के विश्लेषण से प्रेरित है। <math>p \propto e^{-E/kT}</math>, जहां k बोल्ट्जमैन स्थिरांक है और T तापमान है। Restricted_Boltzmann_machine नेटवर्क में संबंध है <math> p = e^{-E} / Z </math>,<ref name="Hinton2010" />कहाँ <math>p</math> और <math>E</math> प्रत्येक संभावित सक्रियण पैटर्न में भिन्नता होती है और <math>\textstyle{Z = \sum_{\scriptscriptstyle{\text{All Patterns}}}  e^{-E(\text{pattern})}}</math>. अधिक स्पष्ट करने के लिए, <math>p(a) = e^{-E(a)} / Z</math>, कहाँ <math>a</math> सभी न्यूरॉन्स (दृश्यमान और छिपे हुए) का एक सक्रियण पैटर्न है। इसलिए, प्रारंभिक तंत्रिका नेटवर्क का नाम बोल्ट्ज़मैन मशीन है। पॉल स्मोलेंस्की कॉल करता है <math>-E\,</math> सद्भाव. एक नेटवर्क कम ऊर्जा चाहता है जो उच्च सद्भाव है।
+एक ऊर्जा क्रिया किसी जालक्रम की सक्रियण स्थिति का एक स्थूल माप है। बोल्ट्समान यंत्रों में, यह लागत क्रिया की भूमिका निभाता है। भौतिकी के साथ यह सादृश्य कण गति <math>p \propto e^{-E/kT}</math>की सूक्ष्म संभावनाओं से गैस की स्थूल ऊर्जा के लुडविग बोल्ट्समान के विश्लेषण से प्रेरित है, जहां k बोल्ट्समान स्थिरांक है और T तापमान है। आरबीएम जालक्रम में संबंध <math> p = e^{-E} / Z </math> है,<ref name="Hinton2010" />जहां <math>p</math> और <math>E</math> प्रत्येक संभावित सक्रियण प्रतिरुप में भिन्न और <math>\textstyle{Z = \sum_{\scriptscriptstyle{\text{All Patterns}}}  e^{-E(\text{pattern})}}</math> होता है। अधिक स्पष्ट करने के लिए, <math>p(a) = e^{-E(a)} / Z</math>, जहां <math>a</math> सभी न्यूरॉन (दृश्यमान और गुप्त) का एक सक्रियण प्रतिरुप है। इसलिए, प्रारंभिक तन्त्रिका जालक्रम का नाम बोल्ट्समान यंत्र है। पॉल स्मोलेंस्की कॉल <math>-E\,</math> समानता है। एक जालक्रम कम ऊर्जा चाहता है जो उच्च समानता है।
-=== नेटवर्क ===
+=== जालक्रम ===
-यह तालिका विभिन्न गैर-पर्यवेक्षित नेटवर्कों के कनेक्शन आरेख दिखाती है, जिनका विवरण नेटवर्क की तुलना अनुभाग में दिया जाएगा। वृत्त न्यूरॉन्स हैं और उनके बीच के किनारे कनेक्शन भार हैं। जैसे-जैसे नेटवर्क डिज़ाइन बदलता है, नई क्षमताओं को सक्षम करने के लिए सुविधाएँ जोड़ी जाती हैं या सीखने को तेज़ बनाने के लिए हटा दी जाती हैं। उदाहरण के लिए, मजबूत आउटपुट की अनुमति देने के लिए न्यूरॉन्स नियतात्मक (हॉपफील्ड) और स्टोकेस्टिक (बोल्ट्ज़मैन) के बीच बदलते हैं, सीखने में तेजी लाने के लिए एक परत (आरबीएम) के भीतर वजन हटा दिया जाता है, या कनेक्शन को असममित (हेल्महोल्ट्ज़) बनने की अनुमति दी जाती है।
+यह तालिका विभिन्न गैर-पर्यवेक्षित जालक्रमों के संयोजन आरेख दर्शाती है, जिनका विवरण जालक्रम की तुलना अनुभाग में दिया जाएगा। वृत्त न्यूरॉन हैं और उनके मध्य के किनारे संयोजन भार हैं। जैसे-जैसे जालक्रम प्रारुप परिवर्तित होता है, नई क्षमताओं को सक्षम करने के लिए सुविधाएँ जोड़ी जाती हैं या अधिगम को तीव्र बनाने के लिए हटा दी जाती हैं। उदाहरण के लिए, प्रबल बहिर्गत की अनुमति देने के लिए न्यूरॉन नियतात्मक (हॉपफील्ड) और प्रसंभाव्य (बोल्ट्समान) के मध्य परिवर्तित होते हैं, अधिगम में तीव्रता लाने के लिए एक परत (RBM) के भीतर भार हटा दिया जाता है, या संयोजन को असममित (हेल्महोल्त्स) बनने की अनुमति दी जाती है।
 {| class="wikitable"
 |-
-! Hopfield !! Boltzmann !! RBM !! Stacked Boltzmann
+! हॉपफ़ील्ड !! बोल्ट्समान !! आरबीएम !! स्टैक्ड बोल्ट्समान
 |-
-| [[File:Hopfield-net-vector.svg          |thumb|A network based on magnetic domains in iron with a single self-connected layer.  It can be used as a content addressable memory.]]
+| [[File:Hopfield-net-vector.svg          |thumb|एकल स्व-संबंधित परत के साथ लोहे में चुंबकीय कार्यक्षेत्र पर आधारित एक जालक्रम है। इसका उपयोग पता योग्य विषय वस्तु स्मृति के रूप में किया जा सकता है।]]
-|| [[File:Boltzmannexamplev1.png          |thumb|Network is separated into 2 layers (hidden vs. visible), but still using symmetric 2-way weights.  Following Boltzmann's thermodynamics, individual  probabilities give rise to macroscopic energies.]]
+|| [[File:Boltzmannexamplev1.png          |thumb|जालक्रम को 2 परतों (गुप्त बनाम दृश्यमान) में विभाजित किया गया है, परन्तु फिर भी सममित 2-पंथ भार का उपयोग किया जाता है। बोल्ट्समान के ऊष्मागतिकी के बाद, व्यक्तिगत संभावनाएं स्थूल ऊर्जा की उत्पत्ति करती हैं।]]
-|| [[File:Restricted Boltzmann machine.svg|thumb|Restricted Boltzmann Machine.  This is a Boltzmann machine where lateral connections within a layer are prohibited to make analysis tractable.]]
+|| [[File:Restricted Boltzmann machine.svg|thumb|प्रतिबंधित बोल्ट्समान यंत्र, यह एक बोल्ट्समान यंत्र है जहां विश्लेषण को सुव्यवस्थित बनाने के लिए एक परत के भीतर पार्श्व संयोजन निषिद्ध है।]]
-|| [[File:Stacked-boltzmann.png|thumb| This network has multiple RBM's to encode a hierarchy of hidden features.  After a single RBM is trained, another blue hidden layer (see left RBM) is added, and the top 2 layers are trained as a red & blue RBM.  Thus the middle layers of an RBM acts as hidden or visible, depending on the training phase it's in.]]
+|| [[File:Stacked-boltzmann.png|thumb| इस जालक्रम में गुप्त विशेषताओं के पदानुक्रम को कोडित करने के लिए कई आरबीएम हैं। एक आरबीएम को प्रशिक्षित करने के बाद, एक और नीली गुप्त परत (बाएं आरबीएम देखें) जोड़ी जाती है और शीर्ष 2 परतों को लाल और नीले आरबीएम के रूप में प्रशिक्षित किया जाता है। इस प्रकार आरबीएम की मध्य परतें गुप्त या दृश्यमान के रूप में कार्य करती हैं, यह इस बात पर निर्भर करता है कि यह किस प्रशिक्षण चरण में है।]]
 |}
 {| class="wikitable"
 |-
-! Helmholtz !! Autoencoder !! VAE
+! हेल्महोल्त्स !! ऑटोएनकोडर !! वीएई
 |-
-|| [[File:Helmholtz Machine.png           |thumb|Instead of the bidirectional symmetric connection of the stacked Boltzmann machines, we have separate one-way connections to form a loop.  It does both generation and discrimination.]]
+|| [[File:Helmholtz Machine.png           |thumb|चितीयित बोल्ट्समान यंत्रों के द्विदिश सममित संयोजन के बजाय, हमारे पास कुंडली बनाने के लिए अलग-अलग एक-तरफ़ा संयोजन हैं। यह पीढ़ी और पक्षपात दोनों करता है।]]
-|| [[File:Autoencoder_schema.png          |thumb|A feed forward network that aims to find a good middle layer representation of its input world.  This network is deterministic, so it's not as robust as its successor the VAE.]]
+|| [[File:Autoencoder_schema.png          |thumb|एक अग्रभरण जालक्रम जिसका लक्ष्य अपने निविष्ट जगत का एक अच्छा मध्य परत प्रतिनिधित्व खोजना है। यह जालक्रम नियतिवादी है, इसलिए यह अपने उत्तराधिकारी वीएई जितना प्रबल नहीं है।]]
-|| [[File:VAE blocks.png                  |thumb|Applies Variational Inference to the Autoencoder.  The middle layer is a set of means & variances for Gaussian distributions.  The stochastic nature allows for more robust imagination than the deterministic autoencoder. ]]
+|| [[File:VAE blocks.png                  |thumb|ऑटोएन्कोडर पर विचरण अनुमान अनुप्रयुक्त करता है। मध्य परत गाउसी वितरण के लिए साधनों और भिन्नताओं का एक समुच्चय है। प्रसंभाव्यप्रकृति नियतात्मक ऑटोएनकोडर की तुलना में अधिक प्रबल कल्पना की अनुमति देती है। ]]
 |}
-लोगों के नाम वाले नेटवर्क में से केवल होपफ़ील्ड ने सीधे तंत्रिका नेटवर्क के साथ काम किया। बोल्ट्ज़मैन और हेल्महोल्ट्ज़ कृत्रिम तंत्रिका नेटवर्क से पहले आए थे, लेकिन भौतिकी और शरीर विज्ञान में उनके काम ने इस्तेमाल की जाने वाली विश्लेषणात्मक विधियों को प्रेरित किया।
+लोगों के नाम वाले जालक्रम में से केवल होपफ़ील्ड ने सीधे तन्त्रिका जालक्रम के साथ कार्य किया। बोल्ट्समान और हेल्महोल्त्स कृत्रिम तन्त्रिका जालक्रम से पहले आए थे, परन्तु भौतिकी और शरीर विज्ञान में उनके कार्य  ने उपयोग की जाने वाली विश्लेषणात्मक विधियों को प्रेरित किया।
 === इतिहास ===
@@ Line 47: / Line 47: @@
 {| class="wikitable"
 |-
-| 1969 || Perceptrons by Minsky & Papert shows a perceptron without hidden layers fails on XOR
+| 1969 || मिन्स्की और पैपर्ट द्वारा परसेप्ट्रॉन दर्शाता है कि गुप्त परतों के बिना एक परसेप्ट्रॉन एक्सओआर पर विफल रहता है।
 |-
-| 1970s || (approximate dates) First [[AI winter]]
+| 1970s || (अनुमानित तिथियां) पहली एआई विंटर।
 |-
-| 1974 || Ising magnetic model proposed by WA Little for cognition
+| 1974 || अनुभूति के लिए डब्ल्यूए लिटिल द्वारा प्रस्तावित आइसिंग चुंबकीय प्रतिरूप है।
 |-
-| 1980 || Fukushima introduces the neocognitron, which is later called a convolution neural network. It is mostly used in SL, but deserves a mention here.
+| 1980 || फुकुशिमा ने नियोकॉग्निट्रॉन को प्रस्तावित किया, जिसे बाद में संवलन तन्त्रिका जालक्रम कहा गया। इसका उपयोग अधिकतर एसएल में किया जाता है, परन्तु यहां इसका उल्लेख आवश्यक है।
 |-
-| 1982 || Ising variant Hopfield net described as [[Content-addressable_memory|CAMs]] and classifiers by John Hopfield.
+| 1982 || आइसिंग भिन्नरूप हॉपफील्ड शैली को जॉन हॉपफील्ड द्वारा [[Content-addressable_memory|सीएएम]] और वर्गीकारक के रूप में वर्णित किया गया है।
 |-
-| 1983 || Ising variant Boltzmann machine with probabilistic neurons described by [[Geoffrey Hinton|Hinton]] & [[Terry Sejnowski|Sejnowski]] following Sherington & Kirkpatrick's 1975 work.
+| 1983 || शेरिंगटन और किर्कपैट्रिक के 1975 के कार्य  के बाद [[Geoffrey Hinton|हिंटन]] और [[Terry Sejnowski|सेजनोव्स्की]] द्वारा वर्णित संभाव्य न्यूरॉन्स के साथ आइसिंग भिन्नरूप बोल्टज़मैन यंत्र है।
 |-
-| 1986 || Paul Smolensky publishes Harmony Theory, which is an RBM with practically the same Boltzmann energy function. Smolensky did not give a practical training scheme. Hinton did in mid-2000s
+| 1986 || पॉल स्मोलेंस्की ने सामंजस्य सिद्धांत प्रकाशित किया, जो व्यावहारिक रूप से समान बोल्ट्ज़मान ऊर्जा कार्य वाला एक आरबीएम है। स्मोलेंस्की ने कोई व्यावहारिक प्रशिक्षण योजना नहीं दी। हिंटन ने 2000 के दशक के मध्य में किया था।
 |-
-| 1995 || Schmidthuber introduces the [[Long_short-term_memory|LSTM]] neuron for languages.
+| 1995 || श्मिटथुबर ने भाषाओं के लिए [[Long_short-term_memory|एलएसटीएम]] न्यूरॉन का परिचय दिया।
 |-
-| 1995 || Dayan & Hinton introduces Helmholtz machine
+| 1995 || दयान और हिंटन ने हेल्महोल्त्स यंत्र प्रस्तुत किया।
 |-
-| 1995-2005 || (approximate dates) Second [[AI winter]]
+| 1995-2005 || (अनुमानित तिथियां) दूसरा [[AI winter|एआई विंटर]]।
 |-
-| 2013 || Kingma, Rezende, & co. introduced Variational Autoencoders as Bayesian graphical probability network, with neural nets as components.
+| 2013 || किंग्मा, रेज़ेंडे और संगठन, घटकों के रूप में तंत्रिका जाल के साथ, बायेसियन आलेखीय संभाव्यता जालक्रम के रूप में विचरण ऑटोएन्कोडर को प्रस्तुत किया गया।
 |}
-=== विशिष्ट नेटवर्क ===
+=== विशिष्ट जालक्रम ===
-यहां, हम चुनिंदा नेटवर्क की कुछ विशेषताओं पर प्रकाश डालते हैं। प्रत्येक का विवरण नीचे तुलना तालिका में दिया गया है।
+यहां, हम विशिष्ट जालक्रम की कुछ विशेषताओं पर प्रकाश डालते हैं। प्रत्येक का विवरण नीचे तुलना तालिका में दिया गया है।
   {{glossary}}
-{{term |1=[[Hopfield Network]]}}
+{{term |1=[[हॉपफील्ड जालक्रम]]}}
-{{defn |1=Ferromagnetism inspired Hopfield networks.  A neuron correspond to an iron domain with binary magnetic moments Up and Down, and neural connections correspond to the domain's influence on each other.  Symmetric connections enable a global energy formulation. During inference the network updates each state using the standard activation step function. Symmetric weights and the right energy functions guarantees convergence to a stable activation pattern.  Asymmetric weights are difficult to analyze.  Hopfield nets are used as Content Addressable Memories (CAM).}}
+{{defn |1=लौहचुम्बकत्व ने हॉपफील्ड जालक्रम को प्रेरित किया। एक न्यूरॉन ऊपर और नीचे द्विआधारी चुंबकीय क्षणों के साथ एक लौह कार्यक्षेत्र से मेल खाता है और तंत्रिका संयोजन एक दूसरे पर कार्यक्षेत्र के प्रभाव से मेल खाते हैं। सममित संयोजन वैश्विक ऊर्जा निर्माण को सक्षम बनाते हैं। निष्कर्ष के पर्यंत जालक्रम मानक सक्रियण चरण क्रिया का उपयोग करके प्रत्येक स्थिति को अद्यतन करता है। सममित भार और सही ऊर्जा कार्य एक स्थिर सक्रियण प्रतिरूप के अभिसरण की प्रत्याभूति देते हैं। असममित भार का विश्लेषण करना कठिन है। हॉपफील्ड शैली का उपयोग आधेय पता योग्य स्मृति (CAM) के रूप में किया जाता है।}}
-{{term |1=[[Boltzmann Machine]]}}
+{{term |1=[[बोल्ट्ज़मैन यंत्र]]}}
-{{defn |1=These are stochastic Hopfield nets. Their state value is sampled from this pdf as follows: suppose a binary neuron fires with the Bernoulli probability p(1) = 1/3 and rests with p(0) = 2/3. One samples from it by taking a UNIFORMLY distributed random number y, and plugging it into the inverted cumulative distribution function, which in this case is the step function thresholded at 2/3. The inverse function = { 0 if x <= 2/3, 1 if x > 2/3 } }}
+{{defn |1=ये प्रसंभाव्य हॉपफील्ड शैली हैं। उनका अवस्था मान इस पीडीएफ से निम्नानुसार नमूना लिया गया है: मान लीजिए कि एक द्विआधारी न्यूरॉन बर्नौली संभावना p (1) = 1/3 के साथ सक्रिय होता है और p (0) = 2/3 के साथ स्थिर रहता है। इसमें से एक नमूना एक समान रूप से वितरित यादृच्छिक संख्या y लेकर और इसे व्युत्क्रमित संचयी वितरण क्रिया में प्लग करके, जो इस स्थिति में 2/3 पर सीमा चरण क्रिया है। व्युत्क्रम फलन = { 0 यदि x <= 2/3, 1 यदि x > 2/3 <nowiki>}</nowiki> है। }}
-{{term |1=Sigmoid Belief Net}}
+{{term |1=सिग्मारूपी धारणा शैली}}
-{{defn |1=Introduced by Radford Neal in 1992, this network applies ideas from probabilistic graphical models to neural networks.  A key difference is that nodes in graphical models have pre-assigned meanings, whereas Belief Net neurons' features are determined after training. The network is a sparsely connected directed acyclic graph composed of binary stochastic neurons.  The learning rule comes from Maximum Likelihood on p(X):  Δw<sub>ij</sub> <math>\propto</math> s<sub>j</sub> * (s<sub>i</sub> - p<sub>i</sub>), where p<sub>i</sub> = 1 / ( 1 + e<sup>weighted inputs into neuron i</sup> ).  s<sub>j</sub>'s are activations from an unbiased sample of the posterior distribution and this is problematic due to the Explaining Away problem raised by Judea Perl.  [[Variational Bayesian methods]] uses a surrogate posterior and blatantly disregard this complexity. }}
+{{defn |1=1992 में रैडफोर्ड नील द्वारा प्रस्तुत, यह जालक्रम संभाव्य आलेखीय प्रतिरूप से लेकर तंत्रिका जालक्रम तक के विचारों को अनुप्रयुक्त करता है। एक महत्वपूर्ण अंतर यह है कि आलेखीय प्रतिरूप में बिंदुओं के पूर्व-निर्धारित अर्थ होते हैं, जबकि धारणा शैली न्यूरॉन्स की विशेषताएं प्रशिक्षण के बाद निर्धारित की जाती हैं। जालक्रम द्विआधारी प्रसंभाव्य न्यूरॉन्स से बना एक विरल रूप से जुड़ा हुआ निर्देशित अचक्रिय आलेख है। अधिगम का नियम p(X):  Δw<sub>ij</sub> <math>\propto</math> s<sub>j</sub> * (s<sub>i</sub> - p<sub>i</sub>) पर अधिकतम संभावना से आता है, जहां p<sub>i</sub> = 1 / ( 1 + e<sup> न्यूरॉन में भारित निविष्ट i</sup> ) है।s<sub>j</sub>'s पश्च वितरण के एक निष्पक्ष प्रतिरूप से सक्रियण हैं और यह जूडिया पर्ल द्वारा उठाई गई समस्या दूर करने की व्याख्या के कारण समस्याग्रस्त है। विचरणी बायेसियन विधियां एक प्रतिनिधि पश्च का उपयोग करती हैं और इस जटिलता की स्पष्ट रूप से उपेक्षा करती हैं। }}
-{{term |1= [[Deep Belief Network]] }}
+{{term |1= [[गहन धारणा जालक्रम]] }}
-{{defn |1=Introduced by Hinton, this network is a hybrid of RBM and Sigmoid Belief Network.  The top 2 layers is an RBM and the second layer downwards form a sigmoid belief network.  One trains it by the stacked RBM method and then throw away the recognition weights below the top RBM.  As of 2009, 3-4 layers seems to be the optimal depth.<ref name=HintonMlss2009/>  }}
+{{defn |1=हिंटन द्वारा प्रस्तुत, यह जालक्रम आरबीएम और सिग्मारूपी धारणा जालक्रम का एक संकर है। शीर्ष 2 परतें एक आरबीएम हैं और दूसरी परत नीचे की ओर एक सिग्मारूपी धारणा जालक्रम बनाती है। कोई इसे चितीयित आरबीएम विधि द्वारा प्रशिक्षित करता है और फिर शीर्ष आरबीएम के नीचे पहचान भार को फेंक देता है। 2009 तक, 3-4 परतें इष्टतम गहराई प्रतीत होती हैं। <ref
+ name=HintonMlss2009/>  }}
-{{term |1=[[Helmholtz machine]]}}
+{{term |1=[[हेल्महोल्त्ज़ यंत्र]]}}
-{{defn |1=These are early inspirations for the Variational Auto Encoders. It's 2 networks combined into one—forward weights operates recognition and backward weights implements imagination. It is perhaps the first network to do both. Helmholtz did not work in machine learning but he inspired the view of "statistical inference engine whose function is to infer probable causes of sensory input" (3). the stochastic binary neuron outputs a probability that its state is 0 or 1. The data input is normally not considered a layer, but in the Helmholtz machine generation mode, the data layer receives input from the middle layer has separate weights for this purpose, so it is considered a layer. Hence this network has 3 layers.}}
+{{defn |1=ये विचरणी ऑटोएनकोडर के लिए प्रारंभिक प्रेरणाएँ हैं। इसके 2 जालक्रम एक में संयुक्त हैं - अग्र भार पहचान को संचालित करता है और अग्र भार कल्पना को क्रियान्वित करता है। यह संभवतः दोनों कार्य करने वाला पहला जालक्रम है। हेल्महोल्ट्ज़ ने यंत्र अधिगम में कार्य नहीं किया परन्तु उन्होंने "सांख्यिकीय अनुमिति इंजन के दृष्टिकोण को प्रेरित किया जिसका कार्य संवेदी निविष्ट के संभावित कारणों का अनुमान लगाना है" (3)। प्रसंभाव्य द्विआधारी न्यूरॉन एक संभावना को बहिर्गत करता है कि इसकी स्थिति 0 या 1 है। प्रदत्त निविष्ट को सामान्यतः एक परत नहीं माना जाता है, परन्तु हेल्महोल्ट्ज़ यंत्र जन प्रणाली में, प्रदत्त परत मध्य परत से निविष्ट प्राप्त करती है, इस उद्देश्य के लिए अलग-अलग भार होता है, इसलिए इसे एक परत माना जाता है. इसलिए इस जालक्रम में 3 परतें हैं।}}
-{{term |1=[[Variational autoencoder]]}}
+{{term |1=[[विचरणी ऑटोएनकोडर]]}}
-{{defn |1=These are inspired by Helmholtz machines and combines probability network with neural networks. An Autoencoder is a 3-layer CAM network, where the middle layer is supposed to be some internal representation of input patterns. The encoder neural network is a probability distribution q<sub>φ</sub>(z given x) and the decoder network is p<sub>θ</sub>(x given z). The weights are named phi & theta rather than W and V as in Helmholtz—a cosmetic difference. These 2 networks here can be fully connected, or use another NN scheme.
+{{defn |1=ये हेल्महोल्त्ज़ यंत्रों से प्रेरित हैं और संभाव्यता जालक्रम को तंत्रिका जालक्रम के साथ जोड़ते हैं। एक ऑटोएन्कोडर एक 3-परत सीएएम जालक्रम है, जहां मध्य परत को निविष्ट प्रतिरूप का कुछ आंतरिक प्रतिनिधित्व माना जाता है। संकेतक तंत्रिका जालक्रम एक संभाव्यता वितरण q<sub>φ</sub>(z given x) और विसंकेतक जालक्रम p<sub>θ</sub>(x given z) है। भार को हेल्महोल्ट्ज़ एक प्रसाधन अंतर की तरह W और V के बजाय फी और थीटा नाम दिया गया है। यहां ये 2 जालक्रम पूर्णतया से संयोजित हो सकते हैं, या किसी अन्य एनएन योजना का उपयोग कर सकते हैं।
 }}
 {{glossary end}}
-=== नेटवर्क की तुलना ===
+=== जालक्रम की तुलना ===
 {| class="wikitable"
 |-
-! !! Hopfield !! Boltzmann !! RBM !! Stacked RBM || Helmholtz !! Autoencoder !! VAE
+! !! हॉपफ़ील्ड !! बोल्ट्समान !! आरबीएम !! चितीयित आरबीएम || हेल्महोल्त्स !! ऑटोएन्कोडर !! वीएई
 |-
-| '''Usage & notables''' || CAM, traveling salesman problem || CAM. The freedom of connections makes this network difficult to analyze. || pattern recognition. used in MNIST digits and speech. || recognition & imagination.   trained with unsupervised pre-training and/or supervised fine tuning. || imagination, mimicry || <!--AE--> language: creative writing, translation.  vision: enhancing blurry images || generate realistic data
+| '''उपयोग एवं उल्लेखनीय''' || सीएएम, चल विक्रेता समस्या || सीएएम, संयोजन की स्वतंत्रता इस जालक्रम का विश्लेषण करना कठिन बना देती है। || प्रतिरुप मान्यता है।एमएनआईएसटी अंक और भाषण में उपयोग किया जाता है। || मान्यता एवं कल्पना बिना पर्यवेक्षित पूर्व-प्रशिक्षण और/या पर्यवेक्षित सूक्ष्म समस्वरण के साथ प्रशिक्षित है। || कल्पना, नकल || <!--AE-->भाषा: रचनात्मक लेखन, अनुवाद है। दृष्टि: अस्पष्ट छवियों को बढ़ाना है। || यथार्थवादी प्रदत्त उत्पन्न करें।
 |-
-| '''Neuron''' || deterministic binary state. Activation = { 0 (or -1) if x is negative, 1 otherwise } || stochastic binary Hopfield neuron || ← same. (extended to real-valued in mid 2000s) || ← same || ← same || <!--AE--> language: LSTM. vision: local receptive fields. usually real valued relu activation. || middle layer neurons encode means & variances for Gaussians.  In run mode (inference), the output of the middle layer are sampled values from the Gaussians.
+| '''न्यूरॉन''' || नियतात्मक द्विआधारी अवस्था है। सक्रियण = { 0 (या -1) यदि x ऋणात्मक है, 1 अन्यथा } || प्रसंभाव्य द्विआधारी हॉपफील्ड न्यूरॉन है। || ← समान (2000 के दशक के मध्य में वास्तविक-मूल्य तक विस्तारित) है। || ← समान || ← समान || <!--AE-->भाषा: एलएसटीएम है। दृष्टि: स्थानीय ग्रहणशील क्षेत्र है। सामान्यतः वास्तविक मूल्यवान रेलु सक्रियण है। || मध्य परत के न्यूरॉन्स गाऊसी के लिए माध्य और भिन्नता को कूटबद्ध करते हैं। गति प्रणाली (अनुमान) में, मध्य परत का बहिर्वेश गाउसी से प्रतिचयित मान हैं।
 |-
-| '''Connections''' || 1-layer with symmetric weights. No self-connections. || 2-layers. 1-hidden & 1-visible. symmetric weights. || ← same. <br>no lateral connections within a layer. || top layer is undirected, symmetric.  other layers are 2-way, asymmetric. || 3-layers: asymmetric weights. 2 networks combined into 1. || <!--AE--> 3-layers. The input is considered a layer even though it has no inbound weights. recurrent layers for NLP. feedforward convolutions for vision. input & output have the same neuron counts. || 3-layers: input, encoder, distribution sampler decoder. the sampler is not considered a layer (e)
+| '''संयोजन''' || सममित भार के साथ 1-परत है। कोई स्व-संपर्क नहीं है। || 2-परतें, 1-गुप्त, 1- दृश्यमान, सममित भार हैं। || ← समान है।
+एक परत के भीतर कोई पार्श्विक संबंध नहीं हैं।
+| शीर्ष परत अप्रत्यक्ष, सममित है। अन्य परतें 2-तरफ़ा, असममित हैं। || 3-परतें: असममित भार हैं। 2 जालक्रम को मिलाकर 1 बनाया गया हैं। || <!--AE-->3-परतें हैं। निविष्ट को एक परत माना जाता है, भले ही इसमें कोई सीमा में भार न हो। एनएलपी के लिए आवर्ती परतें है। दृष्टि के लिए अग्रभरण संवलन है। निविष्ट और बहिर्वेश में समान न्यूरॉन गणना होती है। || 3-परतें: निविष्ट, संकेतक, वितरण प्रतिदर्शी विसंकेतक है। प्रतिदर्शी को एक परत (e) नहीं माना जाता है।
 |-
-| '''Inference & energy''' || Energy is given by Gibbs probability measure :<math>E = -\frac12\sum_{i,j}{w_{ij}{s_i}{s_j}}+\sum_i{\theta_i}{s_i}</math> || ← same || ← same || <!-- --> || minimize KL divergence || inference is only feed-forward. previous UL networks ran forwards AND backwards || minimize error = reconstruction error - KLD
+| '''अनुमान एवं ऊर्जा''' || ऊर्जा गिब्स संभाव्यता माप द्वारा दी गई है:<math>E = -\frac12\sum_{i,j}{w_{ij}{s_i}{s_j}}+\sum_i{\theta_i}{s_i}</math>|| ← समान || ← समान ||<!-- -->|| केएल विचलन को कम करें। || अनुमान केवल अग्रभरण है। पिछले यूएल जालक्रम आगे और पीछे चलते थे। || त्रुटि न्यूनतम = पुनर्निर्माण त्रुटि - केएलडी
 |-
-| '''Training''' || Δw<sub>ij</sub> = s<sub>i</sub>*s<sub>j</sub>, for +1/-1 neuron || Δw<sub>ij</sub> = e*(p<sub>ij</sub> - p'<sub>ij</sub>). This is derived from minimizing KLD. e = learning rate, p' = predicted and p = actual distribution.
+| '''प्रशिक्षण''' || Δw<sub>ij</sub> = s<sub>i</sub>*s<sub>j</sub>, के लिए +1/-1 न्यूरॉन है। || Δw<sub>ij</sub> = e*(p<sub>ij</sub> - p'<sub>ij</sub>), यह केएलडी को न्यूनतम करने से प्राप्त हुआ है।
-|| Δw<sub>ij</sub> = e*( < v<sub>i</sub> h<sub>j</sub> ><sub>data</sub> - < v<sub>i</sub> h<sub>j</sub> ><sub>equilibrium</sub> ).  This is a form of contrastive divergence w/ Gibbs Sampling.  "<>" are expectations. || ← similar. train 1-layer at a time.  approximate equilibrium state with a 3-segment pass.  no back propagation. || wake-sleep 2 phase training || <!--AE--> back propagate the reconstruction error || reparameterize hidden state for backprop
+e = अधिगम दर,
+p' = अनुमानित और
+p = वास्तविक वितरण हैं।
+|| Δw<sub>ij</sub> = e*( < v<sub>i</sub> h<sub>j</sub>> <sub>प्रदत्त</sub> - < v<sub>i</sub> h<sub>j</sub> > <sub>संतुलन</sub>), यह गिब्स प्रतिदर्शी के साथ विरोधाभासी विचलन का एक रूप है। "<>" अपेक्षाएं हैं। || ← के समान एक समय में 1-परत को प्रशिक्षित करें। 3- खंड पारित के साथ अनुमानित संतुलन स्थिति हैं। कोई पूर्व संचरण नहीं हैं। || वेक-स्लीप 2 चरण का प्रशिक्षण हैं। || <!--AE-->पुनर्निर्माण त्रुटि को वापस प्रचारित करें। || बैकप्रॉप के लिए गुप्त स्थिति को दोबारा मापें।
 |-
-| '''Strength''' || resembles physical systems so it inherits their equations || ← same. hidden neurons act as internal representatation of the external world || faster more practical training scheme than Boltzmann machines || trains quickly.  gives hierarchical layer of features || mildly anatomical. analyzable w/ information theory & statistical mechanics || <!--AE--> || <!--VAE-->
+| '''प्रबलता''' || भौतिक प्रणालियों के सदृश है इसलिए यह उनके समीकरणों को प्राप्त करता है।
+| ← के समान गुप्त न्यूरॉन्स बाहरी दुनिया के आंतरिक प्रतिनिधित्व के रूप में कार्य करते हैं। || बोल्ट्समान यंत्रों की तुलना में तीव्र और अधिक व्यावहारिक प्रशिक्षण योजना हैं। || तीव्रता से शृंखला सुविधाओं की श्रेणीबद्ध परत देता है। || हल्का शारीरिक. सूचना सिद्धांत और सांख्यिकीय यांत्रिकी के साथ विश्लेषण योग्य हैं। ||<!--AE-->|| <!--VAE-->
 |-
-| '''Weakness''' || <!--hopfield--> || hard to train due to lateral connections || <!--RBM--> equilibrium requires too many iterations || integer & real-valued neurons are more complicated. || <!--Helmholtz--> || <!--AE--> || <!--VAE-->
+| '''दुर्बलता''' || <!--hopfield--> || पार्श्व संयोजन के कारण प्रशिक्षित करना कठिन है। || <!--RBM-->संतुलन के लिए बहुत अधिक पुनरावृत्तियों की आवश्यकता होती है। || पूर्णांक और वास्तविक-मूल्यवान न्यूरॉन्स अधिक जटिल हैं। ||<!--Helmholtz-->|| <!--AE--> || <!--VAE-->
 |}
-हेब्बियन लर्निंग, एआरटी, एसओएम<br>
-तंत्रिका नेटवर्क के अध्ययन में अपर्यवेक्षित शिक्षण का शास्त्रीय उदाहरण [[डोनाल्ड हेब्ब]] का सिद्धांत है, यानी, न्यूरॉन्स जो एक साथ तार से आग लगाते हैं।<ref name="Buhmann" />हेब्बियन सीखने में, किसी त्रुटि के बावजूद कनेक्शन को मजबूत किया जाता है, लेकिन यह विशेष रूप से दो न्यूरॉन्स के बीच कार्रवाई क्षमता के बीच संयोग का एक कार्य है।<ref name="Comesana" />एक समान संस्करण जो सिनैप्टिक भार को संशोधित करता है वह एक्शन पोटेंशिअल ([[ स्पाइक-टाइमिंग-निर्भर प्लास्टिसिटी ]] या एसटीडीपी) के बीच के समय को ध्यान में रखता है। हेब्बियन लर्निंग को पैटर्न पहचान और अनुभवात्मक शिक्षा जैसे संज्ञानात्मक कार्यों की एक श्रृंखला को रेखांकित करने के लिए परिकल्पित किया गया है।
-[[कृत्रिम तंत्रिका नेटवर्क]] मॉडल के बीच, [[स्व-संगठित मानचित्र]] (एसओएम) और [[अनुकूली अनुनाद सिद्धांत]] (एआरटी) का उपयोग आमतौर पर बिना पर्यवेक्षित शिक्षण एल्गोरिदम में किया जाता है। एसओएम एक स्थलाकृतिक संगठन है जिसमें मानचित्र में आस-पास के स्थान समान गुणों वाले इनपुट का प्रतिनिधित्व करते हैं। एआरटी मॉडल समस्या के आकार के साथ समूहों की संख्या को अलग-अलग करने की अनुमति देता है और उपयोगकर्ता को सतर्कता पैरामीटर नामक उपयोगकर्ता-परिभाषित स्थिरांक के माध्यम से समान क्लस्टर के सदस्यों के बीच समानता की डिग्री को नियंत्रित करने देता है। एआरटी नेटवर्क का उपयोग कई पैटर्न पहचान कार्यों के लिए किया जाता है, जैसे [[स्वचालित लक्ष्य पहचान]] और भूकंपीय सिग्नल प्रोसेसिंग।<ref name="Carpenter" />
+==== हेब्बियन अधिगम, एआरटी, एसओएम ====
+तन्त्रिका जालक्रम के अध्ययन में अपर्यवेक्षित शिक्षण का शास्त्रीय उदाहरण [[डोनाल्ड हेब्ब]] का सिद्धांत है, अर्थात, न्यूरॉन्स जो एक साथ तार से सक्रिय होते हैं।<ref name="Buhmann" />हेब्बियन अधिगम में, किसी त्रुटि के बावजूद संयोजन को प्रबल किया जाता है, परन्तु यह विशेष रूप से दो न्यूरॉन्स के मध्य कार्य क्षमता के मध्य संयोग का एक कार्य है।<ref name="Comesana" />एक समान संस्करण जो अंतर्ग्रथनी भार को संशोधित करता है वह कार्य क्षमता ([[ स्पाइक-टाइमिंग-निर्भर प्लास्टिसिटी | स्पाइक-समय-निर्भर नमनीयता]] या एसटीडीपी) के मध्य के समय को ध्यान में रखता है। हेब्बियन अधिगम को प्रतिरुप पहचान और अनुभवात्मक शिक्षा जैसे संज्ञानात्मक कार्यों की एक श्रृंखला को रेखांकित करने के लिए परिकल्पित किया गया है।
+[[कृत्रिम तंत्रिका नेटवर्क|तन्त्रिका जालक्रम]] प्रतिरूप के मध्य, [[स्व-संगठित मानचित्र]] (SOM) और [[अनुकूली अनुनाद सिद्धांत]] (ART) का उपयोग सामान्यतः अपर्यवेक्षित शिक्षण कलन विधि में किया जाता है। एसओएम एक स्थलाकृतिक संगठन है जिसमें मानचित्र में आस-पास के स्थान समान गुणों वाले निविष्ट का प्रतिनिधित्व करते हैं। एआरटी प्रतिरूप समस्या के आकार के साथ समूहों की संख्या को अलग-अलग करने की अनुमति देता है और उपयोगकर्ता को सतर्कता मापदंड नामक उपयोगकर्ता-परिभाषित स्थिरांक के माध्यम से समान गुच्छ के सदस्यों के मध्य समानता की डिग्री को नियंत्रित करने देता है। एआरटी जालक्रम का उपयोग कई प्रतिरुप पहचान कार्यों, जैसे [[स्वचालित लक्ष्य पहचान]] और भूकंपीय संकेत संसाधन के लिए किया जाता है।<ref name="Carpenter" />
 == संभाव्य विधियाँ ==
-बिना पर्यवेक्षित शिक्षण में उपयोग की जाने वाली दो मुख्य विधियाँ प्रधान घटक विश्लेषण और [[क्लस्टर विश्लेषण]] हैं। क्लस्टर विश्लेषण का उपयोग बिना पर्यवेक्षित शिक्षण में एल्गोरिदम संबंधों को एक्सट्रपलेशन करने के लिए साझा विशेषताओं वाले डेटासेट को समूह या खंड में करने के लिए किया जाता है।<ref name="tds-ul" />क्लस्टर विश्लेषण [[ यंत्र अधिगम ]] की एक शाखा है जो उस डेटा को समूहित करती है जिसे लेबल, वर्गीकृत या वर्गीकृत नहीं किया गया है। फीडबैक पर प्रतिक्रिया देने के बजाय, क्लस्टर विश्लेषण डेटा में समानताओं की पहचान करता है और डेटा के प्रत्येक नए टुकड़े में ऐसी समानताओं की उपस्थिति या अनुपस्थिति के आधार पर प्रतिक्रिया करता है। यह दृष्टिकोण उन असंगत डेटा बिंदुओं का पता लगाने में मदद करता है जो किसी भी समूह में फिट नहीं होते हैं।
+बिना पर्यवेक्षित शिक्षण में उपयोग की जाने वाली दो मुख्य विधियाँ प्रमुख घटक और [[क्लस्टर विश्लेषण|गुच्छ विश्लेषण]] हैं। गुच्छ विश्लेषण के  उपयोग के बिना पर्यवेक्षित शिक्षण में कलन विधि संबंधों को बहिर्वेशित करने के लिए साझा विशेषताओं वाले आंकड़े समुच्चय को समूह या खंड में करने के लिए किया जाता है।<ref name="tds-ul" />गुच्छ विश्लेषण [[ यंत्र अधिगम |यंत्र अधिगम]] की एक शाखा है जो उन आंकड़ों को समूहित करती है जिसे लेबल, या वर्गीकृत नहीं किया गया है। पुनर्निवेशन पर प्रतिक्रिया देने के बजाय, गुच्छ विश्लेषण प्रदत्त में समानताओं की पहचान करता है और प्रदत्त के प्रत्येक नए टुकड़े में ऐसी समानताओं की उपस्थिति या अनुपस्थिति के आधार पर प्रतिक्रिया करता है। यह दृष्टिकोण उन असंगत प्रदत्त बिंदुओं का पता लगाने में सहायता करता है जो किसी भी समूह में उपयुक्त नहीं होते हैं।
-अपर्यवेक्षित शिक्षण का एक केंद्रीय अनुप्रयोग सांख्यिकी में [[घनत्व अनुमान]] के क्षेत्र में है,<ref name="JordanBishop2004" />हालाँकि बिना पर्यवेक्षित शिक्षण में डेटा सुविधाओं का सारांश और व्याख्या करने वाले कई अन्य डोमेन शामिल हैं। इसकी तुलना पर्यवेक्षित शिक्षण से यह कहकर की जा सकती है कि जबकि पर्यवेक्षित शिक्षण का उद्देश्य इनपुट डेटा के लेबल पर [[सशर्त संभाव्यता वितरण]] का अनुमान लगाना है; अप्रशिक्षित शिक्षण का उद्देश्य एक प्राथमिक संभाव्यता वितरण का अनुमान लगाना है।
+अपर्यवेक्षित शिक्षण का एक केंद्रीय अनुप्रयोग सांख्यिकी में [[घनत्व अनुमान]] के क्षेत्र में है,<ref name="JordanBishop2004" />हालाँकि अपर्यवेक्षित शिक्षण में प्रदत्त सुविधाओं को सारांशित और व्याख्या करने वाले कई अन्य कार्यक्षेत्र सम्मिलित हैं। इसकी तुलना पर्यवेक्षित शिक्षण से यह कहकर की जा सकती है कि जबकि पर्यवेक्षित शिक्षण का उद्देश्य निविष्ट प्रदत्त के लेबल पर [[सशर्त संभाव्यता वितरण]] का अनुमान लगाना है; अप्रशिक्षित शिक्षण का उद्देश्य एक प्राथमिक संभाव्यता वितरण का अनुमान लगाना है।
 === दृष्टिकोण ===
-बिना पर्यवेक्षित शिक्षण में उपयोग किए जाने वाले कुछ सबसे आम एल्गोरिदम में शामिल हैं: (1) क्लस्टरिंग, (2) विसंगति का पता लगाना, (3) अव्यक्त चर मॉडल सीखने के लिए दृष्टिकोण। प्रत्येक दृष्टिकोण निम्नानुसार कई विधियों का उपयोग करता है:
+बिना पर्यवेक्षित शिक्षण में उपयोग किए जाने वाले कुछ सबसे सामान्य कलन विधियों में: (1) गुच्छन, (2) विसंगति संसूचन, (3) अव्यक्त चर प्रतिरूप अधिगम के लिए दृष्टिकोण सम्मिलित हैं। प्रत्येक दृष्टिकोण निम्नानुसार कई विधियों का उपयोग करता है:
-* [[डेटा क्लस्टरिंग]] विधियों में शामिल हैं: [[पदानुक्रमित क्लस्टरिंग]],<ref name="Hastie" />k-मतलब,<ref name="tds-kmeans" />[[मिश्रण मॉडल]], [[डीबीएससीएएन]], और [[प्रकाशिकी एल्गोरिथ्म]]
+* [[डेटा क्लस्टरिंग|गुच्छन]] विधियों में: [[पदानुक्रमित क्लस्टरिंग|पदानुक्रमित गुच्छन]],<ref name="Hastie" />k-माध्य,<ref name="tds-kmeans" />[[मिश्रण मॉडल|मिश्रण प्रतिरूप]], [[डीबीएससीएएन]], और [[प्रकाशिकी एल्गोरिथ्म|प्रकाशिकी कलन विधि]] सम्मिलित हैं।
-* विसंगति का पता लगाने के तरीकों में शामिल हैं: स्थानीय बाहरी कारक, और [[अलगाव वन]]
+* विसंगति का पता लगाने के तरीकों में: स्थानीय बाह्य कारक और [[अलगाव वन|वियोजन फॉरस्ट]] सम्मिलित हैं।
-* [[अव्यक्त चर मॉडल]] सीखने के लिए दृष्टिकोण जैसे कि अपेक्षा-अधिकतमकरण एल्गोरिथ्म (ईएम), [[क्षणों की विधि (सांख्यिकी)]], और [[ब्लाइंड सिग्नल पृथक्करण]] तकनीक (प्रमुख घटक विश्लेषण, [[स्वतंत्र घटक विश्लेषण]][[गैर-नकारात्मक मैट्रिक्स गुणनखंडन]] फैक्टराइजेशन, एकवचन मूल्य अपघटन)
+* [[अव्यक्त चर मॉडल|अव्यक्त चर प्रतिरूप]] सीखने के लिए दृष्टिकोण जैसे कि अपेक्षा-अधिकतमकरण कलन विधि (EM), [[क्षणों की विधि (सांख्यिकी)|आघूर्णो की विधि]] और [[ब्लाइंड सिग्नल पृथक्करण|अंध संकेत पृथक्करण]] प्रविधि (प्रमुख घटक विश्लेषण, [[स्वतंत्र घटक विश्लेषण|स्वतंत्र घटक विश्लेषण,]] [[गैर-नकारात्मक मैट्रिक्स गुणनखंडन|गैर-ऋणात्मक आव्यूह गुणनखंडन]], अद्वितीय मान अपघटन) हैं।
-=== क्षणों की विधि ===
+=== आघूर्णो की विधि ===
-बिना पर्यवेक्षित शिक्षण के लिए सांख्यिकीय दृष्टिकोणों में से एक क्षणों की विधि (सांख्यिकी) है। क्षणों की विधि में, मॉडल में अज्ञात पैरामीटर (रुचि के) एक या अधिक यादृच्छिक चर के क्षणों से संबंधित होते हैं, और इस प्रकार, इन अज्ञात मापदंडों का अनुमान क्षणों को देखते हुए लगाया जा सकता है। क्षणों का अनुमान आमतौर पर अनुभवजन्य रूप से नमूनों से लगाया जाता है। मूल क्षण प्रथम और द्वितीय क्रम के क्षण हैं। एक यादृच्छिक वेक्टर के लिए, पहले क्रम का क्षण माध्य वेक्टर है, और दूसरे क्रम का क्षण सहप्रसरण मैट्रिक्स है (जब माध्य शून्य है)। उच्च क्रम के क्षणों को आमतौर पर [[टेंसर]] का उपयोग करके दर्शाया जाता है जो कि बहु-आयामी सरणियों के रूप में उच्च क्रम [[सहप्रसरण आव्यूह]] का सामान्यीकरण है।
+बिना पर्यवेक्षित शिक्षण के लिए सांख्यिकीय दृष्टिकोणों में से एक आघूर्ण विधि है। आघूर्णो की विधि में, प्रतिरूप में अज्ञात मापदंड (रुचि के) एक या अधिक यादृच्छिक चर के आघूर्णो से संबंधित होते हैं और इस प्रकार, इन अज्ञात मापदंडों का अनुमान आघूर्णो को देखते हुए लगाया जा सकता है। आघूर्णो का अनुमान सामान्यतः अनुभवजन्य रूप से प्रतिरूपों से लगाया जाता है। मूल आघूर्ण प्रथम और द्वितीय क्रम के आघूर्ण हैं। एक यादृच्छिक सदिश के लिए, पहले क्रम का आघूर्ण माध्य सदिश है और दूसरे क्रम का आघूर्ण सहप्रसरण आव्यूह है (जब माध्य शून्य है)। उच्च क्रम के आघूर्णो को सामान्यतः [[टेंसर|प्रदिश]] का उपयोग करके दर्शाया जाता है जो कि बहु-आयामी सरणियों के रूप में उच्च क्रम के [[सहप्रसरण आव्यूह|आव्यूह]] का सामान्यीकरण है।
-विशेष रूप से, अव्यक्त चर मॉडल के मापदंडों को सीखने में क्षणों की विधि को प्रभावी दिखाया गया है। अव्यक्त चर मॉडल सांख्यिकीय मॉडल हैं जहां देखे गए चर के अलावा, अव्यक्त चर का एक सेट भी मौजूद होता है जो नहीं देखा जाता है। [[अर्थ]] लर्निंग में अव्यक्त चर मॉडल का एक अत्यधिक व्यावहारिक उदाहरण [[विषय मॉडलिंग]] है जो दस्तावेज़ के विषय (अव्यक्त चर) के आधार पर दस्तावेज़ में शब्द (अवलोकित चर) उत्पन्न करने के लिए एक सांख्यिकीय मॉडल है। विषय मॉडलिंग में, दस्तावेज़ का विषय बदलने पर दस्तावेज़ में शब्द विभिन्न सांख्यिकीय मापदंडों के अनुसार उत्पन्न होते हैं। यह दिखाया गया है कि क्षणों की विधि (टेंसर अपघटन तकनीक) कुछ मान्यताओं के तहत अव्यक्त चर मॉडल के एक बड़े वर्ग के मापदंडों को लगातार पुनर्प्राप्त करती है।<ref name="TensorLVMs" />
+विशेष रूप से, अव्यक्त चर प्रतिरूप के मापदंडों को सीखने में आघूर्णो की विधि को प्रभावी दर्शाया गया है। अव्यक्त चर प्रतिरूप सांख्यिकीय प्रतिरूप हैं जहां देखे गए चर के अतिरिक्त, अव्यक्त चर का एक समुच्चय भी उपस्थित होता है जो नहीं देखा जाता है। [[अर्थ|यंत्र]] अधिगम में अव्यक्त चर प्रतिरूप का एक अत्यधिक व्यावहारिक उदाहरण [[विषय मॉडलिंग]] है जो प्रपत्र के विषय (अव्यक्त चर) के आधार पर प्रपत्र में शब्द (अवलोकित चर) उत्पन्न करने के लिए एक सांख्यिकीय प्रतिरूप है। विषय मॉडलिंग में, प्रपत्र का विषय परिवर्तित करने पर प्रपत्र में शब्द विभिन्न सांख्यिकीय मापदंडों के अनुसार उत्पन्न होते हैं। यह दर्शाया गया है कि आघूर्णो की विधि (टेंसर अपघटन प्रविधि) कुछ मान्यताओं के अंतर्गत अव्यक्त चर प्रतिरूप के एक बड़े वर्ग के मापदंडों को निरंतर पुनर्प्राप्त करती है। <ref name="TensorLVMs" />
-एक्सपेक्टेशन-मैक्सिमाइजेशन एल्गोरिदम (ईएम) भी अव्यक्त चर मॉडल सीखने के लिए सबसे व्यावहारिक तरीकों में से एक है। हालाँकि, यह स्थानीय ऑप्टिमा में फंस सकता है, और यह गारंटी नहीं है कि एल्गोरिदम मॉडल के वास्तविक अज्ञात मापदंडों में परिवर्तित हो जाएगा। इसके विपरीत, क्षणों की विधि के लिए, कुछ शर्तों के तहत वैश्विक अभिसरण की गारंटी दी जाती है।
+अपेक्षा-अधिकतमकरण कलन विधि (EM) भी अव्यक्त चर प्रतिरूप अधिगम के लिए सबसे व्यावहारिक तरीकों में से एक है। हालाँकि, यह स्थानीय ऑप्टिमा में फंस सकता है और यह प्रत्याभूति नहीं है कि कलन विधि प्रतिरूप के वास्तविक अज्ञात मापदंडों में परिवर्तित हो जाएगा। इसके विपरीत, आघूर्णो की विधि के लिए, कुछ प्रतिबंधों के अंतर्गत वैश्विक अभिसरण की प्रत्याभूति दी जाती है।
 == यह भी देखें ==
-* [[स्वचालित मशीन लर्निंग]]
+* [[स्वचालित मशीन लर्निंग|स्वचालित यंत्र अधिगम]]
-* क्लस्टर विश्लेषण
+* गुच्छ विश्लेषण
-* असंगति का पता लगाये
+* विसंगति संसूचन
-* अपेक्षा-अधिकतमीकरण एल्गोरिथ्म
+* अपेक्षा-अधिकतमीकरण कलन विधि
-* [[जनरेटिव स्थलाकृतिक मानचित्र]]
+* [[जनरेटिव स्थलाकृतिक मानचित्र|प्रजनक स्थलाकृतिक मानचित्र]]
-* [[मेटा-लर्निंग (कंप्यूटर विज्ञान)]]
+* [[मेटा-लर्निंग (कंप्यूटर विज्ञान)|मेटा-अधिगम (अभिकलित्र विज्ञान)]]
 * [[बहुभिन्नरूपी विश्लेषण]]
-* [[रेडियल आधार फ़ंक्शन नेटवर्क]]
+* [[रेडियल आधार फ़ंक्शन नेटवर्क|त्रिज्यीय आधार क्रिया जालक्रम]]
-* [[कमजोर पर्यवेक्षण]]
+* [[कमजोर पर्यवेक्षण|दुर्बल पर्यवेक्षण]]
 == संदर्भ ==
 {{Reflist|
 refs=
-<ref name="Hinton99a"       >{{harvnb|Hinton|Sejnowski|1999}}</ref>
 <ref name="tds-ul"          >{{Cite web|url=https://towardsdatascience.com/unsupervised-machine-learning-clustering-analysis-d40f2b34ae7e|title=Unsupervised Machine Learning: Clustering Analysis|last=Roman|first=Victor|date=2019-04-21|website=Medium|access-date=2019-10-01}}</ref>
 <ref name="JordanBishop2004">{{cite book |first1=Michael I. |last1=Jordan |first2=Christopher M. |last2=Bishop |chapter=7. Intelligent Systems §Neural Networks |editor-first=Allen B. |editor-last=Tucker |title=Computer Science Handbook |url=https://www.taylorfrancis.com/books/mono/10.1201/9780203494455/computer-science-handbook-allen-tucker |edition=2nd |publisher=Chapman & Hall/CRC Press |year=2004 |doi=10.1201/9780203494455 |isbn=1-58488-360-X }}</ref>
@@ Line 176: / Line 186: @@
 *{{cite book |first1=Trevor |last1=Hastie |authorlink1=Trevor Hastie |first2=Robert |last2=Tibshirani |authorlink2=Robert Tibshirani |first3=Jerome |last3=Friedman |chapter=Unsupervised Learning |chapter-url=https://link.springer.com/chapter/10.1007/978-0-387-84858-7_14 |title=The Elements of Statistical Learning: Data mining, Inference, and Prediction |year=2009 |publisher=Springer |isbn=978-0-387-84857-0 |pages=485–586 |doi=10.1007/978-0-387-84858-7_14}}
 * {{cite book |editor1-last=Hinton |editor1-first=Geoffrey |editor-link=Geoffrey Hinton |editor2-last=Sejnowski |editor2-first=Terrence J. |editor2-link=Terrence J. Sejnowski |year=1999 |title=Unsupervised Learning: Foundations of Neural Computation |publisher=[[MIT Press]] |isbn=0-262-58168-X}}
-{{refend}}
+{{refend}}{{Authority control}}
-{{Differentiable computing}}
-{{Authority control}}
-{{DEFAULTSORT:Unsupervised Learning}}[[Category: बिना पर्यवेक्षित शिक्षण| बिना पर्यवेक्षित शिक्षण]]
+{{DEFAULTSORT:Unsupervised Learning}}
-[[Category: Machine Translated Page]]
+[[Category:Collapse templates|Unsupervised Learning]]
-[[Category:Created On 26/06/2023]]
+[[Category:Created On 26/06/2023|Unsupervised Learning]]
+[[Category:Machine Translated Page|Unsupervised Learning]]
+[[Category:Navigational boxes| ]]
+[[Category:Navigational boxes without horizontal lists|Unsupervised Learning]]
+[[Category:Pages with reference errors]]
+[[Category:Pages with script errors|Unsupervised Learning]]
+[[Category:Short description with empty Wikidata description|Unsupervised Learning]]
+[[Category:Sidebars with styles needing conversion|Unsupervised Learning]]
+[[Category:Template documentation pages|Documentation/doc]]
+[[Category:Vigyan Ready]]

Anonymous

Search

अपर्यवेक्षित अधिगम: Difference between revisions

Namespaces

More

Page actions

Latest revision as of 17:04, 14 November 2023

Contents

तन्त्रिका जालक्रम

कार्य बनाम विधियाँ

प्रशिक्षण

ऊर्जा

जालक्रम

इतिहास

विशिष्ट जालक्रम

जालक्रम की तुलना

हेब्बियन अधिगम, एआरटी, एसओएम

संभाव्य विधियाँ

दृष्टिकोण

आघूर्णो की विधि

यह भी देखें

संदर्भ

अग्रिम पठन

Navigation

Navigation

Wiki tools

Wiki tools

Anonymous

Search

अपर्यवेक्षित अधिगम: Difference between revisions

Latest revision as of 17:04, 14 November 2023

तन्त्रिका जालक्रम

कार्य बनाम विधियाँ

प्रशिक्षण

ऊर्जा

जालक्रम

इतिहास

विशिष्ट जालक्रम

जालक्रम की तुलना

हेब्बियन अधिगम, एआरटी, एसओएम

संभाव्य विधियाँ

दृष्टिकोण

आघूर्णो की विधि

यह भी देखें

संदर्भ

अग्रिम पठन

Navigation

Wiki tools

Page tools

Other projects

Hidden categories