Tora neuralî modelek hesabker e ku ji avahî û fonksiyona mêjiyê mirovan îlhama xwe digire. Ew hêmanek bingehîn a îstîxbarata sûnî ye, nemaze di warê fêrbûna makîneyê de. Tora neuralî ji bo pêvajokirin û şîrovekirina qalibên tevlihev û têkiliyên di daneyan de hatine sêwirandin, rê dide wan ku pêşbîniyan bikin, qalibên nas bikin û pirsgirêkan çareser bikin.
Di bingeha xwe de, torgilokek neuralî ji girêkên bi hev ve girêdayî pêk tê, ku wekî neuronên çêkirî an bi tenê "neuron" têne zanîn. Van noyron di qatan de têne organîze kirin, ku her qatek hesabên taybetî pêk tîne. Cûreya herî berbelav tora neuralî tora neuralî ya pêşbirkê ye, ku agahdarî di yek alî de diherike, ji qata têketinê di nav qatên veşartî heya qata derketinê.
Her neuronek di tora neuralî de têketinê distîne, veguherînek matematîkî li wan dike û derdanek çêdike. Ketin bi giranan têne zêdekirin, ku hêza girêdanên di navbera neuronan de temsîl dikin. Digel vê yekê, bi gelemperî termek bias li her neuronê tê zêdekirin, ku rê dide rastkirina bersiva neuronê. Dûv re têketina giran û terma biasê di nav fonksiyonek aktîvkirinê re derbas dibe, ku ne-lineariyê dixe nav torê.
Fonksiyona aktîvkirinê li ser bingeha têketinên wê derana neronek diyar dike. Fonksiyonên aktîvkirina hevpar fonksiyona sigmoîdê vedihewîne, ku têketinan bi nirxan di navbera 0 û 1-ê de nexşe dike, û fonksiyona yekîneya xêzkirî ya rastkirî (ReLU), ku têketinê heke erênî be û 0 wekî din derxe holê. Hilbijartina fonksiyona çalakkirinê bi pirsgirêka li ber dest û taybetmendiyên xwestî yên torê ve girêdayî ye.
Di dema perwerdehiyê de, tora neuralî giranî û nehfên neuronên xwe rast dike da ku cûdahiya di navbera derketinên pêşbînîkirî û derketinên xwestî de kêm bike, pêvajoyek bi navê paşnavber bikar tîne. Backpropagation bi rêzgirtina her giranî û neyartiyê gradienta xeletiyê dihesibîne, rê dide ku torê wan bi rengek ku xeletiyê kêm bike nûve bike. Ev pêvajoyek dubare berdewam dike heya ku tor digihîje rewşek ku xeletî kêm dibe, û ew dikare li ser daneyên nû, nedîtî pêşbîniyên rast bike.
Tora neuralî îsbat kiriye ku di gelek serlêdanan de, di nav de naskirina wêne û axaftinê, pêvajoya zimanê xwezayî, û pergalên pêşniyarê de, pir bi bandor in. Mînakî, di naskirina wêneyê de, torgilokek neuralî dikare bi analîzkirina bi hezaran an jî bi mîlyonan wêneyên nîşankirî fêrî naskirina tiştan bibe. Bi girtina qalib û taybetmendiyên bingehîn ên di daneyan de, torên neuralî dikarin zanîna xwe giştî bikin û li ser wêneyên nedîtî pêşbîniyên rast bikin.
Tora neuralî modelek hesabker e ku ji avahî û fonksiyona mêjiyê mirovan îlhama xwe digire. Ew ji neuronên sûnî yên bi hev ve girêdayî pêk tê ku di nav qatan de têne organîze kirin, digel ku her neuron veguherînek matematîkî li têgehên xwe bicîh tîne û encamê di nav fonksiyonek çalakkirinê re derbas dike. Di nav pêvajoya perwerdehiyê de, torgilokên neuralî giranî û nerînên xwe rast dikin da ku cûdahiya di navbera encamên pêşbînîkirî û xwestî de kêm bikin. Ev dihêle ku ew qalibên nas bikin, pêşbîniyan bikin û pirsgirêkên tevlihev çareser bikin.
Pirs û bersivên din ên vê dawiyê di derbarê Daneyên mezin ji bo modelên perwerdehiyê di ewr de:
- Ma taybetmendiyên ku daneyan temsîl dikin divê bi rengek hejmarî bin û di stûnên taybetmendiyê de bêne organîze kirin?
- Rêjeya fêrbûnê di fêrbûna makîneyê de çi ye?
- Ma daneyên ku bi gelemperî tê pêşniyar kirin di navbera perwerdehiyê û nirxandinê de bi heman rengî nêzî 80% û 20% ye?
- Meriv çawa modelên ML-ê di sazûmanek hîbrîd de dimeşîne, digel ku modelên heyî yên herêmî bi rêve diçin û encamên ku ji ewr re têne şandin?
- Meriv çawa daneyên mezin li modela AI-ê bar dike?
- Xizmetkirina modelekê tê çi wateyê?
- Dema ku ji bo fêrbûna makîneyê bi komên daneyên mezin re dixebitin çima danîna daneyan di ewr de nêzîkatiya çêtirîn tê hesibandin?
- Kengî Appliance Veguheztina Google ji bo veguheztina daneyên mezin tê pêşniyar kirin?
- Armanca gsutil çi ye û ew çawa karên veguhastina zûtir hêsan dike?
- Çawa dikare Google Cloud Storage (GCS) were bikar anîn da ku daneyên perwerdehiyê hilîne?
Ji bo modelên perwerdehiyê di ewr de bêtir pirs û bersivan li Daneyên Mezin bibînin