सारांश
मुख्य अवधारणाएँ:
- परसेप्ट्रॉन प्रशिक्षण
- रेखीय रूप से विभाज्य डेटा
- वजन और पूर्वाग्रह अद्यतन
- सीखने की दर
- सकारात्मक और नकारात्मक क्षेत्र
- रेखा परिवर्तन
- युग
- भूल सुधार
परसेप्ट्रॉन प्रशिक्षण का परिचय
वीडियो परसेप्ट्रॉन के वजन और पूर्वाग्रहों को प्रशिक्षित करने की प्रक्रिया की पड़ताल करता है, जो पिछले वीडियो में कवर नहीं किया गया एक महत्वपूर्ण पहलू है। लक्ष्य खरोंच से प्रशिक्षण प्रक्रिया को समझना है, एक गणितीय अंतर्ज्ञान विकसित करना, इसे कोड में परिवर्तित करना और एक एनीमेशन के माध्यम से चरणों की कल्पना करना है।
रेखीय रूप से विभाज्य डेटा और रेखा खोज
प्रशिक्षण प्रक्रिया एक रेखीय रूप से विभाज्य डेटासेट के साथ शुरू होती है, जिसका अर्थ है कि डेटा को दो वर्गों में अलग करने के लिए एक रेखा खींची जा सकती है। लक्ष्य डेटा को सही ढंग से वर्गीकृत करने वाली एक रेखा खोजना है। प्रारंभिक रेखा खराब प्रदर्शन कर सकती है, और कार्य इस रेखा को वांछित स्थिति में बदलना है।
प्रशिक्षण प्रक्रिया
प्रशिक्षण प्रक्रिया में निम्नलिखित चरण शामिल हैं:
- यादृच्छिक बिंदु चयन: प्रशिक्षण डेटासेट से एक यादृच्छिक बिंदु (छात्र) का चयन करें।
- गलत वर्गीकरण जाँच: जाँच करें कि चयनित बिंदु को रेखा द्वारा गलत वर्गीकृत किया गया है या नहीं। यदि बिंदु गलत वर्गीकृत है, तो रेखा को उसकी ओर ले जाएँ।
- रेखा परिवर्तन: रेखा को बिंदु की ओर ले जाने के लिए रेखा के वजन और पूर्वाग्रहों को समायोजित करें।
- पुनरावृत्ति: अभिसरण तक या एक निश्चित संख्या में युगों तक प्रक्रिया को दोहराएँ।
सकारात्मक और नकारात्मक क्षेत्र
रेखा के संबंध में सकारात्मक और नकारात्मक क्षेत्रों की पहचान करना महत्वपूर्ण है। रेखा का समीकरण यह निर्धारित करता है कि कौन सा क्षेत्र सकारात्मक है और कौन सा नकारात्मक है। एक बिंदु के निर्देशांक को रेखा के समीकरण में प्लग करके और परिणाम का मूल्यांकन करके, यह निर्धारित किया जा सकता है कि बिंदु सकारात्मक या नकारात्मक क्षेत्र में स्थित है या नहीं।
उदाहरण के लिए, रेखा 2x + 3y + 5 = 0 के लिए, यदि 2x + 3y + 5 > 0, तो बिंदु सकारात्मक क्षेत्र में है।
रेखा परिवर्तन
रेखा के समीकरण में गुणांकों को बदलकर रेखा को बदला जा सकता है। तीन प्रकार के परिवर्तन हैं:
- सी में परिवर्तन: सी को बदलने से रेखा समानांतर रूप से ऊपर या नीचे की ओर स्थानांतरित हो जाती है।
- x के गुणांक में परिवर्तन: x के गुणांक को बदलने से रेखा घूमती है।
- y के गुणांक में परिवर्तन: y के गुणांक को बदलने से रेखा घूमती है।
इन परिवर्तनों को मिलाकर, रेखा को वांछित स्थिति में ले जाया जा सकता है।
परसेप्ट्रॉन में परिवर्तन
परसेप्ट्रॉन में, परिवर्तन एक सरल चाल का उपयोग करके किया जाता है। यदि एक नकारात्मक बिंदु सकारात्मक क्षेत्र में है, तो बिंदु के निर्देशांक को रेखा के गुणांक में जोड़ा जाता है। यदि एक सकारात्मक बिंदु नकारात्मक क्षेत्र में है, तो बिंदु के निर्देशांक को रेखा के गुणांक से घटाया जाता है।
उदाहरण के लिए, यदि रेखा 2x + 3y + 5 = 0 है और बिंदु (4, 5) नकारात्मक क्षेत्र में है, तो रेखा के गुणांक को इस प्रकार अद्यतन किया जाएगा:
- नया x गुणांक = 2 - 4 = -2
- नया y गुणांक = 3 - 5 = -2
- नया स्थिरांक = 5 - 1 = 4
सीखने की दर
वास्तविक दुनिया में, परिवर्तन एक ही चरण में लागू नहीं होते हैं। इसके बजाय, एक छोटी संख्या, जिसे सीखने की दर कहा जाता है, का उपयोग परिवर्तन के आकार को नियंत्रित करने के लिए किया जाता है। सीखने की दर आमतौर पर 0.01 और 0.1 के बीच होती है।
सीखने की दर का उपयोग करके गुणांक को अद्यतन करने का सूत्र इस प्रकार है:
- नया गुणांक = पुराना गुणांक - सीखने की दर * बिंदु का निर्देशांक
एल्गोरिथ्म
परसेप्ट्रॉन प्रशिक्षण एल्गोरिथ्म को इस प्रकार संक्षेपित किया जा सकता है:
- वजन और पूर्वाग्रहों को आरंभ करें।
- युगों की संख्या के लिए दोहराएँ:
- प्रशिक्षण डेटासेट से एक यादृच्छिक बिंदु का चयन करें।
- बिंदु के लिए भविष्यवाणी करें।
- यदि भविष्यवाणी गलत है, तो वजन और पूर्वाग्रहों को अद्यतन करें।
सरलीकृत एल्गोरिथ्म
एल्गोरिथ्म को दो शर्तों की जाँच करने की आवश्यकता को हटाकर सरल बनाया जा सकता है। इसके बजाय, वजन और पूर्वाग्रहों को हर बार अद्यतन किया जाता है, भले ही भविष्यवाणी सही हो या गलत।
सरलीकृत एल्गोरिथ्म इस प्रकार है:
- वजन और पूर्वाग्रहों को आरंभ करें।
- युगों की संख्या के लिए दोहराएँ:
- प्रशिक्षण डेटासेट से एक यादृच्छिक बिंदु का चयन करें।
- वजन और पूर्वाग्रहों को अद्यतन करें।
वजन और पूर्वाग्रहों को अद्यतन करने का सूत्र इस प्रकार है:
- नया वजन = पुराना वजन + सीखने की दर * त्रुटि * बिंदु का निर्देशांक
जहाँ त्रुटि अपेक्षित आउटपुट और वास्तविक आउटपुट के बीच का अंतर है।
कोड कार्यान्वयन
वीडियो में पायथन में परसेप्ट्रॉन प्रशिक्षण एल्गोरिथ्म का एक कोड कार्यान्वयन शामिल है। कोड में एक फ़ंक्शन शामिल है जो डेटा को इनपुट के रूप में लेता है और वजन और पूर्वाग्रहों को आउटपुट के रूप में लौटाता है। कोड में एक फ़ंक्शन भी शामिल है जो एक रेखा को प्लॉट करता है और डेटा बिंदुओं को प्लॉट करता है।
निष्कर्ष
वीडियो परसेप्ट्रॉन के वजन और पूर्वाग्रहों को प्रशिक्षित करने की प्रक्रिया का एक व्यापक अवलोकन प्रदान करता है। वीडियो में गणितीय अंतर्ज्ञान, कोड कार्यान्वयन और एक एनीमेशन शामिल है जो चरणों की कल्पना करता है। वीडियो उन लोगों के लिए एक मूल्यवान संसाधन है जो परसेप्ट्रॉन और मशीन लर्निंग के बारे में अधिक जानने में रुचि रखते हैं।
AI summaries can miss context or contain errors. Check important details against the original video.