ఒక ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ (ANN) మెదడుపై రూపొందించబడింది, ఇక్కడ ఇంద్రియాల నుండి డేటాను ప్రాసెస్ చేయడానికి, జ్ఞాపకాలను స్థాపించడానికి మరియు శరీరాన్ని నియంత్రించడానికి న్యూరాన్లు సంక్లిష్ట నమూనాలలో అనుసంధానించబడి ఉంటాయి. ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ (ANN) అనేది జీవ నాడీ నెట్వర్క్ల ఆపరేషన్ ఆధారంగా ఒక వ్యవస్థ లేదా ఇది జీవ నాడీ వ్యవస్థ యొక్క అనుకరణగా కూడా నిర్వచించబడింది.
కృత్రిమ న్యూరల్ నెట్వర్క్
ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్స్ (ANN) అనేది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) లో ఒక భాగం మరియు ఇది కంప్యూటర్ సైన్స్ ప్రాంతం కంప్యూటర్లు మరింత తెలివిగా ప్రవర్తించేలా చేస్తుంది. ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్స్ (ANN) డేటాను ప్రాసెస్ చేస్తుంది మరియు కొంత మేధస్సును ప్రదర్శిస్తుంది మరియు అవి నమూనా గుర్తింపు, అభ్యాసం మరియు సాధారణీకరణ వంటి విధంగా మేధస్సును ప్రదర్శిస్తాయి.
ఒక కృత్రిమ న్యూరల్ నెట్వర్క్ అనేది ప్రోగ్రామ్ చేయబడిన గణన నమూనా, ఇది మానవ మెదడు యొక్క నాడీ నిర్మాణం మరియు పనితీరును ప్రతిబింబించే లక్ష్యంతో ఉంది.
ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ల గురించి తెలుసుకునే ముందు, మొదట మనం న్యూరల్ నెట్వర్క్లు ఏమిటో మరియు న్యూరాన్ నిర్మాణం గురించి కూడా అధ్యయనం చేయాలి.
న్యూరల్ నెట్వర్క్ల నిర్వచనం:
న్యూరల్ నెట్వర్క్లు ఒకదానితో ఒకటి అనుసంధానించబడిన న్యూరాన్ల వ్యవస్థలుగా నిర్వచించబడ్డాయి. న్యూరాన్లు లేదా నరాల కణాలు మెదడు యొక్క ప్రాథమిక బిల్డింగ్ బ్లాక్స్, ఇవి జీవ నాడీ నెట్వర్క్లు. న్యూరాన్ యొక్క నిర్మాణం క్రింద చూపిన విధంగా ఉంది
న్యూరాన్ యొక్క నిర్మాణం
ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లు మెదడుల తర్వాత రూపొందించబడిన గణన సాధనాలు. ఇది కృత్రిమంగా ఉత్పత్తి చేయబడిన న్యూరాన్ల యొక్క పరస్పర అనుసంధాన నిర్మాణంతో రూపొందించబడింది, ఇవి డేటా బదిలీకి మార్గాలుగా పనిచేస్తాయి. నమూనా గుర్తింపు, అంచనా, ఆప్టిమైజేషన్, అసోసియేటివ్ మెమరీ మరియు నియంత్రణలో అనేక రకాల సమస్యలను పరిష్కరించడానికి పరిశోధకులు కృత్రిమ న్యూరల్ నెట్వర్క్లను (ANN లు) రూపొందిస్తున్నారు.
కృత్రిమ నాడీ నెట్వర్క్లు ఒకదానితో ఒకటి అనుసంధానించబడిన న్యూరాన్లను రూపొందించడానికి రెండవ ఉత్తమ మార్గంగా వర్ణించబడ్డాయి. ఈ కృత్రిమ నాడీ నెట్వర్క్లు మెదడులను మోడల్ చేయడానికి మరియు నిర్దిష్ట గణన పనులను నిర్వహించడానికి ఉపయోగిస్తారు. విజయవంతమైన ANN అనువర్తనం అక్షర గుర్తింపు సామర్థ్యాన్ని కలిగి ఉంటుంది.
న్యూరల్ నెట్వర్క్ నిర్మాణం
న్యూరల్ నెట్వర్క్ల పరిచయం:
కంప్యూటింగ్ వ్యవస్థ అనేక సరళమైన, అత్యంత అనుసంధానించబడిన ప్రాసెసింగ్ మూలకాలతో రూపొందించబడింది మరియు అవి వాటి ఇన్పుట్ డైనమిక్ స్టేట్ స్పందనతో బాహ్య ఇన్పుట్లకు సమాచారాన్ని ప్రాసెస్ చేస్తాయి. ఒక న్యూరాన్ ఒక సరళ లేదా నాన్-లీనియర్ ప్రతిస్పందనను ఉత్పత్తి చేసే సామర్థ్యాన్ని కలిగి ఉంటుంది. నాన్-లీనియర్ కృత్రిమ నెట్వర్క్ నాన్-లీనియర్ న్యూరాన్ల పరస్పర అనుసంధానం ద్వారా తయారవుతుంది. నాన్-లీనియర్ సిస్టమ్స్ ఇన్పుట్లను కలిగి ఉంటాయి, ఇవి అవుట్పుట్లకు అనులోమానుపాతంలో ఉండవు.
న్యూరల్ నెట్వర్క్ల పరిచయం
కృత్రిమ నాడీ నెట్వర్క్ల అనువర్తనాలు:
- సౌర ఆవిరి ఉత్పత్తి చేసే ప్లాంట్ యొక్క మోడలింగ్ మరియు రూపకల్పన కోసం సౌర శక్తి రంగంలో కృత్రిమ న్యూరల్ నెట్వర్క్ అనువర్తనాలు ఉపయోగించబడ్డాయి.
- సంక్లిష్ట మ్యాపింగ్ మరియు సిస్టమ్ గుర్తింపును అమలు చేయడం వంటి సిస్టమ్ మోడలింగ్లో ఇవి ఉపయోగపడతాయి.
- భవనాల తాపన-లోడ్లు, పారాబొలిక్-ట్రఫ్ కలెక్టర్ యొక్క అంతరాయ కారకం మరియు స్థానిక ఏకాగ్రత నిష్పత్తి యొక్క అంచనా కోసం ANN ఉపయోగించబడుతుంది.
- నియంత్రణ, రోబోటిక్స్, నమూనా గుర్తింపు, అంచనా, medicine షధం, శక్తి వ్యవస్థలు, తయారీ, ఆప్టిమైజేషన్, సిగ్నల్ ప్రాసెసింగ్ మరియు సామాజిక / మానసిక శాస్త్రాలలో విభిన్న అనువర్తనాలలో ANN ఉపయోగించబడుతుంది.
- సహజంగా వెంటిలేటెడ్ పరీక్ష గదిలో గాలి ప్రవాహాల అంచనా మరియు సౌర భవనాల శక్తి వినియోగం యొక్క అంచనా కోసం కూడా ఇవి ఉపయోగించబడ్డాయి.
- వారు ధ్వనించే మరియు అసంపూర్ణ డేటాను నిర్వహించగలుగుతారు మరియు సరళేతర సమస్యలను కూడా పరిష్కరించగలరు
- వెంటిలేటింగ్ మరియు ఎయిర్ కండిషనింగ్ వ్యవస్థలలో కృత్రిమ న్యూరల్-నెట్వర్క్ల వాడకం, శీతలీకరణ, మోడలింగ్, తాపన, లోడ్-అంచనా, విద్యుత్ ఉత్పత్తి వ్యవస్థల నియంత్రణ మరియు సౌర వికిరణం.
ఒక ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ అప్లికేషన్ సంక్లిష్ట సమస్యలను సరికొత్త సిగ్నల్ ప్రాసెసింగ్ టెక్నాలజీలలో ఉన్నందున వాటిని పరిష్కరించడానికి ప్రత్యామ్నాయ మార్గాన్ని అందిస్తుంది. కృత్రిమ న్యూరల్ నెట్వర్క్లు ఇతర సాంకేతిక పరిజ్ఞానాలతో సరిపోలడం కష్టమయ్యే నిజమైన పరిష్కారాలను అందిస్తాయి. అభివృద్ధి, సమయం మరియు వనరుల పరంగా న్యూరల్ నెట్వర్క్ ఆధారిత పరిష్కారం చాలా సమర్థవంతంగా పనిచేస్తుంది.
నాడీ నెట్వర్క్ యొక్క సాఫ్ట్వేర్ అమలు వారి ప్రయోజనాలు మరియు అప్రయోజనాలతో చేయవచ్చు.
ప్రయోజనాలు:
- ఒక న్యూరల్ నెట్వర్క్ ఒక సరళ ప్రోగ్రామ్ చేయలేని పనులను చేయగలదు.
- న్యూరల్ నెట్వర్క్ యొక్క ఒక మూలకం విఫలమైనప్పుడు, వాటి సమాంతర స్వభావం ద్వారా ఇది ఎటువంటి సమస్య లేకుండా కొనసాగవచ్చు.
- ఒక న్యూరల్ నెట్వర్క్ తనను తాను నేర్చుకున్నందున పునరుత్పత్తి చేయవలసిన అవసరం లేదు.
- ఇది ఎటువంటి సమస్య లేకుండా సులభమైన మార్గంలో అమలు చేయవచ్చు.
- అనుకూల, తెలివైన వ్యవస్థలుగా, నాడీ నెట్వర్క్లు దృ are మైనవి మరియు సంక్లిష్ట సమస్యలను పరిష్కరించడంలో రాణించాయి. న్యూరల్ నెట్వర్క్లు వాటి ప్రోగ్రామింగ్లో సమర్థవంతంగా పనిచేస్తాయి మరియు ANN లను ఉపయోగించడం వల్ల కలిగే ప్రయోజనాలు నష్టాలను అధిగమిస్తాయని శాస్త్రవేత్తలు అంగీకరిస్తున్నారు.
- దీన్ని ఏదైనా అప్లికేషన్లో అమలు చేయవచ్చు.
ప్రతికూలతలు:
- ది న్యూరల్ నెట్వర్క్ ఆపరేట్ చేయడానికి శిక్షణ అవసరం.
- పెద్ద న్యూరల్ నెట్వర్క్లకు అధిక ప్రాసెసింగ్ సమయం అవసరం.
- నాడీ నెట్వర్క్ యొక్క నిర్మాణం భిన్నంగా ఉంటుంది నిర్మాణం మరియు మైక్రోప్రాసెసర్ల చరిత్ర కాబట్టి వాటిని ఎమ్యులేట్ చేయాలి.
ఒక ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ ఒక క్రమమైన దశల వారీ విధానంతో అభివృద్ధి చేయబడింది, ఇది సాధారణంగా అభ్యాస నియమం అని పిలువబడే ప్రమాణాన్ని ఆప్టిమైజ్ చేస్తుంది. ఈ నెట్వర్క్లకు ఇన్పుట్ / అవుట్పుట్ శిక్షణ డేటా ప్రాథమికమైనది, ఎందుకంటే ఇది సరైన ఆపరేటింగ్ పాయింట్ను కనుగొనటానికి అవసరమైన సమాచారాన్ని కమ్యూనికేట్ చేస్తుంది. న్యూరల్ నెట్వర్క్ యొక్క నాన్-లీనియర్ స్వభావం దాని ప్రాసెసింగ్ మూలకాలను వారి వ్యవస్థలో సరళంగా చేస్తుంది.
ఒక కృత్రిమ న్యూరల్ నెట్వర్క్ ఒక వ్యవస్థ మరియు ఈ వ్యవస్థ ఒక ఇన్పుట్ను స్వీకరించే, డేటాను ప్రాసెస్ చేసే మరియు అవుట్పుట్ను అందించే నిర్మాణం. డేటా శ్రేణిలోని ఇన్పుట్ WAVE ధ్వని, ఇమేజ్ ఫైల్ నుండి డేటా లేదా శ్రేణిలో ప్రాతినిధ్యం వహించే డేటా. నాడీ నెట్వర్క్కు ఇన్పుట్ సమర్పించిన తర్వాత అవుట్పుట్ వద్ద లక్ష్య స్పందన సెట్ చేయబడుతుంది మరియు కావలసిన ప్రతిస్పందన యొక్క వ్యత్యాసం నుండి రియల్ సిస్టమ్ యొక్క అవుట్పుట్తో లోపం పొందబడుతుంది. లోపం సమాచారం వ్యవస్థకు తిరిగి ఇవ్వబడుతుంది మరియు ఇది వారి పారామితులకు క్రమబద్ధమైన క్రమంలో చాలా సర్దుబాట్లు చేస్తుంది, దీనిని సాధారణంగా అభ్యాస నియమం అని పిలుస్తారు. కావలసిన అవుట్పుట్ అంగీకరించే వరకు ఈ ప్రక్రియ పునరావృతమవుతుంది.
పనితీరు డేటాపై ఎక్కువగా ఉంటుంది, కాబట్టి డేటాను DSP అల్గోరిథంల వంటి మూడవ పార్టీ అల్గారిథమ్లతో ముందే ప్రాసెస్ చేయాలి.
కృత్రిమ నాడీ నెట్వర్క్ల ప్రయోజనాలు:
- కృత్రిమ నాడీ నెట్వర్క్లు అనువైనవి మరియు అనుకూలమైనవి.
- కృత్రిమ నాడీ నెట్వర్క్లు క్రమం మరియు నమూనా గుర్తింపు వ్యవస్థలు, డేటా ప్రాసెసింగ్, రోబోటిక్స్, మోడలింగ్ మొదలైన వాటిలో ఉపయోగించబడతాయి.
- అంతర్గత మరియు బాహ్య పారామితులకు అనుగుణంగా ANN వారి పరిసరాల నుండి జ్ఞానాన్ని పొందుతుంది మరియు అవి నిర్వహించడం కష్టతరమైన సంక్లిష్ట సమస్యలను పరిష్కరిస్తాయి.
- తెలియని పరిస్థితులకు తగిన ప్రతిస్పందనలను ఇవ్వడానికి ఇది జ్ఞానాన్ని సాధారణీకరిస్తుంది.
- వశ్యత - కృత్రిమ నాడీ నెట్వర్క్లు అనువైనవి మరియు దాని ఫలితాల ఆధారంగా పరిస్థితులను నేర్చుకోవడం, సాధారణీకరించడం మరియు స్వీకరించే సామర్థ్యాన్ని కలిగి ఉంటాయి.
- నాన్-లీనియారిటీ - ఈ ఫంక్షన్ నెట్వర్క్ నేర్చుకోవడం ద్వారా జ్ఞానాన్ని సమర్ధవంతంగా పొందటానికి అనుమతిస్తుంది. సాంప్రదాయకంగా సరళ నెట్వర్క్పై ఇది ఒక ప్రత్యేకమైన ప్రయోజనం, ఇది నాన్-లీనియర్ డేటాను మోడలింగ్ చేయడానికి సరిపోదు.
- ఒక కృత్రిమ న్యూరాన్ నెట్వర్క్ సాంప్రదాయ నెట్వర్క్ కంటే ఎక్కువ తప్పును తట్టుకోగలదు. నిల్వ చేసిన డేటాను కోల్పోకుండా, నెట్వర్క్ దానిలోని ఏదైనా భాగాలలో లోపం పునరుత్పత్తి చేయగలదు.
- ఒక కృత్రిమ న్యూరాన్ నెట్వర్క్ అడాప్టివ్ లెర్నింగ్పై ఆధారపడి ఉంటుంది.
కృత్రిమ నాడీ నెట్వర్క్ల రకాలు:
వివిధ రకాలైన ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లు (ANN) ఉన్నాయి - మానవ మెదడు న్యూరాన్ మరియు నెట్వర్క్ ఫంక్షన్లను బట్టి, ఒక కృత్రిమ న్యూరల్ నెట్వర్క్ లేదా ANN ఇదే పద్ధతిలో పనులు చేస్తుంది. చాలా కృత్రిమ నాడీ నెట్వర్క్లు మరింత సంక్లిష్టమైన జీవ ప్రతిరూపాలతో కొంత పోలికను కలిగి ఉంటాయి మరియు ఉదా. వంటి వాటి ఉద్దేశించిన పనులలో చాలా ప్రభావవంతంగా ఉంటాయి. విభజన లేదా వర్గీకరణ. కృత్రిమ నాడీ నెట్వర్క్ల రకాలు
కృత్రిమ నాడీ నెట్వర్క్ల రకాలు
అభిప్రాయం ANN - ఈ రకమైన ANN లో, అంతర్గతంగా ఉత్తమంగా అభివృద్ధి చెందిన ఫలితాలను సాధించడానికి అవుట్పుట్ తిరిగి నెట్వర్క్లోకి వెళుతుంది. ఫీడ్బ్యాక్ నెట్వర్క్ సమాచారాన్ని తిరిగి తనలోకి తీసుకుంటుంది మరియు ఆప్టిమైజేషన్ సమస్యలను పరిష్కరించడానికి బాగా సరిపోతుంది అని మసాచుసెట్స్ విశ్వవిద్యాలయం, లోవెల్ సెంటర్ ఫర్ అట్మాస్ఫియరిక్ రీసెర్చ్ తెలిపింది. అభిప్రాయం ANN లు అంతర్గత సిస్టమ్ లోపం దిద్దుబాట్ల ద్వారా ఉపయోగించబడతాయి.
ఫార్వర్డ్ ANN ఫీడ్ - ఫీడ్-ఫార్వర్డ్ నెట్వర్క్ అనేది ఇన్పుట్ లేయర్, అవుట్పుట్ లేయర్ మరియు ఒకటి లేదా అంతకంటే ఎక్కువ న్యూరాన్ల పొరలను కలిగి ఉన్న ఒక సాధారణ న్యూరల్ నెట్వర్క్. దాని ఇన్పుట్ను సమీక్షించడం ద్వారా దాని అవుట్పుట్ను పూర్తిగా అంచనా వేయడం ద్వారా, నెట్వర్క్ యొక్క శక్తి సమూహ ప్రవర్తనపై ఆధారాన్ని గమనించవచ్చు కనెక్ట్ చేయబడిన న్యూరాన్లు మరియు అవుట్పుట్ నిర్ణయించబడుతుంది. ఈ నెట్వర్క్ యొక్క ప్రధాన ప్రయోజనం ఏమిటంటే ఇది ఇన్పుట్ నమూనాలను అంచనా వేయడానికి మరియు గుర్తించడానికి నేర్చుకుంటుంది.
వర్గీకరణ-అంచనా ANN -ఇది ఫీడ్-ఫార్వర్డ్ ANN యొక్క ఉపసమితి మరియు వర్గీకరణ-అంచనా ANN డేటా-మైనింగ్ దృశ్యాలకు వర్తించబడుతుంది. నిర్దిష్ట నమూనాలను గుర్తించడానికి మరియు వాటిని నిర్దిష్ట సమూహాలుగా వర్గీకరించడానికి మరియు తరువాత నెట్వర్క్కు కొత్తగా ఉండే “నవల నమూనాలు” గా వర్గీకరించడానికి నెట్వర్క్ శిక్షణ పొందుతుంది.
ఒక కృత్రిమ నాడీ నెట్వర్క్ అనేది జీవసంబంధమైన న్యూరల్ నెట్వర్క్ యొక్క గణన అనుకరణ. ఇవి న్యూరాన్ల యొక్క ప్రవర్తనను కలిగి ఉంటాయి మరియు వీటిలో కళ్ళు లేదా చేతిలో ఉన్న నరాల చివరల నుండి ఇన్పుట్ మధ్య కమ్యూనికేట్ చేసే విద్యుత్ సంకేతాలను కలిగి ఉంటాయి, మెదడు యొక్క అవుట్పుట్ వరకు స్పందించడం కాంతి, స్పర్శ లేదా వేడి చేయడానికి.
కృత్రిమ నాడీ నెట్వర్క్ల రూపకల్పన మరియు న్యూరాన్లు అర్థవంతంగా సంభాషించే విధానం గురించి కృత్రిమ మేధస్సును రూపొందించడంలో శాస్త్రవేత్తలు పరిశోధనలు జరిపారు.
న్యూరల్ నెట్వర్క్ సాఫ్ట్వేర్:
న్యూరల్ నెట్వర్క్ సిమ్యులేటర్లు అనేది కృత్రిమ లేదా జీవ నాడీ నెట్వర్క్ల ప్రవర్తనను అనుకరించడానికి ఉపయోగించే సాఫ్ట్వేర్ అనువర్తనాలు. అవి ఒకటి లేదా పరిమిత సంఖ్యలో నిర్దిష్ట రకాల న్యూరల్ నెట్వర్క్లపై దృష్టి పెడతాయి. న్యూరల్ నెట్వర్క్ సిమ్యులేషన్ తరచుగా ఇతర డేటా విశ్లేషణలతో పోల్చితే వేగంగా మరియు మరింత ఖచ్చితమైన అంచనాను అందిస్తుంది. డేటా మైనింగ్ ప్రక్రియలో ఈ న్యూరల్ నెట్వర్క్లు ముఖ్యమైన పాత్ర పోషిస్తాయి.
న్యూరల్ నెట్వర్క్ సాఫ్ట్వేర్
అవి సాధారణంగా స్టాండ్-ఒంటరిగా ఉంటాయి మరియు ఇతర సాఫ్ట్వేర్లలో విలీనం చేయాల్సిన న్యూరల్ నెట్వర్క్లను ఉత్పత్తి చేయడానికి ఉద్దేశించవు. శిక్షణా ప్రక్రియను పర్యవేక్షించడానికి సిమ్యులేటర్లు సాధారణంగా అంతర్నిర్మిత విజువలైజేషన్ యొక్క కొన్ని రూపాలను కలిగి ఉంటాయి. కొన్ని సిమ్యులేటర్లు నాడీ నెట్వర్క్ల భౌతిక నిర్మాణాన్ని కూడా visual హించుకుంటాయి. డేటా విశ్లేషణ కోసం న్యూరల్ నెట్వర్క్ భావన విస్తృతంగా ఉపయోగించబడుతుంది. కృత్రిమ న్యూరల్ నెట్వర్క్ సాఫ్ట్వేర్ సహాయంతో, సమయ శ్రేణి అంచనా, ఫంక్షన్ ఉజ్జాయింపు మరియు రిగ్రెషన్ విశ్లేషణ చేయవచ్చు. న్యూరల్ నెట్వర్క్ల పరిధి వాస్తవంగా అపరిమితమైన నిర్ణయం తీసుకోవడం, నమూనా గుర్తింపు, అంచనా, ఆటోమేటిక్ కంట్రోల్ సిస్టమ్స్ మరియు అనేక ఇతరులు.
నాడీ నెట్వర్క్కు మానవుడితో సమానమైన ఏదైనా నేర్చుకున్న తర్వాత “పునరుత్పత్తి” చేయవలసిన అవసరం లేదు.
న్యూరల్ నెట్వర్క్ సిమ్యులేషన్
ANN ల అభివృద్ధి వెనుక ఉన్న ప్రధాన లక్ష్యం మరియు ఉద్దేశ్యం ఏమిటంటే అవి కృత్రిమ గణన నమూనాను ప్రాథమిక జీవ న్యూరాన్తో వివరిస్తాయి. బహుళ పొర ఫీడ్-ఫార్వర్డ్ నెట్వర్క్లను ప్రదర్శించడం ద్వారా అవి నెట్వర్క్ నిర్మాణాలు మరియు అభ్యాస ప్రక్రియలను వివరిస్తాయి. శక్తి ఉత్పత్తి యొక్క ఇతర రంగాలలో మోడలింగ్ కోసం కృత్రిమ న్యూరల్-నెట్వర్క్లను ఉపయోగించవచ్చని సూచించారు. కృత్రిమ నాడీ నెట్వర్క్ల అమలు ఎందుకు అవసరం? మీకు ఏవైనా ప్రశ్నలు ఉంటే క్రింద వ్యాఖ్యానించండి లేదా మా సైట్ను సందర్శించండి.
ఫోటో క్రెడిట్స్:
- ద్వారా కృత్రిమ న్యూరల్ నెట్వర్క్ ప్రపంచ పౌల్ట్రీ
- ద్వారా న్యూరాన్ యొక్క నిర్మాణం న్యూరోసోల్యూషన్స్
- ద్వారా న్యూరల్ నెట్వర్క్ల పరిచయం కార్డిఫ్
- ద్వారా న్యూరల్ నెట్వర్క్ సిమ్యులేషన్ అవుట్