लर्निंग को ‘पहले’ और ‘बाद’ की स्थिति के तौर पर आसानी से समझा जा सकता है। नेटवर्क में एक ही इनपुट दिया जाता है, लेकिन ट्रेनिंग के बाद आउटपुट बदल जाता है, और इस बदलाव को एरर स्कोर (error score) के ज़रिए मापा जा सकता है।
यह लेसन लर्निंग की एक पक्की परिभाषा और ट्रेनिंग लूप (training loop) के बारे में बताता है, जिस पर आप बाद के लेसन में और गहराई से समझेंगे।
शुरुआत में, न्यूरल नेटवर्क अक्सर अस्थिर (unstable) प्रेडिक्शन देता है क्योंकि इसके पैरामीटर छोटे रैंडम नंबर के तौर पर शुरू होते हैं। अगर आप बिना किसी बदलाव के एक ही कोड में एक ही इनपुट दो बार डालते हैं, तो आउटपुट वही रहता है, लेकिन वह लगातार गलत हो सकता है।
कुछ समय तक ट्रेनिंग चलने के बाद, इनपुट तो वही रहता है, लेकिन प्रेडिक्शन अक्सर सही लेबल की ओर बदल जाता है क्योंकि बीच में वेट्स (weights) अपडेट हो गए होते हैं। यह मुख्य रूप से देखा जा सकने वाला व्यवहार है जिसे आप किसी भी थ्योरी की चिंता करने से पहले देख सकते हैं।
शुरुआती रैंडम अनुमानों की तुलना कई अपडेट स्टेप्स के बाद की एक्यूरेसी से करने के लिए इंटरैक्टिव क्लासिफिकेशन उदाहरण का इस्तेमाल करें।
यह बदलाव एक साफ़-साफ़ माप से आता है। नेटवर्क एक प्रेडिक्शन आउटपुट करता है, आप इसकी तुलना टारगेट लेबल से करते हैं, और आप एक एरर मेट्रिक कैलकुलेट करते हैं जो खराब प्रेडिक्शन को बड़ी संख्या और बेहतर प्रेडिक्शन को छोटी संख्या देता है।
ट्रेनिंग एक अपडेट स्टेप करती है जो पैरामीटर में थोड़ा बदलाव करती है ताकि अगली बार मिलते-जुलते उदाहरणों पर प्रेडिक्शन में कम एरर आए। लर्निंग कोई मूड या फ़ीचर नहीं है। यह एक बार-बार होने वाली प्रक्रिया है जिसमें पैरामीटर की वैल्यू बदलती हैं क्योंकि मापी गई एरर उन्हें बदलने के लिए प्रेरित करती है।
जानें कि पैरामीटर, प्रेडिक्शन, लेबल, एरर मेट्रिक और अपडेट स्टेप के बीच मैपिंग में ये शब्द कैसे जुड़े हुए हैं।