আপনি ক্যাটেগরিক্যাল ডেটা মডিউলের ফিচার ক্রস ব্যায়াম থেকে মনে করতে পারেন যে নিম্নলিখিত শ্রেণীবিভাগ সমস্যাটি অরৈখিক:
![চিত্র 1. কার্টেসিয়ান স্থানাঙ্ক সমতল, চারটি চতুর্ভুজে বিভক্ত, প্রতিটি বর্গাকারের মতো আকৃতিতে এলোমেলো বিন্দু দিয়ে ভরা। উপরের-ডান এবং নীচে-বাম চতুর্ভুজগুলির বিন্দুগুলি নীল, এবং উপরে-বাম এবং নীচে-ডান চতুর্ভুজগুলির বিন্দুগুলি কমলা।](https://developers.google.cn/static/machine-learning/crash-course/neural-networks/images/nonlinear_simple.png?authuser=3&hl=bn)
"অরৈখিক" এর অর্থ হল আপনি \(b + w_1x_1 + w_2x_2\)ফর্মের একটি মডেল সহ একটি লেবেল সঠিকভাবে অনুমান করতে পারবেন না। অন্য কথায়, "সিদ্ধান্তের পৃষ্ঠ" একটি লাইন নয়।
যাইহোক, যদি আমরা আমাদের $x_1$ এবং $x_2$ বৈশিষ্ট্যগুলিতে একটি বৈশিষ্ট্য ক্রস সম্পাদন করি, তাহলে আমরা একটি রৈখিক মডেল ব্যবহার করে দুটি বৈশিষ্ট্যের মধ্যে অরৈখিক সম্পর্ককে উপস্থাপন করতে পারি: $b + w_1x_1 + w_2x_2 + w_3x_3$ যেখানে $x_3$ হল বৈশিষ্ট্য ক্রস $x_1$ এবং $x_2$ এর মধ্যে:
![চিত্র 2. চিত্র 1-এর মতো নীল এবং কমলা বিন্দুর একই কার্টেসিয়ান স্থানাঙ্ক সমতল। যাইহোক, এই সময় গ্রিডের উপরে একটি সাদা হাইপারবোলিক বক্ররেখা প্লট করা হয়েছে, যা উপরের-ডান এবং নীচে-বাম চতুর্ভুজগুলিতে নীল বিন্দুগুলিকে আলাদা করে (এখন ছায়াযুক্ত একটি নীল পটভূমি সহ) উপরে-বাম এবং নীচের ডান চতুর্ভুজগুলিতে কমলা বিন্দু থেকে (এখন একটি কমলা পটভূমিতে ছায়াযুক্ত)।](https://developers.google.cn/static/machine-learning/crash-course/neural-networks/images/nonlinear_simple_feature_cross.png?authuser=3&hl=bn)
এখন নিম্নলিখিত ডেটাসেট বিবেচনা করুন:
![চিত্র 3. কার্টেসিয়ান স্থানাঙ্ক সমতল, চারটি চতুর্ভুজে বিভক্ত। নীল বিন্দুগুলির একটি বৃত্তাকার ক্লাস্টার গ্রাফের উত্সকে কেন্দ্র করে এবং কমলা বিন্দুগুলির একটি বলয় দ্বারা বেষ্টিত।](https://developers.google.cn/static/machine-learning/crash-course/neural-networks/images/nonlinear_complex.png?authuser=3&hl=bn)
আপনি ফিচার ক্রস অনুশীলনগুলি থেকেও স্মরণ করতে পারেন যে এই ডেটাতে একটি রৈখিক মডেল ফিট করার জন্য সঠিক বৈশিষ্ট্য ক্রসগুলি নির্ধারণ করতে একটু বেশি প্রচেষ্টা এবং পরীক্ষা নেওয়া হয়েছিল।
কিন্তু যদি আপনাকে সেই সমস্ত পরীক্ষা-নিরীক্ষা করতে না হয়? নিউরাল নেটওয়ার্কগুলি হল মডেল আর্কিটেকচারের একটি পরিবার যা ডেটাতে অরৈখিক নিদর্শনগুলি খুঁজে বের করার জন্য ডিজাইন করা হয়েছে। একটি নিউরাল নেটওয়ার্কের প্রশিক্ষণের সময়, মডেলটি স্বয়ংক্রিয়ভাবে ক্ষতি কমাতে ইনপুট ডেটাতে পারফর্ম করার জন্য সর্বোত্তম বৈশিষ্ট্য ক্রসগুলি শিখে নেয়।
নিম্নলিখিত বিভাগগুলিতে, আমরা কীভাবে নিউরাল নেটওয়ার্কগুলি কাজ করে তা ঘনিষ্ঠভাবে দেখব।