ਵਿਸ਼ਾ - ਸੂਚੀ[ਛੁਪਾਓ][ਦਿਖਾਓ]
ਨਕਲੀ ਬੁੱਧੀ, ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਕਾਰਨ ਸੰਸਾਰ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਿਹਾ ਹੈ, ਜਿਸਦਾ ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਦੇ ਹਰ ਪਹਿਲੂ 'ਤੇ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ।
ਵੌਇਸ ਅਸਿਸਟੈਂਟਸ ਤੋਂ ਜੋ NLP ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਮੁਲਾਕਾਤਾਂ ਬੁੱਕ ਕਰਨ ਲਈ ਕਰਦੇ ਹਨ, ਸਾਡੇ ਕੈਲੰਡਰ 'ਤੇ ਇਵੈਂਟਾਂ ਨੂੰ ਦੇਖਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਡਿਵਾਈਸਾਂ 'ਤੇ ਸੰਗੀਤ ਚਲਾਉਂਦੇ ਹਨ ਜੋ ਇੰਨੇ ਸਟੀਕ ਹਨ ਕਿ ਉਹ ਸਾਡੀਆਂ ਜ਼ਰੂਰਤਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਨ।
ਕੰਪਿਊਟਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਸਹਾਇਤਾ ਨਾਲ ਸ਼ਤਰੰਜ ਖੇਡ ਸਕਦੇ ਹਨ, ਸਰਜਰੀ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਚੁਸਤ, ਵਧੇਰੇ ਮਨੁੱਖਾਂ ਵਰਗੀਆਂ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਵਿਕਸਤ ਹੋ ਸਕਦੇ ਹਨ।
ਅਸੀਂ ਨਿਰੰਤਰ ਤਕਨੀਕੀ ਤਰੱਕੀ ਦੇ ਸਮੇਂ ਵਿੱਚ ਹਾਂ, ਅਤੇ ਇਹ ਦੇਖ ਕੇ ਕਿ ਕੰਪਿਊਟਰ ਕਿਵੇਂ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਕਸਿਤ ਹੋਏ ਹਨ, ਅਸੀਂ ਭਵਿੱਖ ਵਿੱਚ ਕੀ ਹੋਵੇਗਾ ਇਸ ਬਾਰੇ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਾਂ।
ਕੰਪਿਊਟਿੰਗ ਟੂਲਸ ਅਤੇ ਤਰੀਕਿਆਂ ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ ਇਸ ਕ੍ਰਾਂਤੀ ਦੇ ਮੁੱਖ ਪਹਿਲੂਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜੋ ਬਾਹਰ ਖੜ੍ਹਾ ਹੈ। ਡਾਟਾ ਵਿਗਿਆਨੀ ਨੇ ਪਿਛਲੇ ਪੰਜ ਸਾਲਾਂ ਦੌਰਾਨ ਅਤਿ-ਆਧੁਨਿਕ ਵਿਧੀਆਂ ਨੂੰ ਅਸਾਨੀ ਨਾਲ ਲਾਗੂ ਕਰਕੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਡਾਟਾ-ਕਰੰਚਿੰਗ ਕੰਪਿਊਟਰ ਬਣਾਏ ਹਨ। ਨਤੀਜੇ ਹੈਰਾਨੀਜਨਕ ਹਨ।
ਇਸ ਪੋਸਟ ਵਿੱਚ, ਅਸੀਂ ਧਿਆਨ ਨਾਲ ਦੇਖਾਂਗੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਸਾਰੀਆਂ ਭਿੰਨਤਾਵਾਂ।
ਤਾਂ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਕੀ ਹਨ?
AI ਸਿਸਟਮ ਦੁਆਰਾ ਆਪਣੇ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਪਹੁੰਚ-ਆਮ ਤੌਰ 'ਤੇ, ਦਿੱਤੇ ਗਏ ਇਨਪੁਟ ਡੇਟਾ ਤੋਂ ਆਉਟਪੁੱਟ ਮੁੱਲਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ- ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਉਤਪਾਦਨ ਲਈ ਤਿਆਰ ਹਨ। ਜੇਕਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਉਹ ਟ੍ਰੇਨ ਹੈ ਜੋ ਕਿਸੇ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ, ਤਾਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਲੋਕੋਮੋਟਿਵ ਹਨ ਜੋ ਕੰਮ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੇ ਹਨ।
ਵਰਤਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪਹੁੰਚ ਉਸ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਵੇਗੀ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਡੇਟਾਸੈਟ ਦੀ ਕਿਸਮ, ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਉਪਲਬਧ ਸਰੋਤਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਵੇਗਾ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਉਹ ਹੁੰਦੇ ਹਨ ਜੋ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਬਦਲਦੇ ਹਨ। ਜਿਸ ਸਮੱਸਿਆ ਦਾ ਤੁਸੀਂ ਜਵਾਬ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਉਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਉਪਲਬਧ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ, ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ ਦੀ ਕਿਸਮ, ਨਿਗਰਾਨੀ ਕੀਤੀ ਗਈ, ਨਿਰੀਖਣ ਕੀਤੀ ਗਈ, ਜਾਂ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ।
ਇਸ ਲਈ, ਅਸੀਂ ਨਿਰੀਖਣ ਕੀਤੇ, ਨਿਰੀਖਣ ਕੀਤੇ, ਅਤੇ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਬਾਰੇ ਗੱਲ ਕੀਤੀ, ਪਰ ਉਹ ਕੀ ਹਨ? ਆਓ ਉਹਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰੀਏ।
ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ, ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਅਤੇ ਮਜਬੂਤੀਕਰਨ ਸਿਖਲਾਈ
ਨਿਗਰਾਨੀ ਕੀਤੀ ਸਿਖਲਾਈ
ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਵਿੱਚ, AI ਮਾਡਲ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਇਨਪੁਟ ਅਤੇ ਲੇਬਲ ਦੇ ਅਧਾਰ ਤੇ ਵਿਕਸਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਅਨੁਮਾਨਿਤ ਨਤੀਜੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟ ਦੇ ਅਧਾਰ 'ਤੇ, ਮਾਡਲ ਇੱਕ ਮੈਪਿੰਗ ਸਮੀਕਰਨ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਉਸ ਮੈਪਿੰਗ ਸਮੀਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਭਵਿੱਖ ਵਿੱਚ ਇਨਪੁਟਸ ਦੇ ਲੇਬਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।
ਮੰਨ ਲਓ ਕਿ ਸਾਨੂੰ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ ਜੋ ਕੁੱਤੇ ਅਤੇ ਬਿੱਲੀ ਵਿੱਚ ਫਰਕ ਕਰ ਸਕੇ। ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਬਿੱਲੀਆਂ ਅਤੇ ਕੁੱਤਿਆਂ ਦੀਆਂ ਕਈ ਫ਼ੋਟੋਆਂ ਨੂੰ ਲੇਬਲ ਦੇ ਨਾਲ ਮਾਡਲ ਵਿੱਚ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਉਹ ਬਿੱਲੀਆਂ ਹਨ ਜਾਂ ਕੁੱਤੇ।
ਮਾਡਲ ਉਹਨਾਂ ਚਿੱਤਰਾਂ ਲਈ ਇਨਪੁਟ ਫੋਟੋਆਂ 'ਤੇ ਲੇਬਲਾਂ ਨਾਲ ਸਬੰਧਤ ਇੱਕ ਸਮੀਕਰਨ ਸਥਾਪਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਭਾਵੇਂ ਮਾਡਲ ਨੇ ਪਹਿਲਾਂ ਕਦੇ ਚਿੱਤਰ ਨੂੰ ਨਹੀਂ ਦੇਖਿਆ ਹੈ, ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ, ਇਹ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਬਿੱਲੀ ਦੀ ਹੈ ਜਾਂ ਕੁੱਤੇ ਦੀ।
ਅਨਪ੍ਰਵਾਹੀਡ ਲਰਨਿੰਗ
ਨਿਰੀਖਣ ਰਹਿਤ ਸਿਖਲਾਈ ਵਿੱਚ AI ਮਾਡਲ ਨੂੰ ਬਿਨਾਂ ਲੇਬਲ ਕੀਤੇ ਇਨਪੁਟਸ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣਾ ਸ਼ਾਮਲ ਹੈ। ਮਾਡਲ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਸੰਬੰਧਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ।
ਇਨਪੁਟ ਦੇ ਭਵਿੱਖ ਦੇ ਲੇਬਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਇਸ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕਿਸੇ ਇੱਕ ਵਰਗੀਕਰਨ ਨਾਲ ਕਿੰਨੀ ਨੇੜਿਓਂ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਉਸ ਸਥਿਤੀ 'ਤੇ ਗੌਰ ਕਰੋ ਜਿੱਥੇ ਸਾਨੂੰ ਲਾਲ ਅਤੇ ਨੀਲੀਆਂ ਗੇਂਦਾਂ ਦੇ ਸਮੂਹ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਣਾ ਚਾਹੀਦਾ ਹੈ।
ਚਲੋ ਮੰਨ ਲਓ ਕਿ ਰੰਗ ਦੇ ਅਪਵਾਦ ਦੇ ਨਾਲ, ਗੇਂਦਾਂ ਦੀਆਂ ਹੋਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇੱਕੋ ਜਿਹੀਆਂ ਹਨ। ਇਸ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿ ਇਹ ਗੇਂਦਾਂ ਨੂੰ ਦੋ ਵਰਗਾਂ ਵਿਚ ਕਿਵੇਂ ਵੰਡ ਸਕਦਾ ਹੈ, ਮਾਡਲ ਉਨ੍ਹਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਖੋਜ ਕਰਦਾ ਹੈ ਜੋ ਗੇਂਦਾਂ ਦੇ ਵਿਚਕਾਰ ਵੱਖ-ਵੱਖ ਹਨ।
ਗੇਂਦਾਂ ਦੇ ਦੋ ਸਮੂਹ - ਇੱਕ ਨੀਲਾ ਅਤੇ ਇੱਕ ਲਾਲ - ਉਦੋਂ ਪੈਦਾ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਗੇਂਦਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਰੰਗ ਦੇ ਅਧਾਰ ਤੇ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ।
ਸੋਰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ
ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਵਿੱਚ, ਏਆਈ ਮਾਡਲ ਕੰਮ ਕਰਕੇ ਸਮੁੱਚੇ ਮੁਨਾਫੇ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਇਹ ਕਿਸੇ ਖਾਸ ਸਥਿਤੀ ਵਿੱਚ ਕਰ ਸਕਦਾ ਹੈ। ਇਸਦੇ ਪੁਰਾਣੇ ਨਤੀਜਿਆਂ 'ਤੇ ਫੀਡਬੈਕ ਮਾਡਲ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਉਸ ਦ੍ਰਿਸ਼ ਬਾਰੇ ਸੋਚੋ ਜਦੋਂ ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਪੁਆਇੰਟ A ਅਤੇ B ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਰਸਤਾ ਚੁਣਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਰੋਬੋਟ ਪਹਿਲਾਂ ਕੋਰਸਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸਦਾ ਕੋਈ ਪੂਰਵ ਅਨੁਭਵ ਨਹੀਂ ਹੈ।
ਰੋਬੋਟ ਜਿਸ ਰਸਤੇ 'ਤੇ ਜਾਂਦਾ ਹੈ ਉਸ 'ਤੇ ਇਨਪੁਟ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਰੋਬੋਟ ਅਗਲੀ ਵਾਰ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਹਾਲਾਤ ਦਾ ਸਾਹਮਣਾ ਕਰਨ 'ਤੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇਨਪੁਟ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਰੋਬੋਟ ਵਿਕਲਪ B ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਇਨਾਮ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ, ਤਾਂ ਇਹ ਇਸ ਵਾਰ ਸਮਝਦਾ ਹੈ ਕਿ ਉਸਨੂੰ ਆਪਣੇ ਇਨਾਮ ਨੂੰ ਵਧਾਉਣ ਲਈ B ਦੀ ਚੋਣ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
ਹੁਣ ਆਖਰਕਾਰ ਜਿਸਦੀ ਤੁਸੀਂ ਸਭ ਉਡੀਕ ਕਰ ਰਹੇ ਹੋ, ਉਹ ਹੈ ਐਲਗੋਰਿਦਮ।
ਮੇਜਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ
1. ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ
ਸਰਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਹੁੰਚ ਜੋ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਤੋਂ ਭਟਕਦੀ ਹੈ ਉਹ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਹੈ। ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਤੋਂ ਗਿਆਨ ਦੇ ਨਾਲ, ਇਹ ਜਿਆਦਾਤਰ ਰਿਗਰੈਸ਼ਨ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ ਨਿਰੰਤਰ ਨਿਰਭਰ ਵੇਰੀਏਬਲਾਂ 'ਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਸਭ ਤੋਂ ਵਧੀਆ ਫਿਟ ਦੀ ਲਾਈਨ ਲੱਭਣਾ, ਜੋ ਨਿਰੰਤਰ ਨਿਰਭਰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦੀ ਹੈ, ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦਾ ਉਦੇਸ਼ ਹੈ। ਮਕਾਨ ਦੀਆਂ ਕੀਮਤਾਂ, ਉਮਰ ਅਤੇ ਮਜ਼ਦੂਰੀ ਨਿਰੰਤਰ ਮੁੱਲਾਂ ਦੀਆਂ ਕੁਝ ਉਦਾਹਰਣਾਂ ਹਨ।
ਸਧਾਰਨ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਮਾਡਲ ਇੱਕ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਅਤੇ ਇੱਕ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਿੱਚ ਦੋ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਹੁੰਦੇ ਹਨ।
ਇੱਕ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਵਿੱਚ ਚਾਰ ਅੰਤਰੀਵ ਧਾਰਨਾਵਾਂ ਹਨ:
- ਰੇਖਿਕਤਾ: X ਅਤੇ Y ਦੇ ਮੱਧਮਾਨ ਵਿਚਕਾਰ ਇੱਕ ਰੇਖਿਕ ਸਬੰਧ ਹੈ।
- Homoscedasticity: X ਦੇ ਹਰੇਕ ਮੁੱਲ ਲਈ, ਬਕਾਇਆ ਵੇਰੀਅੰਸ ਇੱਕੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ।
- ਸੁਤੰਤਰਤਾ: ਨਿਰੀਖਣ ਸੁਤੰਤਰਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸੁਤੰਤਰ ਹਨ।
- ਸਾਧਾਰਨਤਾ: ਜਦੋਂ X ਨਿਸ਼ਚਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, Y ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ।
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਉਹਨਾਂ ਡੇਟਾ ਲਈ ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਢੰਗ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਲਾਈਨਾਂ ਦੇ ਨਾਲ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ, ਕ੍ਰਾਸ-ਵੈਧੀਕਰਨ, ਅਤੇ ਅਯਾਮ ਘਟਾਉਣ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਓਵਰਫਿਟਿੰਗ ਨੂੰ ਕੰਟਰੋਲ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਜਿਹੀਆਂ ਉਦਾਹਰਣਾਂ ਹਨ ਜਿੱਥੇ ਵਿਆਪਕ ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸਦਾ ਨਤੀਜਾ ਕਦੇ-ਕਦਾਈਂ ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਰੌਲਾ ਹੋ ਸਕਦਾ ਹੈ।
2. ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ
ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਇਕ ਹੋਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕ ਹੈ ਜੋ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਤੋਂ ਦੂਰ ਹੁੰਦੀ ਹੈ। ਇਸਦੀ ਮੁੱਖ ਵਰਤੋਂ ਵਰਗੀਕਰਨ ਹੈ, ਜਦੋਂ ਕਿ ਇਸਦੀ ਵਰਤੋਂ ਰਿਗਰੈਸ਼ਨ ਸਮੱਸਿਆਵਾਂ ਲਈ ਵੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਸੁਤੰਤਰ ਕਾਰਕਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸ਼੍ਰੇਣੀਗਤ ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਟੀਚਾ ਆਉਟਪੁੱਟ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਹੈ, ਜੋ ਸਿਰਫ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਆ ਸਕਦਾ ਹੈ।
ਇਨਪੁਟਸ ਦੇ ਭਾਰ ਵਾਲੇ ਕੁੱਲ ਨੂੰ ਸਿਗਮੋਇਡ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਜੋ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਮੁੱਲਾਂ ਨੂੰ ਬਦਲਦਾ ਹੈ।
ਲੌਜਿਸਟਿਕ ਰੀਗਰੈਸ਼ਨ ਦਾ ਆਧਾਰ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਦੇਖਿਆ ਗਿਆ ਡਾਟਾ ਦਿੱਤੇ ਗਏ ਇੱਕ ਅਨੁਮਾਨਿਤ ਸੰਭਾਵੀ ਵੰਡ ਦੇ ਮਾਪਦੰਡਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ।
3. ਨਿਰਣਾਇਕ ਰੁੱਖ
ਇੱਕ ਹੋਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਧੀ ਜੋ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਤੋਂ ਵੱਖ ਹੋ ਜਾਂਦੀ ਹੈ, ਉਹ ਹੈ ਫੈਸਲੇ ਦਾ ਰੁੱਖ। ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਦੋਵਾਂ ਮੁੱਦਿਆਂ ਲਈ, ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੀ ਪਹੁੰਚ ਨੂੰ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਟੂਲ, ਜੋ ਕਿ ਇੱਕ ਰੁੱਖ ਵਰਗਾ ਹੈ, ਕਾਰਵਾਈਆਂ ਦੇ ਸੰਭਾਵੀ ਨਤੀਜਿਆਂ, ਲਾਗਤਾਂ ਅਤੇ ਪ੍ਰਤੀਕਰਮਾਂ ਨੂੰ ਦਿਖਾਉਣ ਲਈ ਵਿਜ਼ੂਅਲ ਪ੍ਰਸਤੁਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਡੇਟਾ ਨੂੰ ਵੱਖਰੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਕੇ, ਵਿਚਾਰ ਮਨੁੱਖੀ ਮਨ ਦੇ ਸਮਾਨ ਹੈ।
ਡੇਟਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ ਜਿੰਨਾ ਅਸੀਂ ਇਸਨੂੰ ਗ੍ਰੈਨਿਊਲੇਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਇੱਕ ਸਿਖਲਾਈ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਟੀਚੇ ਦੇ ਵੇਰੀਏਬਲ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਮਿਸਿੰਗ ਵੈਲਯੂਜ਼ ਨੂੰ ਡਿਸੀਜ਼ਨ ਟ੍ਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਆਪ ਹੀ ਸੰਭਾਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇੱਕ-ਸ਼ਾਟ ਏਨਕੋਡਿੰਗ, ਡਮੀ ਵੇਰੀਏਬਲ, ਜਾਂ ਹੋਰ ਡੇਟਾ ਪ੍ਰੀਟਰੀਟਮੈਂਟ ਕਦਮਾਂ ਲਈ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਅਰਥ ਵਿੱਚ ਸਖ਼ਤ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਤਾਜ਼ਾ ਡੇਟਾ ਜੋੜਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਵਾਧੂ ਲੇਬਲ ਵਾਲਾ ਡੇਟਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਪੂਰੇ ਡੇਟਾਸੈਟ 'ਤੇ ਟ੍ਰੀ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।
ਨਤੀਜੇ ਵਜੋਂ, ਨਿਰਣਾਇਕ ਰੁੱਖ ਕਿਸੇ ਵੀ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਇੱਕ ਮਾੜੀ ਚੋਣ ਹੈ ਜਿਸ ਲਈ ਗਤੀਸ਼ੀਲ ਮਾਡਲ ਤਬਦੀਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਟਾਰਗੇਟ ਵੇਰੀਏਬਲ ਦੀ ਕਿਸਮ ਦੇ ਅਧਾਰ 'ਤੇ, ਫੈਸਲੇ ਦੇ ਰੁੱਖਾਂ ਨੂੰ ਦੋ ਕਿਸਮਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ:
- ਸ਼੍ਰੇਣੀ ਵੇਰੀਏਬਲ: ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਜਿਸ ਵਿੱਚ ਟੀਚਾ ਵੇਰੀਏਬਲ ਸ਼੍ਰੇਣੀ ਹੈ।
- ਨਿਰੰਤਰ ਵੇਰੀਏਬਲ: ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਜਿਸ ਵਿੱਚ ਟੀਚਾ ਵੇਰੀਏਬਲ ਨਿਰੰਤਰ ਹੁੰਦਾ ਹੈ।
4. ਬੇਤਰਤੀਬ ਜੰਗਲ
ਰੈਂਡਮ ਫੋਰੈਸਟ ਮੈਥਡ ਅਗਲੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕ ਹੈ ਅਤੇ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਮੁੱਦਿਆਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਇੱਕ ਰੁੱਖ-ਆਧਾਰਿਤ ਵਿਧੀ ਵੀ ਹੈ, ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਵਾਂਗ।
ਰੁੱਖਾਂ ਦਾ ਜੰਗਲ, ਜਾਂ ਬਹੁਤ ਸਾਰੇ ਫੈਸਲੇ ਵਾਲੇ ਰੁੱਖ, ਨਿਰਣੇ ਕਰਨ ਲਈ ਬੇਤਰਤੀਬ ਜੰਗਲ ਵਿਧੀ ਦੁਆਰਾ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਵਰਗੀਕਰਣ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣ ਵੇਲੇ, ਲਗਾਤਾਰ ਵੇਰੀਏਬਲ ਰੱਖਣ ਵਾਲੇ ਡੇਟਾਸੈਟਾਂ ਦੇ ਨਾਲ ਰਿਗਰੈਸ਼ਨ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹੋਏ ਬੇਤਰਤੀਬ ਜੰਗਲ ਵਿਧੀ ਨੇ ਸ਼੍ਰੇਣੀਬੱਧ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਨਿਯੁਕਤ ਕੀਤਾ ਹੈ।
ਇੱਕ ਜੋੜ, ਜਾਂ ਬਹੁਤ ਸਾਰੇ ਮਾਡਲਾਂ ਦਾ ਮਿਸ਼ਰਣ, ਬੇਤਰਤੀਬ ਜੰਗਲ ਵਿਧੀ ਕੀ ਕਰਦੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਭਵਿੱਖਬਾਣੀਆਂ ਸਿਰਫ਼ ਇੱਕ ਦੀ ਬਜਾਏ ਮਾਡਲਾਂ ਦੇ ਸਮੂਹ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਸਮੱਸਿਆਵਾਂ, ਜੋ ਕਿ ਆਧੁਨਿਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਬਹੁਗਿਣਤੀ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ, ਦੋਵਾਂ ਲਈ ਵਰਤੇ ਜਾਣ ਦੀ ਯੋਗਤਾ, ਬੇਤਰਤੀਬ ਜੰਗਲ ਦਾ ਮੁੱਖ ਲਾਭ ਹੈ।
Ensemble ਦੁਆਰਾ ਦੋ ਵੱਖ-ਵੱਖ ਰਣਨੀਤੀਆਂ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ:
- ਬੈਗਿੰਗ: ਅਜਿਹਾ ਕਰਨ ਨਾਲ, ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਲਈ ਵਧੇਰੇ ਡੇਟਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਭਿੰਨਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ, ਇਹ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਬੂਸਟਿੰਗ ਲਗਾਤਾਰ ਮਾਡਲ ਬਣਾ ਕੇ ਕਮਜ਼ੋਰ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਮਜ਼ਬੂਤ ਸਿਖਿਆਰਥੀਆਂ ਨਾਲ ਜੋੜਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਵੱਧ ਤੋਂ ਵੱਧ ਸਟੀਕਤਾ ਨਾਲ ਅੰਤਿਮ ਮਾਡਲ ਬਣ ਜਾਂਦਾ ਹੈ।
5. ਭੋਲੇ ਭਾਲੇ
ਇੱਕ ਬਾਈਨਰੀ (ਦੋ-ਸ਼੍ਰੇਣੀ) ਅਤੇ ਬਹੁ-ਸ਼੍ਰੇਣੀ ਵਰਗੀਕਰਣ ਮੁੱਦੇ ਨੂੰ Naive Bayes ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਵਿਧੀ ਨੂੰ ਬਾਈਨਰੀ ਜਾਂ ਸ਼੍ਰੇਣੀ ਇਨਪੁਟ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਮਝਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਮਝਣਾ ਸਭ ਤੋਂ ਆਸਾਨ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਨੈਵ ਬੇਅਸ ਵਰਗੀਕਰਣ ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਇੱਕ ਧਾਰਨਾ ਇਹ ਹੈ ਕਿ ਇੱਕ ਕਲਾਸ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮੌਜੂਦਗੀ ਦਾ ਕਿਸੇ ਹੋਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਮੌਜੂਦਗੀ 'ਤੇ ਕੋਈ ਅਸਰ ਨਹੀਂ ਹੁੰਦਾ।
ਉਪਰੋਕਤ ਫਾਰਮੂਲਾ ਦਰਸਾਉਂਦਾ ਹੈ:
- P(H): ਇਹ ਸੰਭਾਵਨਾ ਕਿ ਅਨੁਮਾਨ H ਸਹੀ ਹੈ। ਪੂਰਵ ਸੰਭਾਵੀ ਇਸ ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
- P(E): ਸਬੂਤ ਦੀ ਸੰਭਾਵਨਾ
- P(E|H): ਸੰਭਾਵਨਾ ਕਿ ਅਨੁਮਾਨ ਸਬੂਤ ਦੁਆਰਾ ਸਮਰਥਤ ਹੈ।
- P(H|E): ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਪਰਿਕਲਪਨਾ ਸੱਚ ਹੈ, ਸਬੂਤ ਦਿੱਤੇ ਗਏ।
ਇੱਕ ਨਿਸ਼ਚਿਤ ਨਤੀਜੇ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਸਮੇਂ ਇੱਕ ਭੋਲੇ ਭਾਲੇ ਬੇਅਸ ਵਰਗੀਕਰਣ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇਗਾ, ਭਾਵੇਂ ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇੱਕ ਦੂਜੇ ਨਾਲ ਜੁੜੀਆਂ ਹੋਣ। ਇੱਕ ਭੋਲੇ ਭਾਲੇ ਬਾਏਸੀਅਨ ਮਾਡਲ ਨੂੰ ਬਣਾਉਣ ਲਈ ਸਧਾਰਨ ਅਤੇ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ।
ਇਹ ਬੁਨਿਆਦੀ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਸਭ ਤੋਂ ਗੁੰਝਲਦਾਰ ਵਰਗੀਕਰਨ ਤਕਨੀਕਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਐਲਗੋਰਿਦਮ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਸਾਰੇ ਇੱਕ ਇੱਕਲੇ ਢੰਗ ਦੀ ਬਜਾਏ ਬੇਅਸ ਦੇ ਸਿਧਾਂਤ 'ਤੇ ਅਧਾਰਤ ਹਨ।
6. ਕੇ- ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀ
ਕੇ-ਨੇੜਲੇ ਨੇੜਲੀਆਂ (kNN) ਤਕਨੀਕ ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦਾ ਇੱਕ ਉਪ ਸਮੂਹ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। KNN ਐਲਗੋਰਿਦਮ ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਤੁਲਨਾਤਮਕ ਵਸਤੂਆਂ ਨੇੜੇ ਲੱਭੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।
ਮੈਂ ਇਸਨੂੰ ਸਮਾਨ ਸੋਚ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਦੇ ਇਕੱਠ ਵਜੋਂ ਯਾਦ ਕਰਦਾ ਹਾਂ। kNN ਨੇੜਤਾ, ਨੇੜਤਾ, ਜਾਂ ਦੂਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੂਜੇ ਡੇਟਾ ਬਿੰਦੂਆਂ ਵਿਚਕਾਰ ਸਮਾਨਤਾ ਦੇ ਵਿਚਾਰ ਦਾ ਫਾਇਦਾ ਉਠਾਉਂਦਾ ਹੈ। ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਲੇਬਲ ਕੀਤੇ ਨਿਰੀਖਣਯੋਗ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਅਣਦੇਖੇ ਡੇਟਾ ਨੂੰ ਲੇਬਲ ਕਰਨ ਲਈ, ਇੱਕ ਗ੍ਰਾਫ 'ਤੇ ਬਿੰਦੂਆਂ ਦੇ ਵਿਚਕਾਰ ਵਿਭਾਜਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਗਣਿਤਿਕ ਵਿਧੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
ਨਜ਼ਦੀਕੀ ਤੁਲਨਾਤਮਕ ਸਥਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਡਾਟਾ ਪੁਆਇੰਟਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਨਿਰਧਾਰਤ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਦੂਰੀ ਦੇ ਮਾਪ ਜਿਵੇਂ ਕਿ ਯੂਕਲੀਡੀਅਨ ਦੂਰੀ, ਹੈਮਿੰਗ ਦੂਰੀ, ਮੈਨਹਟਨ ਦੂਰੀ, ਅਤੇ ਮਿੰਕੋਵਸਕੀ ਦੂਰੀ ਇਸ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। K ਨੂੰ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀ ਸੰਖਿਆ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਅਕਸਰ ਇੱਕ ਬੇਜੋੜ ਸੰਖਿਆ ਹੁੰਦੀ ਹੈ।
KNN ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਸਮੱਸਿਆਵਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪੂਰਵ-ਅਨੁਮਾਨ ਜਦੋਂ KNN ਨੂੰ ਰਿਗਰੈਸ਼ਨ ਮੁੱਦਿਆਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ K- ਸਭ ਤੋਂ ਮਿਲਦੀਆਂ-ਜੁਲਦੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਮੱਧਮਾਨ ਜਾਂ ਮੱਧਮਾਨ 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦਾ ਹੈ।
KNN 'ਤੇ ਆਧਾਰਿਤ ਇੱਕ ਵਰਗੀਕਰਣ ਐਲਗੋਰਿਦਮ ਦੇ ਨਤੀਜੇ ਨੂੰ K ਸਭ ਤੋਂ ਮਿਲਦੀਆਂ-ਜੁਲਦੀਆਂ ਘਟਨਾਵਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਉੱਚੀ ਬਾਰੰਬਾਰਤਾ ਵਾਲੀ ਸ਼੍ਰੇਣੀ ਵਜੋਂ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹਰ ਉਦਾਹਰਨ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਆਪਣੀ ਜਮਾਤ ਲਈ ਵੋਟ ਪਾਉਂਦੀ ਹੈ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਉਸ ਜਮਾਤ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦੀ ਹੈ ਜਿਸ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਵੋਟਾਂ ਮਿਲਦੀਆਂ ਹਨ।
7. ਕੇ- ਦਾ ਮਤਲਬ ਹੈ
ਇਹ ਨਿਰੀਖਣ ਰਹਿਤ ਸਿਖਲਾਈ ਲਈ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਕਲੱਸਟਰਿੰਗ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ। ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਕਲੱਸਟਰਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਤ ਸੰਖਿਆ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ - ਆਓ ਇਸਨੂੰ K ਕਹੀਏ - ਇਸ ਤਰੀਕੇ ਨਾਲ ਕਿ ਹਰੇਕ ਕਲੱਸਟਰ ਦੇ ਡੇਟਾ ਪੁਆਇੰਟ ਇੱਕੋ ਜਿਹੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਦੂਜੇ ਕਲੱਸਟਰਾਂ ਨਾਲੋਂ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ।
K- ਮਤਲਬ ਕਲੱਸਟਰਿੰਗ ਵਿਧੀ:
- ਹਰੇਕ ਕਲੱਸਟਰ ਲਈ, K- ਮਤਲਬ ਐਲਗੋਰਿਦਮ k ਸੈਂਟਰੋਇਡਸ, ਜਾਂ ਪੁਆਇੰਟ ਚੁਣਦਾ ਹੈ।
- ਨਜ਼ਦੀਕੀ ਸੈਂਟਰੋਇਡ ਜਾਂ ਕੇ ਕਲੱਸਟਰਾਂ ਦੇ ਨਾਲ, ਹਰੇਕ ਡੇਟਾ ਪੁਆਇੰਟ ਇੱਕ ਕਲੱਸਟਰ ਬਣਾਉਂਦਾ ਹੈ।
- ਹੁਣ, ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਕਲੱਸਟਰ ਮੈਂਬਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੇਂ ਸੈਂਟਰੋਇਡ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
- ਇਹਨਾਂ ਅੱਪਡੇਟ ਕੀਤੇ ਸੈਂਟਰੋਇਡਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਰੇਕ ਡੇਟਾ ਪੁਆਇੰਟ ਲਈ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਦੂਰੀ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਤੱਕ ਸੈਂਟਰੋਇਡ ਨਹੀਂ ਬਦਲਦੇ, ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ।
ਇਹ ਤੇਜ਼, ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ, ਅਤੇ ਸਮਝਣਾ ਸੌਖਾ ਹੈ। ਜੇਕਰ ਸਮੱਸਿਆਵਾਂ ਹਨ, ਤਾਂ k- ਮਤਲਬ ਦੀ ਅਨੁਕੂਲਤਾ ਵਿਵਸਥਾਵਾਂ ਨੂੰ ਸਰਲ ਬਣਾ ਦਿੰਦੀ ਹੈ। ਜਦੋਂ ਡੇਟਾਸੈੱਟ ਇੱਕ ਦੂਜੇ ਤੋਂ ਵੱਖਰੇ ਜਾਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਲੱਗ ਹੁੰਦੇ ਹਨ, ਨਤੀਜੇ ਵਧੀਆ ਹੁੰਦੇ ਹਨ। ਇਹ ਅਨਿਯਮਿਤ ਡੇਟਾ ਜਾਂ ਆਊਟਲੀਅਰਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ।
8. ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ ਦਾ ਸਮਰਥਨ ਕਰੋ
ਡੇਟਾ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ SVM ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਕੱਚੇ ਡੇਟਾ ਨੂੰ n-ਅਯਾਮੀ ਸਪੇਸ ਵਿੱਚ ਬਿੰਦੀਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ (ਜਿੱਥੇ n ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਹੈ)। ਡੇਟਾ ਨੂੰ ਫਿਰ ਆਸਾਨੀ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਮੁੱਲ ਫਿਰ ਇੱਕ ਖਾਸ ਕੋਆਰਡੀਨੇਟ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ।
ਡੇਟਾ ਨੂੰ ਵੱਖ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਗ੍ਰਾਫ਼ ਉੱਤੇ ਰੱਖਣ ਲਈ, ਕਲਾਸੀਫਾਇਰ ਵਜੋਂ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ ਲਾਈਨਾਂ ਨੂੰ ਲਗਾਓ। ਇਹ ਪਹੁੰਚ ਹਰੇਕ ਡੇਟਾ ਪੁਆਇੰਟ ਨੂੰ ਇੱਕ n-ਅਯਾਮੀ ਸਪੇਸ ਵਿੱਚ ਇੱਕ ਬਿੰਦੂ ਦੇ ਰੂਪ ਵਿੱਚ ਪਲਾਟ ਕਰਦੀ ਹੈ, ਜਿੱਥੇ n ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਹੈ ਅਤੇ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਮੁੱਲ ਇੱਕ ਖਾਸ ਕੋਆਰਡੀਨੇਟ ਮੁੱਲ ਹੈ।
ਅਸੀਂ ਹੁਣ ਇੱਕ ਲਾਈਨ ਦਾ ਪਤਾ ਲਗਾਵਾਂਗੇ ਜੋ ਡੇਟਾ ਨੂੰ ਡੇਟਾ ਦੇ ਦੋ ਸੈੱਟਾਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ। ਦੋ ਸਮੂਹਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ ਨਜ਼ਦੀਕੀ ਬਿੰਦੂਆਂ ਤੋਂ ਦੂਰੀ ਇਸ ਲਾਈਨ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਦੂਰ ਹੋਵੇਗੀ।
ਕਿਉਂਕਿ ਦੋ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਬਿੰਦੂ ਉਹ ਹਨ ਜੋ ਉਪਰੋਕਤ ਉਦਾਹਰਨ ਵਿੱਚ ਲਾਈਨ ਤੋਂ ਸਭ ਤੋਂ ਦੂਰ ਹਨ, ਉਹ ਲਾਈਨ ਜੋ ਡੇਟਾ ਨੂੰ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ ਮੱਧ ਲਾਈਨ ਹੈ। ਸਾਡਾ ਵਰਗੀਕਰਣ ਇਹ ਲਾਈਨ ਹੈ।
9. ਅਯਾਮੀ ਕਮੀ
ਅਯਾਮ ਘਟਾਉਣ ਦੀ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਘੱਟ ਇਨਪੁਟ ਵੇਰੀਏਬਲ ਹੋ ਸਕਦੇ ਹਨ। ਸਧਾਰਨ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਤੁਹਾਡੇ ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ ਦੇ ਆਕਾਰ ਨੂੰ ਸੁੰਗੜਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਚਲੋ ਕਲਪਨਾ ਕਰੀਏ ਕਿ ਤੁਹਾਡੇ ਡੇਟਾਸੇਟ ਵਿੱਚ 100 ਕਾਲਮ ਹਨ; ਅਯਾਮ ਦੀ ਕਮੀ ਉਸ ਮਾਤਰਾ ਨੂੰ 20 ਕਾਲਮਾਂ ਤੱਕ ਘਟਾ ਦੇਵੇਗੀ।
ਮਾਡਲ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਵਧਦਾ ਹੈ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਿਣਤੀ ਵਧਣ ਦੇ ਨਾਲ ਓਵਰਫਿਟਿੰਗ ਦਾ ਵੱਡਾ ਜੋਖਮ ਹੁੰਦਾ ਹੈ। ਵੱਡੇ ਅਯਾਮਾਂ ਵਿੱਚ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਸਮੱਸਿਆ ਉਹ ਹੈ ਜਿਸਨੂੰ "ਆਯਾਮ ਦਾ ਸਰਾਪ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਉਦੋਂ ਵਾਪਰਦਾ ਹੈ ਜਦੋਂ ਤੁਹਾਡੇ ਡੇਟਾ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ।
ਹੇਠ ਦਿੱਤੇ ਤੱਤਾਂ ਦੀ ਵਰਤੋਂ ਅਯਾਮੀ ਕਮੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ:
- ਢੁਕਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਲੱਭਣ ਅਤੇ ਚੁਣਨ ਲਈ, ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਚੋਣ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਹੱਥੀਂ ਨਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਣਾਉਂਦੀ ਹੈ।
ਸਿੱਟਾ
ਨਿਰੀਖਣ ਜਾਂ ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੋਵੇਂ ਸੰਭਵ ਹਨ। ਜੇਕਰ ਤੁਹਾਡਾ ਡੇਟਾ ਘੱਟ ਭਰਪੂਰ ਹੈ ਅਤੇ ਸਿਖਲਾਈ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਟੈਗ ਕੀਤਾ ਗਿਆ ਹੈ ਤਾਂ ਨਿਗਰਾਨੀ ਕੀਤੀ ਸਿਖਲਾਈ ਦੀ ਚੋਣ ਕਰੋ।
ਵੱਡੇ ਡੇਟਾ ਸੈਟ ਅਕਸਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ ਅਤੇ ਨਿਰੀਖਣ ਰਹਿਤ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਿਹਤਰ ਨਤੀਜੇ ਦਿੰਦੇ ਹਨ। ਡੂੰਘੀ ਸਿੱਖਿਆ ਢੰਗ ਸਭ ਤੋਂ ਵਧੀਆ ਹਨ ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਵੱਡਾ ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਹੈ।
ਮਜਬੂਤ ਸਿੱਖਿਆ ਅਤੇ ਡੂੰਘੀ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਕੁਝ ਵਿਸ਼ੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਤੁਸੀਂ ਅਧਿਐਨ ਕੀਤਾ ਹੈ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਵਰਤੋਂ ਅਤੇ ਰੁਕਾਵਟਾਂ ਹੁਣ ਤੁਹਾਡੇ ਲਈ ਸਪੱਸ਼ਟ ਹਨ। ਆਖਰੀ ਪਰ ਘੱਟੋ-ਘੱਟ ਨਹੀਂ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ, IDEs, ਅਤੇ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਵਿਕਲਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਜਦੋਂ ਇਹ ਤੁਹਾਡੀ ਆਪਣੀ ਬਣਾਉਣ ਦੀ ਗੱਲ ਆਉਂਦੀ ਹੈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਮਾਡਲ.
ਅਗਲੀ ਚੀਜ਼ ਜੋ ਤੁਹਾਨੂੰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਉਹ ਹੈ ਅਧਿਐਨ ਕਰਨਾ ਅਤੇ ਹਰੇਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਨਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪਹੁੰਚ ਭਾਵੇਂ ਵਿਸ਼ਾ ਵਿਸ਼ਾਲ ਹੈ, ਜੇਕਰ ਤੁਸੀਂ ਉਸ ਦੀ ਡੂੰਘਾਈ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹੋ ਤਾਂ ਕੋਈ ਵੀ ਵਿਸ਼ਾ ਕੁਝ ਘੰਟਿਆਂ ਵਿੱਚ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਹਰੇਕ ਵਿਸ਼ਾ ਦੂਜੇ ਤੋਂ ਇਕੱਲਾ ਖੜ੍ਹਾ ਹੈ।
ਤੁਹਾਨੂੰ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਮੁੱਦੇ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ, ਇਸਦਾ ਅਧਿਐਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਇਸਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਐਲਗੋਰਿਦਮ(ਆਂ) ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਆਪਣੀ ਪਸੰਦ ਦੀ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ