د کلونو لپاره، ژوره زده کړه په ټیکنالوژۍ کې سرلیکونه جوړوي. او، دا ساده ده چې پوه شي چې ولې.
د مصنوعي استخباراتو دا څانګه د روغتیا پاملرنې څخه تر بانکدارۍ پورې ترانسپورت پورې سکتورونه بدلوي ، چې دمخه یې د تصور وړ پرمختګونه وړ کړي.
ژوره زده کړه د پیچلو الګوریتمونو سیټ باندې جوړه شوې چې د ډیټا لوی مقدارونو څخه پیچلې نمونې استخراج او وړاندوینې زده کوي.
موږ به په دې پوسټ کې غوره 15 ژورې زده کړې الګوریتمونه وګورو، د کنولوشنال عصبي شبکو څخه د تولیدي ضد شبکو څخه د اوږدې لنډې مودې حافظې شبکې پورې.
دا پوسټ به اړین بصیرت درکړي چې ایا تاسو یو یاست پیل کونکی یا د ژورې زده کړې متخصص.
1. د ټرانسفارمر شبکې
د ټرانسفارمر شبکې بدلې شوې کمپیوټر لید او د طبیعي ژبې پروسس کولو (NLP) غوښتنلیکونه. دوی راتلونکی ډیټا تحلیلوي او د اوږدې مودې اړیکو نیولو لپاره د پاملرنې پروسې ګماري. دا دوی د دودیز ترتیب څخه تر ترتیب ماډلونو څخه ګړندي کوي.
د ټرانسفارمر شبکې په لومړي ځل د واسواني او ال لخوا "توجه ټول تاسو ته اړتیا ده" په خپرونه کې تشریح شوي.
دوی یو کوډر او کوډر (2017) لري. د ټرانسفارمر ماډل په مختلفو NLP غوښتنلیکونو کې فعالیت ښودلی، په شمول جذب تحلیلد متن طبقه بندي، او د ماشین ژباړه.
د ټرانسفارمر پر بنسټ ماډلونه د غوښتنلیکونو لپاره د کمپیوټر لید کې هم کارول کیدی شي. دوی کولی شي د اعتراض پیژندنه او د عکس سرلیک ترسره کړي.
2. د اوږدې لنډې مودې حافظې شبکې (LSTMs)
د اوږدې لنډې مودې حافظې شبکې (LSTMs) یوه بڼه ده نوریال شبکه په ځانګړي توګه د ترتیب شوي ان پټ اداره کولو لپاره جوړ شوی. دوی ته "اوږدې لنډې مودې" ویل کیږي ځکه چې دوی کولی شي د ډیر وخت دمخه پوهه په یاد وساتي پداسې حال کې چې غیر ضروري معلومات هیروي.
LSTMs د ځینو "دروازو" له لارې کار کوي چې د شبکې دننه د معلوماتو جریان اداره کوي. د دې پورې اړه لري چې ایا معلومات د پام وړ قضاوت کیږي یا نه، دا دروازې کولی شي یا دا اجازه ورکړي یا یې مخنیوی وکړي.
دا تخنیک LSTMs ته وړتیا ورکوي چې د تیرو وختونو مرحلو څخه معلومات یاد یا هیر کړي، کوم چې د وینا پیژندنه، د طبیعي ژبې پروسس کولو، او د وخت لړۍ وړاندوینې په څیر د دندو لپاره مهم دي.
LSTMs په هر حالت کې خورا ګټور دي چیرې چې تاسو ترتیب شوي معلومات لرئ چې باید ارزول یا وړاندوینه شي. دوی ډیری وختونه د غږ پیژندنې سافټویر کې کارول کیږي ترڅو خبرې شوي ټکي په متن یا دننه بدل کړي د پلور بازار د تیرو معلوماتو پراساس د راتلونکي قیمتونو وړاندوینې لپاره تحلیل.
3. د ځان تنظیمول نقشې (SOMs)
SOMs یو ډول مصنوعي دي عصبي شبکه چې کولی شي زده کړي او په ټیټ ابعاد چاپیریال کې پیچلې ډاټا استازیتوب کوي. دا میتود د لوړ ابعادي ان پټ ډیټا په دوه اړخیزه گرډ بدلولو سره کار کوي ، د هر واحد یا نیورون سره د ننوتلو ځای مختلف برخه نمایندګي کوي.
نیورونونه یو له بل سره تړلي دي او یو توپولوژیکي جوړښت رامینځته کوي، دوی ته اجازه ورکوي چې زده کړي او د ان پټ ډاټا سره سمون ومومي. نو، SOM د غیر څارل شوي زده کړې پر بنسټ والړ دی.
الګوریتم ته اړتیا نشته لیبل شوي ډاټا څخه زده کول. پرځای یې، دا د ان پټ ډیټا احصایوي ځانګړتیاوې کاروي ترڅو د متغیرونو ترمنځ نمونې او اړیکې ومومي.
د روزنې مرحلې په جریان کې، نیورون سیالي کوي ترڅو د معلوماتو ډاټا غوره نښه وي. او، دوی پخپله په یو معنی جوړښت کې تنظیموي. SOMs د غوښتنلیکونو پراخه لړۍ لري، پشمول د عکس او وینا پیژندنه، د معلوماتو کان کیندنه، او د نمونو پیژندنه.
دوی لپاره ګټور دي د پیچلو معلوماتو لیدلد اړونده معلوماتو ټکي کلستر کول، او د غیر معمولي یا بهرنیانو کشف کول.
4. ژور تقویت زده کړه
ژوره د پیاوړتیا زده کړه د ماشین زده کړې یو ډول دی په کوم کې چې اجنټ روزل کیږي ترڅو د انعام سیسټم پراساس پریکړې وکړي. دا اجنټ ته اجازه ورکوي چې د خپل شاوخوا سره تعامل وکړي او د محاکمې او خطا له لارې زده کړي.
اجنټ ته د هر هغه عمل لپاره انعام ورکول کیږي چې دا یې کوي، او هدف یې دا دی چې زده کړي چې څنګه د وخت په تیریدو سره د هغې ګټې غوره کړي. دا کیدای شي اجنټانو ته د لوبو لوبولو، د موټرو چلولو، او حتی د روبوټونو اداره کولو ښوولو لپاره وکارول شي.
Q-Learning د ژور تقویت زده کړې یوه مشهوره طریقه ده. دا په یو ځانګړي حالت کې د یو ځانګړي عمل ترسره کولو ارزښت ارزولو او دا اټکل تازه کولو سره کار کوي لکه څنګه چې اجنټ له چاپیریال سره تعامل کوي.
اجنټ بیا دا اټکلونه کاروي ترڅو معلومه کړي چې کوم عمل خورا احتمال لري چې د لوی انعام پایله ولري. Q-Learning د اتاري لوبو لوبولو لپاره د اجنټانو د زده کړې لپاره کارول کیږي، او همدارنګه د معلوماتو په مرکزونو کې د انرژي کارولو ته وده ورکوي.
ژور Q-Networks د ژور تقویت زده کړې یو بل مشهور میتود دی (DQN). DQNs د Q-Learning سره ورته دي چې دوی د جدول پرځای د ژور عصبي شبکې په کارولو سره د عمل ارزښتونه اټکل کوي.
دا دوی ته وړتیا ورکوي چې د ډیری بدیل کړنو سره لوی، پیچلي ترتیباتو سره معامله وکړي. DQNs د اجنټانو روزنې لپاره کارول شوي ترڅو لوبې وکړي لکه Go او Dota 2، او همدارنګه د روبوټونو رامینځته کولو لپاره چې کولی شي چلول زده کړي.
5. تکراري عصبي شبکې (RNNs)
RNNs یو ډول عصبي شبکه ده چې کولی شي د داخلي حالت ساتلو پرمهال ترتیب شوي ډاټا پروسس کړي. دا د یو کتاب لوستلو ته ورته وګڼئ، چیرې چې هره کلمه د هغه په اړه هضم کیږي چې مخکې یې راغلي.
له همدې امله RNNs د دندو لپاره مثالی دي لکه د وینا پیژندنه ، د ژبې ژباړه ، او حتی په یوه جمله کې د راتلونکي کلمې وړاندوینه.
RNNs د فیډبیک لوپونو په کارولو سره کار کوي ترڅو د هر وخت محصول بیرته د بل ځل مرحلې ان پټ سره وصل کړي. دا شبکه د دې توان ورکوي چې د مخکینیو وخت ګامونو معلوماتو څخه کار واخلي ترڅو د راتلونکي وخت ګامونو لپاره خپل وړاندوینې خبر کړي. له بده مرغه، دا پدې معنی هم ده چې RNNs د ورکېدونکي تدریجي مسلې لپاره زیان منونکي دي، په کوم کې چې د روزنې لپاره کارول شوي تدریجي خورا کوچني کیږي او شبکه د اوږدې مودې اړیکو زده کولو لپاره مبارزه کوي.
د دې څرګند خنډ سره سره، RNNs د غوښتنلیکونو په پراخه لړۍ کې کارول موندلي. پدې غوښتنلیکونو کې د طبیعي ژبې پروسس کول ، د وینا پیژندنه ، او حتی د میوزیک تولید شامل دي.
ګوګل ژباړونکید مثال په توګه، د ټولو ژبو ژباړلو لپاره د RNN پر بنسټ سیسټم کار کوي، پداسې حال کې چې سری، مجازی معاون، د غږ موندلو لپاره د RNN پر بنسټ سیسټم کاروي. RNNs د سټاک نرخونو وړاندوینې او ریښتیني متن او ګرافیک رامینځته کولو لپاره هم کارول شوي.
6. کیپسول شبکې
کیپسول شبکې د عصبي شبکې ډیزاین یو نوی ډول دی چې کولی شي په ډیټا کې نمونې او اړیکې په مؤثره توګه وپیژني. دوی نیورونونه په "کیپسول" کې تنظیموي چې د ننوتلو ځینې اړخونه کوډ کوي.
پدې توګه دوی کولی شي ډیر دقیق وړاندوینې وکړي. د کیپسول شبکې د کیپسول ډیری پرتونو په کارولو سره د ان پټ ډیټا څخه په تدریجي ډول پیچلي ملکیتونه استخراجوي.
د کیپسول شبکې تخنیک دوی ته دا توان ورکوي چې د ورکړل شوي ان پټونو درجه بندي نمایشونه زده کړي. دوی کولی شي د کیپسول ترمینځ د خبرو اترو له لارې د عکس دننه د توکو ترمینځ ځایي اړیکې په سمه توګه کوډ کړي.
د شیانو پیژندنه، د انځور ویش، او د طبیعي ژبې پروسس کول د کیپسول شبکې ټول غوښتنلیکونه دي.
د کیپسول شبکې د کار کولو وړتیا لري خپلواکي موټر چلول ټیکنالوژي. دوی د سیسټم سره د توکو په پیژندلو او توپیر کې مرسته کوي لکه د موټرو، خلکو، او ترافیک نښو. دا سیسټمونه کولی شي د دوی په چاپیریال کې د شیانو د چلند په اړه دقیق وړاندوینې کولو سره د ټکرونو مخه ونیسي.
7. تغیراتي اتوماتیک کوډر (VAEs)
VAEs د ژورې زده کړې وسیله ده چې د غیر څارل شوي زده کړې لپاره کارول کیږي. په ټیټ ابعادي ځای کې د ډیټا کوډ کولو سره او بیا یې په اصلي ب formatه کې کوډ کولو سره ، دوی ممکن په ډیټا کې نمونې موندل زده کړي.
دوی د یو جادوګر په څیر دي چې کولی شي خرگوش په خولۍ بدل کړي او بیا په خرگوش بدل کړي! VAEs د ریښتیني لیدونو یا میوزیک رامینځته کولو لپاره ګټور دي. او، دوی د نوي ډیټا تولید لپاره کارول کیدی شي چې د اصلي معلوماتو سره پرتله کیږي.
VAEs د پټ کوډ بریکر سره ورته دي. دوی کولی شي بنسټیز کشف کړي د معلوماتو جوړښت په ساده ټوټو کې د ماتولو سره، لکه څنګه چې یوه معما ماتیږي. دوی ممکن دا معلومات د نوي معلوماتو رامینځته کولو لپاره وکاروي چې د برخې ترتیب کولو وروسته د اصلي په څیر ښکاري.
دا د لوی فایلونو کمپرس کولو یا په ځانګړي سټایل کې د تازه ګرافیک یا میوزیک تولید لپاره کار کیدی شي. VAEs کولی شي تازه مینځپانګه هم تولید کړي ، لکه د خبرونو کیسې یا د میوزیک سندرې.
8. تولیدي مخالفې شبکې (GANs)
GANs (Generate Adversarial Networks) د ژورې زده کړې سیسټم یوه بڼه ده چې نوي معلومات تولیدوي چې اصلي سره ورته وي. دوی د دوو شبکو د روزنې له لارې کار کوي: یو جنراتور او یو امتیاز ورکوونکی شبکه.
جنراتور نوي معلومات تولیدوي چې د اصلي سره پرتله کیږي.
او، تبعیض کوونکی هڅه کوي د اصلي او جوړ شوي ډاټا ترمنځ توپیر وکړي. دوه شبکې په ګډه روزل شوي، د جنراتور هڅه کوي چې تبعیض کونکی دوکه کړي او تبعیض کونکی هڅه کوي چې اصلي ډاټا په سمه توګه وپیژني.
GANs د جعل او جاسوس تر مینځ یو کراس په پام کې ونیسئ. جنریټر د جعل په څیر کار کوي، نوي هنري کار تولیدوي چې اصلي سره ورته وي.
تبعیض کونکی د جاسوس په توګه کار کوي ، هڅه کوي د ریښتیني هنر کار او جعلکارۍ ترمینځ توپیر وکړي. دوه شبکې په ګډه روزل شوي، د جنراتور سره د پام وړ جعلي جوړولو کې ښه والی او تبعیض کونکی د دوی په پیژندلو کې وده کوي.
GANs ډیری کارونې لري، د انسانانو یا حیواناتو د حقیقي انځورونو تولید څخه نیولې د نوي موسیقۍ یا لیکلو لپاره. دوی ممکن د ډیټا لوړولو لپاره هم وکارول شي ، کوم چې د تولید شوي ډیټا سره د ریښتیني ډیټا سره یوځای کول شامل دي ترڅو د ماشین زده کړې ماډلونو روزنې لپاره لوی ډیټاسیټ رامینځته کړي.
9. ژور Q-Networks (DQNs)
ژور Q-Networks (DQNs) د پریکړې کولو تقویه کولو زده کړې الګوریتم یو ډول دی. دوی د Q-فنکشن زده کولو له لارې کار کوي چې په یو ځانګړي حالت کې د یو ځانګړي عمل ترسره کولو لپاره د متوقع انعام وړاندوینه کوي.
د Q-فنکشن د محاکمې او خطا په واسطه تدریس کیږي، د الګوریتم سره د مختلفو کړنو هڅه کوي او د پایلو څخه زده کړه کوي.
په پام کې ونیسئ لکه a ویډیو لوبه کرکټر د مختلف عملونو تجربه کول او کشف کول چې کوم یو د بریا لامل کیږي! DQNs د ژورې عصبي شبکې په کارولو سره د Q-فنکشن روزنه کوي، دوی د ستونزمن پریکړې کولو دندو لپاره مؤثره وسیلې جوړوي.
دوی حتی د ګو او شطرنج په څیر لوبو کې او همدارنګه په روبوټکس او د ځان چلولو موټرو کې د انساني اتلانو ته ماتې ورکړې. نو، په ټوله کې، DQNs د تجربې څخه د زده کړې له لارې کار کوي ترڅو د وخت په تیریدو سره د پریکړې کولو مهارتونو ته وده ورکړي.
10. د ریډیل اساس فعالیت شبکې (RBFNs)
د ریډیل بیسس فنکشن شبکې (RBFNs) یو ډول عصبي شبکه ده چې د نږدې دندو او د ډلبندۍ دندې ترسره کولو لپاره کارول کیږي. دوی د ریډیل اساس افعالونو ټولګه په کارولو سره د ان پټ ډیټا په لوړ ابعادي ځای کې بدلولو سره کار کوي.
د شبکې محصول د اساسی دندو یو خطي ترکیب دی، او هر ریډیل اساس فعالیت د ان پټ ځای کې د مرکز نقطه څرګندوي.
RBFNs په ځانګړې توګه د هغو شرایطو لپاره اغیزمن دي چې د پیچلي داخلي او محصول تعامل سره لري، او دوی ممکن د ډیری تخنیکونو په کارولو سره تدریس شي، په شمول د څارنې او غیر څارنې زده کړې. دوی د مالي وړاندوینو څخه د عکس او وینا پیژندلو پورې طبي تشخیص ته د هرڅه لپاره کارول شوي.
RBFNs د GPS سیسټم په توګه په پام کې ونیسئ چې د ننګونې ساحې په اوږدو کې د هغې د موندلو لپاره د لنگر پوائنټونو لړۍ کاروي. د شبکې محصول د لنگر پوائنټونو ترکیب دی ، کوم چې د ریډیل اساس کارونو لپاره ولاړ دی.
موږ کولی شو د پیچلو معلوماتو له لارې لټون وکړو او دقیق وړاندوینې رامینځته کړو چې څنګه به د RBFNs په کارولو سره سناریو رامینځته شي.
11. څو پرتې پرسیپټرون (MLPs)
د عصبي شبکې یوه ځانګړې بڼه چې د ملټي لییر پرسیپټرون (MLP) په نوم یادیږي د څارنې زده کړې دندو لکه طبقه بندي او ریګریشن لپاره کارول کیږي. دوی د تړل شوي نوډونو، یا نیورونونو د څو پرتونو په ذخیره کولو سره کار کوي، د هرې پرت سره په غیر مستقیم ډول د راتلونکو معلوماتو بدلولو سره.
په MLP کې، هر نیورون په لاندې طبقه کې د نیورونونو څخه داخلیږي او په پورتنۍ طبقه کې نیورونونو ته سیګنال لیږي. د هر نیورون محصول د فعالولو فعالیت په کارولو سره ټاکل کیږي، کوم چې شبکې ته غیر خطي بڼه ورکوي.
دوی د دې وړتیا لري چې د ان پټ ډیټا پیچلي نمایشونه زده کړي ځکه چې دوی کولی شي څو پټ پرتونه ولري.
MLPs په مختلفو دندو کې پلي شوي، لکه د احساساتو تحلیل، د درغلیو کشف، او د غږ او انځور پیژندنه. MLPs کیدای شي د تحقیق کونکو د یوې ډلې سره پرتله شي چې د یوې ستونزمنې قضیې د حل لپاره یوځای کار کوي.
په ګډه، دوی کولی شي حقایق سره یوځای کړي او جرم حل کړي سره له دې چې هر یو د ځانګړتیاوو ځانګړې ساحه لري.
12. Convolutional Neural Networks (CNNs)
عکسونه او ویډیوګانې د عصبي عصبي شبکو (CNNs) په کارولو سره پروسس کیږي ، د عصبي شبکې یوه بڼه. دوی د زده کړې وړ فلټرونو، یا کرنلونو د سیټ په ګمارلو سره کار کوي ترڅو د ان پټ ډیټا څخه د پام وړ ځانګړتیاوې راوباسي.
فلټرونه د انپټ عکس باندې تیریږي، د فیچر نقشه رامینځته کولو لپاره قانع اجرا کوي چې د عکس لازمي اړخونه نیسي.
لکه څنګه چې CNNs د دې وړتیا لري چې د عکس ځانګړتیاو درجه بندي نمایندګي زده کړي، دوی په ځانګړې توګه د هغو حالتونو لپاره ګټور دي چې د بصري معلوماتو لوی مقدار پکې شامل وي. ډیری غوښتنلیکونه یې کارولي دي، لکه د شیانو کشف، د انځور درجه بندي، او د مخ کشف.
CNNs د یو انځورګر په توګه په پام کې ونیسئ چې د ماسټر پیس جوړولو لپاره ډیری برشونه کاروي. هر برش یو دانه دی، او هنرمند کولی شي د ډیری دانو په مخلوطولو سره یو پیچلي، واقعیتي انځور جوړ کړي. موږ کولی شو د عکسونو څخه د پام وړ ځانګړتیاوې راوباسئ او د CNNs په کارولو سره د عکس مینځپانګې دقیق وړاندوینې لپاره یې وکاروو.
13. د ژور باور شبکې (DBNs)
DBNs د عصبي شبکې یوه بڼه ده چې د غیر څارل شوي زده کړې دندو لپاره کارول کیږي لکه د ابعاد کمول او د ځانګړتیاو زده کړې. دوی د محدود بولټزمین ماشینونو (RBMs) د څو پرتونو په سټک کولو سره کار کوي ، کوم چې دوه پرت عصبي شبکې دي چې د ان پټ ډیټا بیا تنظیم کولو زده کولو وړتیا لري.
DBNs د لوړ ابعادي ډیټا مسلو لپاره خورا ګټور دي ځکه چې دوی کولی شي د ننوتلو جامع او مؤثره نمایش زده کړي. دوی د غږ پیژندنې څخه د عکس کټګورۍ پورې د مخدره توکو کشف پورې د هرڅه لپاره کارول شوي.
د مثال په توګه، څیړونکو د اسټروجن ریسیپټر سره د درملو کاندیدانو پابند تړاو اټکل کولو لپاره DBN ګمارلی. DBN د کیمیاوي ځانګړتیاو او پابندو تړاوونو په ټولګه کې روزل شوی و، او دا د دې توان درلود چې د مخدره توکو د نوي نوماندانو پابند تړاو په سمه توګه اټکل کړي.
دا د مخدره توکو پراختیا او نورو لوړ ابعادي ډیټا غوښتنلیکونو کې د DBNs کارول روښانه کوي.
14. اتوماتیک کوډرونه
Autoencoders عصبي شبکې دي چې د غیر څارل شوي زده کړې دندو لپاره کارول کیږي. دوی د ان پټ ډیټا بیا رغولو لپاره دي، کوم چې دا معنی لري چې دوی به معلومات په یوه کمپیک نمایش کې کوډ کول زده کړي او بیا به یې په اصلي ان پټ کې ډیکوډ کړي.
آټوینکوډر د ډیټا کمپریشن ، شور لرې کولو ، او بې نظمۍ موندلو لپاره خورا مؤثره دي. دوی د فیچر زده کړې لپاره هم کارول کیدی شي ، چیرې چې د آټوینکوډر کمپیکٹ نمایش د څارنې زده کړې دندې ته تغذیه کیږي.
په ټولګي کې د زده کونکو نوټونو اخیستو لپاره اتوماتیک کوډر په پام کې ونیسئ. زده کونکی لیکچر ته غوږ نیسي او خورا اړونده ټکي په لنډ او مؤثر ډول په ګوته کوي.
وروسته، زده کوونکی کولی شي د خپلو نوټونو په کارولو سره درس مطالعه او یاد کړي. له بلې خوا یو اوټوینکوډر د ان پټ ډیټا په یوه کمپیکٹ نمایش کې کوډ کوي چې وروسته بیا د مختلف اهدافو لپاره ګمارل کیږي لکه د بې نظمۍ کشف یا ډیټا کمپریشن.
15. د بولټزمان محدود ماشینونه (RBMs)
RBMs (محدود بولټزمن ماشینونه) یو ډول تولیدي عصبي شبکه ده چې د غیر څارل شوي زده کړې دندو لپاره کارول کیږي. دوی د لیدل شوي پرت او پټ پرت څخه جوړ شوي، په هر پرت کې نیورون سره، تړل شوي مګر په ورته پرت کې ندي.
RBMs د یو تخنیک په کارولو سره روزل کیږي چې د متضاد توپیر په نوم پیژندل کیږي، کوم چې د لیدلو او پټو پرتونو ترمنځ وزن بدلوي ترڅو د روزنې ډیټا احتمال ښه کړي. RBMs کولی شي د زده کړې ویش څخه د نمونې اخیستلو له لارې روزل شوي تازه معلومات رامینځته کړي.
د انځور او وینا پیژندنه، د همکارۍ فلټر کول، او د بې نظمۍ کشف ټول هغه غوښتنلیکونه دي چې RBMs یې ګمارلي دي. دوی د سپارښتنې سیسټمونو کې هم کارول شوي ترڅو د کارونکي چلند څخه د نمونو زده کولو له لارې مناسب وړاندیزونه رامینځته کړي.
RBMs د فیچر زده کړې کې هم کارول شوي ترڅو د لوړ ابعادي معلوماتو جامع او مؤثره نمایش رامینځته کړي.
په افق کې بشپړ او ژمن پرمختګونه
د ژورې زده کړې میتودونه، لکه Convolutional Neural Networks (CNNs) او Recurrent Neural Networks (RNNs)، د مصنوعي استخباراتو ترټولو پرمختللي طریقې څخه دي. CNNs د عکس او آډیو پیژندنه بدله کړې، پداسې حال کې چې RNNs د طبیعي ژبې پروسس کولو او ترتیب شوي ډاټا تحلیل کې د پام وړ پرمختګ کړی.
د دې تګلارو په تکامل کې بل ګام احتمال لري چې د دوی د موثریت او توزیع کولو په ښه کولو تمرکز وکړي ، دوی ته اجازه ورکوي چې لوی او ډیر پیچلي ډیټاسیټونه تحلیل کړي ، په بیله بیا د لږ لیبل شوي ډیټا څخه د زده کړې وړتیا او تشریح کولو وړتیا لوړوي.
ژوره زده کړه د دې امکان لري چې په برخو کې پرمختګونو ته اجازه ورکړي لکه د روغتیا پاملرنې، مالیې، او خودمختاره سیسټمونو لکه څنګه چې دا پرمختګ کوي.
یو ځواب ورکړئ ووځي