اسان هڪ عظيم AI انقلاب جو شاهد آهيون!
هر روز اسان هڪ نئين ايپ حاصل ڪندا آهيون جنهن ۾ حيرت انگيز صلاحيتون آهن. ڪيترن ئي ايپس ۽ پروگرامن سان جيڪي AI ۽ مشين لرننگ استعمال ڪندا آهن اسان جي زندگين ۾ داخل ٿيڻ؛ اسان کي انهن بابت سکڻ لاءِ وڌيڪ وقت وٺڻ گهرجي.
هن پوسٽ ۾، اسان ڳوليندا سين مشين جي سکيا تفصيل سان. انهي سان گڏ، اسان خاص طور تي مشين لرننگ ٽريننگ ۽ انفرنس جي عنوانن تي ڌيان ڏينداسين.
اچو ته بنيادي ڳالهين سان شروع ڪريون.
مشيني سکيا ڇا آهي؟
ڪيترائي ڀيرا اسين ڏسون ٿا اصطلاح ”مشين لرننگ“ ۽ ”آرٽيفيشل انٽيليجنس“ گڏجي استعمال ٿين ٿا. سو، اچو ته پهرين ان کي صاف ڪريون. مشين لرننگ مصنوعي ذهانت جي هڪ شاخ آهي. ان ۾ شامل آهي تربيتي الورورٿمس ڊيٽا تي ٻڌل اڳڪٿيون يا چونڊون پيدا ڪرڻ لاءِ.
ان کان علاوه، اهو سسٽم کي قابل بنائي ٿو انهن جي ڪارڪردگي کي خودڪار طريقي سان وڌائڻ لاء ماضي جي تجربن جي بنياد تي.
مصنوعي معلوماتٻئي طرف، انساني عقل جي تقليد آهي. اهڙيء طرح، ڪمپيوٽرن جو مطلب آهي انسانن وانگر سوچڻ ۽ عمل ڪرڻ. اهو ڪيترن ئي ذيلي شعبن تي مشتمل آهي جهڙوڪ مشين سکيا، ڪمپيوٽر ويزن، ۽ قدرتي ٻولي پروسيسنگ.
مشين لرننگ ماڊلز جي ترقي
هڪ مشين لرننگ ماڊل هڪ الگورتھم آهي. اسان اهي الگورتھم ٺاهيندا آهيون خودڪار طريقي سان ڪارڪردگي وڌائڻ لاءِ ڊيٽا سکيا ذريعي. اسان انهن کي ان پٽ ڊيٽا کي جانچڻ، مستقبل جي نتيجن جي توقع ڪرڻ، يا فيصلا ڪرڻ لاءِ استعمال ڪندا آهيون.
اچو ته هڪ مثال ڏيو. تصويرن کي درجه بندي ڪرڻ لاءِ يا ته گلن يا ٻلي جي هجڻ لاءِ، هڪ ماڊل کي تربيت ڏئي سگهجي ٿي تصويرن کي سڃاڻڻ لاءِ.
۽، اهو فيصلو ڪري سگهي ٿو ته اها تصوير گل جي آهي يا ٻلي جي. مشين جي سکيا جو بنيادي اصول اهو آهي ته ماڊل جي ڪارڪردگي کي مسلسل بهتر ڪيو وڃي. اهو ڊيٽا ۾ پيٽرولر کي تبديل ڪرڻ لاء سٺو ردعمل هجڻ گهرجي.
گهڻو ڪري، اسان هن مشين سکيا جي تربيت تي ڪم ڪندا آهيون جوپيوٽ نوٽ بڪ، جيڪو ڪنهن به ڊيٽا سان لاڳاپيل منصوبي لاءِ هڪ بهترين اوزار آهي.
هڪ ماڊل جي تربيت
اڳڪٿيون پيدا ڪرڻ يا ان پٽ ڊيٽا جي بنياد تي عمل ڪرڻ لاءِ هڪ الگورتھم سيکارڻ جي عمل کي ”ٽريننگ“ چيو ويندو آهي. ٽريننگ دوران، سسٽم جي پيٽرولن کي تبديل ڪيو ويو آهي ته ڪم ڪرڻ لاء الگورتھم کي فعال ڪرڻ لاء. آخرڪار، اسان نئين ڊيٽا تي صحيح اڳڪٿيون پيدا ڪرڻ جي ڪوشش ڪري رهيا آهيون.
نگراني ۽ غير نگراني تعليم مشين سکيا جا ٻه پرائمري درجا آهن.
نگران سکيا
هڪ ليبل ٿيل ڊيٽا سيٽ استعمال ڪيو ويندو آهي الورورٿم کي تربيت ڏيڻ لاءِ نگراني ڪيل سکيا ۾. هن قسم جي مشين سکيا ۾، متوقع نتيجو هر ان پٽ لاءِ بيان ڪيو ويو آهي. الورورٿم تازي ڊيٽا تي اڳڪٿي ڪري ٿو. انهي سان گڏ، هن معلومات کي استعمال ڪندي ان پٽ ۽ آئوٽ جي وچ ۾ ڪنيڪشن سکي ٿو.
ڇو ته ماڊل نگراني حاصل ڪري ٿو ته ڇا گهربل نتيجو هجڻ گهرجي، هن قسم جي سکيا کي "نگراني" طور حوالو ڏنو ويو آهي.
ايپليڪيشنون جهڙوڪ تقرير جي سڃاڻپ، تصوير جي درجه بندي, ۽ قدرتي ٻولي پروسيسنگ سڀني کي نگران سکيا جو استعمال ڪري ٿو. انهن ايپليڪيشنن ۾، الورورٿم وڏي ليبل ٿيل ڊيٽا سيٽن تي تربيت ڪئي وئي آهي. ان ڪري، اسان تازو، غير متوقع ڊيٽا پيش ڪري سگھون ٿا.
ان سان گڏ، ان پٽ-کان-آؤٽ-پٽ ميپنگ کي سکڻ گهرجي جيترو ممڪن طور تي صحيح هجي.
ان پٽ ۽ آئوٽ پُٽ جي وچ ۾ سڀ کان وڌيڪ صحيح ميپنگ ڳولڻ نگران سکيا جو مقصد آهي.
غير محفوظ ٿيل سکيا
غير نگراني ٿيل سکيا مشين جي سکيا جو هڪ ذيلي سيٽ آهي. اسان هڪ غير ليبل ٿيل ڊيٽا سيٽ تي الگورتھم کي تربيت ڏيون ٿا. انهيء ڪري، ماڊل ڊيٽا ۾ نمونن يا رابطي کي ڳولڻ لاء حاصل ڪن ٿا. اسان کي خاص طور تي وضاحت ڪرڻ جي ضرورت ناهي ته ڇا نتيجو هجڻ گهرجي. هن قسم جي سکيا کي "غير نگراني" طور حوالو ڏنو ويو آهي. اهو ئي سبب آهي ته ماڊل کي ڪا به واضح هدايت نه ملي ٿي ته ڇا ٿيڻ گهرجي.
ايپليڪيشنن جهڙوڪ بي ترتيبي ڳولڻ، ڪلسترنگ، ۽ طول و عرض جي گھٽتائي جي ضرورت آهي غير نگراني ٿيل سکيا. انهن ايپليڪيشنن ۾، الگورتھم کي ڊيٽا ۾ نمونن يا لاڳاپن کي سڃاڻڻ گهرجي. ۽، اهو بغير ليبل ٿيل ڊيٽا جي نموني تي تربيت ڏيڻ کان پوء واضح هدايتن کان سواء آهي.
غير نگراني ٿيل سکيا جو مقصد لڪيل نمونن يا جوڙجڪ کي ڳولڻ آهي. اسان ان کي مختلف ڪمن ۾ استعمال ڪري سگھون ٿا، جهڙوڪ ڊيٽا ڪمپريشن يا ساڳين شين کي گڏ ڪرڻ.
مشين لرننگ جي اصلاح
مشين لرننگ ماڊل جي تعمير ۾ اصلاح جو عمل ضروري آهي. اصلاح جو مقصد ماڊل جي اڳڪٿين ۽ ٽريننگ ڊيٽا ۾ حقيقي قدرن جي وچ ۾ فرق کي گھٽائڻ آھي.
اهو عمل ان پٽ ۽ آئوٽ پُٽ جي وچ ۾ لنڪس سکڻ ۾ ماڊل جي مدد ڪري ٿو. ان ڪري، اسان ممڪن طور تي سڀ کان وڌيڪ صحيح اڳڪٿيون حاصل ڪري سگهون ٿا.
غلطي کي گهٽائڻ سان، ماڊل بهتر ٿي سگھي ٿو نئين، اڳوڻي نامعلوم ڊيٽا کي. ان ڪري، اهو وڌيڪ مضبوط ۽ قابل اعتماد اڳڪٿيون پيدا ڪري سگهي ٿو.
مشين لرننگ ۾، اصلاح جو عمل الورورٿمز جي استعمال سان پورو ڪيو ويندو آهي جهڙوڪ گريڊيئينٽ ڊيسنٽ. تنهن ڪري، اسان جو الورورٿم مسلسل پيٽرولر کي ترتيب ڏئي ٿو جيستائين غلطي گھٽجي وڃي. ماڊل جي اڳڪٿين جي درست ٿيڻ لاءِ اصلاح جو عمل ضروري آھي.
مشين لرننگ جي ٽريننگ ڊيٽا سيٽ
ٽريننگ ڊيٽا سيٽ ڊيٽا جو هڪ سيٽ آهي جيڪو ٽريننگ لاءِ استعمال ڪيو ويندو آهي a مشين سکيا ماڊل. اسان ماڊل کي تربيت ڏيون ٿا ته ڪيئن اڳڪٿيون پيدا ڪيون ان پٽ ۽ نتيجن جا مثال ڏيکاريندي. ھن تربيتي ڊيٽا جي بنياد تي، ماڊل پنھنجي پيٽرولر کي تبديل ڪري ٿو.
انهيء ڪري، ان جي اڳڪٿين جي درستگي جو اندازو لڳايو ويو آهي هڪ الڳ ڊيٽا سيٽ استعمال ڪندي، تصديق ٿيل سيٽ.
ٽريننگ ڊيٽا سيٽ کي حل ٿيڻ واري مسئلي جي عڪاسي ڪرڻ گهرجي. ۽، ان ۾ لازمي طور تي ماڊل کي تربيت ڏيڻ لاءِ ڪافي ڊيٽا هجڻ گهرجي. ماڊل جون اڳڪٿيون غلط ٿي سگھن ٿيون جيڪڏھن ٽريننگ ڊيٽا سيٽ تمام ننڍو آھي.
يا، اهو تمام گهڻو نمائندو نه ٿي سگهي. نتيجي طور، تربيتي ڊيٽا سيٽ جي وسيع پري پروسيسنگ جي ضرورت آهي. انهيء ڪري، اسان ضمانت ڪري سگهون ٿا ته ماڊل تمام گهڻي ڪاميابي آهي.
تربيت جو هڪ مثال:
اچو ته تربيت جي عمل کي سمجهڻ لاءِ هڪ مثال ڏيون.
هن مثال ۾، اسان فرض ڪري رهيا آهيون ته اسان وٽ "music.csv" نالي هڪ ڊيٽا سيٽ آهي. ان ۾ صنف، عمر ۽ صنف جا قدر آهن. ان ڪري، اهو اڳڪٿي ڪري ٿو ته موسيقي جي ڪهڙي صنف هڪ شخص ٻڌي رهيو آهي ان جي عمر ۽ جنس جي بنياد تي.
ھي آھي پائٿون ڪوڊ ھڪڙي سادي مشين سکيا جي تربيت لاءِ scikit-learn لائبريري استعمال ڪندي: لاجسٽڪ ريگريشن اپروچ ھن ڪوڊ ۾ استعمال ڪيو ويو آھي ڊيٽا تي ماڊل کي تربيت ڏيڻ ۽ پوءِ ٽيسٽ ڊيٽا تي ان جي درستگي کي جانچڻ لاءِ.
ڊيٽا شروعاتي طور تي پنڊس ڊيٽا فريم ۾ رکيل آهي خاصيتون (X) ۽ ٽارگيٽ (Y) (y) ۾ ورهائڻ کان اڳ. ان کان پوء، ڊيٽا کي تربيت ۽ جانچ جي سيٽن ۾ ورهايو ويو آهي، 80٪ ڊيٽا ٽريننگ لاء استعمال ڪيو ويو ۽ 20٪ جاچ لاء. ماڊل وري ٽريننگ ڊيٽا تي تربيت ڪئي وئي آهي ٽيسٽ ڊيٽا تي آزمائشي ٿيڻ کان اڳ.
مشين لرننگ ۾ انفرنس
تازي ڊيٽا تي اڳڪٿيون ڪرڻ لاءِ تربيت يافته ماڊل استعمال ڪرڻ جي عمل کي حوالو ڏنو ويو آهي inference.
ان کي ٻئي طريقي سان رکڻ لاء، اهو تربيت دوران حاصل ڪيل معلومات جي درخواست آهي. ماڊل تازو ڊيٽا حاصل ڪري ٿو ۽ پيش گوئي يا فيصلو پيدا ڪري ٿو نمونن جي بنياد تي ان کي تربيتي ڊيٽا ۾ دريافت ڪيو ويو.
ماڊل جون اڳڪٿيون صحيح هونديون ٽريننگ ڊيٽا جي معيار تي منحصر. انهي سان گڏ، اهو منحصر هوندو ماڊل فن تعمير تي چونڊيو ويو آهي، ۽ ماڊل کي تربيت ڏيڻ لاء استعمال ڪيل ٽيڪنالاجي.
ايپليڪيشنن ۾ انفرنس جي اهميت
نتيجي ۾، اسان نموني کي فعال ڪرڻ لاء حاصل ڪريون ٿا هڪ خاص مقصد لاء نتيجا مهيا ڪرڻ لاء. اهي مختلف ٿي سگهن ٿا جهڙوڪ تصوير جي درجه بندي، قدرتي ٻولي پروسيسنگ، يا سفارش واري نظام. inference قدم جي درستگي سسٽم جي پوري ڪارڪردگي تي سڌو اثر رکي ٿي.
اهو حقيقي دنيا جي ايپليڪيشنن ۾ مشين لرننگ ماڊلز جي حقيقي عمل درآمد لاءِ اهم آهي.
نئين، اڻڄاتل ڊيٽا جو ان پٽ
مشين لرننگ ۾ انفرنس جو عمل ماڊل ۾ تازي ڊيٽا جي اضافي سان شروع ٿئي ٿو. ھن ڊيٽا کي ماڊل ٽريننگ ڪرڻ لاءِ استعمال ٿيل ان پٽ فارميٽ سان ملائڻ لاءِ اڳ ۾ پروسيس ٿيڻ گھرجي.
اڳڪٿيون سکيا نمونن جي بنياد تي
ماڊل پوءِ ان پٽ ڊيٽا کي استعمال ڪري ٿو اڳڪٿيون ڪرڻ لاءِ ٽريننگ ڊيٽا جي سکيا نمونن جي بنياد تي. اڳڪٿين جي درستگي جو دارومدار تربيتي ڊيٽا جي معيار ۽ استعمال ڪيل ٽيڪنالاجي تي آهي.
تصوف جو هڪ مثال:
اڳئين مثال وانگر؛ اسان پهرين ڊيٽا کي ٽريننگ ڪنداسين ۽ پوء انفريشن کي لاڳو ڪنداسين. انهي صورت ۾، اسان استعمال ڪيو آهي RandomForestClassifier بدران LogisticRegression.
اسان وري پيٿون ۾ اڳڪٿيون پيدا ڪري رهيا آهيون sci-kit-learn Toolkit. فرض ڪريو اسان هڪ ماڊل کي تربيت ڏني آهي ۽ هڪ ڊيٽا سيٽ آهي جنهن کي X test سڏيو ويندو آهي جنهن تي اسان اڳڪٿيون ڪرڻ چاهيون ٿا.
هي ڪوڊ ٽيسٽ ڊيٽا سيٽ تي اڳڪٿي ڪري ٿو X ٽيسٽ تربيتي ماڊل جي اڳڪٿي واري فنڪشن کي استعمال ڪندي. اڳڪٿيون وري ڊيٽا فريم ۾ محفوظ ڪيون ويون آهن، پهرين پنج ڏيکاريل آهن.
ڪارڪردگي تي اثر انداز ڪندڙ عنصر
ڪيترائي اهم عنصر مشين جي سکيا ۾ ڪارڪردگي جي ڪارڪردگي تي اثر انداز ڪن ٿا.
انفرنس اسٽيج جي رفتار
انفرافيشن جي رفتار هڪ اهم تشويش آهي ڇو ته اهو سڌو سنئون سسٽم جي ڪارڪردگي کي متاثر ڪري ٿو. تيز انفرنس جا وقت تيز فيصلا ڪرڻ يا اڳڪٿي ڪرڻ جي اجازت ڏئي سگھن ٿا. انهي سان گڏ، اهو ماڊل جي افاديت کي وڌائي ٿو.
اڳڪٿي جي درستگي
ٻيو اهم حصو اڳڪٿين جي درستگي آهي جيڪو اڳڪٿي دوران پيدا ٿيل آهي. اهو ئي سبب آهي ته ماڊل جو مقصد اهو آهي ته پيداوار مهيا ڪن جيڪي ممڪن طور تي حقيقي قدرن جي ويجهو آهن. ماڊل جي پيداوار جي درستگي تربيتي ڊيٽا جي معيار تي منحصر آهي.
ان کان علاوه، اهو ماڊل فن تعمير سان تمام گهڻو لاڳاپيل آهي.
انفرنس اسٽيج کي بهتر ڪرڻ جي اهميت
انفرنس جي رفتار ۽ درستگي جي اهميت کي نظر ۾ رکندي، موثر نتيجن لاءِ انفرنس جي عمل کي بهتر ڪرڻ ضروري آهي. ھن ۾ شامل ٿي سگھي ٿي حڪمت عمليون جھڙوڪ ماڊل جي سائيز کي گھٽائڻ. يا، توهان هارڊويئر جي تيزيءَ جو فائدو وٺي سگهو ٿا، يا ان پٽ ڊيٽا پروسيسنگ جي عمل کي بهتر بڻائي سگهو ٿا.
ٿڪل
آخرڪار، مشين جي سکيا ۾، تربيت، ۽ تشخيص نازڪ عمل آهن. اسان کي خاص علم ۽ صلاحيتن جي ضرورت آهي انهن کي موثر طريقي سان لاڳو ڪرڻ لاء. ٽريننگ ماڊل کي اڳڪٿيون ڪرڻ جي اجازت ڏئي ٿي، جڏهن ته انفريشن ماڊل کي اجازت ڏئي ٿي اڳڪٿيون ڪرڻ جي تازي ڊيٽا جي بنياد تي.
ٻئي هڪ ماڊل جي ڪاميابي ۽ درستگي کي طئي ڪرڻ ۾ اهم ڪردار ادا ڪن ٿا. تنهن ڪري، توهان جي ايندڙ منصوبي ۾ ذهن ۾ رکو!
جواب ڇڏي وڃو