مواد جي جدول[لڪ][ڏسو]
مصنوعي ذهانت، ۽ مشيني سکيا جي ڪري دنيا تيزيءَ سان تبديل ٿي رهي آهي، جنهن جو اسان جي روزمرهه جي زندگيءَ جي هر پهلوءَ تي اثر پوي ٿو.
وائس اسسٽنٽ کان جيڪي اين ايل پي ۽ مشين لرننگ استعمال ڪن ٿا اپائنٽمينٽس بک ڪرڻ لاءِ، اسان جي ڪئلينڊر تي واقعن کي ڏسو، ۽ ڊوائيسز تي ميوزڪ کيڏڻ لاءِ جيڪي ايترو درست آهن ته اهي اسان جي ضرورتن جو اڳڪٿي ڪري سگهون ٿا ان کان اڳ جو اسان انهن تي غور ڪريون.
ڪمپيوٽر شطرنج کيڏي سگهن ٿا، سرجري ڪري سگهن ٿا، ۽ مشين لرننگ الگورتھم جي مدد سان وڌيڪ سمارٽ، وڌيڪ انسانن جهڙيون مشينون ٺاهي سگهن ٿا.
اسان مسلسل ٽيڪنالاجي ترقي جي وقت تي آهيون، ۽ ڪمپيوٽرن کي وقت جي ذريعي ڪيئن ترقي ڪئي آهي، اسان مستقبل ۾ ڇا ٿيندو بابت اڳڪٿي ڪري سگهون ٿا.
ڪمپيوٽنگ جي اوزارن ۽ طريقن جي جمهوريت هن انقلاب جي اهم پهلوئن مان هڪ آهي، جيڪو بيٺو آهي. ڊيٽا جا سائنسدان گذريل پنجن سالن دوران ڪٽڻ واري طريقن کي آسانيءَ سان لاڳو ڪرڻ سان طاقتور ڊيٽا-ڪرنچنگ ڪمپيوٽر ٺاهيا آهن. نتيجا حيران ڪندڙ آهن.
هن پوسٽ ۾، اسان کي ويجهي نظر ايندي مشين جي سکيا algorithms ۽ انهن جي سڀني تبديلين.
تنهن ڪري، مشين لرننگ الگورتھم ڇا آهن؟
AI سسٽم پاران استعمال ڪيل طريقي سان ان جي ڪم کي انجام ڏيڻ لاءِ- عام طور تي، ڏنل ان پٽ ڊيٽا مان پيداوار جي قيمتن جي اڳڪٿي ڪرڻ- کي مشين لرننگ الگورٿم طور سڃاتو وڃي ٿو.
هڪ مشين لرننگ الگورٿم هڪ عمل آهي جيڪو ڊيٽا کي استعمال ڪري ٿو ۽ مشين لرننگ ماڊل ٺاهڻ لاءِ استعمال ٿئي ٿو جيڪي پيداوار لاءِ تيار آهن. جيڪڏهن مشين لرننگ اها ٽرين آهي جيڪا نوڪري ڪري ٿي، ته پوءِ مشين لرننگ الگورٿمس اهي لوڪوموٽو آهن جيڪي ڪم کي اڳتي وڌائين ٿا.
استعمال ڪرڻ لاءِ بهترين مشين سکيا وارو طريقو طئي ڪيو ويندو ڪاروباري مسئلو جنهن کي توهان حل ڪرڻ جي ڪوشش ڪري رهيا آهيو، ڊيٽا سيٽ جو قسم توهان استعمال ڪري رهيا آهيو، ۽ توهان وٽ موجود وسيلن جي حساب سان.
مشين لرننگ الگورٿمس اهي آهن جيڪي ڊيٽا سيٽ کي ماڊل ۾ تبديل ڪن ٿا. مسئلي جي قسم تي منحصر ڪري ٿو جيڪو توھان جواب ڏيڻ جي ڪوشش ڪري رھيا آھيو، پروسيسنگ پاور موجود آھي، ۽ ڊيٽا جو قسم توھان وٽ آھي، نگراني ڪيل، غير نگراني ٿيل، يا reinforcement learning algorithms چڱو ڪم ڪري سگھن ٿا.
تنهن ڪري، اسان نگراني، غير نگراني، ۽ قابليت واري سکيا بابت ڳالهايو، پر اهي ڇا آهن؟ اچو ته ان کي ڳوليون.
نگراني ٿيل، غير نگراني ٿيل ۽ مضبوط ڪرڻ واري سکيا
نگران سکيا
نگراني ڪيل سکيا ۾، AI ماڊل تيار ڪيو ويو آهي ان پٽ جي بنياد تي جيڪو مهيا ڪيو ويو آهي ۽ ليبل جيڪو پيش ڪيل نتيجن جي نمائندگي ڪري ٿو. ان پٽ ۽ آئوٽ پُٽ جي بنياد تي، ماڊل نقشي سازي جي مساوات کي ترقي ڪري ٿو، ۽ انهي نقشي جي مساوات کي استعمال ڪندي، اهو مستقبل ۾ ان پٽ جي ليبل جي اڳڪٿي ڪري ٿو.
اچو ته اسان کي هڪ ماڊل ٺاهڻ جي ضرورت آهي جيڪا ڪتي ۽ ٻلي جي وچ ۾ فرق ڪري سگهي ٿي. ٻليون ۽ ڪتن جون ڪيتريون ئي تصويرون ماڊل ۾ ليبلن سان ڀريون ويون آهن ته ظاهر ڪن ٿيون ته ماڊل کي تربيت ڏيڻ لاءِ اهي ٻليون آهن يا ڪتا.
ماڊل انهن تصويرن جي ان پٽ تصويرن تي ليبل سان لاڳاپيل هڪ مساوات قائم ڪرڻ جي ڪوشش ڪري ٿو. جيتوڻيڪ ماڊل اڳ ڪڏهن به تصوير نه ڏٺو آهي، تربيت کان پوء، اهو سڃاڻي سگهي ٿو ته اهو ٻلي يا ڪتي جي آهي.
غير محفوظ ٿيل سکيا
غير نگراني ٿيل سکيا ۾ AI ماڊل جي تربيت شامل آهي صرف ان پٽن تي ليبل لڳائڻ کان سواءِ. ماڊل ان پٽ ڊيٽا کي لاڳاپيل خاصيتن سان گروپن ۾ ورهائي ٿو.
ان پٽ جي مستقبل جو ليبل پوءِ اڳڪٿي ڪئي ويندي آهي ان تي منحصر آهي ته ان جون خاصيتون ڪنهن هڪ درجي بندي سان ڪيتري حد تائين ملن ٿيون. ان صورتحال تي غور ڪريو جتي اسان کي ڳاڙهي ۽ نيري بالن جي هڪ گروهه کي ٻن ڀاڱن ۾ ورهائڻو پوندو.
اچو ته فرض ڪريون ته بالن جون ٻيون خاصيتون هڪجهڙا آهن، سواءِ رنگ جي. ان جي بنياد تي اهو ڪيئن بالن کي ٻن طبقن ۾ ورهائي سگھي ٿو، ماڊل انهن خاصيتن کي ڳولي ٿو جيڪي بالن جي وچ ۾ مختلف آهن.
بالن جا ٻه ڪلسٽر- هڪ نيرو ۽ هڪ ڳاڙهي- تڏهن پيدا ٿيندا آهن جڏهن بالن کي انهن جي رنگت جي بنياد تي ٻن گروپن ۾ ورهايو ويندو آهي.
تقليد سکڻ
مضبوطي واري سکيا ۾، AI ماڊل ڪم ڪرڻ سان گڏ مجموعي منافع کي وڌائڻ جي ڪوشش ڪري ٿو ۽ انهي سان گڏ اهو هڪ خاص حالتن ۾ ڪري سگهي ٿو. ان جي اڳئين نتيجن تي راءِ ماڊل کي سکڻ ۾ مدد ڪري ٿي.
ان منظرنامي جي باري ۾ سوچيو جڏهن هڪ روبوٽ کي پوائنٽس A ۽ B جي وچ ۾ هڪ رستو چونڊڻ جي هدايت ڪئي وئي آهي. روبوٽ پهريان ڪنهن به ڪورس کي چونڊيندو آهي ڇاڪاڻ ته ان کي اڳوڻو تجربو ناهي.
روبوٽ ان رستي تي ان پٽ حاصل ڪري ٿو جيڪو اهو وٺي ٿو ۽ ان مان ڄاڻ حاصل ڪري ٿو. روبوٽ ان پٽ کي استعمال ڪري سگهي ٿو مسئلي کي حل ڪرڻ لاءِ ايندڙ ڀيري جڏهن اها ساڳي صورتحال کي منهن ڏئي.
مثال طور، جيڪڏهن روبوٽ اختيار B چونڊي ٿو ۽ انعام حاصل ڪري ٿو، جهڙوڪ مثبت موٽ، اهو هن ڀيري سمجهي ٿو ته ان کي پنهنجي انعام کي وڌائڻ لاءِ رستو B چونڊڻ گهرجي.
هاڻي آخرڪار توهان سڀني جو انتظار ڪري رهيا آهيو، الورورٿم آهي.
مکيه مشين سکيا الگورتھم
1. لينر ريگريشن
مشيني سکيا جو آسان ترين طريقو جيڪو نگراني ڪيل سکيا کان انحراف ڪري ٿو لڪير رجعت آهي. آزاد متغيرن جي ڄاڻ سان، اهو اڪثر ڪري استعمال ڪيو ويندو آهي رجعت جي مسئلن کي حل ڪرڻ ۽ مسلسل انحصار متغيرن تي اڳڪٿيون ٺاهي.
بهترين فٽ جي لڪير کي ڳولڻ، جيڪو مسلسل انحصار متغيرن جي نتيجن جي اڳڪٿي ڪرڻ ۾ مدد ڪري سگهي ٿو، لڪير ريگريشن جو مقصد آهي. گھر جي قيمت، عمر، ۽ اجرت مسلسل قدرن جا ڪجھ مثال آھن.
هڪ ماڊل جنهن کي سادي لڪير رجعت جي نالي سان سڃاتو وڃي ٿو هڪ سڌي لڪير استعمال ڪري ٿو هڪ آزاد متغير ۽ هڪ منحصر متغير جي وچ ۾ ايسوسيئيشن جي حساب سان. گھڻن لڪير رجعت ۾ ٻن کان وڌيڪ آزاد متغير آھن.
هڪ لڪير ريگريشن ماڊل ۾ چار بنيادي مفروضا آهن:
- لڪيريت: X ۽ Y جي وچ ۾ هڪ لڪير تعلق آهي.
- Homoscedasticity: X جي هر قيمت لاء، بقايا ويرينس ساڳيو آهي.
- آزادي: مشاهدو آزاديءَ جي لحاظ کان هڪ ٻئي کان آزاد آهي.
- معمولي: جڏهن X مقرر ڪيو ويو آهي، Y عام طور تي ورهايو ويندو آهي.
لڪير ريگريشن ڊيٽا لاءِ شاندار طور تي انجام ڏئي ٿو جيڪا لائنن سان الڳ ٿي سگهي ٿي. اهو باقاعده، ڪراس-تصديق، ۽ طول و عرض گھٽائڻ جي ٽيڪنڪ استعمال ڪندي اوورفٽنگ کي ڪنٽرول ڪري سگهي ٿو. بهرحال، اهڙا مثال آهن جتي وسيع فيچر انجنيئرنگ جي ضرورت هوندي آهي، جيڪا ڪڏهن ڪڏهن اوورفٽنگ ۽ شور جي نتيجي ۾ ٿي سگهي ٿي.
2. لاجسٽڪ ريگريشن
لاجسٽڪ ريگريشن هڪ ٻي مشين لرننگ ٽيڪنڪ آهي جيڪا نگراني ڪيل سکيا مان نڪرندي آهي. ان جو وڏو استعمال درجه بندي آهي، جڏهن ته اهو پڻ استعمال ڪري سگهجي ٿو رجعت جي مسئلن لاء.
لاجسٽڪ ريگريشن استعمال ڪيو ويندو آهي ڪلاسيڪل انحصار متغير جي اڳڪٿي ڪرڻ لاءِ آزاد فڪٽرن مان معلومات استعمال ڪندي. مقصد آھي ٻاھرين کي درجه بندي ڪرڻ، جيڪو صرف 0 ۽ 1 جي وچ ۾ ٿي سگھي ٿو.
انپٽس جو وزن ٿيل ڪل sigmoid فنڪشن ذريعي پروسيس ڪيو ويندو آهي، هڪ ايڪٽيوشن فنڪشن جيڪو 0 ۽ 1 جي وچ ۾ قدر تبديل ڪري ٿو.
لاجسٽڪ ريگريشن جو بنياد وڌ ۾ وڌ امڪاني اندازي جو آهي، مخصوص مشاهدو ڪيل ڊيٽا ڏنل فرض ڪيل امڪاني ورڇ جي پيٽرولن کي ڳڻڻ جو طريقو.
3. فيصلي جو وڻ
هڪ ٻيو مشين لرننگ جو طريقو جيڪو سپروائيزڊ لرننگ کان ڌار ڪري ٿو اهو فيصلو وڻ آهي. ٻئي درجي بندي ۽ رجعت جي مسئلن لاء، فيصلي واري وڻ جو طريقو استعمال ڪري سگهجي ٿو.
اهو فيصلو سازي وارو اوزار، جيڪو وڻ وانگر آهي، بصري نمائندگي استعمال ڪري ٿو عملن جي امڪاني نتيجن، قيمتن ۽ نتيجن کي ڏيکارڻ لاء. ڊيٽا کي جدا جدا حصن ۾ ورهائڻ سان، خيال انساني ذهن جي برابر آهي.
ڊيٽا کي مختلف حصن ۾ ورهايو ويو آهي جيترو اسان ان کي گرينول ڪري سگهون ٿا. فيصلي واري وڻ جو بنيادي مقصد هڪ تربيتي ماڊل ٺاهڻ آهي جيڪو ٽارگيٽ متغير جي طبقي جي اڳڪٿي ڪرڻ لاء استعمال ڪري سگهجي ٿو. گم ٿيل قدر پاڻمرادو سنڀالي سگھجن ٿا فيصلي جي وڻ کي استعمال ڪندي.
ھڪڙي شاٽ انڪوڊنگ، ڊمي متغير، يا ٻين ڊيٽا جي اڳڀرائي جي مرحلن لاء ڪا ضرورت نه آھي. اهو ان لحاظ کان سخت آهي ته ان ۾ تازو ڊيٽا شامل ڪرڻ ڏکيو آهي. جيڪڏهن توهان وٽ اضافي ليبل ٿيل ڊيٽا ملي ٿي، توهان کي گهرجي ته وڻ کي ٻيهر سڄي ڊيٽا سيٽ تي.
نتيجي طور، فيصلي جا وڻ ڪنهن به ايپليڪيشن لاءِ خراب چونڊ آهن جن کي متحرڪ ماڊل تبديلي جي ضرورت آهي.
ھدف جي قسم جي بنياد تي، فيصلي جي وڻن کي ٻن قسمن ۾ ورهايو ويو آھي:
- Categorical Variable: ھڪ فيصلو ڪندڙ وڻ جنھن ۾ گول متغير Categorical آھي.
- مسلسل متغير (Continuous Variable): هڪ فيصلي وارو وڻ جنهن ۾ گول متغير مسلسل هوندو آهي.
4. بي ترتيب ٻيلو
رينڊم فاريسٽ ميٿڊ ايندڙ مشين لرننگ ٽيڪنڪ آهي ۽ هڪ نگراني ڪيل مشين لرننگ الگورٿم آهي جيڪو وڏي پيماني تي درجه بندي ۽ رجعت جي مسئلن ۾ استعمال ٿيندو آهي. اهو پڻ هڪ وڻ تي ٻڌل طريقو آهي، هڪ فيصلي واري وڻ وانگر.
وڻن جو هڪ ٻيلو، يا ڪيترائي فيصلا وڻ، فيصلا ڪرڻ لاء بي ترتيب واري ٻيلو طريقي سان استعمال ڪيو ويندو آهي. جڏهن درجه بندي جي ڪمن کي هٿي وٺندي، بي ترتيب واري ٻيلي جو طريقو ڪيٽيگريڪل متغيرن کي ملازمت ڏيندو آهي جڏهن ته ڊيٽا سيٽن سان ريگريشن ڪمن کي سنڀاليندا آهن جيڪي مسلسل متغير تي مشتمل هوندا آهن.
ڪيترن ئي ماڊلز جو هڪ مجموعو، يا ميلاپ، اهو آهي جيڪو بي ترتيب ٻيلو طريقو ڪندو آهي، جنهن جو مطلب آهي اڳڪٿيون صرف هڪ بدران ماڊل جي هڪ گروپ کي استعمال ڪندي ڪيون وينديون آهن.
ٻنهي درجي بندي ۽ رجعت جي مسئلن لاء استعمال ٿيڻ جي صلاحيت، جيڪي جديد مشين جي سکيا واري نظام جي اڪثريت کي ٺاهيندا آهن، بي ترتيب واري جنگل جو هڪ اهم فائدو آهي.
Ensemble پاران ٻه مختلف حڪمت عمليون استعمال ڪيون ويون آهن:
- بيگنگ: ائين ڪرڻ سان، ٽريننگ ڊيٽا سيٽ لاءِ وڌيڪ ڊيٽا ٺاهيا ويندا آهن. اڳڪٿين ۾ فرق کي گهٽائڻ لاءِ، هي ڪيو ويو آهي.
- بوسٽنگ اهو عمل آهي جيڪو ڪمزور سکندڙن کي مضبوط سکندڙن سان گڏ ڪري مسلسل ماڊل ٺاهي، جنهن جي نتيجي ۾ آخري ماڊل وڌ ۾ وڌ درستگي سان.
5. Naive Bayes
هڪ بائنري (ٻه طبقو) ۽ گھڻ-طبقاتي درجه بندي مسئلو حل ڪري سگهجي ٿو Naive Bayes ٽيڪنڪ استعمال ڪندي. جڏهن طريقو بيان ڪيو ويو آهي بائنري يا ڪيٽيگري انپٽ ويلز استعمال ڪندي، اهو سمجهڻ آسان آهي. هڪ مفروضو هڪ Naive Bayes classifier پاران ڪيو ويو آهي ته هڪ طبقي ۾ هڪ خاصيت جي وجود جو ڪنهن ٻئي خاصيت جي موجودگي تي ڪو به اثر نه آهي.
مٿي ڏنل فارمولا اشارو ڪري ٿو:
- P(H): امڪان اهو آهي ته مفروضو H صحيح آهي. اڳوڻو امڪان اهو حوالو ڏنو ويو آهي.
- P (E): ثبوت جو امڪان
- P(E|H): امڪان اهو آهي ته مفروضو ثبوت جي حمايت ڪئي وئي آهي
- P(H|E): امڪان اهو آهي ته مفروضو صحيح آهي، ثبوت ڏنو ويو آهي.
هڪ Naive Bayes درجه بندي ڪندڙ انهن خاصيتن مان هر هڪ کي انفرادي طور تي حساب ۾ رکندو جڏهن ڪنهن خاص نتيجي جي امڪان کي طئي ڪندي، جيتوڻيڪ اهي خاصيتون هڪ ٻئي سان ڳنڍيل آهن. هڪ Naive Bayesian ماڊل ٺاهڻ لاءِ سادو آهي ۽ وڏي ڊيٽا سيٽن لاءِ اثرائتو آهي.
اهو معلوم ٿئي ٿو ته بنيادي هجڻ جي باوجود به سڀ کان وڌيڪ پيچيده درجه بندي ٽيڪنالاجي کان بهتر ڪارڪردگي. اهو الگورتھم جو هڪ مجموعو آهي جيڪي سڀئي بيز جي ٿيوريم تي ٻڌل آهن، بلڪه هڪ واحد طريقي جي.
6. K- ويجھا پاڙيسري
K- ويجھا پاڙيسري (kNN) ٽيڪنڪ نگراني ڪيل مشين لرننگ جو ھڪڙو ذيلي سيٽ آھي جيڪو درجه بندي ۽ رجعت جي مسئلن کي حل ڪرڻ لاءِ استعمال ٿي سگھي ٿو. KNN الورورٿم فرض ڪري ٿو ته تقابلي شيون ويجهي ڳولي سگهجن ٿيون.
مان ان کي ياد ڪريان ٿو جهڙوڪ ذهن رکندڙ ماڻهن جي گڏجاڻي. kNN قربت، قربت، يا فاصلو استعمال ڪندي ٻين ڊيٽا پوائنٽن جي وچ ۾ مشابهت جي خيال جو فائدو وٺي ٿو. ويجھي ليبل ٿيل مشاهدي واري ڊيٽا پوائنٽن جي بنياد تي اڻ ڏٺي ڊيٽا کي ليبل ڪرڻ لاءِ، گراف تي پوائنٽن جي وچ ۾ علحدگي کي طئي ڪرڻ لاءِ هڪ رياضياتي طريقو استعمال ڪيو ويندو آهي.
توهان کي ڊيٽا پوائنٽن جي وچ ۾ فاصلو طئي ڪرڻ گهرجي ته جيئن ويجھي مقابلي واري جڳهن کي سڃاڻڻ لاءِ. فاصلي جي ماپن جهڙوڪ ايڪليڊين فاصلو، هيمنگ فاصلو، منهٽن فاصلو، ۽ منڪووسڪي فاصلو هن لاء استعمال ڪري سگهجي ٿو. K کي ويجھي پاڙيسري نمبر طور سڃاتو وڃي ٿو، ۽ اهو اڪثر ڪري هڪ بيڪار نمبر آهي.
KNN کي لاڳو ڪري سگھجي ٿو درجه بندي ۽ رجعت جي مسئلن تي. اڳڪٿي ڪئي وئي جڏهن KNN استعمال ڪيو ويندو آهي رجعت جي مسئلن لاءِ K-سڀ کان وڌيڪ ساڳئي واقعن جي وچين يا وچين تي ٻڌل آهي.
KNN جي بنياد تي درجه بندي الگورٿم جو نتيجو، K جي سڀ کان وڌيڪ ساڳئي واقعن جي وچ ۾ سڀ کان وڌيڪ تعدد سان ڪلاس جي طور تي طئي ڪري سگهجي ٿو. هر مثال لازمي طور تي پنهنجي طبقي لاءِ ووٽ وجهندو آهي، ۽ اڳڪٿي ان طبقي سان تعلق رکي ٿي جيڪا سڀ کان وڌيڪ ووٽ حاصل ڪري.
7. ڪ- مطلب
اهو غير نگراني ٿيل سکيا لاءِ هڪ ٽيڪنڪ آهي جيڪا ڪلسٽرنگ مسئلن کي حل ڪري ٿي. ڊيٽا سيٽن کي ڪلسٽرن جي هڪ مخصوص تعداد ۾ ورهايو ويو آهي - اچو ته ان کي K سڏيو وڃي - اهڙي طرح ته هر ڪلستر جي ڊيٽا پوائنٽ هڪجهڙائي وارا آهن ۽ ٻين ڪلسٽرن کان مختلف آهن.
K- مطلب ڪلسٽرنگ جو طريقو:
- هر ڪلستر لاءِ، K-ميان الگورٿم چونڊي ٿو k سينٽروڊس، يا پوائنٽس.
- ويجھي سينٽروڊس يا K ڪلستر سان، هر ڊيٽا پوائنٽ هڪ ڪلستر ٺاهيندو آهي.
- ھاڻي، نوان سينٽروائڊ تيار ڪيا ويا آھن جيڪي اڳ ۾ موجود ڪلستر ميمبرن تي منحصر آھن.
- هر ڊيٽا پوائنٽ لاء ويجهي فاصلي جي حساب سان حساب ڪيو ويو آهي انهن تازه ڪاري سينٽروڊس استعمال ڪندي. جيستائين سينٽرروڊ تبديل نه ٿيندا، اهو عمل بار بار ڪيو ويندو آهي.
اهو تيز، وڌيڪ قابل اعتماد، ۽ سمجهڻ آسان آهي. جيڪڏهن مسئلا آهن، ڪ-مطلب جي موافقت ترتيبن کي آسان بڻائي ٿي. جڏهن ڊيٽا سيٽ هڪ ٻئي کان الڳ يا چڱي طرح الڳ ٿيل آهن، نتيجا بهترين آهن. اهو غلط ڊيٽا يا ٻاهران کي منظم نٿو ڪري سگهي.
8. سپورٽ ویکٹر مشين
جڏهن ڊيٽا کي درجه بندي ڪرڻ لاءِ SVM ٽيڪنڪ استعمال ڪيو وڃي ٿو، خام ڊيٽا n-dimensional space ۾ ڊٽس طور ڏيکاريا ويندا آهن (جتي n توهان وٽ موجود خاصيتن جو تعداد آهي). ڊيٽا کي پوء آساني سان درجه بندي ڪري سگهجي ٿو ڇاڪاڻ ته هر خاصيت جي قيمت پوء هڪ مخصوص همراه سان ڳنڍيل آهي.
ڊيٽا کي الڳ ڪرڻ ۽ انهن کي گراف تي رکڻ لاءِ، لائينون استعمال ڪريو جيڪي درجه بندي ڪندڙ طور سڃاتل آهن. اهو طريقو هر ڊيٽا پوائنٽ کي هڪ نقطي جي طور تي n-dimensional اسپيس ۾ پلاٽ ڪري ٿو، جتي n توهان وٽ موجود خاصيتن جو تعداد آهي ۽ هر خاصيت جي قيمت هڪ مخصوص همعصر قدر آهي.
اسان ھاڻي ھڪڙي لڪير کي ڳوليندا سين جيڪا ڊيٽا کي ڊيٽا جي ٻن سيٽن ۾ ورهائي ٿي جيڪا مختلف طور تي درجه بندي ڪئي وئي آھي. ٻن گروپن مان هر هڪ ۾ ويجھي پوائنٽن کان فاصلو هن لڪير سان گڏ سڀ کان وڌيڪ پري هوندو.
جيئن ته ٻه ويجھا نقطا اهي آهن جيڪي مٿين مثال ۾ لڪير کان تمام گهڻو پري آهن، اها لڪير جيڪا ڊيٽا کي ٻن گروپن ۾ ورهائي ٿي جن کي مختلف طور تي درجه بندي ڪيو ويو آهي وچين لائن. اسان جي درجه بندي ڪندڙ هي لائن آهي.
9. Dimensionality گھٽتائي
طول و عرض جي گھٽتائي جي انداز کي استعمال ڪندي، ٽريننگ ڊيٽا ٿي سگھي ٿو گھٽ ان پٽ متغير. سادي اصطلاحن ۾، اهو توهان جي فيچر سيٽ جي سائيز کي ڇڪڻ جي عمل ڏانهن اشارو ڪري ٿو. اچو ته تصور ڪريو ته توهان جي ڊيٽا سيٽ ۾ 100 ڪالم آهن. dimensionality جي گھٽتائي ان رقم کي 20 ڪالمن تائين گھٽائي ويندي.
ماڊل خود بخود وڌيڪ نفيس وڌي ٿو ۽ اوورفٽنگ جو وڏو خطرو آهي جيئن خاصيتن جو تعداد وڌي ٿو. ڊيٽا سان گڏ ڪم ڪرڻ ۾ سڀ کان وڏو مسئلو اهو آهي جيڪو "طول و عرض جي لعنت" جي نالي سان سڃاتو وڃي ٿو، جيڪو تڏهن ٿئي ٿو جڏهن توهان جي ڊيٽا ۾ گهڻي تعداد ۾ خاصيتون شامل آهن.
هيٺيان عناصر استعمال ڪري سگھجن ٿا dimensionality جي گھٽتائي کي پورو ڪرڻ لاء:
- مناسب خاصيتون ڳولڻ ۽ چونڊڻ لاء، خصوصيت جي چونڊ کي ملازمت ڏني وئي آهي.
- اڳ ۾ موجود خصوصيتن کي استعمال ڪندي، فيچر انجنيئرنگ دستي طور تي نيون خاصيتون ٺاهي ٿي.
ٿڪل
غير نگراني يا نگراني ٿيل مشين لرننگ ٻئي ممڪن آهي. نگراني ٿيل سکيا چونڊيو جيڪڏهن توهان جي ڊيٽا گهٽ گهڻي آهي ۽ تربيت لاءِ چڱي طرح ٽيگ ٿيل آهي.
وڏا ڊيٽا سيٽ اڪثر ڪري سگھندا ۽ بهتر نتيجا پيدا ڪندا غير نگراني ٿيل سکيا استعمال ڪندي. گپ سکيا طريقا بھترين آھن جيڪڏھن توھان وٽ آھي ھڪڙي وڏي ڊيٽا گڏ ڪرڻ جيڪا آساني سان دستياب آھي.
تقسيم جي سکيا ۽ deep reinforcement learning ڪجھ موضوع آھن جن جو توھان مطالعو ڪيو آھي. نيورل نيٽ ورڪ جون خاصيتون، استعمال، ۽ رڪاوٽون هاڻي توهان لاءِ واضح آهن. آخري نه پر گهٽ ۾ گهٽ، توهان مختلف پروگرامنگ ٻولين، IDEs ۽ پليٽ فارمن جي اختيارن تي غور ڪيو جڏهن اهو توهان جي پنهنجي ٺاهڻ لاءِ آيو مشيني سکيا جا ماڊل.
ايندڙ شيء توهان کي ڪرڻ جي ضرورت آهي پڙهائي شروع ڪرڻ ۽ هر هڪ کي استعمال ڪرڻ مشين جي سکيا انداز جيتوڻيڪ موضوع وسيع آهي، پر جيڪڏهن توهان ان جي کوٽائي تي ڌيان ڏيو ٿا ته ڪو به موضوع چند ڪلاڪن ۾ سمجهي سگهجي ٿو. هر موضوع ٻين کان اڪيلو بيٺو آهي.
توهان کي هڪ وقت ۾ هڪ مسئلي بابت سوچڻ گهرجي، ان جو مطالعو ڪرڻ گهرجي، ان کي عمل ۾ آڻڻ، ۽ ان ۾ الگورتھم (ن) کي لاڳو ڪرڻ لاءِ پنهنجي پسند جي ٻولي استعمال ڪرڻ گهرجي.
جواب ڇڏي وڃو