مشین لرننگ کو سمجھنے کے لیے تین گراف: بنیادی تصورات، پانچ بڑے سٹائل اور نو عام الگورتھم

مشین لرننگ کو سمجھنے کے لیے تین گراف: بنیادی تصورات، پانچ بڑے سٹائل اور نو عام الگورتھم

• مشین لرننگ کا جائزہ

  

  1. مشین لرننگ کیا ہے؟

     مشینیں بڑی مقدار میں اعداد و شمار کا تجزیہ کرکے سیکھتی ہیں۔ مثال کے طور پر ، کسی بلی یا چہرے کو پروگرامنگ کے ذریعہ پہچاننے کی ضرورت نہیں ہے۔ انہیں تصاویر کا استعمال کرتے ہوئے تربیت دی جاسکتی ہے تاکہ وہ مخصوص اہداف کو ضم اور پہچان سکیں۔

  2. مشین لرننگ اور اے آئی کے درمیان تعلقات

     مشین لرننگ تحقیق اور الگورتھم کا ایک شعبہ ہے جو اعداد و شمار میں ماڈل تلاش کرنے اور ان ماڈلوں کا استعمال کرتے ہوئے پیش گوئی کرنے پر مرکوز ہے۔ مشین لرننگ مصنوعی ذہانت کے شعبے کا حصہ ہے اور اس کا تعلق علم کی دریافت اور ڈیٹا کان کنی سے ہے۔

     

  3. مشین لرننگ کیسے کام کرتی ہے

     1 اعداد و شمار کا انتخاب کریں: اپنے اعداد و شمار کو تین گروپوں میں تقسیم کریں: ٹریننگ ڈیٹا، تصدیق شدہ ڈیٹا اور ٹیسٹنگ ڈیٹا 2 ماڈل ڈیٹا: متعلقہ خصوصیات کا استعمال کرتے ہوئے ماڈل بنانے کے لئے تربیت کے اعداد و شمار کا استعمال کریں 3 توثیقی ماڈل: اپنے توثیقی ڈیٹا کو اپنے ماڈل تک رسائی کے لئے استعمال کریں 4 ٹیسٹ ماڈل: آپ کے ٹیسٹ کے اعداد و شمار کا استعمال کرتے ہوئے تصدیق شدہ ماڈل کی کارکردگی کو چیک کریں 5 ماڈل استعمال کریں: مکمل طور پر تربیت یافتہ ماڈل کا استعمال کرتے ہوئے نئے اعداد و شمار پر پیشن گوئی کریں 6 اصلاحاتی ماڈل: زیادہ اعداد و شمار، مختلف خصوصیات یا تبدیل شدہ پیرامیٹرز کا استعمال کرکے الگورتھم کی کارکردگی کو بہتر بنانا۔

     

  4. مشین لرننگ کہاں ہے؟

     1 روایتی پروگرامنگ: سافٹ ویئر انجینئر مسئلے کو حل کرنے کے لئے پروگرام لکھتا ہے۔ پہلے کچھ ڈیٹا موجود ہوتا ہے۔→ کسی مسئلے کو حل کرنے کے لئے ، سافٹ ویئر انجینئر ایک عمل لکھتا ہے جو مشین کو بتاتا ہے کہ اسے کیا کرنا چاہئے۔→ کمپیوٹر اس عمل پر عمل پیرا ہوتا ہے اور نتائج اخذ کرتا ہے۔ 2 شماریات: تجزیہ کار متغیرات کے مابین تعلقات کا موازنہ کرتے ہیں۔ 3 مشین لرننگ: ڈیٹا سائنسدان کمپیوٹر کو تربیت یافتہ ڈیٹا سیٹ کا استعمال کرتے ہوئے سکھاتا ہے کہ اسے کیا کرنا چاہئے ، اور پھر نظام اس کام کو انجام دیتا ہے۔ سب سے پہلے ، بگ ڈیٹا موجود ہے → مشینیں تربیت یافتہ ڈیٹا سیٹ کا استعمال کرکے درجہ بندی کرنا سیکھتی ہیں ، اور ہدف کی درجہ بندی کو حاصل کرنے کے لئے مخصوص الگورتھم کو ایڈجسٹ کرتی ہیں۔ یہ کمپیوٹر اعداد و شمار میں تعلقات ، رجحانات اور نمونوں کی نشاندہی کرنا سیکھ سکتا ہے۔ 4 ذہین ایپلی کیشنز: ذہین ایپلی کیشنز کے نتائج جو اے آئی کا استعمال کرتے ہوئے حاصل کیے جاتے ہیں ، جیسے کہ ایک مثال کے طور پر ایک پریسٹیشن زراعت کا ایپلی کیشن ہے ، جو ڈرون کے ذریعہ جمع کردہ اعداد و شمار پر مبنی ہے۔

     

  5. مشین لرننگ کے عملی استعمال

     مشین لرننگ کے بہت سے ایپلی کیشنز ہیں، یہاں کچھ مثالیں ہیں، آپ اسے کس طرح استعمال کریں گے؟

     ریپڈ تھری ڈی میپنگ اور ماڈلنگ: ریلوے پل کی تعمیر کے لئے ، پی ڈبلیو سی کے ڈیٹا سائنسدانوں اور شعبے کے ماہرین نے مشین لرننگ کو ڈرون کے ذریعہ جمع کردہ ڈیٹا پر لاگو کیا۔ یہ امتزاج کام کی کامیابی میں عین مطابق نگرانی اور تیز رفتار آراء کو ممکن بناتا ہے۔

     خطرہ کم کرنے کے لئے تجزیات کو بڑھانا: اندرونی تجارت کا پتہ لگانے کے لئے ، پی ڈبلیو سی نے مشین لرننگ اور دیگر تجزیاتی تکنیکوں کو جوڑ دیا ، جس سے صارف کے بارے میں زیادہ جامع پروفائل تیار ہوا اور پیچیدہ مشکوک طرز عمل کے بارے میں گہری تفہیم حاصل ہوئی۔

     بہترین کارکردگی کا اندازہ لگانا: پی ڈبلیو سی نے مشین لرننگ اور دیگر تجزیاتی طریقوں کا استعمال کرتے ہوئے میلبورن کپ کے میدان میں مختلف گھوڑوں کی صلاحیت کا اندازہ کیا ہے۔

• دوسرا، مشین لرننگ کا ارتقاء

  

  کئی دہائیوں سے اے آئی کے محققین کے مختلف "قبائل" ایک دوسرے کے درمیان تسلط کے لئے مقابلہ کر رہے ہیں۔ کیا اب وقت آگیا ہے کہ یہ قبائل متحد ہوجائیں؟ شاید انہیں بھی ایسا کرنا پڑے گا ، کیونکہ تعاون اور الگورتھم کا انضمام واقعی عمومی اے آئی (اے جی آئی) کے حصول کا واحد طریقہ ہے۔ یہاں مشین لرننگ کے طریقوں کے ارتقاء کا راستہ اور مستقبل کی ممکنہ شکل دی گئی ہے۔

  1. پانچ بڑی صنفیں

     1 علامت پسندی: علم کو ظاہر کرنے اور منطقی استدلال کرنے کے لئے علامات ، قواعد اور منطق کا استعمال۔ ان میں سے سب سے زیادہ پسندیدہ الگورتھم یہ ہیں: قواعد اور فیصلہ سازی کے درخت 2 Bayesian: ہونے کے امکانات کو حاصل کرنے کے لئے امکانات کی قیاس آرائی کرنے کے لئے، پسندیدہ الگورتھم: سادہ Bayesian یا Markov 3 منسلکیت: امکانات کے میٹرکس اور وزن والے نیورونز کا استعمال کرتے ہوئے متحرک طور پر نمونوں کی شناخت اور انڈکشن کرنے کے لئے ، پسندیدہ الگورتھم: نیورل نیٹ ورکس 4 ارتقاء پسندی: تبدیلی پیدا کرنا اور پھر مخصوص مقاصد کے لیے ان میں سے بہترین کو نکالنا۔ پسندیدہ الگورتھم: جینیاتی الگورتھم 5Analogizer: پابندیوں کے مطابق افعال کو بہتر بنانے کے لئے ((جتنا ممکن ہو سکے کے طور پر زیادہ سے زیادہ جانا، لیکن اس کے ساتھ ساتھ سڑک سے باہر نہیں جانا) ، پسندیدہ الگورتھم یہ ہے: ویکٹر مشین کی حمایت کریں

     

  2. ارتقاء کے مراحل

     1980ء کی دہائی

     اہم سٹائل: علامتی فن تعمیر: سرور یا ماسٹر مشین غالب نظریہ: علمی انجینئرنگ بنیادی فیصلہ سازی کی منطق: فیصلہ سازی کے لئے معاون نظام، محدود افادیت

     1990ء سے 2000ء

     اہم سٹائل: بیز فن تعمیر: چھوٹے سرور کلسٹر غالب نظریہ: احتمال زمرہ جات: توسیع پذیر موازنہ یا تضاد ، بہت سارے کاموں کے لئے کافی اچھا ہے

     2010 کی دہائی کے اوائل اور وسط

     غالب صنف: اتحاد پسندی فن تعمیر: بڑے سرور فارم غالب نظریہ: نیورو سائنس اور احتمال شناخت: زیادہ درست تصویر اور آواز کی شناخت، ترجمہ، جذباتی تجزیہ وغیرہ

     

  3. یہ امید کی جاتی ہے کہ یہ دونوں صنفیں مل کر کام کریں گی اور اپنے اپنے طریقوں کو یکجا کریں گی۔

     2010 کی دہائی کے آخر میں

     غالب صنف: اتحاد + علامت فن تعمیر: بہت سے بادل غالب نظریات: میموری نیورل نیٹ ورکس، بڑے پیمانے پر انضمام، علم پر مبنی استدلال سادہ سوال اور جواب: محدود، شعبے کے مخصوص علم کا اشتراک

     2020 کی دہائی +

     اہم صنف: اتحاد + علامت + بیز +... فن تعمیر: کلاؤڈ کمپیوٹنگ اور دوبد کمپیوٹنگ غالب نظریہ: احساس کے وقت نیٹ ورکس ، استدلال اور کام کے وقت قواعد۔ سادہ ادراک، استدلال اور عمل: محدود آٹومیشن یا انسان اور روبوٹ کے درمیان تعامل

     2040 کی دہائی +

     اہم صنف: الگورتھم کا امتزاج فن تعمیر: ہر جگہ سرور غالب نظریہ: بہترین امتزاج کے لئے میٹا لرننگ ادراک اور ردعمل: متعدد سیکھنے کے طریقوں سے حاصل کردہ علم یا تجربے کی بنیاد پر کارروائی یا جواب دینا

• تین، مشین سیکھنے کے لئے الگورتھم

  

  آپ کو کون سا مشین لرننگ الگورتھم استعمال کرنا چاہئے؟ اس کا انحصار بہت حد تک دستیاب اعداد و شمار کی نوعیت اور مقدار پر ہے اور ہر مخصوص استعمال کے معاملے میں آپ کے تربیتی مقاصد پر ہے۔ انتہائی پیچیدہ الگورتھم استعمال نہ کریں ، جب تک کہ اس کے نتائج مہنگے اخراجات اور وسائل کی قیمت کے قابل نہ ہوں۔ یہاں کچھ عام ترین الگورتھم دیئے گئے ہیں ، جن کا استعمال کرنے میں آسانی کے لحاظ سے ترتیب دیا گیا ہے۔

  1. فیصلہ درخت: مرحلہ وار ردعمل کے دوران ، عام طور پر فیصلہ درخت تجزیہ پرتوں والے متغیرات یا فیصلہ کن نوڈس کا استعمال کرتا ہے ، مثال کے طور پر ، کسی صارف کو کریڈٹ قابل اعتماد یا ناقابل اعتماد قرار دیا جاتا ہے۔

     خصوصیات: لوگوں، مقامات اور چیزوں کی مختلف خصوصیات، خصوصیات اور خصوصیات کا اندازہ لگانا منظر نامے کی مثالیں: قواعد پر مبنی کریڈٹ تشخیص ، ریس کے نتائج کی پیش گوئی

     

  2. سپورٹ ویکٹر مشین: ہائپر پلین کی بنیاد پر ، ویکٹر مشین کی مدد سے ڈیٹا سیٹ کی درجہ بندی کی جاسکتی ہے۔

     فوائد: ویکٹر مشینوں کی حمایت کریں جو متغیر X اور دیگر متغیرات کے مابین بائنری درجہ بندی کرنے میں مہارت رکھتے ہیں ، چاہے ان کے تعلقات لکیری ہوں یا نہیں مثال کے طور پر: خبروں کی درجہ بندی، ہینڈ رائٹنگ کی شناخت۔

  3. رجسٹریشن: رجسٹریشن سے کسی متغیر کی حالت اور ایک یا ایک سے زیادہ متغیرات کے درمیان تعلقات کا خاکہ تیار کیا جاسکتا ہے۔ اس مثال میں ، اسپام اور غیر اسپام میں فرق کیا گیا ہے۔

     فوائد: رجعت متغیرات کے درمیان مسلسل تعلقات کی شناخت کے لئے استعمال کیا جا سکتا ہے، یہاں تک کہ اگر یہ تعلقات بہت واضح نہیں ہیں منظر نامے کی مثالیں: ٹریفک ٹریفک تجزیہ، میل فلٹرنگ

     

  4. بے عیب بیز درجہ بندی: بے عیب بیز درجہ بندی کا استعمال ممکنہ شرائط کی شاخوں کے امکانات کا حساب لگانے کے لئے کیا جاتا ہے۔ ہر آزاد خصوصیت "بے عیب" یا شرائط سے آزاد ہے ، لہذا وہ کسی اور شے پر اثر انداز نہیں ہوتی ہیں۔ مثال کے طور پر ، پانچ پیلے رنگ اور سرخ رنگ کے گولوں کے ساتھ ایک ڈبے میں ، دو پیلے رنگ کے گولوں کو لگاتار پکڑنے کا کیا امکان ہے؟

     فوائد: چھوٹے ڈیٹا سیٹ میں نمایاں خصوصیات کے ساتھ متعلقہ اشیاء کے لئے، سادہ Bayesian طریقہ کار تیزی سے درجہ بندی کرنے کی اجازت دیتا ہے منظر نامے کی مثالیں: جذباتی تجزیہ، صارفین کی درجہ بندی

  5. خفیہ مارکوف ماڈل: ظاہر مارکوف عمل مکمل طور پر یقینی ہے کہ ایک ریاست اکثر ایک اور ریاست کے ساتھ ہوتی ہے۔ ٹریفک لائٹس ایک مثال ہیں۔ اس کے برعکس، خفیہ مارکوف ماڈل نے ظاہر اعداد و شمار کا تجزیہ کرکے خفیہ حالتوں کے واقعے کا حساب لگایا ہے۔ اس کے بعد، خفیہ ریاست تجزیہ کے ذریعہ، خفیہ مارکوف ماڈل ممکنہ مستقبل کے مشاہدے کے نمونوں کا اندازہ لگاتا ہے۔ اس معاملے میں، اعلی یا کم دباؤ کا امکان (یہ خفیہ حالت ہے) صاف دن، بارش کے دن، زیادہ ابر آلود دن کی پیش گوئی کرنے کے لئے استعمال کیا جا سکتا ہے.

     فوائد: اعداد و شمار کی تغیر کی اجازت دیتا ہے ، شناخت اور پیش گوئی کے عمل کے لئے موزوں ہے منظر نامے کی مثالیں: چہرے کے تاثرات کا تجزیہ، موسم کی پیش گوئی

     

  6. رینڈم جنگل: رینڈم جنگل کے الگورتھم نے فیصلہ سازی کے درختوں کی درستگی کو بہتر بنایا ہے جس میں متعدد درختوں کا استعمال کیا گیا ہے جن میں بے ترتیب طور پر منتخب کردہ ذیلی سیٹ کے ساتھ اعداد و شمار ہیں۔ اس مثال میں چھاتی کے کینسر کی واپسی کے ساتھ منسلک بہت سارے جینوں کو جین کی اظہار کی سطح پر دیکھا گیا ہے اور ان کے دوبارہ آنے کے خطرے کا حساب لگایا گیا ہے۔

     فوائد: بے ترتیب جنگل کا طریقہ کار بڑے پیمانے پر ڈیٹا بیس اور ایسی اشیاء کے لئے مفید ثابت ہوا ہے جن میں بہت ساری اور بعض اوقات غیر متعلقہ خصوصیات موجود ہیں منظر نامے کی مثالیں: صارف کی گمشدگی کا تجزیہ، خطرے کا جائزہ

  7. سرکلر نیورل نیٹ ورک (Recurrent neural network): کسی بھی نیورل نیٹ ورک میں، ہر نیورون ایک یا ایک سے زیادہ پوشیدہ تہوں کے ذریعے بہت ساری ان پٹ کو ایک واحد آؤٹ پٹ میں تبدیل کرتا ہے۔ سرکلر نیورل نیٹ ورک (RNN) قدر کو مزید پرتوں میں منتقل کرتا ہے، جس سے پرتوں میں سیکھنا ممکن ہوتا ہے۔ دوسرے الفاظ میں، RNN میں کسی قسم کی یادداشت موجود ہے، جو پچھلے آؤٹ پٹ کو پچھلے آؤٹ پٹ پر اثر انداز کرنے کی اجازت دیتی ہے۔

     فوائد: سرکلر نیورل نیٹ ورکس بہت سی منظم معلومات کی موجودگی میں پیش گوئی کرنے کی صلاحیت رکھتے ہیں منظر نامے کی مثالیں: تصویر کی درجہ بندی اور عنوانات کا اضافہ، سیاسی جذبات کا تجزیہ

     

  8. طویل قلیل مدتی میموری (LSTM) اور گیٹڈ ریکورینٹ یونٹ نیروال نیٹ ورکس (gated recurrent unit neural network): ابتدائی RNN کی شکل میں نقصان ہوتا ہے۔ اگرچہ یہ ابتدائی ریکورینٹ نیوروال نیٹ ورکس صرف ابتدائی معلومات کی ایک چھوٹی سی مقدار کو برقرار رکھنے کی اجازت دیتے ہیں ، لیکن جدید طویل مدتی میموری (LSTM) اور گیٹڈ ریکورینٹ یونٹ (GRU) نیوروال نیٹ ورکس میں طویل مدتی اور قلیل مدتی میموری دونوں موجود ہیں۔ دوسرے الفاظ میں ، یہ جدید ترین RNNs بہتر کنٹرول میموری کی صلاحیت رکھتے ہیں ، جو پہلے سے ہی پروسیسنگ کو برقرار رکھنے کی اجازت دیتے ہیں یا جب بہت سارے سلسلہ وار اقدامات کی ضرورت ہوتی ہے تو ان کی قیمتوں کو دوبارہ ترتیب دیتے ہیں ، جس سے "درج میں کمی" یا درجہ بندی سے گزرنے والی اقدار کی حتمی انحطاط سے بچ جاتا ہے۔

     فوائد: طویل قلیل مدتی میموری اور دروازے پر قابو پانے والے سرکلر سیل نیورل نیٹ ورکس میں دوسرے سرکلر نیورل نیٹ ورکس کی طرح فوائد ہیں ، لیکن زیادہ کثرت سے استعمال کیا جاتا ہے کیونکہ ان کی یادداشت کی صلاحیت بہتر ہے۔ منظر نامے کی مثالیں: قدرتی زبان کی پروسیسنگ، ترجمہ

  9. convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network: convolutional neural network

     فوائد: جب بہت بڑے ڈیٹا سیٹ ، بہت ساری خصوصیات اور پیچیدہ درجہ بندی کے کاموں کی ضرورت ہو تو ، convolutional neural networks بہت مفید ہیں۔ منظر نامے کی مثالیں: تصویری شناخت ، متن کی ترجمانی ، منشیات کی دریافت

• اصل لنک:

  http://usblogs.pwc.com/emerging-technology/a-look-at-machine-learning-infographic/

  http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/

  http://usblogs.pwc.com/emerging-technology/machine-learning-evolution-infographic/

بگ ڈیٹا پلیٹ فارم سے نقل کیا گیا