مشین لرننگ کو سمجھنے کے لیے تین تصویریں: بنیادی تصورات، پانچ بڑے اسکول اور نو مشترکہ الگورتھم

• #### مشین لرننگ کا جائزہ

1. مشین لرننگ کیا ہے؟

   مشینیں بڑے پیمانے پر اعداد و شمار کا تجزیہ کرکے سیکھتی ہیں۔ مثال کے طور پر ، انہیں بلیوں یا چہروں کو پہچاننے کے لئے پروگرامنگ کی ضرورت نہیں ہے ، انہیں تصاویر کے استعمال سے تربیت دی جاسکتی ہے تاکہ وہ مخصوص اہداف کو شامل اور پہچان سکیں۔

2. مشین لرننگ اور مصنوعی ذہانت کے درمیان تعلق

   مشین لرننگ (انگریزی: Machine learning) تحقیق اور الگورتھم کی ایک قسم ہے جو اعداد و شمار میں نمونوں کی تلاش اور ان نمونوں کو استعمال کرتے ہوئے پیش گوئی کرتی ہے۔ مشین لرننگ (انگریزی: Machine learning) مصنوعی ذہانت (انگریزی: Artificial intelligence) کا ایک حصہ ہے اور یہ علم کی دریافت اور ڈیٹا مائننگ کے ساتھ مل کر کام کرتی ہے۔

   

3. مشین سیکھنے کا طریقہ کار

   1 ڈیٹا منتخب کریں: آپ کے ڈیٹا کو تین گروپوں میں تقسیم کریں: ٹریننگ ڈیٹا، توثیق ڈیٹا اور ٹیسٹ ڈیٹا 2 ماڈل ڈیٹا: متعلقہ خصوصیات کا استعمال کرتے ہوئے ماڈل تعمیر کرنے کے لئے تربیت کے اعداد و شمار کا استعمال کرتے ہوئے 3 توثیقی ماڈل: آپ کے توثیقی اعداد و شمار کا استعمال کرتے ہوئے آپ کے ماڈل تک رسائی 4 ٹیسٹ ماڈل: آپ کے ٹیسٹ ڈیٹا کا استعمال کرتے ہوئے تصدیق شدہ ماڈل کی کارکردگی کی جانچ پڑتال کریں 5 ماڈل کا استعمال: نئے اعداد و شمار پر پیش گوئی کرنے کے لئے مکمل طور پر تربیت یافتہ ماڈل کا استعمال کریں 6 ایڈجسٹمنٹ ماڈل: الگورتھم کی کارکردگی کو بہتر بنانے کے لئے زیادہ اعداد و شمار ، مختلف خصوصیات یا ایڈجسٹ شدہ پیرامیٹرز کا استعمال کریں

   

4. مشین لرننگ کہاں ہے؟

   1 روایتی پروگرامنگ: سافٹ ویئر انجینئرز مسئلے کو حل کرنے کے لئے پروگرام لکھتے ہیں۔ پہلے کچھ اعداد و شمار موجود ہیں۔→ کسی مسئلے کو حل کرنے کے لئے ، سافٹ ویئر انجینئرز ایک عمل لکھتے ہیں جو مشین کو بتاتا ہے کہ اسے کیا کرنا چاہئے→ کمپیوٹر اس عمل کی تعمیل کرتا ہے ، اور پھر نتیجہ اخذ کرتا ہے۔ 2 شماریات: تجزیہ کار متغیرات کے مابین تعلقات کا موازنہ کرتے ہیں 3 مشین لرننگ: اعداد و شمار کے سائنسدانوں کو تربیت دینے والے ڈیٹا سیٹ کا استعمال کرتے ہوئے کمپیوٹر کو یہ سکھایا جاتا ہے کہ اسے کیا کرنا چاہئے ، اور پھر سسٹم اس کام کو انجام دیتا ہے۔ پہلے بڑے اعداد و شمار کی موجودگی→ مشینیں درجہ بندی کرنے کے لئے تربیت یافتہ ڈیٹا سیٹ کا استعمال 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 کو پہچاننا سیکھتا ہے 4 اسمارٹ ایپلی کیشنز: اسمارٹ ایپلی کیشنز مصنوعی ذہانت کا استعمال کرتے ہوئے حاصل کردہ نتائج ، جیسا کہ ایک صحت سے متعلق زراعت کے لئے ایپلی کیشن کیس کی نمائش کی گئی ہے ، جو ڈرون کے ذریعہ جمع کردہ اعداد و شمار پر مبنی ہے۔

   

5. مشین لرننگ کے عملی استعمال

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

   تیز رفتار 3D نقشہ سازی اور ماڈلنگ: ریلوے پل کی تعمیر کے لئے ، پی ڈبلیو سی کے ڈیٹا سائنسدانوں اور فیلڈ کے ماہرین نے مشین لرننگ کو ڈرون کے ذریعہ جمع کردہ اعداد و شمار پر لاگو کیا۔ اس مجموعہ سے کام کی کامیابی میں عین مطابق نگرانی اور تیز رفتار آراء حاصل ہوتی ہیں۔

   خطرات کو کم کرنے کے لئے تجزیات کو بڑھانا: داخلی لین دین کا پتہ لگانے کے لئے ، پی ڈبلیو سی نے مشین لرننگ اور دیگر تجزیاتی تکنیکوں کو جوڑ دیا ، جس سے صارف کا زیادہ جامع پروفائل تیار کیا گیا اور پیچیدہ مشکوک طرز عمل کے بارے میں گہری معلومات حاصل کی گئیں۔

   بہترین کارکردگی کی پیشن گوئی کرنے والے اہداف: پی ڈبلیو سی نے میلبورن کپ کے میدانوں میں مختلف گھوڑوں کی صلاحیتوں کا اندازہ لگانے کے لئے مشین لرننگ اور دیگر تجزیاتی طریقوں کا استعمال کیا۔

• #### 2، مشین لرننگ کا ارتقاء

کئی دہائیوں سے ، اے آئی کے محققین کے مختلف “قبائل” ایک دوسرے کے ساتھ بالادستی کے لئے لڑ رہے ہیں۔ کیا اب وقت آگیا ہے کہ یہ قبائل متحد ہوجائیں؟ اور شاید انہیں بھی ایسا کرنا پڑے گا ، کیوں کہ تعاون اور الگورتھم کو جوڑنا ہی حقیقی طور پر عام AI (AGI) حاصل کرنے کا واحد طریقہ ہے۔ یہاں مشین لرننگ کے طریقوں کے ارتقا کا راستہ اور مستقبل کی ممکنہ شکل دی گئی ہے۔

1. پانچ بڑے گروہوں

   1 علامتیت: علم کی نمائندگی کرنے اور منطقی استدلال کرنے کے لئے علامات ، قواعد اور منطق کا استعمال کرنا ، پسندیدہ الگورتھم: قواعد اور فیصلہ درخت 2 بیسٹ: امکانات کے حصول کے لئے امکانات کا نتیجہ اخذ کرنے کے لئے ، پسندیدہ الگورتھم: سادہ بیسٹ یا مارکوف 3 کنکشنزم: امکانات کے میٹرکس اور وزن والے نیورونز کا استعمال کرتے ہوئے متحرک طور پر شناخت اور انضمام کے نمونے ، پسندیدہ الگورتھم: نیورل نیٹ ورکس 4 ارتقاء پسندی: تبدیلیاں پیدا کریں ، پھر کسی خاص مقصد کے لئے ان میں سے بہترین حاصل کریں ، پسندیدہ الگورتھم: جینیاتی الگورتھم 5Analogizer: پابند شرائط کے مطابق فنکشن کو بہتر بنانے کے لئے ((جتنا ممکن ہو زیادہ سے زیادہ جاؤ ، لیکن ایک ہی وقت میں راستے سے نہ نکلیں) ، پسندیدہ الگورتھم: ویکٹر مشینوں کی حمایت کریں

   

2. ارتقاء کے مراحل

   1980ء کی دہائی

   مرکزی سٹائل: علامتیت فن تعمیر: سرور یا لیپ ٹاپ غالب نظریہ: علم انجینئرنگ بنیادی فیصلہ سازی کی منطق: فیصلہ سازی کی معاونت کے نظام، محدود عملی

   1990 کی دہائی سے 2000 تک

   اہم صنف: بییٹس فن تعمیر: چھوٹے سرور کلسٹر غالب نظریہ: احتمال کا نظریہ درجہ بندی: توسیع پذیر موازنہ یا موازنہ، بہت سے کاموں کے لئے کافی اچھا

   ابتدائی تا وسط 2010ء

   مرکزی دھارے میں شامل: اتحاد پسند فن تعمیر: بڑے سرور فارم غالب نظریہ: نیوروسائنس اور امکانات شناخت: زیادہ درست تصویر اور آواز کی شناخت، ترجمہ، جذباتی تجزیہ وغیرہ

   

3. ان صنفوں کو امید ہے کہ وہ مل کر کام کریں گے اور اپنے طریقوں کو یکجا کریں گے۔

   2010 کی دہائی کے آخر

   مرکزی دھارے میں شامل صنف: اتحاد + علامت فن تعمیر: بہت سے بادل مرکزی نظریات: میموری نیورل نیٹ ورکس، بڑے پیمانے پر انضمام، علم پر مبنی استدلال سادہ سوال و جواب: محدود، مخصوص شعبہ کے علم کا اشتراک

   2020 کی دہائی+

   مرکزی دھارے میں شامل: اتحاد + علامت + بیسس + … فن تعمیر: کلاؤڈ اور دھند کمپیوٹنگ غالب نظریہ: جب احساس ہوتا ہے تو نیٹ ورک ہوتا ہے ، جب استدلال اور کام ہوتا ہے تو قواعد ہوتے ہیں سادہ ادراک، استدلال اور عمل: محدود آٹومیشن یا انسان اور مشین تعامل

   2040 کی دہائی+

   مرکزی دھارے میں شامل: الگورتھم کے انضمام فن تعمیر: ہر جگہ سرور غالب نظریہ: میٹرننگ کا بہترین مجموعہ ادراک اور ردعمل: علم یا تجربے کی بنیاد پر ایکشن یا جواب دینا جو سیکھنے کے مختلف طریقوں سے حاصل کیا گیا ہے۔

• #### تیسرا، مشین لرننگ الگورتھم

آپ کو کون سا مشین لرننگ الگورتھم استعمال کرنا چاہئے؟ اس کا انحصار بڑے پیمانے پر دستیاب اعداد و شمار کی نوعیت اور مقدار اور ہر مخصوص استعمال کے معاملے میں آپ کے تربیتی اہداف پر ہے۔ انتہائی پیچیدہ الگورتھم کا استعمال نہ کریں ، جب تک کہ اس کے نتائج مہنگے اخراجات اور وسائل کے قابل نہ ہوں۔ یہاں کچھ عام ترین الگورتھم دیئے گئے ہیں ، جن کا استعمال آسان ہے۔

1. فیصلہ درخت (Decision Tree): مرحلہ وار جواب دینے کے عمل میں ، فیصلہ درخت کا تجزیہ کرنے کے لئے عام طور پر درجہ بندی کے متغیرات یا فیصلہ کن نوڈس کا استعمال کیا جاتا ہے ، مثال کے طور پر ، کسی دیئے گئے صارف کو کریڈٹ قابل اعتماد یا غیر قابل اعتماد درجہ بندی کیا جاسکتا ہے۔

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

   

2. سپورٹ ویکٹر مشین: سپورٹ ویکٹر مشین اعداد و شمار کے گروپوں کو درجہ بندی کرنے کے لئے استعمال کیا جاتا ہے ، جو ایک ہائپرپلین پر مبنی ہے۔

   فوائد: سپورٹ ویکٹر مشینیں متغیر X اور دیگر متغیرات کے مابین بائنری درجہ بندی میں مہارت رکھتی ہیں ، چاہے ان کے تعلقات لکیری ہوں یا نہ ہوں مثال کے طور پر: خبروں کی درجہ بندی، ہینڈ رائٹنگ۔

3. Regression: Regression سے ایک یا ایک سے زیادہ متغیرات کے درمیان اسٹیٹ رشتہ طے کیا جاسکتا ہے۔ اس مثال میں ، اسپام اور غیر اسپام کو ممتاز کیا گیا ہے۔

   فوائد: رجعت کو متغیرات کے مابین تسلسل کی شناخت کے لئے استعمال کیا جاسکتا ہے ، یہاں تک کہ اگر یہ واضح طور پر واضح نہ ہو مثال کے طور پر: روڈ ٹریفک تجزیہ، ای میل فلٹرنگ

   

4. نائیو بیس درجہ بندی: نائیو بیس درجہ بندی ممکنہ شرائط کی شاخوں کے امکانات کا حساب لگانے کے لئے استعمال کیا جاتا ہے۔ ہر ایک آزاد خصوصیت “نائٹ” یا شرائط سے آزاد ہے ، لہذا وہ دوسرے اشیاء پر اثر انداز نہیں ہوتی ہے۔ مثال کے طور پر ، 5 پیلے رنگ اور سرخ چھوٹے گیندوں والی ایک گڑیا میں ، دو پیلے رنگ کے چھوٹے گیندوں کو لگاتار پکڑنے کا امکان کیا ہے؟ چارٹ میں سب سے اوپر کی شاخوں سے دیکھا جاسکتا ہے ، پہلے اور بعد میں دو پیلے رنگ کے چھوٹے گیندوں کو پکڑنے کا امکان ¹⁄₁₀ ہے۔ نائیو بیس درجہ بندی انفرادی طور پر متعدد خصوصیات کی مشترکہ شرائط کا حساب لگاسکتی ہے۔

   فوائد: چھوٹے ڈیٹا سیٹ میں نمایاں خصوصیات کے ساتھ متعلقہ اشیاء کے لئے، سادہ Bayesian طریقہ کار کو فوری طور پر درجہ بندی کرنے کی اجازت دیتا ہے مثال کے طور پر: جذبات کا تجزیہ، صارفین کی درجہ بندی

5. خفیہ مارکوف ماڈل: یہ ظاہر کرتا ہے کہ مارکوف کا عمل مکمل طور پر یقینی ہے کہ ایک دی گئی حالت میں اکثر دوسری حالت کے ساتھ ہوتا ہے۔ ٹریفک سگنل لائٹ ایک مثال ہے۔ اس کے برعکس ، خفیہ مارکوف ماڈل پوشیدہ ریاستوں کے واقعے کا حساب لگانے کے لئے مرئی اعداد و شمار کا تجزیہ کرتا ہے۔ اس کے بعد ، پوشیدہ ریاستوں کے تجزیے کی مدد سے ، خفیہ مارکوف ماڈل ممکنہ مستقبل کے مشاہدے کے اندازوں کا اندازہ لگا سکتا ہے۔ اس معاملے میں ، اعلی یا کم دباؤ کا امکان (یہ ایک پوشیدہ حالت ہے) دھوپ ، بارش ، ابر آلود دن کے امکانات کی پیش گوئی کرنے کے لئے استعمال کیا جاسکتا ہے۔

   فوائد: اعداد و شمار کی تبدیلی کی اجازت دیتا ہے ، شناخت اور پیش گوئی کے عمل کے لئے موزوں ہے مثال کے طور پر: چہرے کے تاثرات کا تجزیہ، موسم کی پیش گوئی

   

6. بے ترتیب جنگل: بے ترتیب جنگل کے الگورتھم نے فیصلہ سازی کے درختوں کی درستگی کو بہتر بنایا ہے جس میں بے ترتیب طور پر منتخب کردہ اعداد و شمار کے متعدد ذیلی سیٹوں کے ساتھ درختوں کا استعمال کیا گیا ہے۔ اس مثال میں کینسر کی بازیافت سے وابستہ بہت ساری جینوں کا جائزہ لیا گیا ہے اور بازیافت کے خطرے کا حساب کتاب کیا گیا ہے۔

   فوائد: بے ترتیب جنگل کا طریقہ کار بڑے پیمانے پر ڈیٹا سیٹ کے لئے مفید ثابت ہوا ہے اور اس میں بڑی تعداد میں اور بعض اوقات غیر متعلقہ خصوصیات والی اشیاء موجود ہیں منظر نامے کی مثالیں: صارف کے اخراجات کا تجزیہ، خطرے کی تشخیص

7. ریکرنٹ نیورل نیٹ ورک (Recurrent neural network): ایک اختیاری نیورل نیٹ ورک میں، ہر نیورون ایک یا زیادہ پوشیدہ تہوں کے ذریعے بہت سے ان پٹ کو ایک ہی آؤٹ پٹ میں تبدیل کرتا ہے۔ ریکرنٹ نیورل نیٹ ورک (RNN) قدر کو مزید تہہ بہ تہہ منتقل کرتا ہے، اور تہہ بہ تہہ سیکھنے کو ممکن بناتا ہے۔ دوسرے لفظوں میں، آر این این میں ایک قسم کی یادداشت موجود ہے، جس سے پچھلے آؤٹ پٹ کو بعد میں آنے والے آؤٹ پٹ پر اثر انداز ہونے کی اجازت ملتی ہے۔

   پیشہ: سرکولر نیورل نیٹ ورکس میں ترتیب شدہ معلومات کی بڑی مقدار موجود ہونے پر پیش گوئی کرنے کی صلاحیت ہے منظر نامے کی مثالیں: تصویری درجہ بندی اور سب ٹائپنگ، سیاسی جذبات کا تجزیہ

   

8. لمبی قلیل مدتی میموری (LSTM) اور گیٹڈ ریکرنٹ یونٹ نیورل نیٹ ورکس (GRU): ابتدائی RNN کی شکل میں ضیاع ہوتا ہے۔ اگرچہ ان ابتدائی ریکرنٹ نیورل نیٹ ورکس نے صرف ابتدائی معلومات کی ایک چھوٹی سی مقدار کو برقرار رکھنے کی اجازت دی تھی ، لیکن حالیہ طویل مدتی میموری (LSTM) اور گیٹڈ ریکرنٹ یونٹ (GRU) نیورل نیٹ ورکس میں طویل مدتی اور قلیل مدتی دونوں میموری موجود ہیں۔ دوسرے الفاظ میں ، ان حالیہ RNNs میں میموری پر بہتر قابو پانے کی صلاحیت ہے ، جس سے ابتدائی اقدار کو برقرار رکھنے کی اجازت دی جاسکتی ہے یا جب کئی سیریز کے اقدامات کو سنبھالنے کے لئے ضروری ہو تو ان اقدار کو دوبارہ ترتیب دیا جاسکتا ہے ، جس سے درجے کی “تخفیف” یا “درجہ بہ درجہ” کی قیمتوں کی آخری انحطاط سے بچا جاسکتا ہے۔ GRU نیٹ ورکس کے ساتھ ہم میموری یا ماڈیول ڈھانچے کو استعمال کرسکتے ہیں جسے “گیٹ” کہا جاتا ہے۔

   فوائد: طویل اور قلیل مدتی میموری اور دروازے کے کنٹرول سائیکلنگ سیل نیورل نیٹ ورکس میں دیگر سائیکلنگ نیورل نیٹ ورکس کی طرح فوائد ہیں ، لیکن ان کی بہتر یادداشت کی صلاحیت کی وجہ سے وہ زیادہ کثرت سے استعمال ہوتے ہیں مثال کے طور پر: قدرتی زبان کی پروسیسنگ، ترجمہ

9. کنوولوشنل نیورل نیٹ ورک: کنوولوشن سے مراد اس کے بعد کی پرت سے آنے والے وزن کا امتزاج ہے ، جو آؤٹ پٹ پرت کو نشان زد کرنے کے لئے استعمال کیا جاسکتا ہے۔

   پیشہ: جب بہت بڑے ڈیٹا سیٹ ، بہت ساری خصوصیات اور پیچیدہ درجہ بندی کے کام ہوتے ہیں تو ، کنوولیٹیو نیورل نیٹ ورک بہت مفید ہوتا ہے۔ مثال کے طور پر: تصویری شناخت، متن کا ترجمہ، آواز کا ترجمہ، منشیات کی دریافت

• #### اصل تحریر کا 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/

ٹویٹ ایمبیڈ کریں