اس مضمون کو پڑھنے سے پہلے ہمارا مشورہ ہے کہ آپ پڑھیں کیا ہے Data Science، یہ کیا کرتا ہے اور کن مقاصد کے ساتھ
مشین لرننگ الگورتھم کے ذریعے متحرک مشین، سروس میں داخل ہونے سے پہلے، سیکھنے کے ایک مرحلے سے گزری، جو کہ سیکھنا ہے، جسے تربیت کے نام سے جانا جاتا ہے۔ اس مرحلے میں مشین دستیاب تاریخی ڈیٹا کا مطالعہ کرتی ہے۔
مشین لرننگ کی خوبیوں، اور کلاسیکل پروگرامنگ اور مشین لرننگ کے درمیان فرق میں جانے سے پہلے، آئیے ایک مثال دیکھتے ہیں جو یقیناً ہمیں بہتر طور پر سمجھنے میں مدد دے گی۔
فرض کریں کہ ہم ٹریفک کے بہترین حالات میں موٹر وے پر سفر کے اوقات سے متعلق اپنے پروگراموں میں سے کسی کو معلومات فراہم کرتے ہیں، تاکہ ایک الگورتھم کی ہدایت کی جائے جو ہمیں جواب دینے کے قابل ہو جیسے کہ یہ کوئی وائس اسسٹنٹ ہو۔
ہر راستے کے لیے ہم مندرجہ ذیل معلومات کو الگورتھم تک پہنچائیں گے:
پھر وائس اسسٹنٹ کے ذریعے ہم مشین کو بتائیں گے:
جیسا کہ ہم نے ڈیٹا کو وائس اسسٹنٹ کے ذریعے پہنچایا ہے، ہمارا پروگرام اس قسم کا ایک ٹیبل کھلائے گا:
آخر کار اگر ہماری مشین کو مشین لرننگ الگورتھم کے ذریعے متحرک کیا گیا تھا، تو اس نے فراہم کردہ معلومات سے سیکھا ہوگا، اور اس طرح سفر کے وقت کی صورت میں نتیجہ کی پیشین گوئی کی ہوگی۔ اس لیے ہم اپنے پروگرام میں ایک سوال پوچھ سکتے ہیں: "1000 کاروں اور ڈیزل کے ساتھ ٹورین سے میلان تک... کتنا وقت لگتا ہے؟"
مثال غلط ہے، بلکہ حقیقت پسندانہ ہے۔ لیکن یہ مشین لرننگ کے مقصد کا خلاصہ کرنے میں مدد کرتا ہے۔
مثال سے ایک اشارہ لیتے ہوئے، آئیے کلاسیکل پروگرامنگ اور مشین لرننگ کے درمیان فرق دیکھنے کی کوشش کرتے ہیں۔
روایتی طور پر، کلاسک کوڈ لکھنے والے پروگرامر کو:
پھر انسان کی ذہانت کو پروگرام کوڈ لکھنے کے لیے استعمال کیا جاتا ہے جو مسئلہ کو حل کر سکتا ہے۔
اس صورت میں، پروگرامر کو موصول ہونے والی معلومات کو ذخیرہ کرنے اور اس کی تشکیل کے لیے ایک نظام کے بارے میں سوچنا ہوگا۔ اس کے بعد، جب ایپلی کیشن کا آپریٹر، کلاسک پروگرامنگ کے ساتھ لکھا گیا، سوال پوچھے گا، تو مشین قریب ترین معلوم معلومات کے ساتھ جواب دے گی، جو کہ ذخیرہ شدہ سے ملتی جلتی ہے۔
مشین لرننگ میں، یہ ہے۔مصنوعی ذہانت پروگرام کے تاریخی اعداد و شمار کا مطالعہ کرنے کے قابل، مسئلہ کو حل کرنے کے لیے لاگو کرنے کے لیے ماڈل بنانے کے لیے، اور آخر میں مشین پروگرامر کے لیے ماڈل کو دستیاب کراتی ہے۔
مشین لرننگ کے ذریعے متحرک مشین میں، پروگرام سفر کے اوقات کی پیشن گوئی کرنے کے لیے خود سیکھتا ہے کیونکہ سروس میں داخل ہونے سے پہلے مشین سیکھنے کے مرحلے سے گزر چکی ہوتی ہے۔ اس کے بعد مشین نے انتہائی معقول معلومات کے ساتھ جواب دینا سیکھ لیا ہے، جو ماڈل کی طرف سے وضع کردہ اور تشریح کردہ منطق کی بنیاد پر حقیقت کے قریب ترین ہے۔
مشین لرننگ میں، ماڈل عمل کا مرکز بن جاتا ہے۔ ایک بار پیدا اور تعلیم حاصل کرنے کے بعد، اسے دستیاب رکھا جا سکتا ہے۔ نئے ڈیٹا کے ساتھ ہر نئی استفسار، اسی فارمیٹ کی جو تربیت کے لیے استعمال ہوتی ہے، ایک نیا نتیجہ پیدا کرے گی۔
ڈیٹا سائنٹسٹ کا کردار تھوڑا سا تبدیل ہوتا ہے، یعنی اسے تربیتی مرحلے کے ذریعے ماڈل کی نسل تک پروگرام کے ساتھ جانا پڑے گا۔ ایسا کرنے کے لیے، وہ حکمت عملی کے انتخاب، مقاصد کی منصوبہ بندی، ڈیٹا کی تیاری اور سب سے بڑھ کر اس کی تاثیر کے ساتھ ساتھ بہتری کے کسی بھی امکان کی تصدیق کے لیے ماڈل کی جانچ کا ذمہ دار ہوگا۔
اس عمل کو ہر تکرار میں بہتر اور حقیقی عناصر کو شامل کرنے کے مقصد سے کئی بار دہرایا جا سکتا ہے۔ اس طرح آپ بعد کے مراحل، تربیت کو بہتر بنانے، ٹیسٹ کو بہتر بنانے اور اس وجہ سے مشین کے لیے بہترین حل کے قریب پہنچ سکتے ہیں۔
حتمی مقصد ہمیشہ ایسا ماڈل بنانا ہوتا ہے جو تاریخی ڈیٹا کو جانتا ہو، اس کی منطق اور نمونوں کو سمجھتا ہو، اور اس لیے مستقبل کے حالات کے نتائج کی پیشین گوئی کرنے کے قابل ہو۔
Ercole Palmeri: بدعت کا عادی
ایپل ویژن پرو کمرشل ویور کا استعمال کرتے ہوئے ایک آنکھ کا آپریشن کیٹینیا پولی کلینک میں کیا گیا…
رنگ کاری کے ذریعے موٹر کی عمدہ مہارتوں کو تیار کرنا بچوں کو لکھنے جیسی پیچیدہ مہارتوں کے لیے تیار کرتا ہے۔ رنگنے کے لیے…
بحری شعبہ ایک حقیقی عالمی اقتصادی طاقت ہے، جس نے 150 بلین کی مارکیٹ کی طرف گامزن کیا ہے۔
گزشتہ پیر کو، Financial Times نے OpenAI کے ساتھ ایک معاہدے کا اعلان کیا۔ FT نے اپنی عالمی سطح کی صحافت کا لائسنس…
