غیر زیرِ نگرانی مشین لرننگ کے طریقے

نالج سٹی کے کورس میں خوش آمدید مشین لرننگ پر، اور نگرانی شدہ مشین سیکھنے کے طریقے۔ ان اسباق میں، آپ اس کے بارے میں سیکھیں گے۔ گاوسی مرکب ماڈلز، کلسٹرنگ، بشمول کے-مینز، ڈی بی اسکین، اور آپٹکس، اور کئی گنا سیکھنے، بشمول isomap، کثیر جہتی اسکیلنگ، اور ٹی تقسیم شدہ اسٹاکسٹک پڑوسی ایمبیڈنگ۔ یہ سبق گاوسی مرکب ماڈلز پر ہونے والا ہے۔ جہاں آپ سیکھیں گے کہ گاوسی مرکب ماڈل کیا ہے، وہ کس طرح استعمال ہوتے ہیں اور ان کو کیسے لاگو کیا جاتا ہے؟ گاوسی مرکب ماڈل ممکنہ ماڈل کی ایک قسم ہے۔ جو ڈیٹا سیٹ کے اندر تمام پوائنٹس کو فرض کرتا ہے۔ ایک محدود تعداد سے پیدا ہوتے ہیں۔ گاوسی تقسیم کی. اسے آپ کے ڈیٹا کو کلسٹر کرنے کے طریقے کے طور پر دیکھا جا سکتا ہے۔ اس طرح کہ ہر کلسٹر میں گاوسی تقسیم ہو۔ اس سے یہ شناخت کرنا ممکن ہو جائے گا کہ کون سا کلسٹر ہے۔ ایک نامعلوم نقطہ سے تعلق رکھتا ہے۔ اعلیٰ سطح کے اعتماد کے ساتھ۔ گاوسی مرکب ماڈلز کیسے استعمال ہوتے ہیں؟ عام طور پر، وہ عام طور پر تقسیم کی نمائندگی کرنے کے لیے استعمال ہوتے ہیں۔ مجموعی آبادی کے اندر ذیلی آبادی۔ وہ خود بخود سیکھنے کے قابل بھی ہیں۔ بغیر کسی اشارے کے ذیلی آبادی جس ذیلی آبادی میں سے کسی خاص نقطہ کا تعلق ہو سکتا ہے۔ اگلا، ہم گاوسی مرکب کے ماڈل کے بارے میں جاننے جا رہے ہیں۔ Python میں لاگو ہوتے ہیں۔ یہ سکیٹ لرن پیکج استعمال کر رہا ہے، اور یہاں، میں ایک کلسٹرنگ مثال دکھانے جا رہا ہوں، اور پھر میں آپ کو دکھانے جا رہا ہوں کہ تقسیم کیسی نظر آتی ہے۔ ہر ایک کلسٹر کے لیے۔ لہذا میں یہاں صرف اپنے پیکجوں کو درآمد کر رہا ہوں، اور پھر میں شور مچانے والے حلقوں کا ڈیٹا سیٹ بنا رہا ہوں، جس میں آپ بالکل وہی دیکھیں گے جو جلد ہی نظر آتا ہے۔ تو ہمارے یہاں دو دائرے ہیں۔ وہ صرف بنے ہوئے ہیں، آپ جانتے ہیں، کل 5,000 پوائنٹس۔ اور یہاں، میں مرکب ماڈل کی وضاحت کر رہا ہوں۔ اور یہاں n اجزاء کے لیے، یہ صرف اجزاء کی تعداد ہے، اور بنیادی طور پر اس کا کیا مطلب ہے، کیونکہ میں اسے یہاں کلسٹرنگ تکنیک کے طور پر استعمال کر رہا ہوں، دو کلسٹر ہونے جا رہے ہیں یا دو ذیلی آبادیوں کا پتہ چلا یا بیان کیا گیا ہے۔ تو اب یہ ہو چکا ہے، میں دو کلسٹروں کو پلاٹ کرنے جا رہا ہوں۔ اور اس طرح، جیسا کہ آپ یہاں دیکھ سکتے ہیں، Gaussian مرکب ماڈل الگ حلقے یہاں ترچھے ہیں، اندرونی دائرے اور بیرونی دائرے کے بجائے۔ اور اب جب کہ ہمارے پاس یہ ہے، میں صرف تمہیں دکھانا چاہتا ہوں... ایک موازنہ۔ تو، یہاں ہمارے پاس آبادی کا مکمل ڈیٹا ہے، اور پھر یہاں ہمارے پاس ذیلی آبادی کا ڈیٹا ہے۔ تو یہاں خیال یہ ہے کہ کیونکہ یہ گاوسی مرکب ماڈل ہے، ماڈل نے اپنی پوری کوشش کی۔ تاکہ ڈیٹا جو نیلا ہو اور ڈیٹا جو سبز ہو۔ دونوں میں گاوسی تقسیم ہے۔ اور اس کو چیک کرنے کے لیے، میں ان تقسیموں کی منصوبہ بندی کرنے جا رہا ہوں۔ اور اس طرح، جیسا کہ آپ یہاں دیکھ سکتے ہیں، دونوں کی تقسیم ایک جیسی ہے۔ درحقیقت، وہ صرف ایک دوسرے کا عکس ہیں، اور وہ بالکل گاوسی نہیں ہیں، لیکن ان کی عمومی شکل ہے۔ گاوسی تقسیم کا۔ اور تو، اس کے بارے میں جاننے کے لیے دو چیزیں۔ ایک، ڈیٹا اصل میں گاؤشیائی تقسیم نہیں کیا گیا تھا، ٹھیک ہے؟ اور تو، الگورتھم نے جو کیا وہ سب سے بہتر تھا، آپ جانتے ہیں، ڈیٹا کی تقسیم، یا، آپ جانتے ہیں، ڈیٹا کا کلسٹر یہ اتنا ہی قریب ہو جائے گا گاؤشیائی تقسیم کو جتنا ممکن ہو سکے. اگر یہ ڈیٹا واقعتا Gaussian تقسیم کیا گیا تھا، یا یہاں تک کہ اگر ہمارے پاس زیادہ پوائنٹس تھے، یہ پلاٹ اس طرح نظر آئیں گے۔ گاوسی تقسیم کے منحنی خطوط جنہیں ہم دیکھنے کے عادی ہیں۔ تو یہ اس سبق کو ختم کرتا ہے، اور اگلا، ہم کلسٹرنگ پر بات کرنے جا رہے ہیں۔ شکریہ