نیورل نیٹ ورک ڈیزائن

نالج سٹی کے کورس میں خوش آمدید نیورل نیٹ ورکس پر، نیورل نیٹ ورک ڈیزائن۔ ان اسباق کے دوران، آپ ڈیٹا کی اہمیت سیکھیں گے، اعصابی نیٹ ورک کی اقسام استعمال کرنے کے لیے نیٹ ورک کی قسم کا انتخاب، ایکٹیویشن کے افعال، نقصان کے افعال اور اصلاح کرنے والے، ہائپر پیرامیٹرز، پرتیں، تربیت، جانچ، اور توثیق۔ جو آپ سیکھیں گے۔ عصبی نیٹ ورکس کے لیے ڈیٹا کیوں اہم ہے؟ ڈیٹا کی کوالٹی آپس میں کیسے جڑتی ہے۔ عصبی نیٹ ورک کی کارکردگی کو؟ اخلاقی مسائل پر غور کرنا کیوں ضروری ہے۔ اس ڈیٹا کے ساتھ جو آپ نیورل نیٹ ورکس میں استعمال کرتے ہیں؟ تو پہلے، عصبی نیٹ ورکس کے لیے ڈیٹا اتنا اہم کیوں ہے؟ اگر آپ کو نیورل نیٹ ورکس کے بارے میں کچھ اور یاد نہیں ہے، آپ کو یہ یاد رکھنا چاہیے، کچرا اندر، کچرا باہر۔ اگر آپ اس جملے سے ناواقف ہیں، اس کا بنیادی مطلب یہ ہے کہ اگر آپ ناقص معیار کا استعمال کرتے ہیں۔ یا کوڑے کا ڈیٹا، پھر آپ کو خراب معیار یا ردی کی ٹوکری کے نتائج ملیں گے۔ اعصابی نیٹ ورک صرف اتنا ہی اچھا ہے۔ جیسا کہ ڈیٹا اس کی تربیت کے لیے استعمال ہوتا ہے۔ اس کی وجہ سے، آپ مندرجہ ذیل میں سے زیادہ سے زیادہ سے بچنا چاہتے ہیں۔ جب ممکن ہو اپنے ڈیٹا کا انتخاب کریں، شور والا ڈیٹا، متعلقہ خصوصیات اور مثالوں والا ڈیٹا، لاپتہ اقدار کے ساتھ ڈیٹا، ڈپلیکیٹ خصوصیات اور مثالوں کے ساتھ ڈیٹا، اعداد و شمار کے ساتھ اقدار جس کی شدت کے مختلف آرڈر ہوتے ہیں۔ ڈیٹا، نیورل نیٹ ورکس، اور اخلاقیات۔ اگرچہ عصبی نیٹ ورک انتہائی موثر ہو سکتے ہیں۔ اور متعدد نظاموں میں مفید، یہ ذہن میں رکھنا ضروری ہے کہ ان کی کارکردگی بہت زیادہ ڈیٹا پر مبنی ہے۔ اس سے پہلے، ہم نے کوڑے کے ڈیٹا کی کچھ مثالوں پر تبادلہ خیال کیا تھا۔ تاہم، کوڑے کے ڈیٹا کی ایک اور قسم ہے، متعصب ڈیٹا۔ اس قسم کے ڈیٹا میں کوئی بھی خوبی نہیں ہو سکتی اس سے بچنے کے لیے جو پہلے زیر بحث آئے تھے، لیکن یہ غیر اخلاقی درجہ بندی کرنے والوں اور رجعت پسندوں کا باعث بن سکتا ہے۔ متعصب ڈیٹا وہ ڈیٹا ہوتا ہے جو ترچھا ہوتا ہے۔ کسی خاص طبقے یا خصوصیت کی سمت میں زیادہ۔ زیادہ سے زیادہ عصبی نیٹ ورک کے استعمال اور ایپلی کیشنز انسانوں کو شامل کرنے کی تلاش اور عمل درآمد کیا جا رہا ہے۔ اس کی وجہ سے، ڈیٹا نیٹ ورک کو تربیت دینے کے لئے استعمال کیا جاتا ہے ڈیموگرافکس سے متعلق بہت سی معلومات پر مشتمل ہے۔ جیسے نسل، عمر، نسل، جنسی رجحان، اور دیگر خصوصیات. ایسے معاملات میں جہاں نیٹ ورک استعمال ہو رہے ہیں۔ کسی خاص فرد کی درجہ بندی کرنا ایک، کچھ، یا ان تمام خصوصیات کی بنیاد پر، نیٹ ورک بنانا آسان ہے۔ جو پروفائلز کی بجائے درجہ بندی کرتا ہے۔ ان اخلاقی مسائل سے بچنے کے لیے، ماڈل کو تربیت دینے کے لیے استعمال ہونے والے ڈیٹا کا انتخاب کرتے وقت، مساوی اور مثالی حالات کا ہونا ضروری ہے۔ یا تقریباً مساوی نمائندگی تمام طبقوں میں تمام ڈیموگرافکس کا۔ رازداری کی اہمیت کو یاد رکھنا ضروری ہے۔ استعمال کرنے کے لیے ڈیٹا کا انتخاب کرتے وقت اور اپنے نیٹ ورکس میں بھی آزمائیں۔ صرف اس لیے کہ آپ معلومات حاصل کرنے کے قابل ہیں۔ کسی فرد یا ہستی کے بارے میں مطلب نہیں ہے۔ کہ وہ چاہیں گے کہ آپ اس معلومات کو استعمال کریں۔ اپنی یا دوسروں کی درجہ بندی میں مدد کرنے کے لیے۔ Python میں چند مثالیں یہ ہیں۔ سنگل لیئر پرسیپٹرون کا استعمال کرتے ہوئے چھاتی کے کینسر کے ڈیٹاسیٹ میں۔ تو سب سے پہلے، ہمارے پاس صرف ہمارے فنکشن کی تعریفیں ہیں۔ اگلا، میں چھاتی کے کینسر کا ڈیٹاسیٹ لوڈ کرنے جا رہا ہوں۔ اور درستگی پرنٹنگ۔ تو جیسا کہ آپ یہاں دیکھ سکتے ہیں، ٹیسٹ کا سکور تقریباً 90,91% ہے۔ اور تربیت کا سکور تقریباً 92,93% ہے۔ تو اب میرے پاس ڈپلیکیٹ ڈیٹا ہے۔ اور میں یہاں کیا کر رہا ہوں، میں صرف تمام خصوصیات کا ایک ڈپلیکیٹ بنا رہا ہوں۔ ڈیٹاسیٹ میں تو 30 خصوصیات کے بجائے، آپ کے پاس 60 خصوصیات ہیں، لیکن ہر خصوصیت کے لیے دو ایک جیسی خصوصیات ہیں۔ اور اب میں دوبارہ ماڈل کو تربیت دینے جا رہا ہوں۔ اور جو آپ دیکھیں گے وہ ہے تربیت اور جانچ کے اسکور دونوں گر گئے ہیں. اب، یہ خاص طور پر دلچسپ ہے کیونکہ میں اصل میں کوئی نیا ڈیٹا متعارف نہیں کر رہا ہوں، صرف ایک ہی اعداد و شمار سے زیادہ، پھر بھی اس نے درجہ بندی کرنے والے کو بدتر کارکردگی کا مظاہرہ کیا۔ اگلا، میں شور مچانے والے ڈیٹا کی مثال دینے جا رہا ہوں۔ اور اس صورت میں، میں صرف ان پٹ ڈیٹا میں بے ترتیب شور شامل کر رہا ہوں۔ اور پھر میں ماڈل کو دوبارہ تربیت دینے جا رہا ہوں۔ اب، جیسا کہ آپ یہاں دیکھ سکتے ہیں، ٹیسٹنگ سکور اور ٹریننگ سکور پھر گرا، اتنا نہیں جتنا ڈپلیکیٹ ڈیٹا کے ساتھ، لیکن یہ اب بھی کمی تھی. یہاں ایک اہم بات نوٹ کرنا ضروری ہے۔ یہ ہے کہ چھاتی کے کینسر کا ڈیٹا سیٹ بہت صاف ڈیٹا سیٹ ہے۔ لہذا اس سے قطع نظر کہ ڈیٹا سیٹ کتنا ہی ناقص اور شور والا ہے، آپ کو اب بھی کافی اچھے نتائج ملیں گے۔ لیکن اگر یہ کم صاف ڈیٹا سیٹ تھا، جس کے ساتھ آپ عملی طور پر کام کر رہے ہوں گے، پھر ان چیزوں کا سبب بن سکتا ہے کارکردگی میں اس سے بھی زیادہ کمی۔ اور آخر میں، ہمارے پاس ایک متعلقہ ڈیٹا مثال ہے۔ تو یہاں میں صرف اسی ڈیٹا کو ضرب دے کر شامل کر رہا ہوں۔ 2.7 کے فیکٹر سے۔ تو یہ واقعی صرف ایک ہی ڈیٹا ہے، صرف مختلف طریقے سے اسکیل کیا گیا ہے۔ اور جیسا کہ آپ دیکھ سکتے ہیں، ٹریننگ سکور کی طرح ٹیسٹنگ سکور دوبارہ گر گیا۔ اور اب میں صرف تمام نتائج کو لاگو کرنے جا رہا ہوں۔ تاکہ آپ دیکھ سکیں کہ کیا ہوا۔ اور اس طرح نیلی لائن جانچ کے نتائج کے لیے ہے۔ اور گرین لائن ٹریننگ کے نتائج کے لیے ہے۔ تو جیسا کہ آپ اصل دیکھ سکتے ہیں، جو صرف باقاعدہ صاف ڈیٹاسیٹ ہے، کوئی نقل نہیں، کوئی شور نہیں، کوئی تعلق نہیں، دوسرے تمام ڈیٹا سیٹوں کو پیچھے چھوڑ دیتا ہے۔ اس سے یہ سبق ختم ہوتا ہے۔ شکریہ