K-means کلسٹرنگ

Name: K-means کلسٹرنگ
Author: Briana Brownell

اس کورس میں سب سے عام کلسٹرنگ K-means اور صارفین کی سیگمنٹیشن سیکھیں، اِن پٹ متغیرات کا انتخاب، سینٹرائڈز کی تشریح اور ماڈل کے معیار کا جائزہ لینا جانیں۔

Preview the first lesson free — get full access to all 8 lessons.

Request a demo Sign in

Course: On-Demand

اس باب میں، ہم K-means الگورتھم سے گزریں گے، جو سب سے عام کلسٹرنگ الگورتھم ہے۔ جسے آپ عملی طور پر استعمال کرنے کا امکان رکھتے ہیں۔ اب، K- کا مطلب شاید آپ کو تھوڑا سا دے گا۔ یہ الگورتھم کیسے کام کرتا ہے اس کے بارے میں بصیرت کا، لیکن آئیے اس کو تفصیل سے دیکھتے ہیں۔ تو سب سے پہلے، آپ سینٹروائڈز کی ایک مخصوص تعداد کا انتخاب کرتے ہیں۔ تو کلسٹرز کی تعداد جو آپ منتخب کرتے ہیں۔ ایسی چیز ہے جس پر ہم غور کریں گے۔ تھوڑی سی تفصیل میں، لیکن ان چیزوں میں سے ایک جسے آپ کو پہچاننا چاہیے۔ یہ ہے کہ آپ کو اصل میں کلسٹرز کی تعداد بتانی ہوگی۔ لہذا آپ کو فیصلہ کرنا ہوگا کہ K کیا قدر لیتا ہے۔ تو کیا یہ دو کلسٹرز، پانچ کلسٹرز، 15 کلسٹرز ہیں؟ یہ ایک انتخاب ہے جو آپ کو کرنے کی ضرورت ہوگی۔ جب آپ اپنے ڈیٹا پر K-means چلا رہے ہوں۔ تو ہم سب سے پہلے ایک مخصوص نمبر کو منتخب کرکے شروع کرتے ہیں۔ شروع کرنے کے لئے centroids کی. اب، آپ سینٹرائڈز کی جگہ کا انتخاب کر سکتے ہیں۔ بے ترتیب ہونا، یا آپ ایک مخصوص الگورتھم استعمال کر سکتے ہیں۔ یہ فیصلہ کرنے کے لیے کہ اپنے سینٹروائڈز کو کہاں سے شروع کرنا ہے۔ عام طور پر، ایک مخصوص الگورتھم کے ساتھ ان کا انتخاب کرنا مستحکم کلسٹرز تلاش کرنے کا ایک بہتر کام کرتا ہے، لیکن آپ کو عیش و آرام نہیں ہو سکتا کسی چیز کو چلانے کے قابل ہونا جس میں زیادہ وقت لگ سکتا ہے۔ پہلے آپ کے ڈیٹا پر۔ لہذا آپ انہیں بے ترتیب طور پر منتخب کرسکتے ہیں۔ پھر، ہر معاملے کے لیے، ہم اس کیس کو کلسٹر میں رکھنا چاہتے ہیں۔ قریب ترین سینٹروڈ کے ساتھ۔ تو آپ اس مخصوص معاملے میں ڈیٹا کو دیکھتے ہیں، اس بات کا تعین کریں کہ یہ کون سا سینٹروڈ ہے، اور پھر اسے اس مخصوص سینٹرائڈ سے جوڑیں۔ آپ ڈیٹا سیٹ میں ہر معاملے کے لیے اسے دہراتے ہیں۔ اور پھر آخر میں، سینٹروائڈز کو ڈیٹا پوائنٹس کی اوسط بنانے کے لیے اپ ڈیٹ کریں۔ ہر کلسٹر کے اندر تو آپ دیکھ سکتے ہیں کہ K کلسٹرز کی تعداد ہے، اور پھر ذرائع سے مراد اوسط لینا ہے۔ نئے سینٹروائڈز بنانے کے تمام معاملات میں سے۔ ایک بار ڈیٹا سیٹ کرنے کے بعد، آپ کیا کرنا چاہتے ہیں ان اقدامات کو مسلسل دہرائیں۔ جب تک کہ سینٹروڈز مستحکم نہ ہو جائیں اور کنورجن میں آجائیں۔ یہاں ایک اینیمیشن ہے۔ جو K- کا مطلب الگورتھم کو عمل میں دکھاتا ہے۔ آپ دیکھ سکتے ہیں کہ ابتدائی طور پر یہ تین سینٹرائڈز کا انتخاب کرتا ہے۔ بے ترتیب میں. اب، نیلا ایک اور پیلا ایک اصل میں ایک دوسرے کے بہت قریب ہیں. تو شروع میں، بلیو کلسٹر دراصل کافی چھوٹا ہے۔ اور پیلے رنگ کا کلسٹر بہت بڑا ہے۔ اورنج کلسٹر، کیونکہ سینٹروڈ بہت دور سے شروع ہوتا ہے۔ دوسرے دو سینٹرائڈز سے، اصل میں شروع میں بہت بڑا ہے. لیکن جیسا کہ ہم سینٹروائڈز کو اپ ڈیٹ کرتے رہتے ہیں، اورنج کلسٹر چھوٹا اور چھوٹا ہو جاتا ہے. لہذا اس ڈیٹاسیٹ کو مکی ماؤس ڈیٹاسیٹ کہا جاتا ہے، اور آپ شاید اس کی وجہ جان سکتے ہیں۔ بنیادی طور پر، یہ تین بلاب سے بنا ہے، نچلے حصے میں وسط میں ایک قسم کا بڑا، اور پھر دو چھوٹے جو کچھ نظر آتے ہیں۔ تھوڑا سا مکی ماؤس اور اس کے کانوں کی طرح۔ لہذا عمل کے بارے میں نوٹس کرنے کے لئے کچھ چیزیں K کے ذرائع کو چلانے کا۔ تو آپ دیکھ سکتے ہیں کہ یہ کافی اچھا کام کرتا ہے۔ بلاب کی درجہ بندی کرنے کی جس کی ہم ایک ساتھ توقع کریں گے۔ تو دائیں کان کے کیسز تقریبا ایک ساتھ ہیں، جو بائیں کان پر ہیں، ایک بار پھر، وہ تقریبا ایک ساتھ ہیں، اور پھر گول چہرے کی طرح والے بھی ایک ساتھ گروپ کیا جاتا ہے. لیکن اس معاملے میں، درحقیقت ایسے کیسز کا ایک گروپ ہے جو شاید، اگر ہم اسے صرف دیکھ کر ہی کریں۔ اور پیٹرن کا تخمینہ لگانا، ہم شاید اسے ہر ایک کان کے ساتھ ڈالیں گے۔ لہذا جب آپ وجدان کے بارے میں سوچ رہے ہوں تو اسے یاد رکھیں K- مطلب کے ارد گرد، کیونکہ اس صورت میں، اس ڈیٹاسیٹ میں، ہمارے پاس جو کچھ ہے وہ کلسٹرز ہیں جن کی غیر مساوی شکلیں ہیں۔ اور K کا مطلب الگورتھم واقعی جدوجہد کرتا ہے۔ ایسے کلسٹرز کے ساتھ جن میں مختلف تغیرات ہوتے ہیں، کیونکہ جب ہم حساب کر رہے ہوتے ہیں، ہم فرض کر رہے ہیں کہ فرق برابر ہے۔ K کلسٹروں میں سے ہر ایک کے اندر جسے ہم نے منتخب کیا ہے۔ اب، یہ مثال صرف X اور Y کے طول و عرض میں ہے۔ تو وہاں واقعی صرف دو متغیر ہیں کہ یہ کلسٹرنگ ہے۔ لیکن تقریباً تمام کلسٹرنگ جو آپ کریں گے۔ طول و عرض کی بہت زیادہ تعداد میں ہوں گے۔ تو آپ کے پاس مٹھی بھر ہو سکتا ہے، یا یہاں تک کہ ایک درجن، یا دو درجن متغیرات جسے آپ اپنے کلسٹرز بنانے کے لیے استعمال کر رہے ہیں۔ تو K- یعنی الگورتھم ایک یکساں قسم کا فنکشن کرتا ہے، سوائے اعلیٰ جہتوں کے۔ لہذا سینٹرائڈز کو صرف اندر منتقل کرنے کے بجائے وہ X اور Y ہوائی جہاز، یہ اصل میں سینٹرائڈ کو حرکت دے رہا ہے۔ تاہم طول و عرض میں آپ کے پاس ان پٹ متغیرات ہیں۔ تو یہ چند درجن متغیر ہو سکتا ہے. تو کچھ وجوہات ہیں جن کا K- مطلب ہے۔ سب سے زیادہ مقبول الگورتھم ہے. پہلا یہ کہ یہ نسبتاً سیدھا ہے۔ اور پروگرام کرنا کافی آسان ہے۔ اس لیے ہمیں سمجھنے کے لیے بہت زیادہ مراحل کی ضرورت نہیں ہے۔ مختلف قطاروں کو ایک ساتھ کلسٹر کرنے کا طریقہ اور کلسٹر کے مرکز کو اپ ڈیٹ کرنے کا طریقہ۔ اس کا مطلب یہ ہے کہ یہ کافی سیدھا ہے۔ یہ سمجھنے کے لیے کہ سینٹرائڈز کیسے حرکت کر رہے ہیں۔ اور ان کی تشریح کرنے کے قابل ہو جب ہم کلسٹرز کو سمجھنا اور بیان کرنا چاہتے ہیں۔ جسے ہم نے بنایا ہے۔ لہذا اب آپ کو ایک انترجشتھان ہونا چاہئے اس بارے میں کہ K- مطلب الگورتھم عملی طور پر کیسے کام کرتا ہے۔ اور جس طرح سے سینٹرائڈز وقت کے ساتھ اپ ڈیٹ ہوتے ہیں، نیز اس وجہ سے کہ اس الگورتھم کو K-means کہا جاتا ہے۔

Intermediate Provider : Briana Brownell 8 Lessons · 52m in عربی, جرمن, انگریزی, ہسپانوی, فرانسیسی, پُرتگالی, اردو, Chinese

Course Description

یہ اسباق کلسٹرنگ کے سب سے عام انداز، K-means، کا تعارف کراتے ہیں اور صارفین کی سیگمنٹیشن کے ایک تفصیلی استعمالی نمونے (یوز کیس) کے ذریعے رہنمائی کرتے ہیں۔ آپ سیکھیں گے کہ اِن پٹ متغیرات کا انتخاب کیسے کریں، کلسٹرز کی تعداد کا انتخاب کیسے کریں، اور سینٹرائڈز کی تشریح کیسے کریں۔ آپ سیکھیں گے کہ کلسٹر تجزیے کے ماڈل کے معیار کا جائزہ کیسے لیا جائے، اور کلسٹرنگ کے ساتھ آنے والے حسابی چیلنجز سے کیسے نمٹا جائے۔ ہم اس بات کا جائزہ لیں گے کہ پرسونا کیسے بنائے جائیں اور نئے ڈیٹا کی درجہ بندی کے طریقے کیا ہیں۔

آخر میں، یہ کورس K-means الگورتھم اور سینٹرائڈ کی تشریح کے تصور کا تعارف کرائے گا۔ اس پورے کورس کے دوران، آپ اِن پٹ متغیرات، ماڈل کے معیار کے پیمانوں، اور نئے ڈیٹا کی درجہ بندی کے بارے میں سیکھیں گے۔ آپ کچھ ایسے حسابی چیلنجز کے بارے میں بھی سیکھیں گے جو آپ کو K-means کلسٹرنگ میں ملیں گے۔

آپ کیا سیکھیں گے

کسٹمر سیگمنٹیشن ماڈل بنانے کے لیے K-means الگورتھم کا اطلاق کریں
ان پٹ متغیرات کا انتخاب کریں اور کلسٹر تجزیہ کے لیے کلسٹرز کی تعداد منتخب کریں
سینٹرائڈز کی تشریح کریں اور مارکیٹنگ یا مصنوعات کی ترقی کے لئے شخصیات بنائیں
توثیق کے طریقوں اور کوالٹی میٹرکس کا استعمال کرتے ہوئے ماڈل کے معیار کا اندازہ کریں
کمپیوٹیشنل چیلنجوں سے نمٹنا جو کے-مینس کلسٹرنگ سے پیدا ہوتے ہیں۔
تربیت یافتہ کلسٹرنگ ماڈل کا استعمال کرتے ہوئے نئے ڈیٹا کی درجہ بندی کریں

اہم نکات

K-means کو کلسٹرنگ کے سب سے عام انداز کے طور پر پیش کیا جاتا ہے اور اسے کسٹمر کی تقسیم کے تفصیلی استعمال کے کیس کے ذریعے سکھایا جاتا ہے۔
تقسیم کا ماڈل بنانے میں ان پٹ متغیرات کا انتخاب، کلسٹرز کی تعداد کا انتخاب، اور سینٹرائڈز کی تشریح شامل ہے۔
کورس میں یہ بتایا گیا ہے کہ کوالٹی میٹرکس اور توثیق کے طریقوں کا استعمال کرتے ہوئے کلسٹر تجزیہ ماڈل کے معیار کا اندازہ کیسے لگایا جائے۔
کلسٹرنگ کمپیوٹیشنل چیلنجز متعارف کراتی ہے جس سے نمٹنے کے طریقے کی وضاحت کرتا ہے۔
Centroid تشریح ایسی شخصیات بنانے کی حمایت کرتی ہے جنہیں مارکیٹنگ یا مصنوعات کی ترقی اور نئے ڈیٹا کی درجہ بندی کرنے میں استعمال کیا جا سکتا ہے۔

اکثر پوچھے گئے سوالات

اس کورس میں کیا شامل ہے؟

یہ K-means متعارف کرواتا ہے، کلسٹرنگ کا سب سے عام طریقہ، اور ایک مفصل کسٹمر سیگمنٹیشن کے استعمال کے کیس کے ذریعے کام کرتا ہے، بشمول ان پٹ متغیرات کا انتخاب، کلسٹرز کی تعداد کا انتخاب، سنٹرائڈز کی تشریح، ماڈل کے معیار کا اندازہ لگانا، کمپیوٹیشنل چیلنجوں سے نمٹنا، شخصیات بنانا، اور نئے ڈیٹا کی درجہ بندی کرنا۔

اس کورس سے میں کیا مہارتیں حاصل کروں گا؟

یہ کورس کلسٹر اینالیسس، ہائیرارکیکل کلسٹرنگ، K-means کلسٹرنگ، مارکیٹ سیگمنٹیشن، سیگمنٹیشن اینالیسس، اور سپیکٹرل کلسٹرنگ میں مہارت پیدا کرتا ہے۔

کون سے اسباق شامل ہیں؟

اسباق ہیں: دی K-means الگورتھم، ان پٹ متغیرات کا انتخاب، کلسٹرز کی تعداد کا انتخاب، سینٹروڈ تشریح، ماڈل-کوالٹی میٹرکس، کمپیوٹیشنل چیلنجز، کریئٹنگ پرسوناس، اور نئے ڈیٹا کی درجہ بندی کرنا۔

تقسیم کے نتائج کو کیسے استعمال کیا جا سکتا ہے؟

کورس دکھاتا ہے کہ مارکیٹنگ یا مصنوعات کی ترقی میں استعمال کے لیے شخصیات کو کیسے بنایا جائے اور نئے ڈیٹا کی درجہ بندی کیسے کی جائے۔

KCLibrary

KCLMS

KCStudio

KCPhishing

KCSafety

KCDocs

KCOnboard

KCSkills

KCPerformance

KCTalent

KCMap

K-means کلسٹرنگ

Course Description

آپ کیا سیکھیں گے

اہم نکات

اکثر پوچھے گئے سوالات