Machine learning

مشین لرننگ کمپیوٹر سائنس کا ایک ایسا شعبہ ہے جو کمپیوٹر سسٹم کو اعداد و شمار کے ساتھ ، بغیر کسی پروگرام کے "سیکھنے" (یعنی کسی خاص کام پر ترقی کے ساتھ کارکردگی میں بہتری) کی صلاحیت دیتا ہے۔

مشین لرننگ کا نام آرتھر سموئیل نے 1959 میں تیار کیا تھا۔ مصنوعی ذہانت میں پیٹرن کی پہچان اور کمپیوٹیشنل لرننگ تھیوری کے مطالعہ سے تیار ہوا ، مشین لرننگ الگورتھم کے مطالعہ اور تعمیر کا جائزہ لیتی ہے جو اعداد و شمار سے سیکھ سکتی ہے اور پیش گوئیاں کر سکتی ہے - اس طرح کے الگورتھم ڈیٹا سے چلنے والی پیش گوئوں یا فیصلوں کے ذریعہ سختی سے جامد پروگرام کی ہدایات پر عمل کرتے ہیں۔ ، 2 نمونہ آدانوں سے ماڈل بناتے ہوئے۔ مشین لرننگ کمپیوٹنگ ٹاسک کی ایک حد میں کام کرتی ہے جہاں اچھی کارکردگی کے ساتھ واضح الگورتھم ڈیزائن کرنا اور پروگرام کرنا مشکل ہے یا ناقابل علاج ہے۔ مثال کے طور پر ایپلی کیشنز میں ای میل کی فلٹرنگ ، نیٹ ورک میں گھسنے والوں کا پتہ لگانا یا اعداد و شمار کی خلاف ورزی کی نشاندہی کرنے والے بدنیتی پر مبنی اندرونی ، آپٹیکل کریکٹر ریکگنیشن (OCR) ، درجہ بندی کرنا سیکھنا ، اور کمپیوٹر وژن شامل ہیں۔

مشینی سیکھنے کا حساب کتابی اعدادوشمار سے بہت قریب (اور اکثر اوورلیپ ہوجاتا ہے) ہے ، جو کمپیوٹر کے استعمال کے ذریعے پیشن گوئی کرنے پر بھی مرکوز ہے۔ اس کے ریاضی کی اصلاح سے مضبوط روابط ہیں ، جو فیلڈ میں طریقوں ، نظریہ اور اطلاق کے ڈومین فراہم کرتے ہیں۔ مشین سیکھنے میں بعض اوقات ڈیٹا کانوں کی کھدائی ہوتی ہے ، جہاں بعد میں سب فیلڈ ریسرچ والے ڈیٹا تجزیہ پر زیادہ توجہ دیتی ہے اور اسے غیر نگرانی سیکھنے کے طور پر جانا جاتا ہے۔ vii مشین لرننگ کو بھی غیرضروری شکل دی جاسکتی ہے اور اسے مختلف اداروں کے ل base بنیادی خطوطی پروفائل سیکھنے اورقائم کرنے کے لئے استعمال کیا جاسکتا ہے اور پھر معنی خیز عدم استحکام تلاش کرنے کے لئے استعمال کیا جاسکتا ہے۔

ڈیٹا اینالیٹکس کے شعبے میں ، مشین لرننگ ایک ایسا طریقہ ہے جو پیچیدہ ماڈل اور الگورتھم وضع کرنے کے لئے استعمال ہوتا ہے جو خود کو پیش گوئی پر قرض دیتا ہے۔ تجارتی استعمال میں ، یہ پیش گوئی کرنے والے تجزیات کے نام سے جانا جاتا ہے۔ یہ تجزیاتی ماڈل محققین ، ڈیٹا سائنسدانوں ، انجینئرز ، اور تجزیہ کاروں کو اعداد و شمار کے تاریخی تعلقات اور رجحانات سے سیکھنے کے ذریعے "قابل اعتماد ، تکرار کرنے والے فیصلے اور نتائج پیدا کرنے" اور "پوشیدہ بصیرت" کو ننگا کرنے کی اجازت دیتے ہیں۔

موثر مشین سیکھنا مشکل ہے کیونکہ پیٹرن کی تلاش مشکل ہے اور اس کے نتیجے میں ٹریننگ کا کافی اعداد و شمار دستیاب نہیں ہوتے ہیں ، مشین سیکھنے کے پروگرام اکثر فراہم کرنے میں ناکام رہتے ہیں۔