You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
157 lines
21 KiB
157 lines
21 KiB
# ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ
|
|
|
|
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "ਨਵੀਂ ਜਾਣਕਾਰੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ - ਸ਼ੁਰੂਆਤੀ ਲਈ ML")
|
|
|
|
> 🎥 ਇਸ ਪਾਠ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋਏ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
|
|
|
|
ਨਵੀਂ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲੇ ਲਈ ਕਲਾਸੀਕੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੋਰਸ 'ਚ ਤੁਹਾਡਾ ਸਵਾਗਤ ਹੈ! ਚਾਹੇ ਤੁਸੀਂ ਇਸ ਵਿਸ਼ੇ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੇਂ ਹੋ, ਜਾਂ ਕਿਸੇ ਖੇਤਰ ਵਿੱਚ ਆਪਣੀ ਸਮਝ ਤਾਜ਼ਾ ਕਰਨ ਵਾਲੇ ਅਨੁਭਵੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰੈਕਟਿਸ਼ਨਰ ਹੋ, ਅਸੀਂ ਤੁਹਾਡਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! ਅਸੀਂ ਤੁਹਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਧਿਐਨ ਲਈ ਇੱਕ ਮਿਲਾਪ ਦਾ ਸਹੀ ਸਥਾਨ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਅਤੇ ਤੁਹਾਡੇ [ਫੀਡਬੈਕ](https://github.com/microsoft/ML-For-Beginners/discussions) ਨੂੰ ਮੁਲਾਂਕਣ ਕਰਨ, ਜਵਾਬ ਦੇਣ ਅਤੇ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਖੁਸ਼ ਹਾਂ।
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ")
|
|
|
|
> 🎥 ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: MIT ਦੇ ਜਾਨ ਗਟੈਗ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ ਕਰਵਾਉਂਦੇ ਹਨ
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ
|
|
|
|
ਇਸ ਕੋਰਸ ਕਰੀਕੁਲਮ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ ਨੂੰ ਸਥਾਨਕ ਨੋਟਬੁੱਕ ਚਲਾਉਣ ਲਈ ਤਿਆਰ ਕਰਨਾ ਜਰੂਰੀ ਹੈ।
|
|
|
|
- **ਇਹਨਾਂ ਵੀਡੀਓਜ਼ ਨਾਲ ਆਪਣੀ ਮਸ਼ੀਨ ਸੈੱਟ ਕਰੋ**। ਆਪਣੀ ਸਿਸਟਮ 'ਚ [ਪਾਇਥਨ ਕਿਵੇਂ ਇੰਸਟਾਲ ਕਰਨਾ ਹੈ](https://youtu.be/CXZYvNRIAKM) ਅਤੇ ਵਿਕਾਸ ਲਈ [ਟੈਕਸਟ ਐਡੀਟਰ ਸੈਟਅਪ](https://youtu.be/EU8eayHWoZg) ਸਿੱਖਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਲਿੰਕ ਵਰਤੋਂ।
|
|
- **ਪਾਇਥਨ ਸਿੱਖੋ**। ਇਹ ਵੀ ਸਿਫਾਰਸ਼ੀਯਾ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ [ਪਾਇਥਨ](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ਦੀ ਸਮਝ ਹੋਵੇ, ਜੋ ਕਿ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਲਈ ਇੱਕ ਮਹਿਲੂਕ ਭਾਸ਼ਾ ਹੈ ਜਿਹੜੀ ਇਸ ਕੋਰਸ ਵਿੱਚ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
|
|
- **ਨੋਡ.ਜੇਐਸ ਅਤੇ ਜਾਵਾਸਕ੍ਰਿਪਟ ਸਿੱਖੋ**। ਅਸੀਂ ਵੈੱਬ ਐਪ ਬਣਾਉਣ ਵੇਲੇ ਇਸ ਕੋਰਸ ਵਿੱਚ ਜਾਵਾਸਕ੍ਰਿਪਟ ਵੀ ਕਈ ਵਾਰ ਵਰਤਦੇ ਹਾਂ, ਇਸ ਲਈ ਤੁਹਾਡੇ ਕੋਲ [node](https://nodejs.org) ਅਤੇ [npm](https://www.npmjs.com/) ਇੰਸਟਾਲ ਹੋਣ ਲਾਜ਼ਮੀ ਹਨ, ਨਾਲ ਹੀ [Visual Studio Code](https://code.visualstudio.com/) ਪਾਇਥਨ ਅਤੇ ਜਾਵਾਸਕ੍ਰਿਪਟ ਵਿਕਾਸ ਲਈ ਉਪਲਬਧ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
|
|
- **GitHub ਖਾਤਾ ਬਣਾਓ**। ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਥੇ [GitHub](https://github.com) 'ਤੇ ਸਾਡੇ ਨਾਲ ਮਿਲੇ ਹੋ, ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਖਾਤਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਜੇ ਨਹੀਂ, ਤਾਂ ਇੱਕ ਬਣਾਓ ਅਤੇ ਇਸ ਕਰੀਕੁਲਮ ਨੂੰ ਆਪਣੇ ਲਈ fork ਕਰੋ। (ਸਾਨੂੰ ਇੱਕ ਸਿਤਾਰਾ ਦੇਣ ਲਈ ਵੀ ਸੁਤੰਤਰ ਰਹੋ 😊)
|
|
- **Scikit-learn ਨੂੰ ਵੇਖੋ**। [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ਨਾਲ ਜਾਣੂ ਹੋਵੋ, ਇਹ ML ਲਾਇਬ੍ਰੇਰੀਜ਼ ਦਾ ਇੱਕ ਸੈੱਟ ਹੈ ਜੋ ਅਸੀਂ ਇਸ ਪਾਠਾਂ ਵਿੱਚ ਸੂਚਿਤ ਕਰਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੀ ਹੈ?
|
|
|
|
'ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਸ਼ਬਦ ਅੱਜ ਕੱਲ੍ਹ ਦਾ ਸਭ ਤੋਂ ਲੋਕਪ੍ਰਿਯ ਅਤੇ ਵਧ ਰਹੀਆਂ ਗੱਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਸ਼ਬਦ ਕਦੇ ਨਾ ਕਦੇ ਸੁਣਿਆ ਹੋਵੇਗਾ ਜੇਕਰ ਤੁਹਾਨੂੰ ਤਕਨਾਲੋਜੀ ਦਾ ਕੁਝ ਨਾ ਕੁਝ ਜਾਣੂ ਹੈ, ਭਾਵੇਂ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹੋ। ਪਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਪ੍ਰਕਿਰਿਆ ਜ਼ਿਆਦਾਤਰ ਲੋਕਾਂ ਲਈ ਇੱਕ ਰਹੱਸ ਹੈ। ਇੱਕ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲੇ ਲਈ, ਇਹ ਮੁਅੱਤਲਪ ਹਾਈਸੀ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਇਹ ਜਰੂਰੀ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਪਤਾ ਲੱਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਾਕਈ ਕੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਇੱਕ ਕਦਮ ਨਾਲ ਵਿਹਾਰਕ ਉਦਾਹਰਨਾਂ ਰਾਹੀਂ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ।
|
|
|
|
---
|
|
## ਹਾਇਪ ਕ੍ਰੂਵ
|
|
|
|
|
|
|
|
> ਗੂਗਲ ਟ੍ਰੈਂਡਸ 'ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਸ਼ਬਦ ਦੀ ਹਾਲ ਹੀ ਦੀ ਹਾਇਪ ਕ੍ਰੂਵ ਦਿਖਾਉਂਦਾ ਹੈ
|
|
|
|
---
|
|
## ਇੱਕ ਰਹੱਸਮਈ ਬ੍ਰਹਿਮੰਡ
|
|
|
|
ਅਸੀਂ ਇੱਕ ਐਸੇ ਬ੍ਰਹਿਮੰਡ ਵਿੱਚ ਰਹਿ ਰਹੇ ਹਾਂ ਜੋ ਰੋਮਾਂਚਕ ਰਹੱਸਾਂ ਨਾਲ ਭਰਪੂਰ ਹੈ। ਮਹਾਨ ਵਿਗਿਆਨੀਆਂ ਜਿਵੇਂ ਸਟੀਫ਼ਨ ਹਾਕਿੰਗ, ਅਲਬਰਟ ਆਇੰਸਟਾਈਨ ਅਤੇ ਹੋਰ ਕਈ ਨੇ ਆਪਣੀ ਜ਼ਿੰਦਗੀ ਇਸ ਕਾਈਨਾਤ ਦੇ ਅਰਥਪੂਰਨ ਜਾਣਕਾਰੀਆਂ ਦੀ ਖੋਜ ਵਿੱਚ ਬਤੀਤ ਕੀਤੀ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਸਿੱਖਣ ਦੀ ਹਾਲਤ ਹੈ: ਇੱਕ ਬਾਲਕ ਆਪਣੇ ਚਰਣ ਵਿੱਚ ਵੱਧਦਾ ਜਾ ਕੇ ਆਪਣੀ ਦੁਨੀਆ ਦੀ ਸੰਰਚਨਾ ਜਾਨਦਾ ਜਾਂਦਾ ਹੈ।
|
|
|
|
---
|
|
## ਬੱਚੇ ਦਾ ਦਿਮਾਗ਼
|
|
|
|
ਬੱਚੇ ਦਾ ਦਿਮਾਗ਼ ਅਤੇ ਸੇਂਸ ਆਪਣੇ ਆਲੇ ਦੁਆਲੇ ਦੇ ਤੱਥਾਂ ਨੂੰ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ ਅਤੇ ਹੌਲੀ-ਹੌਲੀ ਜ਼ਿੰਦਗੀ ਦੇ ਲੁਕਵੇਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ ਜੋ ਬੱਚੇ ਨੂੰ ਸਿਖੇ ਹੋਏ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਤਰਕਸੰਗਤ ਨਿਯਮ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਮਨੁੱਖੀ ਦਿਮਾਗ਼ ਦਾ ਸਿੱਖਣ ਵਾਲਾ ਪ੍ਰਕਿਰਿਆ ਇਸ ਦੁਨੀਆ ਦਾ ਸਭ ਤੋਂ ਸੁੱਖੇੜਾ ਜੀਵ ਬਣਾਉਂਦਾ ਹੈ। ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਲਗਾਤਾਰ ਖੋਜ ਕੇ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਪੈਟਰਨਾਂ 'ਤੇ ਨਵੀਨਤਾ ਲਿਆਉਣ ਨਾਲ ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਆਪਣੇ ਜੀਵਨ ਕਾਲ ਵਿਚ ਵਧੀਆ ਬਣਾਂਦੇ ਜਾ ਰਹੇ ਹਾਂ। ਇਹ ਸਿੱਖਣ ਵਾਲੀ ਸਮਰੱਥਾ ਅਤੇ ਵਿਕਾਸਸ਼ੀਲ ਯੋਗਤਾ [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html) ਨਾਲ ਸਬੰਧਿਤ ਹੈ। ਸਾਹਮਣੇ ਦੇਖਣ ਤੇ, ਅਸੀਂ ਮਨੁੱਖੀ ਦਿਮਾਗ਼ ਦੀ ਸਿੱਖਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਧਾਰਾਵਾਂ ਵਿੱਚ ਕੁਝ ਪ੍ਰੇਰਕ ਸਮਾਨਤਾ ਵੇਖ ਸਕਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਮਨੁੱਖੀ ਦਿਮਾਗ਼
|
|
|
|
[ਮਨੁੱਖੀ ਦਿਮਾਗ਼](https://www.livescience.com/29365-human-brain.html) ਅਸਲੀ ਦੁਨੀਆ ਤੋਂ ਚੀਜ਼ਾਂ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ, ਮਹਿਸੂਸ ਕੀਤੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਤਰਕਸੰਗਤ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ, ਅਤੇ ਸਥਿਤੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕੁਝ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਹੈ ਜਿਸਨੂੰ ਅਸੀਂ ਹੋਸ਼ਿਆਰ ਤਰੀਕੇ ਨਾਲ ਵਰਤਾਵ ਕਹਿੰਦੇ ਹਾਂ। ਜਦੋਂ ਅਸੀਂ ਇਸ ਹੋਸ਼ਿਆਰ ਵਰਤਾਅ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨਕਲ ਕਿਸੇ ਮਸ਼ੀਨ ਨੂੰ ਪ੍ਰੋਗ੍ਰਾਮ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਇਸਨੂੰ ਕਹਿੰਦੇ ਹਾਂ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI)।
|
|
|
|
---
|
|
## ਕੁਝ ਸ਼ਬਦਾਵਲੀ
|
|
|
|
ਹਾਲਾਂਕਿ ਇਹ ਸ਼ਬਦ ਕਈ ਵਾਰ ਗਲਤਫ਼ਹਮੀ ਹੋ ਸਕਦੇ ਹਨ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ। **ML ਖਾਸ ਤੌਰ 'ਤੇ ਤਕਨੀਕੀ ਅਲਗੋਰਿਦਮਾਂ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਨੂੰ ਖੋਜਨ ਅਤੇ ਪ੍ਰਾਪਤ ਡਾਟਾ ਵਿੱਚ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਲੱਭ ਕੇ ਤਰਕਸੰਗਤ ਫੈਸਲੇ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਨਾਲ ਸਬੰਧਤ ਹੈ**।
|
|
|
|
---
|
|
## AI, ML, ਡੀਪ ਲਰਨਿੰਗ
|
|
|
|
|
|
|
|
> AI, ML, ਡੀਪ ਲਰਨਿੰਗ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਦਰਮਿਆਨ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਡਾਇਗ੍ਰਾਮ। ਜਾਣੂ ਬਨਾਉਣ ਵਾਲਾ [Jen Looper](https://twitter.com/jenlooper) ਵੱਲੋਂ ਬਣਾਈ ਗਈ ਅਤੇ [ਇਹ ਗ੍ਰਾਫਿਕ](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) ਤੋਂ ਪ੍ਰੇਰਿਤ
|
|
|
|
---
|
|
## ਕਾਂਸੈਪਟ ਕਵਰ ਕਰਨ
|
|
|
|
ਇਸ ਕਰੀਕੁਲਮ ਵਿੱਚ ਅਸੀਂ ਸਿਰਫ਼ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਕਾਂਸੈਪਟ ਕਵਰ ਕਰਾਂਗੇ ਜੋ ਸ਼ੁਰੂਆਤੀ ਲਈ ਹਰਜਰੂਰੀ ਹਨ। ਅਸੀਂ ਜਿਨ੍ਹਾਂਨੂੰ ਅਸੀਂ ਕਲਾਸੀਕੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਹਿੰਦੇ ਹਾਂ ਉਨ੍ਹਾਂ ਵਿੱਚ ਅਸੀਂ ਬਹੁਤ ਬਦੀਆ ਲਾਇਬ੍ਰੇਰੀ Scikit-learn ਦੇ ਜ਼ਰੀਏ ਬੁਨਿਆਦੀ ਮੁੱਦਿਆਂ ਤੇ ਕੇਂਦਰਿਤ ਹਾਂ। ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਜਾਂ ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਵਿਆਪਕ ਕਾਂਸੈਪਟਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਮਜ਼ਬੂਤ ਬੁਨਿਆਦੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਜਾਣਕਾਰੀ ਲਾਜ਼ਮੀ ਹੈ, ਇਸ ਲਈ ਅਸੀਂ ਇਹ ਇੱਥੇ ਦਿੰਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ:
|
|
|
|
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਕਾਂਸੈਪਟ
|
|
- ML ਦਾ ਇਤਿਹਾਸ
|
|
- ML ਅਤੇ ਨ੍ਯਾਯ ਸੰਬੰਧੀ ਗੱਲਾਂ
|
|
- ਰੈਗ੍ਰੈਸ਼ਨ ML ਤਕਨੀਕਾਂ
|
|
- ਕਲਾਸੀਫਿਕੇਸ਼ਨ ML ਤਕਨੀਕਾਂ
|
|
- ਕਲੱਸਟਰਿੰਗ ML ਤਕਨੀਕਾਂ
|
|
- ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ ML ਤਕਨੀਕਾਂ
|
|
- ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਾਲੀ ML ਤਕਨੀਕਾਂ
|
|
- ਰੀਇੰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ
|
|
- ਆਰਥਿਕ, ਸਿਹਤ ਸਮੇਤ ਵਾਸਤਵਿਕ ਜ਼ਿੰਦਗੀ ਦੇ ML ਦੇ ਪ੍ਰਯੋਗ
|
|
|
|
---
|
|
## ਅਸੀਂ ਕੀ ਨਹੀਂ ਕਵਰ ਕਰਾਂਗੇ
|
|
|
|
- ਡੀਪ ਲਰਨਿੰਗ
|
|
- ਨਿਊਰਲ ਨੈੱਟਵਰਕ
|
|
- AI
|
|
|
|
ਵਧੀਆ ਸਿੱਖਣ ਦਾ таҷਰਬਾ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ, 'ਡੀਪ ਲਰਨਿੰਗ' - ਜੋ ਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਨਾਲ ਬਹੁਤ ਸਤਹੀ ਮਾਡਲ-ਬਨਾਉਣ ਹੈ - ਅਤੇ AI ਵਿਸ਼ੇ ਨੂੰ ਇਸ ਕਰੀਕੁਲਮ ਤੋਂ ਬਚਾਵਾਂਗੇ। ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਆਉਣ ਵਾਲਾ ਕਰੀਕੁਲਮ ਵੀ ਪ੍ਰਦਾਨ ਕਰਾਂਗੇ ਜੋ ਇਸ ਵੱਡੇ ਖੇਤਰ ਦੇ ਇਸ ਪੱਖ 'ਤੇ ਕੇਂਦਰਿਤ ਹੋਵੇਗਾ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਉਂ ਸਿੱਖਣਾ?
|
|
|
|
ਸਿਸਟਮ ਦਾ ਨਜ਼ਰੀਆ ਲੈ ਕੇ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇਨ੍ਹਾਂ ਐਸੋਮੈਟਿਕ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਇਆ ਜਾਣਾ ਹੈ ਜੋ ਡਾਟਾ ਵਿੱਚੋਂ ਲੁਕਵੇਂ ਪੈਟਰਨ ਲੱਭ ਸਕਣ ਅਤੇ ਸਮਝਦਾਰ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਣ।
|
|
|
|
ਇਹ ਪ੍ਰੇਰਣਾ ਮਨੁੱਖੀ ਦਿਮਾਗ਼ ਵੱਲੋਂ ਬਾਹਰੀ ਦੁਨੀਆਂ ਤੋਂ ਪ੍ਰਾਪਤ ਡਾਟਾ 'ਤੇ ਅਧਾਰਿਤ ਕੁਝ ਚੀਜ਼ਾਂ ਸਿੱਖਣ ਨਾਲ ਲੰਬੀ ਡਿਗਰੀ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੈ।
|
|
|
|
✅ ਸੋਚੋ ਕਿ ਇੱਕ ਕਾਰੋਬਾਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਵਰਤਣ ਦੀ ਇੱਛਾ ਕਿਉਂ ਕਰੇਗਾ ਬਜਾਏ ਸਖਤ-ਕੋਡ ਕੀਤੇ ਨਿਯਮਾਂ ਵਾਲੇ ਇੰਜਣ ਬਣਾਉਣ ਦੇ।
|
|
|
|
---
|
|
## ਡਾਟਾ ਗੁਣਵੱਤਾ ਕਿਉਂ ਮਹੱਤਵਪੂਰਣ ਹੈ
|
|
|
|
ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਡਾਟਾ ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਹਿਤਰ ਕਰਦਾ ਹੈ। ਖਰਾਬ ਜਾਂ ਗੜਬੜ ਡਾਟਾ ਅਸੁਰੱਖਿਅਤ ਅਨੁਮਾਨਾਂ ਵਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ, ਭਾਵੇਂ ਅੱਗੇ ਦਰਜੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਲਗੋਰਿਦਮ ਵਰਤੇ ਜਾਣ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਪ੍ਰਯੋਗ
|
|
|
|
ਅੱਜ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਪ੍ਰਯੋਗ ਲਗਭਗ ਹਰ ਥਾਂ ਹਨ, ਜਿਵੇਂ ਉਹ ਡਾਟਾ ਜੋ ਸਾਡੀਆਂ ਸਮਾਜਕ ਜ਼ਿੰਦਗੀਆਂ ਵਿੱਚ ਵਗ ਰਿਹਾ ਹੈ, ਸਮਾਰਟ ਫੋਨਾਂ, ਜੁੜੇ ਹੋਏ ਉਪਕਰਣਾਂ, ਅਤੇ ਹੋਰ ਸਿਸਟਮਾਂ ਵੱਲੋਂ ਤਿਆਰ ਹੁੰਦਾ ਹੈ। ਅਧੁਨਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਲਗੋਰਿਦਮਾਂ ਦੇ ਪ੍ਰਮੁੱਖ ਸੰਭਾਵਨਾ ਨੂੰ ਦੇਖਦਿਆਂ, ਖੋਜਕਰਤਾ ਇਹ ਵੇਖ ਰਹੇ ਹਨ ਕਿ ਇਹ ਮਲਟੀ-ਡਾਈਮੇਂਸ਼ਨਲ ਅਤੇ ਮਲਟੀ-ਡਿਸੀਪਲੀਨਰੀ ਅਸਲੀ ਜ਼ਿੰਦਗੀ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਸੁਲਝਾ ਸਕਦੇ ਹਨ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਉਦਾਹਰਨਾਂ
|
|
|
|
**ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕਿਆਂ ਨਾਲ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹੋ**:
|
|
|
|
- ਮਰੀਜ਼ ਦੇ ਤਬੀਬੀ ਇਤਿਹਾਸ ਜਾਂ ਰਿਪੋਰਟਾਂ ਤੋਂ ਬੀਮਾਰੀ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ।
|
|
- ਮੌਸਮ ਦਾ ਡਾਟਾ ਵਰਤ ਕੇ ਮੌਸਮੀ ਘਟਨਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ।
|
|
- ਕਿਸੇ ਲਿਖਤ ਦੀ ਭਾਵਨਾ ਨੂੰ ਸਮਝਣ ਲਈ।
|
|
- ਨਕਲੀ ਖਬਰਾਂ ਨੂੰ ਪਛਾਣਣ ਲਈ ਤਾਂ ਕਿ ਪ੍ਰਚਾਰ ਦੇ ਫੈਲਾਉਣ ਨੂੰ ਰੋਕ ਸਕੀਏ।
|
|
|
|
ਵਿੱਤੀ ਵਿਗਿਆਨ, ਅਰਥ ਵਿਗਿਆਨ, ਧਰਤੀ ਵਿਗਿਆਨ, ਅੰਤਰਿਕਸ਼ ਖੋਜ, ਬਾਇਓਮੇਡੀਕਲ ਇੰਜੀਨੀਅਰਿੰਗ, ਗਿਆਨਤਮਕ ਵਿਗਿਆਨ ਅਤੇ ਇਤਿਹਾਸਕ ਖੇਤਰਾਂ ਤੱਕ ਵੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੇ ਆਪਣਾ ਸਥਾਨ ਬਣਾਇਆ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੀਆਂ ਭਾਰੀ ਅਤੇ ਜਟਿਲ ਡਾਟਾ ਪ੍ਰਕਿਰਿਆ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਣ।
|
|
|
|
---
|
|
## ਨਤੀਜਾ
|
|
|
|
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਰੀਅਲ ਵਰਲਡ ਜਾਂ ਤਿਆਰ ਕੀਤੇ ਡਾਟਾ ਵਿੱਚੋਂ ਅਰਥਪੂਰਨ ਜਾਣਕਾਰੀਆਂ ਲੱਭ ਕੇ ਪੈਟਰਨ ਖੋਜਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਦਾ ਹੈ। ਇਸ ਆਪਣੇ ਅਜ਼ਮਾਏ ਹੋਏ ਕੰਮ ਕਰਕੇ ਇਹ ਕਾਰੋਬਾਰ, ਸਿਹਤ, ਅਤੇ ਵਿੱਤੀ ਦਰਜੇ ਸਮੇਤ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਬੜੀ ਕੀਮਤੀ ਸਾਬਤ ਹੋਈ ਹੈ।
|
|
|
|
ਅਗਲੇ ਸਮੇਂ ਵਿੱਚ, ਕਿਸੇ ਵੀ ਖੇਤਰ ਦੇ ਲੋਕਾਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀyaan ਮੂਲ ਭੁਮਿਕਾਵਾਂ ਨੂੰ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਬਣ ਜਾਵੇਗਾ ਕਿਉਂਕਿ ਇਸ ਦਾ ਵਿਆਪਕ ਅਪਣਾਵਾ ਹੋ ਰਿਹਾ ਹੈ।
|
|
|
|
---
|
|
# 🚀 ਚੈਲੰਜ
|
|
|
|
ਕਾਗਜ਼ 'ਤੇ ਜਾਂ [Excalidraw](https://excalidraw.com/) ਵਰਗੇ ਆਨਲਾਈਨ ਐਪ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੀ ਸਮਝ AI, ML, ਡੀਪ ਲਰਨਿੰਗ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਵਿਚਕਾਰ ਅੰਤਰਾਂ ਦੀ ਰੂਪਰੇਖਾ ਬਣਾ ਕੇ ਦਿਖਾਓ। ਇਹ ਵੀ ਸੋਚੋ ਕਿ ਹਰ ਤਕਨੀਕ ਕਿਸ ਕਿਸਮ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸੁਲਝਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ।
|
|
|
|
# [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਦੀ ਪੜਾਈ
|
|
|
|
ਕਿਉਂਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਕਲਾਉਡ ਵਿੱਚ ML ਅਲਗੋਰਿਦਮਾਂ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ, ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, ਇਸ [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) ਨੂੰ ਫਾਲੋ ਕਰੋ।
|
|
|
|
ML ਦੇ ਮੂਲ ਪ੍ਰਣਾਲੀਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਲਈ ਇਸ [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) 'ਤੇ ਜਾਓ।
|
|
|
|
---
|
|
# ਅਸਾਈਨਮੈਂਟ
|
|
|
|
[Get up and running](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**ਅਸਵੀਕਾਰੋਪਣ**:
|
|
ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |