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.
147 lines
21 KiB
147 lines
21 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
|
|
"translation_date": "2025-09-06T07:05:22+00:00",
|
|
"source_file": "1-Introduction/1-intro-to-ML/README.md",
|
|
"language_code": "pa"
|
|
}
|
|
-->
|
|
# ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਚੇ
|
|
|
|
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਚੇ")
|
|
|
|
> 🎥 ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਇਸ ਪਾਠ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।
|
|
|
|
ਸ਼ੁਰੂਆਤੀ ਲਈ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 'ਤੇ ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਹਾਡਾ ਸਵਾਗਤ ਹੈ! ਚਾਹੇ ਤੁਸੀਂ ਇਸ ਵਿਸ਼ੇ ਵਿੱਚ ਬਿਲਕੁਲ ਨਵੇਂ ਹੋ, ਜਾਂ ਇੱਕ ਅਨੁਭਵੀ ML ਪ੍ਰੈਕਟੀਸ਼ਨਰ ਹੋ ਜੋ ਕਿਸੇ ਖੇਤਰ ਵਿੱਚ ਆਪਣਾ ਗਿਆਨ ਤਾਜ਼ਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਅਸੀਂ ਤੁਹਾਡਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! ਅਸੀਂ ਤੁਹਾਡੇ ML ਅਧਿਐਨ ਲਈ ਇੱਕ ਦੋਸਤਾਨਾ ਸ਼ੁਰੂਆਤੀ ਸਥਾਨ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਅਤੇ ਤੁਹਾਡੇ [ਫੀਡਬੈਕ](https://github.com/microsoft/ML-For-Beginners/discussions) ਦਾ ਮੁਲਾਂਕਣ, ਜਵਾਬ ਅਤੇ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਖੁਸ਼ ਹੋਵਾਂਗੇ।
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਚੇ")
|
|
|
|
> 🎥 ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿਕ ਕਰੋ: MIT ਦੇ John Guttag ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਚੇ ਦਿੰਦੇ ਹਨ
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂਆਤ
|
|
|
|
ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਆਪਣੀ ਕੰਪਿਊਟਰ ਸਥਾਪਨਾ ਕਰਨੀ ਅਤੇ ਨੋਟਬੁੱਕਸ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਉਣ ਲਈ ਤਿਆਰ ਕਰਨਾ ਪਵੇਗਾ।
|
|
|
|
- **ਇਹ ਵੀਡੀਓਜ਼ ਨਾਲ ਆਪਣੀ ਮਸ਼ੀਨ ਕਨਫਿਗਰ ਕਰੋ**। [Python ਨੂੰ ਇੰਸਟਾਲ ਕਰਨ](https://youtu.be/CXZYvNRIAKM) ਅਤੇ ਵਿਕਾਸ ਲਈ [ਟੈਕਸਟ ਐਡੀਟਰ ਸੈਟਅੱਪ ਕਰਨ](https://youtu.be/EU8eayHWoZg) ਬਾਰੇ ਸਿੱਖਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਲਿੰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
|
|
- **Python ਸਿੱਖੋ**। ਇਹ ਵੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਹਾਨੂੰ [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ਦੀ ਬੁਨਿਆਦੀ ਸਮਝ ਹੋਵੇ, ਜੋ ਕਿ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਲਈ ਲਾਭਦਾਇਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਹੈ ਜਿਸਦਾ ਅਸੀਂ ਇਸ ਕੋਰਸ ਵਿੱਚ ਉਪਯੋਗ ਕਰਦੇ ਹਾਂ।
|
|
- **Node.js ਅਤੇ JavaScript ਸਿੱਖੋ**। ਅਸੀਂ ਇਸ ਕੋਰਸ ਵਿੱਚ ਕਈ ਵਾਰ ਵੈੱਬ ਐਪਸ ਬਣਾਉਣ ਲਈ JavaScript ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ [node](https://nodejs.org) ਅਤੇ [npm](https://www.npmjs.com/) ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੋਵੇਗੀ, ਅਤੇ [Visual Studio Code](https://code.visualstudio.com/) Python ਅਤੇ JavaScript ਵਿਕਾਸ ਲਈ ਉਪਲਬਧ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
|
|
- **GitHub ਖਾਤਾ ਬਣਾਓ**। ਜਦੋਂ ਤੁਸੀਂ ਸਾਨੂੰ [GitHub](https://github.com) 'ਤੇ ਮਿਲੇ ਹੋ, ਤਾਂ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਖਾਤਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਜੇ ਨਹੀਂ, ਤਾਂ ਇੱਕ ਬਣਾਓ ਅਤੇ ਫਿਰ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਆਪਣੇ ਲਈ ਵਰਤਣ ਲਈ ਫੋਰਕ ਕਰੋ। (ਸਾਨੂੰ ਇੱਕ ਸਟਾਰ ਦੇਣ ਲਈ ਵੀ ਖੁਸ਼ ਰਹੋ 😊)
|
|
- **Scikit-learn ਦੀ ਖੋਜ ਕਰੋ**। [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ਨਾਲ ਜਾਣੂ ਹੋਵੋ, ML ਲਾਇਬ੍ਰੇਰੀਆਂ ਦਾ ਇੱਕ ਸੈੱਟ ਜਿਸਦਾ ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਹਵਾਲਾ ਦਿੰਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੀ ਹੈ?
|
|
|
|
'ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਸ਼ਬਦ ਅੱਜ ਦੇ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਅਤੇ ਵਧੇਰੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸ਼ਬਦਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਤੁਸੀਂ ਇਹ ਸ਼ਬਦ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਾਰ ਸੁਣਿਆ ਹੋਵੇ ਜੇ ਤੁਹਾਨੂੰ ਤਕਨਾਲੋਜੀ ਨਾਲ ਕੁਝ ਜਾਣੂ ਹੈ, ਚਾਹੇ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮਕੈਨਿਕਸ ਜ਼ਿਆਦਾਤਰ ਲੋਕਾਂ ਲਈ ਇੱਕ ਰਹੱਸ ਹਨ। ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸ਼ੁਰੂਆਤੀ ਲਈ, ਇਹ ਵਿਸ਼ਾ ਕਈ ਵਾਰ ਭਿਆਨਕ ਮਹਿਸੂਸ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਅਮਲੀ ਉਦਾਹਰਣਾਂ ਰਾਹੀਂ ਕਦਮ-ਦਰ-ਕਦਮ ਸਿੱਖਣਾ।
|
|
|
|
---
|
|
## ਹਾਈਪ ਕਰਵ
|
|
|
|
|
|
|
|
> Google Trends 'ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਸ਼ਬਦ ਦੇ ਹਾਲੀਆ 'ਹਾਈਪ ਕਰਵ' ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ
|
|
|
|
---
|
|
## ਇੱਕ ਰਹੱਸਮਈ ਬ੍ਰਹਿਮੰਡ
|
|
|
|
ਅਸੀਂ ਇੱਕ ਬ੍ਰਹਿਮੰਡ ਵਿੱਚ ਰਹਿੰਦੇ ਹਾਂ ਜੋ ਦਿਲਚਸਪ ਰਹੱਸਾਂ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ। Stephen Hawking, Albert Einstein ਅਤੇ ਹੋਰ ਮਹਾਨ ਵਿਗਿਆਨੀਆਂ ਨੇ ਆਪਣੇ ਜੀਵਨ ਨੂੰ ਅਰਪਣ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਦੇ ਰਹੱਸਾਂ ਨੂੰ ਖੋਲ੍ਹਣ ਵਾਲੀ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰ ਸਕਣ। ਇਹ ਮਨੁੱਖੀ ਸਿੱਖਣ ਦੀ ਸਥਿਤੀ ਹੈ: ਇੱਕ ਮਨੁੱਖੀ ਬੱਚਾ ਨਵੀਆਂ ਚੀਜ਼ਾਂ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਜਦੋਂ ਉਹ ਵਧੇਰੇ ਹੋਰ ਸਿੱਖਦਾ ਹੈ, ਉਹ ਆਪਣੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਦੀ ਬਣਤਰ ਨੂੰ ਖੋਲ੍ਹਦਾ ਹੈ।
|
|
|
|
---
|
|
## ਬੱਚੇ ਦਾ ਦਿਮਾਗ
|
|
|
|
ਬੱਚੇ ਦਾ ਦਿਮਾਗ ਅਤੇ ਇੰਦ੍ਰੀਆਂ ਆਪਣੇ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਤੱਥਾਂ ਨੂੰ ਸਮਝਦੀਆਂ ਹਨ ਅਤੇ ਜੀਵਨ ਦੇ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਸਿੱਖਦੀਆਂ ਹਨ ਜੋ ਬੱਚੇ ਨੂੰ ਸਿੱਖੇ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਤਰਕਸ਼ੀਲ ਨਿਯਮ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਮਨੁੱਖਾਂ ਨੂੰ ਇਸ ਦੁਨੀਆ ਦਾ ਸਭ ਤੋਂ ਜਟਿਲ ਜੀਵ ਬਣਾਉਂਦੀ ਹੈ। ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਦੀ ਖੋਜ ਕਰਕੇ ਲਗਾਤਾਰ ਸਿੱਖਣਾ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਪੈਟਰਨਾਂ 'ਤੇ ਨਵਾਟ ਕਰਨਾ ਸਾਨੂੰ ਆਪਣੇ ਜੀਵਨ ਦੇ ਦੌਰਾਨ ਵਧੇਰੇ ਬਿਹਤਰ ਬਣਾਉਣ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਸਿੱਖਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਵਿਕਾਸ ਕਰਨ ਦੀ ਯੋਗਤਾ [ਦਿਮਾਗ ਦੀ ਪਲਾਸਟਿਕਤਾ](https://www.simplypsychology.org/brain-plasticity.html) ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ। ਸਧਾਰਨ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਸੰਕਲਪਾਂ ਦੇ ਵਿਚਕਾਰ ਕੁਝ ਪ੍ਰੇਰਣਾਦਾਇਕ ਸਮਾਨਤਾਵਾਂ ਖਿੱਚ ਸਕਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਮਨੁੱਖੀ ਦਿਮਾਗ
|
|
|
|
[ਮਨੁੱਖੀ ਦਿਮਾਗ](https://www.livescience.com/29365-human-brain.html) ਅਸਲ ਦੁਨੀਆ ਤੋਂ ਚੀਜ਼ਾਂ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਸਮਝੀ ਜਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਕਿਰਿਆਵਤ ਕਰਦਾ ਹੈ, ਤਰਕਸ਼ੀਲ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ, ਅਤੇ ਹਾਲਾਤਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਕੁਝ ਕਾਰਵਾਈਆਂ ਕਰਦਾ ਹੈ। ਇਹ ਉਹ ਹੈ ਜਿਸਨੂੰ ਅਸੀਂ ਬੁੱਧੀਮਾਨ ਵਿਹਾਰ ਕਰਨਾ ਕਹਿੰਦੇ ਹਾਂ। ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਬੁੱਧੀਮਾਨ ਵਿਹਾਰਕ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਪ੍ਰੋਗਰਾਮ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਇਸਨੂੰ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀਮਤਾ (AI) ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
|
|
|
|
---
|
|
## ਕੁਝ ਸ਼ਬਦਾਵਲੀ
|
|
|
|
ਹਾਲਾਂਕਿ ਇਹ ਸ਼ਬਦ ਗੁੰਝਲਦਾਰ ਹੋ ਸਕਦੇ ਹਨ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀਮਤਾ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਉਪਸੈੱਟ ਹੈ। **ML ਵਿਸ਼ੇਸ਼ ਅਲਗੋਰਿਥਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰਨ ਅਤੇ ਸਮਝੀ ਜਾਣ ਵਾਲੀ ਡਾਟਾ ਤੋਂ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਚਿੰਤਤ ਹੈ ਤਾਂ ਜੋ ਤਰਕਸ਼ੀਲ ਫੈਸਲੇ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਹੀ ਕੀਤਾ ਜਾ ਸਕੇ**।
|
|
|
|
---
|
|
## AI, ML, ਡੀਪ ਲਰਨਿੰਗ
|
|
|
|
|
|
|
|
> AI, ML, ਡੀਪ ਲਰਨਿੰਗ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧਾਂ ਨੂੰ ਦਿਖਾਉਣ ਵਾਲਾ ਇੱਕ ਡਾਇਗ੍ਰਾਮ। [Jen Looper](https://twitter.com/jenlooper) ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਇਨਫੋਗ੍ਰਾਫਿਕ [ਇਸ ਗ੍ਰਾਫਿਕ](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) ਤੋਂ ਪ੍ਰੇਰਿਤ
|
|
|
|
---
|
|
## ਕਵਰ ਕਰਨ ਲਈ ਸੰਕਲਪ
|
|
|
|
ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਕੇਵਲ ਮੁੱਖ ਸੰਕਲਪਾਂ ਨੂੰ ਕਵਰ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ ਜੋ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਨੂੰ ਪਤਾ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਅਸੀਂ 'ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਵਰ ਕਰਦੇ ਹਾਂ, ਇੱਕ ਸ਼ਾਨਦਾਰ ਲਾਇਬ੍ਰੇਰੀ ਜਿਸਦਾ ਬਹੁਤ ਸਾਰੇ ਵਿਦਿਆਰਥੀ ਬੁਨਿਆਦੀਆਂ ਸਿੱਖਣ ਲਈ ਉਪਯੋਗ ਕਰਦੇ ਹਨ। ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀਮਤਾ ਜਾਂ ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਵਿਆਪਕ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਲਈ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਮਜ਼ਬੂਤ ਬੁਨਿਆਦੀ ਗਿਆਨ ਅਵਸ਼ਕ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਇੱਥੇ ਪੇਸ਼ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ।
|
|
|
|
---
|
|
## ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ:
|
|
|
|
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੁੱਖ ਸੰਕਲਪ
|
|
- ML ਦਾ ਇਤਿਹਾਸ
|
|
- ML ਅਤੇ ਨਿਰਪੱਖਤਾ
|
|
- ਰਿਗਰੈਸ਼ਨ ML ਤਕਨੀਕਾਂ
|
|
- ਕਲਾਸੀਫਿਕੇਸ਼ਨ ML ਤਕਨੀਕਾਂ
|
|
- ਕਲਸਟਰਿੰਗ ML ਤਕਨੀਕਾਂ
|
|
- ਪ੍ਰਾਕ੍ਰਿਤਿਕ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ML ਤਕਨੀਕਾਂ
|
|
- ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ ML ਤਕਨੀਕਾਂ
|
|
- ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ
|
|
- ML ਲਈ ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ
|
|
|
|
---
|
|
## ਅਸੀਂ ਕੀ ਕਵਰ ਨਹੀਂ ਕਰਾਂਗੇ
|
|
|
|
- ਡੀਪ ਲਰਨਿੰਗ
|
|
- ਨਿਊਰਲ ਨੈਟਵਰਕ
|
|
- AI
|
|
|
|
ਸਿੱਖਣ ਦੇ ਬਿਹਤਰ ਅਨੁਭਵ ਲਈ, ਅਸੀਂ ਨਿਊਰਲ ਨੈਟਵਰਕ, 'ਡੀਪ ਲਰਨਿੰਗ' - ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਹੁ-ਪੜਾਵਾਂ ਵਾਲੇ ਮਾਡਲ-ਬਿਲਡਿੰਗ - ਅਤੇ AI ਦੀ ਜਟਿਲਤਾ ਤੋਂ ਬਚਾਂਗੇ, ਜਿਸਨੂੰ ਅਸੀਂ ਇੱਕ ਵੱਖਰੇ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਚਰਚਾ ਕਰਾਂਗੇ। ਅਸੀਂ ਇਸ ਵੱਡੇ ਖੇਤਰ ਦੇ ਉਸ ਪਹلو 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਲਈ ਇੱਕ ਆਉਣ ਵਾਲਾ ਡਾਟਾ ਸਾਇੰਸ ਪਾਠਕ੍ਰਮ ਵੀ ਪੇਸ਼ ਕਰਾਂਗੇ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਉਂ ਸਿੱਖੀ ਜਾਵੇ?
|
|
|
|
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਸਿਸਟਮ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ, ਡਾਟਾ ਤੋਂ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਆਟੋਮੈਟਿਕ ਸਿਸਟਮ ਬਣਾਉਣ ਦੇ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਬੁੱਧੀਮਾਨ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜਾ ਸਕੇ।
|
|
|
|
ਇਹ ਪ੍ਰੇਰਣਾ ਢਿੱਲੇ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ ਕਿ ਮਨੁੱਖੀ ਦਿਮਾਗ ਬਾਹਰੀ ਦੁਨੀਆ ਤੋਂ ਸਮਝੀ ਜਾਣ ਵਾਲੀ ਡਾਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਕੁਝ ਚੀਜ਼ਾਂ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ।
|
|
|
|
✅ ਇੱਕ ਮਿੰਟ ਲਈ ਸੋਚੋ ਕਿ ਇੱਕ ਕਾਰੋਬਾਰ ਕਿਉਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗਾ ਬਜਾਏ ਕਿ ਇੱਕ ਹਾਰਡ-ਕੋਡਡ ਨਿਯਮ-ਅਧਾਰਿਤ ਇੰਜਨ ਬਣਾਉਣ।
|
|
|
|
---
|
|
## ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਐਪਲੀਕੇਸ਼ਨ
|
|
|
|
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਹੁਣ ਲਗਭਗ ਹਰ ਜਗ੍ਹਾ ਹਨ, ਅਤੇ ਉਹ ਡਾਟਾ ਜਿੰਨਾ ਹੀ ਵਿਆਪਕ ਹਨ ਜੋ ਸਾਡੇ ਸਮਾਜਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਵਹਿੰਦਾ ਹੈ, ਜੋ ਸਾਡੇ ਸਮਾਰਟ ਫੋਨ, ਜੁੜੇ ਹੋਏ ਡਿਵਾਈਸਾਂ, ਅਤੇ ਹੋਰ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਅਧੁਨਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਲਗੋਰਿਥਮਾਂ ਦੀ ਬੇਹਤਰੀਨ ਸੰਭਾਵਨਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਖੋਜਕਰਤਿਆਂ ਨੇ ਬਹੁ-ਪੱਖੀ ਅਤੇ ਬਹੁ-ਵਿਭਾਗੀ ਅਸਲ-ਜੀਵਨ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵਧੀਆ ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਨਾਲ ਹੱਲ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ।
|
|
|
|
---
|
|
## ਲਾਗੂ ML ਦੇ ਉਦਾਹਰਣ
|
|
|
|
**ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਵਰਤ ਸਕਦੇ ਹੋ**:
|
|
|
|
- ਮਰੀਜ਼ ਦੇ ਮੈਡੀਕਲ ਇਤਿਹਾਸ ਜਾਂ ਰਿਪੋਰਟਾਂ ਤੋਂ ਬਿਮਾਰੀ ਦੇ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ।
|
|
- ਮੌਸਮ ਦੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਸਮ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ।
|
|
- ਇੱਕ ਟੈਕਸਟ ਦੇ ਭਾਵ ਨੂੰ ਸਮਝਣ ਲਈ।
|
|
- ਪ੍ਰਚਾਰ ਦੇ ਫੈਲਾਅ ਨੂੰ ਰੋਕਣ ਲਈ ਜਾਲਸਾਜ਼ੀ ਖ਼ਬਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ।
|
|
|
|
ਵਿੱਤ, ਅਰਥਸ਼ਾਸਤਰ, ਧਰਤੀ ਵਿਗਿਆਨ, ਅੰਤਰਿਕਸ਼ ਖੋਜ, ਬਾਇਓਮੈਡੀਕਲ ਇੰਜੀਨੀਅਰਿੰਗ, ਸੰਜੋਗੀ ਵਿਗਿਆਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਹਿਊਮੈਨਿਟੀਜ਼ ਦੇ ਖੇਤਰਾਂ ਨੇ ਆਪਣੇ ਖੇਤਰ ਦੀਆਂ ਮੁਸ਼ਕਲ, ਡਾਟਾ-ਪ੍ਰੋਸੈਸਿੰਗ ਭਾਰੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਅਪਨਾਇਆ ਹੈ।
|
|
|
|
---
|
|
## ਨਿਸ਼ਕਰਸ਼
|
|
|
|
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਸਲ ਦੁਨੀਆ ਜਾਂ ਜਨਰੇਟ ਕੀਤੇ ਡਾਟਾ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਲੱਭਣ ਦੁਆਰਾ ਪੈਟਰਨ-ਖੋਜ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਦਾ ਹੈ। ਇਸਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਕਾਰੋਬਾਰ, ਸਿਹਤ, ਅਤੇ ਵਿੱਤੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ, ਹੋਰਾਂ ਦੇ ਨਾਲ, ਬਹੁਤ ਕੀਮਤੀ ਸਾਬਤ ਕੀਤਾ ਹੈ।
|
|
|
|
ਭਵਿੱਖ ਵਿੱਚ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬੁਨਿਆਦੀਆਂ ਨੂੰ ਸਮਝਣਾ ਕਿਸੇ ਵੀ ਖੇਤਰ ਦੇ ਲੋਕਾਂ ਲਈ ਲਾਜ਼ਮੀ ਹੋਵੇਗਾ ਇਸਦੇ ਵਿਆਪਕ ਅਪਨਾਏ ਜਾਣ ਦੇ ਕਾਰਨ।
|
|
|
|
---
|
|
# 🚀 ਚੁਣੌਤੀ
|
|
|
|
ਕਾਗਜ਼ 'ਤੇ ਜਾਂ [Excalidraw](https://excalidraw.com/) ਵਰਗੇ ਆਨਲਾਈਨ ਐਪ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, AI, ML, ਡੀਪ ਲਰਨਿੰਗ, ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰਾਂ ਦੀ ਆਪਣੀ ਸਮਝ ਦਾ ਸਕੈਚ ਬਣਾਓ। ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕੁਝ ਵਿਚਾਰ ਸ਼ਾਮਲ ਕਰੋ ਜਿਨ੍ਹਾਂ ਨੂੰ ਇਹ ਤਕਨੀਕਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਚੰਗੀਆਂ ਹਨ।
|
|
|
|
# [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify
|
|
|
|
---
|
|
|
|
**ਅਸਵੀਕਰਤੀ**:
|
|
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। |