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.
113 lines
21 KiB
113 lines
21 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "83320d6b6994909e35d830cebf214039",
|
|
"translation_date": "2025-09-06T06:59:52+00:00",
|
|
"source_file": "9-Real-World/1-Applications/README.md",
|
|
"language_code": "pa"
|
|
}
|
|
-->
|
|
# ਪੋਸਟਸਕ੍ਰਿਪਟ: ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ
|
|
|
|
|
|
> ਸਕੈਚਨੋਟ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://www.twitter.com/girlie_mac) ਦੁਆਰਾ
|
|
|
|
ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਲਈ ਤਿਆਰ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਦੇ ਕਈ ਤਰੀਕੇ ਸਿੱਖੇ ਹਨ। ਤੁਸੀਂ ਕਲਾਸਿਕ ਰਿਗ੍ਰੈਸ਼ਨ, ਕਲੱਸਟਰਿੰਗ, ਕਲਾਸੀਫਿਕੇਸ਼ਨ, ਪ੍ਰਾਕ੍ਰਿਤਿਕ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਸਮੇਂ ਦੀ ਲੜੀ ਦੇ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਬਣਾਈ। ਵਧਾਈ ਹੋਵੇ! ਹੁਣ, ਤੁਸੀਂ ਸੋਚ ਰਹੇ ਹੋ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਸਾਰਾ ਕਿਸ ਲਈ ਹੈ... ਇਹ ਮਾਡਲ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ?
|
|
|
|
ਜਦੋਂ ਕਿ ਉਦਯੋਗ ਵਿੱਚ AI ਵਿੱਚ ਬਹੁਤ ਦਿਲਚਸਪੀ ਹੈ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਡੀਪ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਲਈ ਅਜੇ ਵੀ ਕੀਮਤੀ ਐਪਲੀਕੇਸ਼ਨ ਹਨ। ਤੁਸੀਂ ਅੱਜ ਵੀ ਕੁਝ ਐਪਲੀਕੇਸ਼ਨ ਵਰਤ ਰਹੇ ਹੋ ਸਕਦੇ ਹੋ! ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਅੱਠ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਅਤੇ ਵਿਸ਼ੇਸ਼-ਮਾਮਲੇ ਡੋਮੇਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋਗੇ ਕਿ ਇਹ ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਜ਼ਿਆਦਾ ਪ੍ਰਦਰਸ਼ਨਯੋਗ, ਭਰੋਸੇਯੋਗ, ਬੁੱਧੀਮਾਨ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਕੀਮਤੀ ਬਣਾਉਂਦੇ ਹਨ।
|
|
|
|
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
## 💰 ਵਿੱਤ
|
|
|
|
ਵਿੱਤ ਖੇਤਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਕਈ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਕਈ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
|
|
|
|
### ਕਰੈਡਿਟ ਕਾਰਡ ਧੋਖਾਧੜੀ ਪਤਾ ਲਗਾਉਣਾ
|
|
|
|
ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਪਹਿਲਾਂ [k-means ਕਲੱਸਟਰਿੰਗ](../../5-Clustering/2-K-Means/README.md) ਬਾਰੇ ਸਿੱਖਿਆ ਸੀ, ਪਰ ਇਹ ਕਰੈਡਿਟ ਕਾਰਡ ਧੋਖਾਧੜੀ ਨਾਲ ਸੰਬੰਧਿਤ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਿਵੇਂ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ?
|
|
|
|
k-means ਕਲੱਸਟਰਿੰਗ ਕਰੈਡਿਟ ਕਾਰਡ ਧੋਖਾਧੜੀ ਪਤਾ ਲਗਾਉਣ ਦੀ ਤਕਨੀਕ **ਆਊਟਲਾਇਰ ਡਿਟੈਕਸ਼ਨ** ਵਿੱਚ ਮਦਦਗਾਰ ਸਾਬਤ ਹੁੰਦੀ ਹੈ। ਆਊਟਲਾਇਰ, ਜਾਂ ਡਾਟਾ ਦੇ ਸੈਟ ਬਾਰੇ ਅਸਧਾਰਨ ਅਵਲੋਕਨ, ਸਾਨੂੰ ਦੱਸ ਸਕਦੇ ਹਨ ਕਿ ਕਰੈਡਿਟ ਕਾਰਡ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ ਜਾਂ ਕੁਝ ਅਜੀਬ ਹੋ ਰਿਹਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਪੇਪਰ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਤੁਸੀਂ k-means ਕਲੱਸਟਰਿੰਗ ਐਲਗੋਰਿਥਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਰੈਡਿਟ ਕਾਰਡ ਡਾਟਾ ਨੂੰ ਕਲੱਸਟਰ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਹਰ ਲੈਣ-ਦੇਣ ਨੂੰ ਇਸਦੀ ਅਸਧਾਰਨਤਾ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਕਲੱਸਟਰ ਵਿੱਚ ਸੌਂਪ ਸਕਦੇ ਹੋ। ਫਿਰ, ਤੁਸੀਂ ਧੋਖਾਧੜੀ ਵਾਲੇ ਅਤੇ ਕਾਨੂੰਨੀ ਲੈਣ-ਦੇਣ ਲਈ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਕਲੱਸਟਰਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੇ ਹੋ।
|
|
[ਹਵਾਲਾ](https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.680.1195&rep=rep1&type=pdf)
|
|
|
|
### ਧਨ ਪ੍ਰਬੰਧਨ
|
|
|
|
ਧਨ ਪ੍ਰਬੰਧਨ ਵਿੱਚ, ਇੱਕ ਵਿਅਕਤੀ ਜਾਂ ਫਰਮ ਆਪਣੇ ਗਾਹਕਾਂ ਦੀਆਂ ਨਿਵੇਸ਼ਾਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਕੰਮ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਧਨ ਨੂੰ ਕਾਇਮ ਰੱਖਣਾ ਅਤੇ ਵਧਾਉਣਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਉਹ ਨਿਵੇਸ਼ ਚੁਣਨ ਜੋ ਚੰਗਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ।
|
|
|
|
ਇੱਕ ਨਿਵੇਸ਼ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਇਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਸਾਂਖਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਦੁਆਰਾ ਹੈ। [ਲਿਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ](../../2-Regression/1-Tools/README.md) ਇੱਕ ਕੀਮਤੀ ਸਾਧਨ ਹੈ ਜੋ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਫੰਡ ਕਿਸੇ ਬੈਂਚਮਾਰਕ ਦੇ ਮੁਕਾਬਲੇ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਇਹ ਵੀ ਨਿਕਾਲ ਸਕਦੇ ਹਾਂ ਕਿ ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਨਤੀਜੇ ਸਾਂਖਿਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹਨ ਜਾਂ ਇਹ ਗਾਹਕ ਦੇ ਨਿਵੇਸ਼ਾਂ ਨੂੰ ਕਿੰਨਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਆਪਣਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਧੇਰੇ ਰਿਸਕ ਫੈਕਟਰਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਮਲਟੀਪਲ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਧਾ ਸਕਦੇ ਹੋ। ਇਸਦਾ ਇੱਕ ਉਦਾਹਰਨ ਦੇਖਣ ਲਈ ਕਿ ਇਹ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਫੰਡ ਲਈ ਕਿਵੇਂ ਕੰਮ ਕਰੇਗਾ, ਹੇਠਾਂ ਦਿੱਤੇ ਪੇਪਰ ਨੂੰ ਦੇਖੋ ਜੋ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫੰਡ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ।
|
|
[ਹਵਾਲਾ](http://www.brightwoodventures.com/evaluating-fund-performance-using-regression/)
|
|
|
|
## 🎓 ਸਿੱਖਿਆ
|
|
|
|
ਸਿੱਖਿਆ ਖੇਤਰ ਵੀ ਇੱਕ ਬਹੁਤ ਦਿਲਚਸਪ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ML ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਥੇ ਕੁਝ ਦਿਲਚਸਪ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜਿਵੇਂ ਕਿ ਟੈਸਟ ਜਾਂ ਨਿਬੰਧਾਂ 'ਤੇ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਜਾਂ ਸਹੀ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਪੱਖਪਾਤ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ।
|
|
|
|
### ਵਿਦਿਆਰਥੀ ਦੇ ਵਿਵਹਾਰ ਦੀ ਭਵਿੱਖਬਾਣੀ
|
|
|
|
[Coursera](https://coursera.com), ਇੱਕ ਆਨਲਾਈਨ ਖੁੱਲ੍ਹਾ ਕੋਰਸ ਪ੍ਰਦਾਤਾ, ਦੇ ਤਕਨਾਲੋਜੀ ਬਲੌਗ ਵਿੱਚ ਕਈ ਇੰਜੀਨੀਅਰਿੰਗ ਫੈਸਲਿਆਂ ਦੀ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਕੇਸ ਸਟਡੀ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਨੇ ਇੱਕ ਰਿਗ੍ਰੈਸ਼ਨ ਲਾਈਨ ਪਲੌਟ ਕੀਤੀ ਤਾਂ ਜੋ ਘੱਟ NPS (ਨੈਟ ਪ੍ਰੋਮੋਟਰ ਸਕੋਰ) ਰੇਟਿੰਗ ਅਤੇ ਕੋਰਸ ਰਿਟੇਨਸ਼ਨ ਜਾਂ ਡ੍ਰਾਪ-ਆਫ ਦੇ ਵਿਚਕਾਰ ਕੋਈ ਸੰਬੰਧ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ।
|
|
[ਹਵਾਲਾ](https://medium.com/coursera-engineering/controlled-regression-quantifying-the-impact-of-course-quality-on-learner-retention-31f956bd592a)
|
|
|
|
### ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਉਣਾ
|
|
|
|
[Grammarly](https://grammarly.com), ਇੱਕ ਲਿਖਣ ਵਾਲਾ ਸਹਾਇਕ ਜੋ ਸਪੈਲਿੰਗ ਅਤੇ ਗ੍ਰਾਮਰ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਆਪਣੇ ਉਤਪਾਦਾਂ ਵਿੱਚ ਉੱਚ-ਪੱਧਰ ਦੇ [ਪ੍ਰਾਕ੍ਰਿਤਿਕ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਿਸਟਮ](../../6-NLP/README.md) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਉਨ੍ਹਾਂ ਨੇ ਆਪਣੇ ਤਕਨਾਲੋਜੀ ਬਲੌਗ ਵਿੱਚ ਇੱਕ ਦਿਲਚਸਪ ਕੇਸ ਸਟਡੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਕਿ ਉਨ੍ਹਾਂ ਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਲਿੰਗ ਪੱਖਪਾਤ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਿਆ, ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਸਾਡੇ [ਪੱਖਪਾਤ ਪਾਠ](../../1-Introduction/3-fairness/README.md) ਵਿੱਚ ਸਿੱਖਿਆ ਸੀ।
|
|
[ਹਵਾਲਾ](https://www.grammarly.com/blog/engineering/mitigating-gender-bias-in-autocorrect/)
|
|
|
|
## 👜 ਰਿਟੇਲ
|
|
|
|
ਰਿਟੇਲ ਖੇਤਰ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਹੁਤ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਗਾਹਕ ਦੇ ਯਾਤਰਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਜਾਂ ਸਟਾਕ ਇਨਵੈਂਟਰੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ।
|
|
|
|
### ਗਾਹਕ ਦੀ ਯਾਤਰਾ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣਾ
|
|
|
|
Wayfair, ਇੱਕ ਕੰਪਨੀ ਜੋ ਫਰਨੀਚਰ ਵਰਗੇ ਘਰੇਲੂ ਸਾਮਾਨ ਵੇਚਦੀ ਹੈ, ਗਾਹਕਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਸੁਆਦ ਅਤੇ ਜ਼ਰੂਰਤਾਂ ਲਈ ਸਹੀ ਉਤਪਾਦ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਕੰਪਨੀ ਦੇ ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਵਰਣਨ ਕੀਤਾ ਕਿ ਉਹ ML ਅਤੇ NLP ਦੀ ਵਰਤੋਂ ਕਰਕੇ "ਗਾਹਕਾਂ ਲਈ ਸਹੀ ਨਤੀਜੇ ਪੇਸ਼" ਕਰਦੇ ਹਨ। ਖਾਸ ਤੌਰ 'ਤੇ, ਉਨ੍ਹਾਂ ਦਾ ਕਵੈਰੀ ਇੰਟੈਂਟ ਇੰਜਨ ਗਾਹਕ ਸਮੀਖਿਆਵਾਂ 'ਤੇ ਐਨਟੀਟੀ ਐਕਸਟ੍ਰੈਕਸ਼ਨ, ਕਲਾਸੀਫਾਇਰ ਟ੍ਰੇਨਿੰਗ, ਐਸੈਟ ਅਤੇ ਰਾਏ ਐਕਸਟ੍ਰੈਕਸ਼ਨ, ਅਤੇ ਸੈਂਟੀਮੈਂਟ ਟੈਗਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਆਨਲਾਈਨ ਰਿਟੇਲ ਵਿੱਚ NLP ਦੇ ਵਰਤੋਂ ਦਾ ਇੱਕ ਕਲਾਸਿਕ ਕੇਸ ਹੈ।
|
|
[ਹਵਾਲਾ](https://www.aboutwayfair.com/tech-innovation/how-we-use-machine-learning-and-natural-language-processing-to-empower-search)
|
|
|
|
### ਇਨਵੈਂਟਰੀ ਪ੍ਰਬੰਧਨ
|
|
|
|
[StitchFix](https://stitchfix.com) ਵਰਗੀਆਂ ਨਵੀਂ ਅਤੇ ਚੁਸਤ ਕੰਪਨੀਆਂ, ਜੋ ਗਾਹਕਾਂ ਨੂੰ ਕਪੜਿਆਂ ਦੇ ਬਾਕਸ ਭੇਜਣ ਦੀ ਸੇਵਾ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ, ਸਿਫਾਰਸ਼ਾਂ ਅਤੇ ਇਨਵੈਂਟਰੀ ਪ੍ਰਬੰਧਨ ਲਈ ML 'ਤੇ ਬਹੁਤ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ। ਉਨ੍ਹਾਂ ਦੀ ਸਟਾਈਲਿੰਗ ਟੀਮਾਂ ਉਨ੍ਹਾਂ ਦੀ ਮਰਚੈਂਡਾਈਜ਼ਿੰਗ ਟੀਮਾਂ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ। "ਸਾਡੇ ਇੱਕ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਨੇ ਇੱਕ ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਥਮ ਨਾਲ ਤਜਰਬਾ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ ਐਪੇਰਲ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਤਾਂ ਜੋ ਇਹ ਅਨੁਮਾਨ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜਾ ਕਪੜਾ ਸਫਲ ਹੋਵੇਗਾ ਜੋ ਅੱਜ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਇਸਨੂੰ ਮਰਚੈਂਡਾਈਜ਼ ਟੀਮ ਦੇ ਹਵਾਲੇ ਕੀਤਾ ਅਤੇ ਹੁਣ ਉਹ ਇਸਨੂੰ ਇੱਕ ਸਾਧਨ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹਨ।"
|
|
[ਹਵਾਲਾ](https://www.zdnet.com/article/how-stitch-fix-uses-machine-learning-to-master-the-science-of-styling/)
|
|
|
|
## 🏥 ਸਿਹਤ ਸੇਵਾਵਾਂ
|
|
|
|
ਸਿਹਤ ਸੇਵਾ ਖੇਤਰ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਰਿਸਰਚ ਕੰਮਾਂ ਅਤੇ ਲਾਜ਼ਮਿਕ ਸਮੱਸਿਆਵਾਂ ਜਿਵੇਂ ਕਿ ਮਰੀਜ਼ਾਂ ਨੂੰ ਦੁਬਾਰਾ ਭਰਤੀ ਕਰਨਾ ਜਾਂ ਬਿਮਾਰੀਆਂ ਦੇ ਫੈਲਣ ਨੂੰ ਰੋਕਣਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।
|
|
|
|
### ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲ ਪ੍ਰਬੰਧਨ
|
|
|
|
ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲਾਂ ਵਿੱਚ ਜ਼ਹਿਰਲੇ ਪਦਾਰਥਾਂ ਦੀ ਮਾਤਰਾ ਇੱਕ ਵੱਡੀ ਚਿੰਤਾ ਹੈ। ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਨਾਲ ਇੱਕ ਨਵਾਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿਕਸਿਤ ਹੋਇਆ। ਖਾਸ ਤੌਰ 'ਤੇ, ਉਨ੍ਹਾਂ ਨੇ ਰੈਂਡਮ ਫਾਰੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ [ਕਲਾਸੀਫਾਇਰ](../../4-Classification/README.md) ਬਣਾਇਆ ਜੋ ਦਵਾਈਆਂ ਦੇ ਸਮੂਹਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰ ਸਕਦਾ ਹੈ।
|
|
[ਹਵਾਲਾ](https://www.sciencedirect.com/science/article/pii/S2451945616302914)
|
|
|
|
### ਹਸਪਤਾਲ ਦੁਬਾਰਾ ਭਰਤੀ ਪ੍ਰਬੰਧਨ
|
|
|
|
ਹਸਪਤਾਲ ਦੀ ਦੇਖਭਾਲ ਮਹਿੰਗੀ ਹੁੰਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜਦੋਂ ਮਰੀਜ਼ਾਂ ਨੂੰ ਦੁਬਾਰਾ ਭਰਤੀ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਇੱਕ ਕੰਪਨੀ ਦੀ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ ਜੋ [ਕਲੱਸਟਰਿੰਗ](../../5-Clustering/README.md) ਐਲਗੋਰਿਥਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੁਬਾਰਾ ਭਰਤੀ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੀ ਹੈ। ਇਹ ਕਲੱਸਟਰ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ "ਦੁਬਾਰਾ ਭਰਤੀ ਹੋਣ ਵਾਲੇ ਸਮੂਹਾਂ ਦੀ ਖੋਜ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਜੋ ਇੱਕ ਸਾਂਝੇ ਕਾਰਨ ਨੂੰ ਸਾਂਝਾ ਕਰ ਸਕਦੇ ਹਨ।"
|
|
[ਹਵਾਲਾ](https://healthmanagement.org/c/healthmanagement/issuearticle/hospital-readmissions-and-machine-learning)
|
|
|
|
### ਬਿਮਾਰੀ ਪ੍ਰਬੰਧਨ
|
|
|
|
ਹਾਲੀਆ ਮਹਾਮਾਰੀ ਨੇ ਇਹ ਦਰਸਾਇਆ ਹੈ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਿਮਾਰੀ ਦੇ ਫੈਲਣ ਨੂੰ ਰੋਕਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਤੁਸੀਂ ARIMA, ਲਾਜਿਸਟਿਕ ਕਰਵਜ਼, ਲਿਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ, ਅਤੇ SARIMA ਦੀ ਵਰਤੋਂ ਨੂੰ ਪਛਾਣੋਗੇ। "ਇਹ ਕੰਮ ਇਸ ਵਾਇਰਸ ਦੇ ਫੈਲਣ ਦੀ ਦਰ ਨੂੰ ਗਿਣਨ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਮੌਤਾਂ, ਸਿਹਤਮੰਦ ਹੋਣ ਅਤੇ ਪੁਸ਼ਟੀ ਕੀਤੇ ਕੇਸਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਸਾਨੂੰ ਬਿਹਤਰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਜੀਵਨ ਬਚਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕੇ।"
|
|
[ਹਵਾਲਾ](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7979218/)
|
|
|
|
## 🌲 ਪ੍ਰਕ੍ਰਿਤੀ ਅਤੇ ਹਰਾ ਤਕਨਾਲੋਜੀ
|
|
|
|
ਪ੍ਰਕ੍ਰਿਤੀ ਅਤੇ ਪਰਿਆਵਰਣ ਵਿੱਚ ਕਈ ਸੰਵੇਦਨਸ਼ੀਲ ਪ੍ਰਣਾਲੀਆਂ ਸ਼ਾਮਲ ਹਨ ਜਿੱਥੇ ਜਾਨਵਰਾਂ ਅਤੇ ਪ੍ਰਕ੍ਰਿਤੀ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧਾਂ ਨੂੰ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਨ੍ਹਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਹੀ ਤੌਰ 'ਤੇ ਮਾਪਿਆ ਜਾਵੇ ਅਤੇ ਜੇ ਕੁਝ ਹੋਵੇ ਤਾਂ ਸਹੀ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾਵੇ, ਜਿਵੇਂ ਕਿ ਜੰਗਲ ਦੀ ਅੱਗ ਜਾਂ ਜਾਨਵਰਾਂ ਦੀ ਆਬਾਦੀ ਵਿੱਚ ਗਿਰਾਵਟ।
|
|
|
|
### ਜੰਗਲ ਪ੍ਰਬੰਧਨ
|
|
|
|
ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ [ਰਿਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](../../8-Reinforcement/README.md) ਬਾਰੇ ਸਿੱਖਿਆ ਸੀ। ਇਹ ਪ੍ਰਕ੍ਰਿਤੀ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵੇਲੇ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੀ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਇਹ ਜੰਗਲ ਦੀ ਅੱਗ ਅਤੇ ਘੁਸਪੈਠੀ ਪ੍ਰਜਾਤੀਆਂ ਦੇ ਫੈਲਣ ਵਰਗੀਆਂ ਪਰਿਆਵਰਣ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਟ੍ਰੈਕ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਕੈਨੇਡਾ ਵਿੱਚ, ਇੱਕ ਗਰੁੱਪ ਨੇ ਸੈਟੇਲਾਈਟ ਚਿੱਤਰਾਂ ਤੋਂ ਜੰਗਲ ਦੀ ਅੱਗ ਦੀ ਗਤੀਵਿਧੀਆਂ ਦੇ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਰਿਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। "ਇਹ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਰਿਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਸੈਟਅਪ ਨੂੰ ਉਲਟਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਸੰਬੰਧਿਤ ਮਾਰਕੋਵ ਫੈਸਲੇ ਪ੍ਰਕਿਰਿਆ (MDP) ਦੀ ਗਤੀਵਿਧੀਆਂ ਤੁਰੰਤ ਜੰਗਲ ਦੀ ਅੱਗ ਦੇ ਫੈਲਣ ਲਈ ਇੱਕ ਜਾਣੀ ਗਤੀਵਿਧੀ ਹੈ।"
|
|
[ਹਵਾਲਾ](https://www.frontiersin.org/articles/10.3389/fict.2018.00006/full)
|
|
|
|
### ਜਾਨਵਰਾਂ ਦੀ ਗਤੀਵਿਧੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ
|
|
|
|
ਜਦੋਂ ਕਿ ਡੀਪ ਲਰਨਿੰਗ ਨੇ ਜਾਨਵਰਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਵਿਜ਼ੂਅਲ ਟ੍ਰੈਕ ਕਰਨ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਈ ਹੈ (ਤੁਸੀਂ ਆਪਣਾ [ਪੋਲਰ ਬੀਅਰ ਟ੍ਰੈਕਰ](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) ਇੱਥੇ ਬਣਾਉਣ ਲਈ ਸਿੱਖ ਸਕਦੇ ਹੋ), ਕਲਾਸਿਕ ML ਅਜੇ ਵੀ ਇਸ ਕੰਮ ਵਿੱਚ ਆਪਣੀ ਜਗ੍ਹਾ ਰੱਖਦਾ ਹੈ।
|
|
|
|
ਫਾਰਮ ਜਾਨਵਰਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਟ੍ਰੈਕ
|
|
## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਦੀ ਪੜਾਈ
|
|
|
|
ਵੇਫੇਅਰ ਡਾਟਾ ਸਾਇੰਸ ਟੀਮ ਦੇ ਕੋਲ ਕਈ ਦਿਲਚਸਪ ਵੀਡੀਓਜ਼ ਹਨ ਜਿੱਥੇ ਉਹ ਦੱਸਦੇ ਹਨ ਕਿ ਉਹ ਆਪਣੇ ਕੰਪਨੀ ਵਿੱਚ ML ਦਾ ਕਿਵੇਂ ਇਸਤੇਮਾਲ ਕਰਦੇ ਹਨ। ਇਹਨੂੰ [ਦੇਖਣਾ ਲਾਇਕ ਹੈ](https://www.youtube.com/channel/UCe2PjkQXqOuwkW1gw6Ameuw/videos)!
|
|
|
|
## ਅਸਾਈਨਮੈਂਟ
|
|
|
|
[ਇੱਕ ML ਸਕੈਵੇਂਜਰ ਹੰਟ](assignment.md)
|
|
|
|
---
|
|
|
|
**ਅਸਵੀਕਤੀ**:
|
|
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 ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ 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 ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। |