22 KiB
پوسٹ اسکرپٹ: حقیقی دنیا میں مشین لرننگ
خاکہ: Tomomi Imura
اس نصاب میں، آپ نے ڈیٹا کو تربیت کے لیے تیار کرنے اور مشین لرننگ ماڈلز بنانے کے کئی طریقے سیکھے ہیں۔ آپ نے کلاسیکل ریگریشن، کلسٹرنگ، کلاسیفیکیشن، قدرتی زبان کی پروسیسنگ، اور وقت کے سلسلے کے ماڈلز کی ایک سیریز بنائی۔ مبارک ہو! اب، آپ سوچ رہے ہوں گے کہ یہ سب کس لیے ہے... ان ماڈلز کے حقیقی دنیا میں کیا استعمالات ہیں؟
اگرچہ صنعت میں AI، جو عام طور پر ڈیپ لرننگ کا استعمال کرتا ہے، نے بہت دلچسپی حاصل کی ہے، کلاسیکل مشین لرننگ ماڈلز کے لیے اب بھی قیمتی ایپلیکیشنز موجود ہیں۔ آپ شاید آج ہی ان میں سے کچھ ایپلیکیشنز استعمال کر رہے ہوں! اس سبق میں، آپ دیکھیں گے کہ آٹھ مختلف صنعتیں اور موضوعاتی شعبے ان ماڈلز کو کس طرح استعمال کرتے ہیں تاکہ اپنی ایپلیکیشنز کو زیادہ مؤثر، قابل اعتماد، ذہین، اور صارفین کے لیے قیمتی بنایا جا سکے۔
لیکچر سے پہلے کا کوئز
💰 مالیات
مالیاتی شعبہ مشین لرننگ کے لیے بہت سے مواقع فراہم کرتا ہے۔ اس شعبے میں کئی مسائل ہیں جنہیں ماڈلنگ اور مشین لرننگ کے ذریعے حل کیا جا سکتا ہے۔
کریڈٹ کارڈ فراڈ کا پتہ لگانا
ہم نے کورس کے دوران k-means کلسٹرنگ کے بارے میں سیکھا، لیکن اسے کریڈٹ کارڈ فراڈ سے متعلق مسائل کو حل کرنے کے لیے کیسے استعمال کیا جا سکتا ہے؟
k-means کلسٹرنگ کریڈٹ کارڈ فراڈ کا پتہ لگانے کی تکنیک میں مددگار ثابت ہوتی ہے جسے آؤٹ لائر ڈیٹیکشن کہا جاتا ہے۔ آؤٹ لائرز، یا ڈیٹا کے ایک سیٹ کے مشاہدات میں انحرافات، ہمیں بتا سکتے ہیں کہ آیا کریڈٹ کارڈ معمول کے مطابق استعمال ہو رہا ہے یا کچھ غیر معمولی ہو رہا ہے۔ نیچے دیے گئے مقالے میں دکھایا گیا ہے کہ آپ k-means کلسٹرنگ الگورتھم کا استعمال کرتے ہوئے کریڈٹ کارڈ ڈیٹا کو ترتیب دے سکتے ہیں اور ہر ٹرانزیکشن کو ایک کلسٹر میں تفویض کر سکتے ہیں کہ وہ کتنا آؤٹ لائر لگتا ہے۔ پھر، آپ دھوکہ دہی اور جائز ٹرانزیکشنز کے لیے سب سے زیادہ خطرناک کلسٹرز کا جائزہ لے سکتے ہیں۔ حوالہ
دولت کا انتظام
دولت کے انتظام میں، ایک فرد یا فرم اپنے کلائنٹس کی جانب سے سرمایہ کاری کو سنبھالتے ہیں۔ ان کا کام طویل مدتی میں دولت کو برقرار رکھنا اور بڑھانا ہے، اس لیے ایسی سرمایہ کاری کا انتخاب ضروری ہے جو اچھی کارکردگی دکھائے۔
کسی خاص سرمایہ کاری کی کارکردگی کا اندازہ لگانے کا ایک طریقہ شماریاتی ریگریشن کے ذریعے ہے۔ لینیئر ریگریشن ایک قیمتی ٹول ہے جو یہ سمجھنے میں مدد دیتا ہے کہ کوئی فنڈ کسی معیار کے مقابلے میں کیسا کارکردگی دکھاتا ہے۔ ہم یہ بھی معلوم کر سکتے ہیں کہ آیا ریگریشن کے نتائج شماریاتی طور پر اہم ہیں یا وہ کلائنٹ کی سرمایہ کاری پر کتنا اثر ڈالیں گے۔ آپ اپنی تجزیہ کو مزید بڑھا سکتے ہیں، جیسے کہ ملٹیپل ریگریشن کے ذریعے، جہاں اضافی خطرے کے عوامل کو مدنظر رکھا جا سکتا ہے۔ اس مقالے میں ایک مخصوص فنڈ کے لیے یہ کیسے کام کرے گا، اس کی مثال دیکھیں۔ حوالہ
🎓 تعلیم
تعلیمی شعبہ بھی ایک دلچسپ علاقہ ہے جہاں مشین لرننگ کا اطلاق کیا جا سکتا ہے۔ یہاں دلچسپ مسائل ہیں جنہیں حل کیا جا سکتا ہے، جیسے کہ امتحانات یا مضامین میں دھوکہ دہی کا پتہ لگانا یا تصحیح کے عمل میں غیر ارادی یا ارادی تعصب کو سنبھالنا۔
طلبہ کے رویے کی پیش گوئی
Coursera، ایک آن لائن اوپن کورس فراہم کنندہ، کے پاس ایک بہترین ٹیک بلاگ ہے جہاں وہ کئی انجینئرنگ فیصلوں پر بات کرتے ہیں۔ اس کیس اسٹڈی میں، انہوں نے ایک ریگریشن لائن کو پلاٹ کیا تاکہ کم NPS (نیٹ پروموٹر اسکور) ریٹنگ اور کورس کی برقراریت یا چھوڑنے کے درمیان کسی تعلق کو تلاش کیا جا سکے۔ حوالہ
تعصب کو کم کرنا
Grammarly، ایک تحریری معاون جو ہجے اور گرامر کی غلطیوں کو چیک کرتا ہے، اپنے پروڈکٹس میں نفیس قدرتی زبان کی پروسیسنگ سسٹمز استعمال کرتا ہے۔ انہوں نے اپنے ٹیک بلاگ میں ایک دلچسپ کیس اسٹڈی شائع کی ہے کہ انہوں نے مشین لرننگ میں صنفی تعصب سے کیسے نمٹا، جس کے بارے میں آپ نے ہمارے تعارفی انصاف کے سبق میں سیکھا۔ حوالہ
👜 ریٹیل
ریٹیل کا شعبہ مشین لرننگ کے استعمال سے یقینی طور پر فائدہ اٹھا سکتا ہے، ہر چیز سے لے کر بہتر کسٹمر سفر بنانے سے لے کر انوینٹری کو بہترین طریقے سے اسٹاک کرنے تک۔
کسٹمر سفر کو ذاتی بنانا
Wayfair، ایک کمپنی جو فرنیچر جیسے گھریلو سامان فروخت کرتی ہے، کے لیے یہ بہت اہم ہے کہ وہ اپنے صارفین کو ان کی پسند اور ضروریات کے مطابق صحیح مصنوعات تلاش کرنے میں مدد کرے۔ اس مضمون میں، کمپنی کے انجینئرز بیان کرتے ہیں کہ وہ مشین لرننگ اور NLP کا استعمال کس طرح کرتے ہیں تاکہ "صارفین کے لیے صحیح نتائج سامنے لائے جا سکیں"۔ خاص طور پر، ان کا کوئری انٹینٹ انجن کسٹمر ریویوز پر ادارہ نکالنے، کلاسیفائر ٹریننگ، اثاثہ اور رائے نکالنے، اور جذباتی ٹیگنگ کا استعمال کرتا ہے۔ یہ آن لائن ریٹیل میں NLP کے کام کرنے کا ایک کلاسک کیس ہے۔ حوالہ
انوینٹری مینجمنٹ
جدت پسند، چست کمپنیاں جیسے StitchFix، ایک باکس سروس جو صارفین کو کپڑے بھیجتی ہے، سفارشات اور انوینٹری مینجمنٹ کے لیے مشین لرننگ پر بہت زیادہ انحصار کرتی ہیں۔ ان کی اسٹائلنگ ٹیمیں ان کی مرچنڈائزنگ ٹیموں کے ساتھ مل کر کام کرتی ہیں، درحقیقت: "ہمارے ایک ڈیٹا سائنسدان نے ایک جینیٹک الگورتھم کے ساتھ تجربہ کیا اور اسے لباس پر لاگو کیا تاکہ یہ پیش گوئی کی جا سکے کہ کون سا لباس کامیاب ہوگا جو آج موجود نہیں ہے۔ ہم نے اسے مرچنڈائز ٹیم کے پاس لے گئے اور اب وہ اسے ایک ٹول کے طور پر استعمال کر سکتے ہیں۔" حوالہ
🏥 صحت کی دیکھ بھال
صحت کی دیکھ بھال کا شعبہ مشین لرننگ کو تحقیق کے کاموں کو بہتر بنانے اور لاجسٹک مسائل جیسے مریضوں کو دوبارہ داخل کرنے یا بیماریوں کے پھیلاؤ کو روکنے کے لیے استعمال کر سکتا ہے۔
کلینیکل ٹرائلز کا انتظام
کلینیکل ٹرائلز میں زہریلا پن دوا سازوں کے لیے ایک بڑا مسئلہ ہے۔ کتنی زہریلا پن قابل برداشت ہے؟ اس مطالعے میں، مختلف کلینیکل ٹرائل کے طریقوں کا تجزیہ کرنے سے کلینیکل ٹرائل کے نتائج کے امکانات کی پیش گوئی کے لیے ایک نیا طریقہ تیار ہوا۔ خاص طور پر، وہ ایک کلاسیفائر بنانے کے لیے رینڈم فورسٹ کا استعمال کرنے میں کامیاب رہے جو دوائیوں کے گروپوں کے درمیان فرق کر سکتا ہے۔ حوالہ
اسپتال کے دوبارہ داخلے کا انتظام
اسپتال کی دیکھ بھال مہنگی ہے، خاص طور پر جب مریضوں کو دوبارہ داخل کرنا پڑتا ہے۔ اس مقالے میں ایک کمپنی پر بات کی گئی ہے جو کلسٹرنگ الگورتھمز کا استعمال کرتے ہوئے دوبارہ داخلے کی صلاحیت کی پیش گوئی کرتی ہے۔ یہ کلسٹرز تجزیہ کاروں کو "دوبارہ داخلے کے گروپس دریافت کرنے میں مدد دیتے ہیں جو ایک عام وجہ کا اشتراک کر سکتے ہیں"۔ حوالہ
بیماری کا انتظام
حال ہی میں وبا نے یہ ظاہر کیا ہے کہ مشین لرننگ بیماری کے پھیلاؤ کو روکنے میں کس طرح مدد کر سکتی ہے۔ اس مضمون میں، آپ ARIMA، لاجسٹک منحنی خطوط، لینیئر ریگریشن، اور SARIMA کا استعمال پہچانیں گے۔ "یہ کام اس وائرس کے پھیلاؤ کی شرح کا حساب لگانے اور اموات، صحت یابی، اور تصدیق شدہ کیسز کی پیش گوئی کرنے کی کوشش ہے، تاکہ یہ ہمیں بہتر تیاری کرنے اور زندہ رہنے میں مدد دے سکے۔" حوالہ
🌲 ماحولیات اور گرین ٹیک
قدرت اور ماحولیات میں کئی حساس نظام شامل ہیں جہاں جانوروں اور قدرت کے درمیان تعلقات پر توجہ دی جاتی ہے۔ ان نظاموں کو درست طریقے سے ماپنا اور مناسب کارروائی کرنا ضروری ہے اگر کچھ ہو، جیسے جنگل کی آگ یا جانوروں کی آبادی میں کمی۔
جنگلات کا انتظام
آپ نے پچھلے اسباق میں ری انفورسمنٹ لرننگ کے بارے میں سیکھا۔ یہ قدرت میں پیٹرنز کی پیش گوئی کرنے میں بہت مفید ہو سکتا ہے۔ خاص طور پر، اسے جنگلات کی آگ اور حملہ آور انواع کے پھیلاؤ جیسے ماحولیاتی مسائل کو ٹریک کرنے کے لیے استعمال کیا جا سکتا ہے۔ کینیڈا میں، محققین کے ایک گروپ نے ری انفورسمنٹ لرننگ کا استعمال کرتے ہوئے سیٹلائٹ تصاویر سے جنگلات کی آگ کی حرکیات کے ماڈلز بنائے۔ ایک اختراعی "مقامی طور پر پھیلنے والے عمل (SSP)" کا استعمال کرتے ہوئے، انہوں نے جنگل کی آگ کو "کسی بھی زمین کی تزئین میں ایجنٹ کے طور پر" تصور کیا۔ "آگ کسی مقام سے کسی بھی وقت شمال، جنوب، مشرق، یا مغرب میں پھیلنے یا نہ پھیلنے کے اقدامات کر سکتی ہے۔
یہ نقطہ نظر عام RL سیٹ اپ کو الٹ دیتا ہے کیونکہ متعلقہ مارکوف فیصلہ سازی کے عمل (MDP) کی حرکیات فوری جنگل کی آگ کے پھیلاؤ کے لیے ایک معلوم فنکشن ہے۔" اس گروپ کے ذریعہ استعمال کیے گئے کلاسک الگورتھمز کے بارے میں مزید پڑھیں۔ حوالہ
جانوروں کی حرکت کا پتہ لگانا
اگرچہ ڈیپ لرننگ نے جانوروں کی حرکات کو بصری طور پر ٹریک کرنے میں انقلاب برپا کر دیا ہے (آپ اپنا پولر بیئر ٹریکر یہاں بنا سکتے ہیں)، کلاسیکل مشین لرننگ اب بھی اس کام میں جگہ رکھتی ہے۔
فارم کے جانوروں کی حرکات کو ٹریک کرنے کے لیے سینسرز اور IoT اس قسم کی بصری پروسیسنگ کا استعمال کرتے ہیں، لیکن زیادہ بنیادی مشین لرننگ تکنیک ڈیٹا کو پری پروسیس کرنے کے لیے مفید ہیں۔ مثال کے طور پر، اس مقالے میں، بھیڑوں کے پوسچرز کو مختلف کلاسیفائر الگورتھمز کا استعمال کرتے ہوئے مانیٹر اور تجزیہ کیا گیا۔ آپ صفحہ 335 پر ROC منحنی خطوط کو پہچان سکتے ہیں۔ حوالہ
⚡️ توانائی کا انتظام
ہمارے وقت کے سلسلے کی پیش گوئی کے اسباق میں، ہم نے ایک شہر کے لیے سپلائی اور طلب کو سمجھنے کی بنیاد پر ریونیو پیدا کرنے کے لیے سمارٹ پارکنگ میٹرز کے تصور کو پیش کیا۔ اس مضمون میں تفصیل سے بتایا گیا ہے کہ کلسٹرنگ، ریگریشن، اور وقت کے سلسلے کی پیش گوئی نے آئرلینڈ میں سمارٹ میٹرنگ کی بنیاد پر مستقبل کی توانائی کے استعمال کی پیش گوئی میں کس طرح مدد کی۔ حوالہ
💼 انشورنس
انشورنس کا شعبہ ایک اور شعبہ ہے جو مشین لرننگ کا استعمال قابل عمل مالیاتی اور ایکچوریل ماڈلز بنانے اور بہتر بنانے کے لیے کرتا ہے۔
اتار چڑھاؤ کا انتظام
MetLife، ایک لائف انشورنس فراہم کنندہ، اپنے مالیاتی ماڈلز میں اتار چڑھاؤ کا تجزیہ اور تخفیف کرنے کے طریقے کے بارے میں کھل کر بات کرتا ہے۔ اس مضمون میں آپ بائنری اور آرڈینل کلاسیفیکیشن کی بصریات دیکھیں گے۔ آپ پیش گوئی کی بصریات بھی دریافت کریں گے۔ حوالہ
🎨 آرٹس، ثقافت، اور ادب
آرٹس میں، مثال کے طور پر صحافت میں، کئی دلچسپ مسائل ہیں۔ جعلی خبروں کا پتہ لگانا ایک بڑا مسئلہ ہے کیونکہ یہ لوگوں کی رائے کو متاثر کرنے اور یہاں تک کہ جمہوریتوں کو ختم کرنے کے لیے ثابت ہوا ہے۔ میوزیمز بھی مشین لرننگ کا استعمال کرتے ہوئے فائدہ اٹھا سکتے ہیں، ہر چیز سے لے کر نوادرات کے درمیان روابط تلاش کرنے سے لے کر وسائل کی منصوبہ بندی تک۔
جعلی خبروں کا پتہ لگانا
آج کے میڈیا میں جعلی خبروں کا پتہ لگانا بلی اور چوہے کا کھیل بن گیا ہے۔ اس مضمون میں، محققین تجویز کرتے ہیں کہ مشین لرننگ کی کئی تکنیکوں کو ہم نے سیکھا ہے، ایک نظام میں یکجا کیا جا سکتا ہے اور بہترین ماڈل کو نافذ کیا جا سکتا ہے: "یہ نظام ڈیٹا سے خصوصیات نکالنے کے لیے قدرتی زبان کی پروسیسنگ پر مبنی ہے اور پھر ان خصوصیات کو مشین لرننگ کلاسیفائرز جیسے Naive Bayes، Support Vector Machine (SVM)، Random Forest (RF)، Stochastic Gradient Descent (SGD)، اور Logistic Regression (LR) کی تربیت کے لیے استعمال کیا جاتا ہے۔" حوالہ
یہ مضمون دکھاتا ہے کہ مختلف مشین لرننگ ڈومینز کو یکجا کرنے سے دلچسپ نتائج پیدا ہو سکتے ہیں جو جعلی خبروں کو پھیلنے اور حقیقی نقصان پہنچانے سے روکنے میں مدد کر سکتے ہیں؛ اس معاملے میں، محرک COVID علاج کے بارے میں افواہوں کا پھیلاؤ تھا جس نے ہجوم کے تشدد کو جنم دیا۔
میوزیم مشین لرننگ
میوزیمز AI انقلاب کے دہانے پر ہیں جہاں مجموعوں کو کیٹلاگ اور ڈیجیٹائز کرنا اور نوادرات کے درمیان روابط تلاش کرنا ٹیکنالوجی کی ترقی کے ساتھ آسان ہو رہا ہے۔ منصوبے جیسے In Codice Ratio ناقابل رسائی مجموعوں جیسے ویٹیکن آرکائیوز کے رازوں کو کھولنے میں مدد کر رہے ہیں۔ لیکن، میوزیمز کے کاروباری پہلو مشین لرننگ ماڈلز سے فائدہ اٹھاتے ہیں۔
مثال کے طور پر، شکاگو کے آرٹ انسٹی ٹیوٹ نے ماڈلز بنائے تاکہ یہ پیش گوئی کی جا سکے کہ سامعین کس چیز میں دلچسپی رکھتے ہیں اور وہ کب نمائشوں میں شرکت کریں گے۔ مقصد یہ ہے کہ ہر بار جب صارف میوزیم کا دورہ کرے تو ان کے لیے انفرادی اور بہتر تجربات تخلیق کیے جائیں۔ "مالی سال 2017 کے دوران، ماڈل نے حاضری اور داخلے کی پیش گوئی 1 فیصد درستگی کے اندر کی، کہتے
لیکچر کے بعد کا کوئز
جائزہ اور خود مطالعہ
ویفیر کے ڈیٹا سائنس ٹیم کے پاس کئی دلچسپ ویڈیوز ہیں جن میں وہ بتاتے ہیں کہ وہ اپنی کمپنی میں مشین لرننگ کیسے استعمال کرتے ہیں۔ یہ دیکھنے کے قابل ہے!
اسائنمنٹ
ڈسکلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔