ML-For-Beginners/translations/pa/4-Classification/3-Classifiers-2

ਖਾਣੇ ਦੇ ਵਰਗੀਕਰਨ 2

ਇਸ ਦੂਜੇ ਵਰਗੀਕਰਨ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਗਿਣਤੀ ਡਾਟਾ ਨੂੰ ਵਰਗੀਕਰਣ ਦੇ ਹੋਰ ਤਰੀਕੇ ਖੋਜੋਗੇ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖੋਗੇ ਕਿ ਇੱਕ ਵਰਗੀਕਰਣ ਨੂੰ ਚੁਣਨ ਦੇ ਨਤੀਜੇ ਕੀ ਹੋ ਸਕਦੇ ਹਨ।

ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼

ਪੂਰਵ ਸ਼ਰਤ

ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਪੂਰੇ ਕਰ ਲਏ ਹਨ ਅਤੇ ਤੁਹਾਡੇ data ਫੋਲਡਰ ਵਿੱਚ ਇੱਕ ਸਾਫ ਕੀਤਾ ਹੋਇਆ ਡਾਟਾਸੈਟ ਹੈ ਜਿਸਦਾ ਨਾਮ cleaned_cuisines.csv ਹੈ, ਜੋ ਇਸ 4-ਪਾਠਾਂ ਵਾਲੇ ਫੋਲਡਰ ਦੇ ਰੂਟ ਵਿੱਚ ਹੈ।

ਤਿਆਰੀ

ਅਸੀਂ ਤੁਹਾਡੇ notebook.ipynb ਫਾਈਲ ਵਿੱਚ ਸਾਫ ਕੀਤਾ ਡਾਟਾਸੈਟ ਲੋਡ ਕੀਤਾ ਹੈ ਅਤੇ ਇਸਨੂੰ X ਅਤੇ y ਡਾਟਾਫਰੇਮ ਵਿੱਚ ਵੰਡਿਆ ਹੈ, ਜੋ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਤਿਆਰ ਹੈ।

ਵਰਗੀਕਰਨ ਦਾ ਨਕਸ਼ਾ

ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਡਾਟਾ ਨੂੰ ਵਰਗੀਕਰਣ ਲਈ ਤੁਹਾਡੇ ਕੋਲ ਕਿਹੜੇ ਵਿਕਲਪ ਹਨ, ਜਿਸ ਵਿੱਚ ਮਾਈਕਰੋਸਾਫਟ ਦੀ ਚੀਟ ਸ਼ੀਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ। Scikit-learn ਇੱਕ ਹੋਰ ਵਿਸਥਾਰਕ ਚੀਟ ਸ਼ੀਟ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਵਰਗੀਕਰਣ ਨੂੰ ਹੋਰ ਸੰਕੁਚਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ:

ਟਿਪ: ਇਸ ਨਕਸ਼ੇ ਨੂੰ ਆਨਲਾਈਨ ਵੇਖੋ ਅਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਰਾਹ ਦੇ ਨਾਲ ਕਲਿਕ ਕਰੋ।

ਯੋਜਨਾ

ਇਹ ਨਕਸ਼ਾ ਤੁਹਾਡੇ ਡਾਟਾ ਦੀ ਸਪਸ਼ਟ ਸਮਝ ਹੋਣ ਤੋਂ ਬਾਅਦ ਬਹੁਤ ਮਦਦਗਾਰ ਹੈ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਇਸਦੇ ਰਾਹਾਂ 'ਤੇ 'ਚੱਲ' ਸਕਦੇ ਹੋ:

• ਸਾਡੇ ਕੋਲ >50 ਨਮੂਨੇ ਹਨ
• ਅਸੀਂ ਇੱਕ ਸ਼੍ਰੇਣੀ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ
• ਸਾਡੇ ਕੋਲ ਲੇਬਲਡ ਡਾਟਾ ਹੈ
• ਸਾਡੇ ਕੋਲ 100K ਤੋਂ ਘੱਟ ਨਮੂਨੇ ਹਨ
• ✨ ਅਸੀਂ ਇੱਕ Linear SVC ਚੁਣ ਸਕਦੇ ਹਾਂ
• ਜੇ ਇਹ ਕੰਮ ਨਹੀਂ ਕਰਦਾ, ਕਿਉਂਕਿ ਸਾਡੇ ਕੋਲ ਗਿਣਤੀ ਡਾਟਾ ਹੈ
  • ਅਸੀਂ ✨ KNeighbors Classifier ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ
    • ਜੇ ਇਹ ਕੰਮ ਨਹੀਂ ਕਰਦਾ, ✨ SVC ਅਤੇ ✨ Ensemble Classifiers ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ

ਇਹ ਪ徑 ਪ徑 ਬਹੁਤ ਮਦਦਗਾਰ ਹੈ।

ਅਭਿਆਸ - ਡਾਟਾ ਵੰਡੋ

ਇਸ ਰਾਹ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ, ਸਾਨੂੰ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਆਯਾਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

1. ਲੋੜੀਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰੋ:

   from sklearn.neighbors import KNeighborsClassifier
   from sklearn.linear_model import LogisticRegression
   from sklearn.svm import SVC
   from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
   from sklearn.model_selection import train_test_split, cross_val_score
   from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve
   import numpy as np
   

2. ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਡਾਟਾ ਨੂੰ ਵੰਡੋ:

   X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3)
   

ਲੀਨੀਅਰ SVC ਵਰਗੀਕਰਣ

ਸਪੋਰਟ-ਵੇਕਟਰ ਕਲਸਟਰਿੰਗ (SVC) ML ਤਕਨੀਕਾਂ ਦੇ ਸਪੋਰਟ-ਵੇਕਟਰ ਮਸ਼ੀਨਾਂ ਪਰਿਵਾਰ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ (ਹੇਠਾਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣੋ)। ਇਸ ਵਿਧੀ ਵਿੱਚ, ਤੁਸੀਂ ਲੇਬਲਾਂ ਨੂੰ ਕਲਸਟਰ ਕਰਨ ਲਈ ਇੱਕ 'ਕਰਨਲ' ਚੁਣ ਸਕਦੇ ਹੋ। 'C' ਪੈਰਾਮੀਟਰ 'ਰੇਗੂਲਰਾਈਜ਼ੇਸ਼ਨ' ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਨਿਯਮਿਤ ਕਰਦਾ ਹੈ। ਕਰਨਲ ਕਈ ਵਿੱਚੋਂ ਇੱਕ ਹੋ ਸਕਦਾ ਹੈ; ਇੱਥੇ ਅਸੀਂ ਇਸਨੂੰ 'ਲੀਨੀਅਰ' 'ਤੇ ਸੈਟ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਅਸੀਂ ਲੀਨੀਅਰ SVC ਦਾ ਲਾਭ ਲੈ ਸਕੀਏ। ਸੰਭਾਵਨਾ ਡਿਫਾਲਟ 'ਝੂਠ' ਹੈ; ਇੱਥੇ ਅਸੀਂ ਇਸਨੂੰ 'ਸੱਚ' 'ਤੇ ਸੈਟ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਸੰਭਾਵਨਾ ਅੰਦਾਜ਼ੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾ ਸਕਣ। ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਸ਼ਫਲ ਕਰਨ ਲਈ ਸੰਭਾਵਨਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਰੈਂਡਮ ਸਟੇਟ ਨੂੰ '0' 'ਤੇ ਸੈਟ ਕਰਦੇ ਹਾਂ।

ਅਭਿਆਸ - ਲੀਨੀਅਰ SVC ਲਾਗੂ ਕਰੋ

ਵਰਗੀਕਰਣਾਂ ਦੀ ਇੱਕ ਐਰੇ ਬਣਾਉਣ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। ਜਦੋਂ ਅਸੀਂ ਟੈਸਟ ਕਰਦੇ ਹਾਂ, ਤੁਸੀਂ ਇਸ ਐਰੇ ਵਿੱਚ ਲਗਾਤਾਰ ਸ਼ਾਮਲ ਕਰਦੇ ਜਾਵੋਗੇ।

1. ਲੀਨੀਅਰ SVC ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ:

   C = 10
   # Create different classifiers.
   classifiers = {
       'Linear SVC': SVC(kernel='linear', C=C, probability=True,random_state=0)
   }
   

2. ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਲੀਨੀਅਰ SVC ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟ੍ਰੇਨ ਕਰੋ ਅਤੇ ਇੱਕ ਰਿਪੋਰਟ ਪ੍ਰਿੰਟ ਕਰੋ:

   n_classifiers = len(classifiers)
   
   for index, (name, classifier) in enumerate(classifiers.items()):
       classifier.fit(X_train, np.ravel(y_train))
   
       y_pred = classifier.predict(X_test)
       accuracy = accuracy_score(y_test, y_pred)
       print("Accuracy (train) for %s: %0.1f%% " % (name, accuracy * 100))
       print(classification_report(y_test,y_pred))
   

   ਨਤੀਜਾ ਕਾਫੀ ਚੰਗਾ ਹੈ:

   Accuracy (train) for Linear SVC: 78.6% 
                 precision    recall  f1-score   support
   
        chinese       0.71      0.67      0.69       242
         indian       0.88      0.86      0.87       234
       japanese       0.79      0.74      0.76       254
         korean       0.85      0.81      0.83       242
           thai       0.71      0.86      0.78       227
   
       accuracy                           0.79      1199
      macro avg       0.79      0.79      0.79      1199
   weighted avg       0.79      0.79      0.79      1199
   

K-Neighbors ਵਰਗੀਕਰਣ

K-Neighbors ML ਵਿਧੀਆਂ ਦੇ "neighbors" ਪਰਿਵਾਰ ਦਾ ਹਿੱਸਾ ਹੈ, ਜੋ ਸਪਰਵਾਈਜ਼ਡ ਅਤੇ ਅਨਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦੋਵਾਂ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਵਿਧੀ ਵਿੱਚ, ਇੱਕ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਗਿਣਤੀ ਦੇ ਬਿੰਦੂ ਬਣਾਏ ਜਾਂਦੇ ਹਨ ਅਤੇ ਡਾਟਾ ਨੂੰ ਇਨ੍ਹਾਂ ਬਿੰਦੂਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਡਾਟਾ ਲਈ ਜਨਰਲ ਲੇਬਲਾਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕੀਤੀ ਜਾ ਸਕੇ।

ਅਭਿਆਸ - K-Neighbors ਵਰਗੀਕਰਣ ਲਾਗੂ ਕਰੋ

ਪਿਛਲਾ ਵਰਗੀਕਰਣ ਚੰਗਾ ਸੀ ਅਤੇ ਡਾਟਾ ਨਾਲ ਚੰਗਾ ਕੰਮ ਕੀਤਾ, ਪਰ ਸ਼ਾਇਦ ਅਸੀਂ ਹੋਰ ਚੰਗੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ। K-Neighbors ਵਰਗੀਕਰਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।

1. ਆਪਣੇ ਵਰਗੀਕਰਣ ਐਰੇ ਵਿੱਚ ਇੱਕ ਲਾਈਨ ਸ਼ਾਮਲ ਕਰੋ (Linear SVC ਆਈਟਮ ਦੇ ਬਾਅਦ ਇੱਕ ਕਾਮਾ ਸ਼ਾਮਲ ਕਰੋ):

   'KNN classifier': KNeighborsClassifier(C),
   

   ਨਤੀਜਾ ਥੋੜਾ ਖਰਾਬ ਹੈ:

   Accuracy (train) for KNN classifier: 73.8% 
                 precision    recall  f1-score   support
   
        chinese       0.64      0.67      0.66       242
         indian       0.86      0.78      0.82       234
       japanese       0.66      0.83      0.74       254
         korean       0.94      0.58      0.72       242
           thai       0.71      0.82      0.76       227
   
       accuracy                           0.74      1199
      macro avg       0.76      0.74      0.74      1199
   weighted avg       0.76      0.74      0.74      1199
   

   ✅ K-Neighbors ਬਾਰੇ ਸਿੱਖੋ

ਸਪੋਰਟ-ਵੇਕਟਰ ਵਰਗੀਕਰਣ

ਸਪੋਰਟ-ਵੇਕਟਰ ਵਰਗੀਕਰਣ ਸਪੋਰਟ-ਵੇਕਟਰ ਮਸ਼ੀਨ ਪਰਿਵਾਰ ਦਾ ਹਿੱਸਾ ਹੈ ਜੋ ਵਰਗੀਕਰਣ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਕਾਰਜਾਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। SVMs "ਟ੍ਰੇਨਿੰਗ ਉਦਾਹਰਣਾਂ ਨੂੰ ਸਪੇਸ ਵਿੱਚ ਬਿੰਦੂਆਂ 'ਤੇ ਨਕਸ਼ਾ" ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਵਿਚਕਾਰ ਦੂਰੀ ਵਧਾਈ ਜਾ ਸਕੇ। ਬਾਅਦ ਦਾ ਡਾਟਾ ਇਸ ਸਪੇਸ ਵਿੱਚ ਨਕਸ਼ਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਸਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਪੇਸ਼ਗੂਈ ਕੀਤੀ ਜਾ ਸਕੇ।

ਅਭਿਆਸ - ਸਪੋਰਟ-ਵੇਕਟਰ ਵਰਗੀਕਰਣ ਲਾਗੂ ਕਰੋ

ਚੰਗੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਪੋਰਟ-ਵੇਕਟਰ ਵਰਗੀਕਰਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।

1. K-Neighbors ਆਈਟਮ ਦੇ ਬਾਅਦ ਇੱਕ ਕਾਮਾ ਸ਼ਾਮਲ ਕਰੋ, ਅਤੇ ਫਿਰ ਇਹ ਲਾਈਨ ਸ਼ਾਮਲ ਕਰੋ:

   'SVC': SVC(),
   

   ਨਤੀਜਾ ਕਾਫੀ ਚੰਗਾ ਹੈ!

   Accuracy (train) for SVC: 83.2% 
                 precision    recall  f1-score   support
   
        chinese       0.79      0.74      0.76       242
         indian       0.88      0.90      0.89       234
       japanese       0.87      0.81      0.84       254
         korean       0.91      0.82      0.86       242
           thai       0.74      0.90      0.81       227
   
       accuracy                           0.83      1199
      macro avg       0.84      0.83      0.83      1199
   weighted avg       0.84      0.83      0.83      1199
   

   ✅ ਸਪੋਰਟ-ਵੇਕਟਰ ਬਾਰੇ ਸਿੱਖੋ

ਐਨਸੈਂਬਲ ਵਰਗੀਕਰਣ

ਆਓ ਰਾਹ ਦੇ ਅੰਤ ਤੱਕ ਪਹੁੰਚੀਏ, ਹਾਲਾਂਕਿ ਪਿਛਲਾ ਟੈਸਟ ਕਾਫੀ ਚੰਗਾ ਸੀ। ਆਓ ਕੁਝ 'ਐਨਸੈਂਬਲ ਵਰਗੀਕਰਣ' ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ, ਖਾਸ ਤੌਰ 'ਤੇ Random Forest ਅਤੇ AdaBoost:

  'RFST': RandomForestClassifier(n_estimators=100),
  'ADA': AdaBoostClassifier(n_estimators=100)

ਨਤੀਜਾ ਬਹੁਤ ਚੰਗਾ ਹੈ, ਖਾਸ ਕਰਕੇ Random Forest ਲਈ:

Accuracy (train) for RFST: 84.5% 
              precision    recall  f1-score   support

     chinese       0.80      0.77      0.78       242
      indian       0.89      0.92      0.90       234
    japanese       0.86      0.84      0.85       254
      korean       0.88      0.83      0.85       242
        thai       0.80      0.87      0.83       227

    accuracy                           0.84      1199
   macro avg       0.85      0.85      0.84      1199
weighted avg       0.85      0.84      0.84      1199

Accuracy (train) for ADA: 72.4% 
              precision    recall  f1-score   support

     chinese       0.64      0.49      0.56       242
      indian       0.91      0.83      0.87       234
    japanese       0.68      0.69      0.69       254
      korean       0.73      0.79      0.76       242
        thai       0.67      0.83      0.74       227

    accuracy                           0.72      1199
   macro avg       0.73      0.73      0.72      1199
weighted avg       0.73      0.72      0.72      1199

✅ ਐਨਸੈਂਬਲ ਵਰਗੀਕਰਣ ਬਾਰੇ ਸਿੱਖੋ

ਇਹ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਧੀ "ਕਈ ਬੇਸ ਐਸਟੀਮੇਟਰਾਂ ਦੀ ਪੇਸ਼ਗੂਈ ਨੂੰ ਜੋੜਦੀ ਹੈ" ਤਾਂ ਜੋ ਮਾਡਲ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕੇ। ਸਾਡੇ ਉਦਾਹਰਣ ਵਿੱਚ, ਅਸੀਂ Random Trees ਅਤੇ AdaBoost ਦੀ ਵਰਤੋਂ ਕੀਤੀ।

• Random Forest, ਇੱਕ ਐਵਰੇਜਿੰਗ ਵਿਧੀ, 'ਫ਼ੈਸਲਾ ਲੈਣ ਵਾਲੇ ਦਰੱਖਤਾਂ' ਦਾ ਇੱਕ 'ਜੰਗਲ' ਬਣਾਉਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਅਤਿ-ਫਿਟਿੰਗ ਤੋਂ ਬਚਣ ਲਈ ਰੈਂਡਮਨੈਸ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। n_estimators ਪੈਰਾਮੀਟਰ ਦਰੱਖਤਾਂ ਦੀ ਗਿਣਤੀ 'ਤੇ ਸੈਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

• AdaBoost ਇੱਕ ਵਰਗੀਕਰਣ ਨੂੰ ਡਾਟਾਸੈਟ 'ਤੇ ਫਿੱਟ ਕਰਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਸ ਵਰਗੀਕਰਣ ਦੀਆਂ ਕਾਪੀਆਂ ਨੂੰ ਉਸੇ ਡਾਟਾਸੈਟ 'ਤੇ ਫਿੱਟ ਕਰਦਾ ਹੈ। ਇਹ ਗਲਤ ਵਰਗੀਕਰਿਤ ਆਈਟਮਾਂ ਦੇ ਵਜ਼ਨਾਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ ਅਤੇ ਅਗਲੇ ਵਰਗੀਕਰਣ ਲਈ ਫਿੱਟ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਸੈਟ ਕਰਦਾ ਹੈ।

---

🚀ਚੁਣੌਤੀ

ਇਨ੍ਹਾਂ ਤਕਨੀਕਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਬਦਲ ਸਕਦੇ ਹੋ। ਹਰ ਇੱਕ ਦੇ ਡਿਫਾਲਟ ਪੈਰਾਮੀਟਰਾਂ ਬਾਰੇ ਖੋਜ ਕਰੋ ਅਤੇ ਸੋਚੋ ਕਿ ਇਹ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਬਦਲਣ ਦਾ ਮਾਡਲ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਕੀ ਅਸਰ ਹੋਵੇਗਾ।

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ

ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਜਾਰਗਨ ਹੈ, ਇਸ ਲਈ ਇਸ ਸੂਚੀ ਨੂੰ ਸਮੀਖਿਆ ਕਰਨ ਲਈ ਇੱਕ ਮਿੰਟ ਲਓ ਜੋ ਲਾਭਦਾਇਕ ਸ਼ਬਦਾਵਲੀ ਦੀ ਸੂਚੀ ਦਿੰਦੀ ਹੈ!

ਅਸਾਈਨਮੈਂਟ

ਪੈਰਾਮੀਟਰ ਖੇਡ

---

ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ 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।