فہرست کا خانہ

• مشین لرننگ کا تعارف
• مشین لرننگ
• زیر نگرانی سیکھنا
• رجعت
• لکیری ریگریشن الگورتھم
• درجہ بندی
• سپورٹ ویکٹر مشین
• غیر زیر نگرانی سیکھنا
• K کا مطلب ہے کلسٹرنگ
• نیم زیر نگرانی الگورتھم
• کمک سیکھنا
• گہری تعلیم
• ڈیپ نیورل نیٹ ورک
• مصنوعی ذہانت کی ایپلی کیشنز
  • مارکیٹنگ
  • بینکنگ
• تجویز کردہ مضامین

مشین لرننگ کا تعارف

محققین نے طویل عرصے سے تصوراتی مشینیں بنانے کا خواب دیکھا ہے۔ جب پروگرام ایبل پی سی پہلی بار ایجاد ہوئے تو لوگوں نے سوچا کہ کیا ایسی مشینیں ایک دن انسانوں کی طرح ذہین اور انسانوں کی طرح کام کرنے کے قابل ہو جائیں گی۔ آج، مصنوعی ذہانت ایک ابھرتی ہوئی ٹیکنالوجی ہے جس میں مختلف شعبوں میں وسیع اقسام کی ایپلی کیشنز ہیں۔ AI کا تصور انسانی ذہانت کو مصنوعی مشینوں میں نقل کرنا ہے تاکہ مشینیں انسانوں کی طرح سوچنے اور کام کرنے کے قابل ہوں۔

ہمیں کسی ایسی ٹیکنالوجی کی ضرورت کیوں ہے جو تمام پہلوؤں میں انسانوں کی طرح کام کرتی ہو؟

انسانوں کے پاس کام کرنے کی بہت اچھی درستگی ہے لیکن کام کی طرف کارکردگی تسلی بخش نہیں ہے اور انسانوں کے کام کو تیز کرنے کی ہمیشہ ایک حد ہوتی ہے لیکن مشینوں سے ایسا نہیں ہوتا ہے اور مشینوں کے ذریعے کیا جانے والا کام بھی بہت درست، یکساں اور درست ہوتا ہے۔ توسیع پذیر

انیسویں صدی میں ان مسائل پر قابو پانے کے لیے سافٹ ویئر انقلاب برپا ہوا تاہم یہ ان مسائل سے نمٹنے کے لیے کافی نہیں ہے۔ سافٹ ویئر اس کام کو انجام دینے کے قابل ہے جس کی رسمی طور پر قواعد کے ایک سیٹ میں وضاحت کی گئی ہے جیسے کہ وہ ان اصولوں پر غور کرکے پروگرامر کے ذریعہ ایک پروگرام لکھ سکتا ہے۔

مثال کے طور پر، دیے گئے دو نمبروں کے مجموعے کا حساب لگانا۔ آج کی دنیا میں رفتار اور درستگی کے لحاظ سے کمپیوٹر اس کام میں کسی بھی انسان کو مات دے سکتے ہیں۔ لیکن جن مسائل کے لیے کوئی باقاعدہ اصول نہیں ہے اور جن کے لیے انسانی ذہانت کی ضرورت ہوتی ہے تو ایسے مسائل کو کمپیوٹر کے ذریعے حل کرنا بہت مشکل ہے۔

مثال کے طور پر، چہروں کو پہچاننے کے لیے، انسان بہت آسانی سے چہروں کو پہچان سکتا ہے لیکن کمپیوٹر کے لیے پہچاننا بہت مشکل ہے کیونکہ چہروں کے رسمی اصول لکھنا بہت پیچیدہ ہے۔ لہٰذا مصنوعی ذہانت کا اصل چیلنج ان کاموں کو حل کرنا ہے جو انسانوں کے لیے انجام دینا آسان ہیں لیکن انسانوں کے لیے رسمی طور پر بیان کرنا مشکل ہے۔

آئیے آئی بی ایم کے تیار کردہ ڈیپ بلیو شطرنج کھیلنے کے نظام کی ایک مثال لیتے ہیں۔ شطرنج کے قوانین کی مکمل وضاحت رسمی قواعد کے ایک سیٹ سے کی جا سکتی ہے۔ لہذا ان اصولوں کو پروگرامر کے ذریعہ آسانی سے پروگرام میں تبدیل کیا گیا اور پروگرامر کے ذریعہ وقت سے پہلے فراہم کیا گیا۔

مصنوعی ذہانت انسانی ذہانت کو بے مثال کمپیوٹیشنل صلاحیتوں والی مشینوں میں منتقل کرکے اس چیلنج سے نمٹنے کی کوشش کرتی ہے۔

روزمرہ کی زندگی میں، انسان کو اپنے کام کو حل کرنے کے لیے دنیا کے بارے میں علم کی ضرورت ہوتی ہے اور ایسا علم موضوعی اور بدیہی ہوتا ہے اس لیے پروگرامر کے لیے قواعد کے ایک سیٹ میں بیان کرنا مشکل ہوتا ہے۔

تو یہاں سے ہم یہ سمجھنے کے قابل ہو گئے ہیں کہ انسانوں جیسا برتاؤ کرنے کے لیے یا دوسرے لفظوں میں ذہین طریقے سے برتاؤ کرنے کے لیے، کمپیوٹر کو بھی اسی طرح کے علم کی ضرورت ہوتی ہے، لہٰذا AI میں کلیدی چیلنج یہ ہے کہ اس غیر رسمی یا موضوعی معلومات کو کمپیوٹر میں ڈالا جائے اور محققین مصنوعی ذہانت میں۔ انٹیلی جنس فیلڈ، بنیادی طور پر اس مقصد کو حاصل کرنے کی کوشش کرتی ہے۔

محققین نے اس مقصد کو حاصل کرنے کا بنیادی طریقہ تلاش کر لیا تھا۔ انہوں نے علم پر مبنی نقطہ نظر استعمال کیا ہے۔ اس نقطہ نظر میں محققین رسمی زبانوں میں دنیا کے بارے میں معلومات کو سختی سے لکھتے ہیں۔

کمپیوٹر ان رسمی زبانوں میں بیانات کے بارے میں منطقی استدلال کے اصولوں کا استعمال کرتے ہوئے خود بخود استدلال کر سکتے ہیں۔ چونکہ یہ بہت ہی بنیادی، سادہ اور سادہ طریقہ ہے، اس لیے اس طریقہ کار کو استعمال کرنے والا پروجیکٹ کامیاب نہیں ہے کیونکہ محققین دنیا کو درست طریقے سے وضع کرنے کے لیے کافی پیچیدگیوں کے ساتھ رسمی اصول وضع کرنے کے لیے جدوجہد کرتے ہیں۔ اس طرح کے منصوبے کی ایک مثال Cyc ہے۔ سائیکل ایک انفرنس انجن ہے۔

مندرجہ بالا منصوبوں کو درپیش مشکل (علم پر مبنی نقطہ نظر پر مبنی) سخت کوڈڈ علم پر انحصار کرنا ہے۔ لہذا اس مشکل پر قابو پانے کے لیے، AI سسٹمز کو خام ڈیٹا سے پیٹرن نکال کر دنیا سے اپنا علم حاصل کرنے کی صلاحیت کی ضرورت ہے۔ اس صلاحیت کو مشین لرننگ کہا جاتا ہے۔

مشین لرننگ

مشین لرننگ کا تعارف کمپیوٹرز کو حقیقی دنیا کا علم حاصل کرنے اور ایسے فیصلے کرنے کی صلاحیت دیتا ہے جو ساپیکش نظر آتے ہیں۔ اس طرح، مشین لرننگ علم پر مبنی نقطہ نظر کی حدود کو دور کرنے کے قابل ہے۔

ویکیپیڈیا کے مطابق

مشین لرننگ کمپیوٹر الگورتھم کا مطالعہ ہے جو تجربے کے ذریعے خود بخود بہتر ہوتا ہے۔

مچل کے مطابق

ایک کمپیوٹر پروگرام کے بارے میں کہا جاتا ہے کہ ٹاسک T کے کچھ طبقے اور کارکردگی کی پیمائش P کے حوالے سے تجربے E سے سیکھتا ہے، اگر T میں ٹاسک پر اس کی کارکردگی، جیسا کہ P کے ذریعے ماپا جاتا ہے، تجربہ E کے ساتھ بہتر ہوتا ہے۔

مشین لرننگ الگورتھم کی بہت سی قسمیں ہیں جو ادب میں موجود ہیں۔ یہاں الگورتھم کی گروپ بندی سیکھنے کے انداز کی بنیاد پر کی جاتی ہے۔ مشین لرننگ الگورتھم کے الگورتھم کی وسیع گروپ بندی کو شکل 1 میں دکھایا گیا ہے۔ آئیے ایک ایک کرکے تفصیل سے دیکھتے ہیں۔

سیکھنے کے انداز کی بنیاد پر مشین لرننگ الگورتھم کی گروپ بندی

زیر نگرانی سیکھنا

سپروائزڈ لرننگ جیسا کہ نام سے پتہ چلتا ہے کہ بطور استاد ایک سپروائزر کی موجودگی ہے۔ سپروائزڈ لرننگ میں ہم لیبل لگا ڈیٹا استعمال کرکے اپنی مشین کو تربیت دیتے ہیں۔ لیبل والے ڈیٹا کا مطلب ہے کہ ہر ان پٹ کے لیے اچھی طرح سے لیبل لگا ہوا آؤٹ پٹ ہوتا ہے۔

تربیت کے عمل میں مشینیں لیبل لگائے گئے ڈیٹا سے دنیا کا علم حاصل کرتی ہیں۔ تربیت کے بعد، مشین کو نتائج کی پیشن گوئی کرنے کے لیے ڈیٹا کا ایک نیا سیٹ فراہم کیا جاتا ہے۔ مقصد یہ ہے کہ مشینیں تربیتی ڈیٹاسیٹ سے حاصل کردہ کچھ اسی قسم کے نمونوں سے سیکھیں اور سیکھے ہوئے علم کو ڈیٹاسیٹ پر لاگو کریں تاکہ حقیقی قیمتی پیداوار کی پیشن گوئی کی جا سکے۔

آئیے بہتر طور پر سمجھنے کے لیے آئیرس ڈیٹاسیٹ کی مثال لیتے ہیں۔ Iris ڈیٹاسیٹ 150 iris پودوں کے مختلف حصوں کی پیمائش کا مجموعہ ہے۔ ڈیٹاسیٹ میں ہر ایک مثال پودے کے ہر حصے کی پیمائش پر مشتمل ہوتی ہے جیسے سیپل کی لمبائی، سیپل کی چوڑائی، پنکھڑی کی لمبائی، پنکھڑی کی چوڑائی۔ ڈیٹاسیٹ یہ بھی ریکارڈ کرتا ہے کہ ہر پودا کس انواع سے تعلق رکھتا ہے۔ ڈیٹاسیٹ میں تین مختلف انواع موجود ہیں۔ لہذا جیسا کہ ہم یہاں Iris ڈیٹاسیٹ میں دیکھتے ہیں، ہر Iris کے پودے کو اس کی انواع کے ساتھ لیبل لگایا گیا ہے۔

زیر نگرانی لرننگ الگورتھم اس ڈیٹاسیٹ کا مطالعہ کر سکتے ہیں اور ان کی پیمائش کی بنیاد پر آئیرس پلانٹ کو تین مختلف انواع میں درجہ بندی کرنا سیکھ سکتے ہیں۔

زیر نگرانی سیکھنے کی اصطلاح کا بنیادی مطلب یہ ہے کہ ایک استاد کی طرف سے فراہم کردہ ہدف y جو مشین کو دکھاتا ہے کہ کیا کرنا ہے۔

زیر نگرانی سیکھنے کو الگورتھم کی دو اقسام میں درجہ بندی کیا گیا ہے جیسا کہ شکل میں دکھایا گیا ہے: 2۔

رجعت

ریگریشن الگورتھم ایک یا زیادہ ان پٹ یا پیشین گوئی کرنے والے اقدار کی بنیاد پر مسلسل نتائج (ہدف) کی پیش گوئی کرتے ہیں۔ آسان الفاظ میں، آؤٹ پٹ ویلیو ایک حقیقی قدر ہے جیسے وزن۔

ریگریشن الگورتھم کی مختلف قسمیں ہیں۔ مختلف ریگریشن الگورتھم کی قسمیں آزاد متغیر کی تعداد، ریگریشن لائن کی شکل، اور منحصر متغیر کی قسم پر منحصر ہیں۔ آئیے رجعت کی تکنیک کی کچھ اقسام دیکھتے ہیں۔

لکیری رجعت مسلسل قدر کی پیش گوئی کرنے کے لیے سب سے بنیادی اور مقبول رجعت الگورتھم میں سے ایک ہے۔ یہاں یہ ان پٹ (پیش گوئی کرنے والا) اور آؤٹ پٹ کے درمیان لکیری تعلق کو فرض کرتا ہے۔

لکیری ریگریشن الگورتھم

لکیری رجعت کے نام بتاتے ہیں کہ یہ رجعت کے مسائل کو حل کرنے کی صلاحیت رکھتا ہے۔ ان الگورتھم کا مقصد ایک ایسا نظام بنانا ہے جو ایک ویکٹر x لے سکے اور اسکیلر ویلیو y کی آؤٹ پٹ کے طور پر پیش گوئی کر سکے۔ سادہ الفاظ میں، یہ الگورتھم ایک بہترین فٹ سیدھی لائن کا استعمال کرتے ہوئے ان پٹ اور آؤٹ پٹ کے درمیان تعلق قائم کرتا ہے۔

y=wTx

یہاں w پیرامیٹرز کا ویکٹر ہے۔ پیرامیٹرز وہ اقدار ہیں جو نظام کے رویے کو کنٹرول کرتی ہیں۔

ہم وزن کے ایک سیٹ کے طور پر 'w' کے بارے میں سوچ سکتے ہیں جو اس بات کا تعین کرتا ہے کہ ہر خصوصیت کس طرح آؤٹ پٹ کو متاثر کرتی ہے۔ خصوصیت ان پٹ کی خصوصیت کے سوا کچھ نہیں ہے۔

مثال کے طور پر

ہم کہتے ہیں کہ ہم ایک ایسا نظام چاہتے ہیں جو استعمال شدہ کاروں کی قیمت کا اندازہ لگانے کے قابل ہو۔ یہاں خصوصیات کار کی خصوصیات ہیں جو ہمارے خیال میں کار کی قیمت کو متاثر کرتی ہیں جیسے برانڈ، سال، انجن کی کارکردگی، صلاحیت، مائلیج، اور معلومات کے بہت سے دوسرے ٹکڑے۔

y=w0 * گنجائش+w1 * مائلیج +w3 * انجن کی کارکردگی

اگر یہ خصوصیات مثبت وزن حاصل کرتی ہیں تو ان وزنوں میں اضافہ ہماری پیشین گوئی کی قدر میں اضافہ کرتا ہے اور اس کے برعکس۔ اگر وزن 'wi' شدت میں بڑا ہے تو اس کا پیشین گوئی پر بڑا اثر پڑتا ہے۔ اگر وزن 'wi' 0 ہے تو اس کا پیشین گوئی پر کوئی اثر نہیں ہوتا ہے۔

درجہ بندی

درجہ بندی ایک زیر نگرانی سیکھنے کا تصور ہے جو ان زمروں کی پیشین گوئی کرنے کی کوشش کرتا ہے جن سے ان پٹ کا تعلق ہے۔ درجہ بندی کے مسئلے کو حل کرنے کے لیے الگورتھم سیکھنے سے فنکشن کو کچھ تیار کرنے کی کوشش کی جائے گی جیسے f:R-{1,2,…k}۔ آسان الفاظ میں، جب آؤٹ پٹ متغیر ہوتا ہے تو بیماری یا غیر بیماری کی طرح ایک زمرہ ہوتا ہے یعنی اس مسئلے میں آؤٹ پٹ مجرد ہے۔ مثال کے طور پر، Iris ڈیٹاسیٹ میں، ہمیں ایک ان پٹ میں تین خصوصیات (sepal length(sl)، sepal width(sw)، petal length(pl)، پنکھڑی کی چوڑائی (pw)) دی گئی تین قسموں کی انواع کی پیشین گوئی کرنی ہوگی۔

آئیے اسے واضح طور پر سمجھنے کے لیے آبجیکٹ کی شناخت کی ایک اور مثال لیتے ہیں۔

یہاں ان پٹ ایک تصویر ہے اور آؤٹ پٹ ایک عددی کوڈ ہے جو تصویر میں موجود آبجیکٹ کی شناخت کرتا ہے۔

درجہ بندی الگورتھم کی ایک بڑی تعداد ہیں۔ درجہ بندی کے الگورتھم میں سپورٹ ویکٹر مشین لاجسٹک ریگریشن، فیصلہ ٹری، بے ترتیب جنگل وغیرہ شامل ہیں۔ آئیے کچھ الگورتھم تفصیل سے دیکھتے ہیں۔

سپورٹ ویکٹر مشین

ایک سپورٹ ویکٹر مشین ایک زیر نگرانی سیکھنے کا الگورتھم ہے جو درجہ بندی اور رجعت کے مسائل دونوں کے لیے استعمال کیا جا سکتا ہے لیکن زیادہ تر یہ درجہ بندی کے مسائل کے لیے استعمال ہوتا ہے۔

تربیتی ڈیٹاسیٹ کو دیکھتے ہوئے، ہر ایک کو دو کلاسوں میں سے ایک یا دوسرے کے طور پر لیبل کیا جاتا ہے، ایک SVM ٹریننگ الگورتھم ایک ایسا ماڈل بناتا ہے جو ایک یا دوسرے زمرے کو نئی مثالیں تفویض کرتا ہے، اسے ایک غیر امکانی بائنری لکیری درجہ بندی بناتا ہے۔

بنیادی طور پر یہ الگورتھم ایک n-جہتی جگہ میں بہترین ہائپرپلین تلاش کرنے کی کوشش کرتا ہے جو نئی مثالوں کی درجہ بندی کرتا ہے۔ دو جہتی اسپیس میں (جب ان پٹ فیچرز کی تعداد دو ہے) یہ ہائپر پلین کچھ بھی نہیں ہے مگر ہوائی جہاز کو دو حصوں میں تقسیم کرنے والی لائن جیسا کہ شکل 3 میں دکھایا گیا ہے۔

کے مطابق ویکیپیڈیا

ایک SVM ماڈل مثالوں کی نمائندگی کرتا ہے جو خلا میں پوائنٹس کے طور پر ہوتا ہے، اس طرح نقشہ بنایا جاتا ہے کہ الگ الگ زمروں کی مثالوں کو ایک واضح خلا سے تقسیم کیا جائے جو ممکن حد تک وسیع ہو۔ اس کے بعد نئی مثالوں کو اسی جگہ پر نقشہ بنایا جاتا ہے اور ان کی پیش گوئی کی جاتی ہے کہ ان کا تعلق اس خلا کے پہلو کی بنیاد پر کیا جاتا ہے جس پر وہ گرتے ہیں۔

تصویر 3

SVM دو کلاسوں کے درمیان مارجن کو زیادہ سے زیادہ کرنے کی کوشش کرتا ہے۔ زیادہ سے زیادہ مارجن ہائپر پلین کے ذریعے حاصل کیا جاتا ہے جس میں کسی بھی کلاس کے قریب ترین ٹریننگ ڈیٹا پوائنٹ کا سب سے بڑا فاصلہ ہوتا ہے۔

یہ سمجھنے کے لئے بہت بدیہی ہے. ہم اعداد و شمار میں دیکھ سکتے ہیں، تمام ڈیٹا پوائنٹس جو لائن کے کنارے پر گرتے ہیں ایک کلاس کے طور پر لیبل کیے جائیں گے، اور جو پوائنٹس لائن کے دوسری طرف گریں گے ان پر سیکنڈ کلاس کا لیبل لگایا جائے گا۔ اب جیسا کہ ہم شکل 3 میں دیکھتے ہیں، ان کے درمیان لامحدود لکیریں گزر رہی ہیں۔

تو ہم کیسے جانتے ہیں کہ کون سی لائن بہترین کارکردگی کا مظاہرہ کرتی ہے؟ یہ الگورتھم ایک ایسی لائن کو منتخب کرنے کی کوشش کرتا ہے جو نہ صرف دو کلاسوں کو الگ کرتی ہے بلکہ قریب ترین نمونوں سے حتی الامکان دور رہتی ہے جیسا کہ شکل 3 میں دکھایا گیا ہے۔

غیر زیر نگرانی سیکھنا

زیر نگرانی سیکھنے میں، مقصد ان پٹ سے آؤٹ پٹ تک میپنگ سیکھنا ہے جس کی درست اقدار سپروائزر فراہم کرتی ہیں۔ غیر زیر نگرانی سیکھنے میں، صرف ان پٹ ڈیٹا دیا جاتا ہے اور ایسا کوئی سپروائزر نہیں ہوتا ہے۔ مقصد ان پٹ کی باقاعدگی کو تلاش کرنا ہے۔

ان پٹ اسپیس کا ایک ڈھانچہ ہے اس طرح کہ کچھ پیٹرن دوسروں سے زیادہ پائے جاتے ہیں۔

غیر زیر نگرانی سیکھنے میں استعمال ہونے والے دو اہم طریقے ہیں کلسٹر تجزیہ اور پرنسپل اجزاء۔

کلسٹر تجزیہ میں، مقصد ان پٹ کی گروپ بندی کو تلاش کرنا ہے۔

واضح طور پر سمجھنے کے لیے ایک مثال لیتے ہیں۔

تمام کمپنیوں کے پاس صارفین کا بہت سا ڈیٹا ہوتا ہے۔ کسٹمر کے ڈیٹا میں آبادیاتی معلومات کے ساتھ ساتھ کمپنی کے ساتھ ماضی کا لین دین بھی ہوتا ہے۔ کمپنی اپنی کمپنی کے پروفائل کی تقسیم کو دیکھنے میں دلچسپی لے سکتی ہے، یہ دیکھنے کے لیے کہ کس قسم کا گاہک اکثر آتا ہے۔ اس طرح کے منظرناموں میں، کلسٹرنگ صارفین کو ان کی صفات میں ایک ہی گروپ کے لیے مختص کرتی ہے۔ یہ کلسٹرڈ گروپ کمپنی کی حکمت عملیوں کا فیصلہ کرنے میں مدد کر سکتے ہیں مثال کے طور پر مختلف گروپس کے لیے مخصوص خدمات اور مصنوعات۔

یہ کلسٹرنگ تجزیہ کرنے کے لیے ایک مقبول الگورتھم K- یعنی کلسٹرنگ ہے۔ آئیے مزید تفصیل سے K- مطلب پر بات کرتے ہیں۔

K کا مطلب ہے کلسٹرنگ

K- یعنی کلسٹرنگ ایک مقبول اور آسان ترین غیر زیر نگرانی سیکھنے کے الگورتھم میں سے ایک ہے۔

K- کا مطلب ایک سینٹرایڈ پر مبنی الگورتھم ہے، جہاں ہم ایک کلسٹر کو پوائنٹ تفویض کرنے کے لیے سینٹروڈ سے دیئے گئے پوائنٹس کی دوری کا حساب لگاتے ہیں۔ K-Means میں، ہر کلسٹر ایک سینٹروڈ سے منسلک ہوتا ہے۔

یہ الگورتھم اس طرح کام کرتا ہے:

1. سب سے پہلے k پوائنٹس کو تصادفی طور پر مطلب کہتے ہیں۔
2. اس کے بعد، ہر آئٹم کو اس کے قریب ترین وسط میں درجہ بندی کریں اور وسط کے نقاط کو اپ ڈیٹ کریں، جو اب تک اس مطلب میں درجہ بندی کی گئی اشیاء کی اوسط ہیں۔
3. اعادہ کی دی گئی تعداد کے لیے ان اقدامات کو دہرائیں اور تکرار کی دی گئی تعداد کے بعد، ہمارے کلسٹرز ہیں۔

تصویر: 4

نیم زیر نگرانی الگورتھم

زیر نگرانی سیکھنے میں، ہم نے دیکھا ہے کہ ڈیٹا سیٹ کو انسانوں کے ذریعہ دستی طور پر لیبل لگانا ہوتا ہے۔ یہ عمل بہت مہنگا ہے کیونکہ ڈیٹا سیٹ کا حجم بہت بڑا ہے۔ غیر زیر نگرانی سیکھنے میں، لیبل والے ڈیٹاسیٹ کی ضرورت نہیں ہوتی ہے لیکن اس کا اطلاق اسپیکٹرم محدود ہوتا ہے۔

ان حدود سے نمٹنے کے لیے، نیم زیر نگرانی سیکھنے کا تصور متعارف کرایا گیا ہے۔ سیکھنے کے اس انداز میں، الگورتھم کو لیبل لگائے گئے ڈیٹا کی ایک چھوٹی سی مقدار اور بغیر لیبل والے ڈیٹا کی ایک بڑی مقدار کے امتزاج کے ساتھ تربیت دی جاتی ہے۔ نیم زیر نگرانی سیکھنا زیر نگرانی سیکھنے اور غیر زیر نگرانی سیکھنے کے درمیان آتا ہے۔

بغیر لیبل والے ڈیٹا کا کوئی بھی استعمال کرنے کے لیے، سیمی سپروائزڈ الگورتھم ڈیٹا کے بارے میں درج ذیل تعلق کو فرض کرتا ہے۔

تسلسل:یہ فرض کرتا ہے کہ پوائنٹس جو ایک دوسرے کے قریب ہیں ایک ہی آؤٹ پٹ لیبل کا اشتراک کرنے کا زیادہ امکان ہے۔جھرمٹ :اگر ڈیٹا کو مجرد کلسٹرز میں تقسیم کیا جا سکتا ہے تو اسی کلسٹر میں پوائنٹس کا لیبل شیئر کرنے کا زیادہ امکان ہوتا ہے۔کئی گنا:ڈیٹا ان پٹ اسپیس کے مقابلے میں تقریباً بہت کم جہت کے کئی گنا پر پڑا ہے۔ یہ مفروضہ فاصلوں اور کثافتوں کے استعمال کی اجازت دیتا ہے جن کی وضاحت a پر کی گئی ہے۔ کئی گنا .

ہم سیکھنے کی ان تین اقسام کو سمجھ سکتے ہیں یعنی زیر نگرانی سیکھنے، غیر نگرانی شدہ سیکھنے، اور نیم زیر نگرانی سیکھنے کو حقیقی دنیا سے تعلق رکھتے ہوئے۔

زیر نگرانی تعلیم جہاں طالب علم استاد کی نگرانی میں ہے۔ غیر زیر نگرانی سیکھنے میں جہاں ایک طالب علم کو خود ایک تصور معلوم کرنا ہوتا ہے۔ نیم زیر نگرانی تعلیم جہاں ایک استاد کلاس میں چند تصورات سکھاتا ہے اور ہوم ورک کے طور پر سوالات دیتا ہے جو کہ اسی طرح کے تصورات پر مبنی ہوتے ہیں۔

کمک سیکھنا

کمک سیکھنا ماحول کے ساتھ تعامل کرکے سیکھنا ہے۔ سیکھنے کے عمل میں ایک اداکار، ایک ماحول، اور انعام کا اشارہ شامل ہوتا ہے۔ اداکار ایسے ماحول میں کارروائی کرنے کا انتخاب کرتا ہے جس کے لیے اداکار کو اس کے مطابق انعام دیا جاتا ہے۔ یہاں نظام کا آؤٹ پٹ اعمال کا ایک سلسلہ ہے۔

ایسی صورت میں ایک عمل اہم نہیں ہے، یہاں ہدف تک پہنچنے کے لیے اصلاحی اقدامات کی ترتیب ضروری ہے۔ اسے پالیسی بھی کہتے ہیں۔ اداکار اسے ملنے والے انعام میں اضافہ کرنا چاہتا ہے اور اس لیے اسے ماحول کے ساتھ تعامل کے لیے ایک بہترین اور اچھی پالیسی سیکھنی چاہیے۔ ایک اچھی مثال گیمز ہے۔ کھیل میں، ایک ہی اقدام بذات خود اہم نہیں ہے، اس کے لیے صحیح چالوں کی ایک ترتیب کی ضرورت ہوتی ہے جو اچھی ہو (یعنی چالیں جیت کی طرف لے جاتی ہیں)

تصویر 5: کمک سیکھنے کا سیٹ اپ

`کمک سیکھنا سیکھنے کی دیگر اقسام سے بہت مختلف ہے جس کا ہم نے اب تک احاطہ کیا ہے۔ جیسا کہ ہم نے زیر نگرانی سیکھنے میں دیکھا ہے، ہمیں ڈیٹا اور لیبل دیے جاتے ہیں اور ہمیں دیے گئے ڈیٹا کی پیداوار کی پیشن گوئی کرنے کا کام سونپا جاتا ہے۔ غیر زیر نگرانی سیکھنے میں، ہمیں صرف ڈیٹا دیا جاتا ہے اور ڈیٹا میں بنیادی ڈھانچہ تلاش کرنے کا کام سونپا جاتا ہے۔ کمک میں، ہمیں نہ تو ڈیٹا دیا جاتا ہے اور نہ ہی لیبل۔

کمک سیکھنے کی ایپلی کیشنز ہیں

1. خود سے چلنے والی کار
2. روبوٹک موٹر کنٹرول
3. ایئر کنڈیشنگ کنٹرول
4. اشتہار کی جگہ کی اصلاح
5. اسٹاک مارکیٹ ٹریڈنگ کی حکمت عملی
6. کھیل کھیلنا

گہری تعلیم

جب ہم کار کی تصویر کا تجزیہ کرتے ہیں، تو سرخ کار کی تصویر میں انفرادی پکسل رات کے وقت سیاہ کے بہت قریب ہوتا ہے۔ یہ مثال آپ کو بہت سی مصنوعی ذہین ایپلی کیشنز کو درپیش مشکلات کے بارے میں بصیرت فراہم کر سکتی ہے۔ ایسی اعلیٰ سطحی اور تجریدی خصوصیات کو نکالنا بہت مشکل ہے کیونکہ اس کے لیے انسانی سطح کی سمجھ کی ضرورت ہوتی ہے۔

ڈیپ لرننگ سادہ سے پیچیدہ خصوصیات بنا کر اس مسئلے سے نمٹتی ہے۔ گہری سیکھنے کے ماڈل کی سب سے بنیادی مثال ملٹی لیئر پرسیپٹرون ہے۔ ملٹی لیئر پرسیپٹرون صرف ایک ریاضیاتی فنکشن ہے جو ان پٹ ویلیوز کو آؤٹ پٹ ویلیوز میں میپ کرتا ہے۔ یہ فنکشن بہت سے آسان افعال پر مشتمل ہے۔

ڈیپ لرننگ ایک خاص قسم کی مشین لرننگ ہے جو تصورات کے ایک نیسٹڈ درجہ بندی کے طور پر دنیا کی نمائندگی کرکے زبردست طاقت اور لچک حاصل کرتی ہے۔ ہر تصور کو آسان تصورات کے سلسلے میں بیان کیا گیا ہے، اور کم تجریدی کے لحاظ سے زیادہ تجریدی نمائندگی کی گئی ہے۔

گہری سیکھنے کے الگورتھم جیسے ڈیپ نیورل نیٹ ورک، ڈیپ بیلیف نیٹ ورک، کنولوشنل نیورل نیٹ ورک، ریکرنٹ نیورل نیٹ ورک کا اطلاق ان شعبوں پر کیا گیا ہے جن میں کمپیوٹر ویژن، اسپیچ ریکگنیشن، نیچرل لینگویج پروسیسنگ اور بہت کچھ شامل ہے۔

ڈیپ نیورل نیٹ ورک

ڈیپ نیورل نیٹ ورک انسانی دماغ کے کام اور اس کے کام کرنے کے طریقے سے متاثر ہے۔ گہرے نیورل نیٹ ورکس کا بنیادی بلڈنگ بلاک نوڈس ہے۔ نوڈس بالکل انسانی دماغ کے نیوران کی طرح ہوتے ہیں۔ جب محرک ان سے ٹکراتا ہے، نوڈ میں ایک عمل ہوتا ہے۔ عام طور پر، نوڈس کو تہوں میں گروپ کیا جاتا ہے جیسا کہ شکل 6 میں دکھایا گیا ہے۔

شکل 6: ڈیپ نیورل نیٹ ورک

گہرے اعصابی نیٹ ورکس کی مختلف قسمیں ہیں اور ان کے درمیان فرق ان کے کام کرنے کے اصولوں، عمل کی اسکیم اور ایپلی کیشنز کے شعبوں میں ہے۔

Convolutional Neural Networks (CNN): یہ زیادہ تر تصویر کی شناخت کے لیے استعمال ہوتا ہے کیونکہ ایک ایک کرکے تمام پکسلز کو چیک کرنے کی ضرورت نہیں ہے۔ CNNs ایک ان پٹ پرت، ایک آؤٹ پٹ پرت، اور پوشیدہ پرتوں پر مشتمل ہوتا ہے۔ پوشیدہ پرتیں عام طور پر قنوطی تہوں، پولنگ تہوں، اور مکمل طور پر منسلک تہوں پر مشتمل ہوتی ہیں۔ کنوولیشنل اور میکس پولنگ پرتیں فیچر ایکسٹریکٹر اور مکمل طور پر منسلک پرت کے طور پر کام کرتی ہیں جو کہ نکالی گئی خصوصیات کی غیر لکیری تبدیلیاں کرتی ہیں اور درجہ بندی کے طور پر کام کرتی ہیں۔ Convolutional پرتیں ان پٹ پر convolution آپریشن کا اطلاق کرتی ہیں۔ پولنگ پرت کا استعمال مقامی سائز (صرف چوڑائی اور اونچائی، گہرائی کو نہیں) کو کم کرنے کے لیے convolutional پرت کے فوراً بعد کیا جاتا ہے۔ اس سے پیرامیٹرز کی تعداد کم ہو جاتی ہے اور اس وجہ سے حساب کتاب کم ہو جاتا ہے اور ساتھ ہی فیچر ڈٹیکٹر کو ان پٹ میں اس کی پوزیشن سے زیادہ متغیر بنانے میں مدد ملتی ہے۔ اس حرکت پذیری کے ساتھ کنولوشن آپریشن کو سمجھنا آسان ہے۔

ریکرنٹ نیورل نیٹ ورک (RNN):ریکرنٹ نیورل نیٹ ورکس نیورل نیٹ ورکس کی ایک کلاس ہیں جو پچھلے آؤٹ پٹس کو ماڈل میں ان پٹ کے طور پر استعمال کرنے کی اجازت دیتے ہیں۔ اسے پہلی بار 1980 کی دہائی میں متعارف کرایا گیا تھا۔ RNNs فیڈ فارورڈ نیورل نیٹ ورکس سے مختلف ہیں کیونکہ وہ ایک خاص قسم کے نیورل نیٹ ورک کا فائدہ اٹھاتے ہیں، جسے ریکرنٹ لیئر کہا جاتا ہے۔ ریکرنٹ نیورل نیٹ ورک کے پیچھے بنیادی خیال ترتیب وار معلومات کا استعمال کرنا ہے۔ CNN جیسے روایتی اعصابی نیٹ ورک میں، ہم نے فرض کیا ہے کہ تمام ان پٹ اور آؤٹ پٹ ایک دوسرے سے آزاد ہیں۔ لیکن بہت سے کاموں کے لیے جو یہ فرض کرنا بہت اچھا خیال نہیں ہے۔ فرض کریں، اگر ہم کسی جملے میں اگلے لفظ کی پیشین گوئی کرنا چاہتے ہیں تو یہ جاننا بہتر ہے کہ اس سے پہلے کون سے الفاظ آئے ہیں۔ RNNs کو ریکرنٹ کہا جاتا ہے کیونکہ وہ ترتیب کے ہر عنصر کے لیے ایک ہی کام انجام دیتے ہیں، جس کا آؤٹ پٹ پچھلے حسابات پر منحصر ہوتا ہے۔ آسان الفاظ میں، RNN کے پاس ایک میموری ہوتی ہے جو اس بارے میں معلومات حاصل کرتی ہے کہ اب تک کیا کیا گیا ہے۔ نظریہ میں، RNN طویل ترتیب میں معلومات کو استعمال کرنے کے قابل ہیں، لیکن عملی طور پر، وہ صرف چند قدم پیچھے دیکھنے تک محدود ہیں۔

آئیے وین ڈایاگرام کا استعمال کرتے ہوئے AI، مشین لرننگ اور ڈیپ لرننگ کے درمیان تعلق دیکھتے ہیں۔

شکل 7 : یہ اعداد و شمار ڈیپ لرننگ، مشین لرننگ اور مصنوعی ذہانت کے درمیان تعلق کو ظاہر کرتا ہے۔

مصنوعی ذہانت کی ایپلی کیشنز

بہت سے مختلف فیلڈز ہیں جہاں AI استعمال ہوتا ہے۔ ان شعبوں میں مارکیٹنگ، بینکنگ، فنانس، زراعت، صحت کی دیکھ بھال، گیمنگ، خلائی تحقیق، خود مختار گاڑیاں، چیٹ بوٹس، مصنوعی تخلیقی صلاحیتیں وغیرہ شامل ہیں۔

آئیے مارکیٹنگ اور بینکنگ کے شعبے کو دریافت کریں۔

مارکیٹنگ

ابتدائی دنوں میں (جب AI اطلاق میں نہیں ہے۔ یہ صرف کتابوں میں موجود ہے)، اگر ہم آن لائن اسٹور سے کوئی پروڈکٹ خریدنا چاہتے ہیں تو ہمیں پروڈکٹ کو اس کے صحیح نام کے ساتھ تلاش کرنا ہوگا۔ لہذا اگر ہمیں پروڈکٹ کا صحیح نام معلوم نہ ہو تو اسے تلاش کرنا بہت مشکل ہے۔

لیکن آج کل جب ہم کسی بھی ای کامرس اسٹور پر کسی بھی چیز کو تلاش کرتے ہیں تو ہمیں اس شے سے متعلق تمام ممکنہ نتائج ملتے ہیں۔ پروڈکٹ کو تلاش کرنے کے لیے ہمیں صحیح ہجے یا پروڈکٹ کے نام کے بارے میں پریشان ہونے کی ضرورت نہیں ہے۔ ایک اور مثال Netflix پر صحیح فلمیں تلاش کرنا ہے۔

درخواست صرف صحیح پروڈکٹ تلاش کرنے تک محدود نہیں ہے۔ AI کی ترقی آپ کے ماضی کے لین دین اور چیزوں کو خریدنے کے ذائقے کا تجزیہ کرکے آپ کی دلچسپی کی بنیاد پر پروڈکٹ کی سفارش کرنے کے قابل ہے۔ اس ڈیٹا کے مطابق، AI یہ جاننے کے قابل ہے کہ آپ کے لیے کس قسم کی پروڈکٹ متعلقہ ہے اور اس کی بنیاد پر وہ پروڈکٹ کو فلٹر کرے گا اور آپ کو اس کی سفارش کرے گا۔

اس طرح، AI مارکیٹنگ اور مصنوعات کی آن لائن فروخت میں اضافہ کرنے میں ایک اہم کردار ادا کر رہا ہے اور اسی لیے ای کامرس کمپنیاں جیسے فلپ کارٹ، ایمیزون ، یا Netflix جیسی کمپنیاں اپنی مصنوعات کو بہت آسانی کے ساتھ فروخت کرنے اور منافع کمانے کے لیے AI کی طاقت کا فائدہ اٹھا رہی ہیں۔

بینکنگ

بینکنگ کے شعبے میں، AI نظام تیزی سے ترقی کر رہا ہے۔ بہت سے بینکوں نے پہلے ہی AI نظام کو مختلف خدمات فراہم کرنے کے لیے اپنایا ہے جیسے کسٹمر سپورٹ، بے ضابطگیوں کا پتہ لگانا، کریڈٹ کارڈ کے فراڈ۔

آئیے ایچ ڈی ایف سی بینک کی مثال لیتے ہیں۔ انہوں نے ایک AI پر مبنی چیٹ بوٹ تیار کیا ہے جسے الیکٹرانک ورچوئل اسسٹنٹ (EVA) کہتے ہیں۔ یہ چیٹ بوٹ پہلے ہی 3 ملین سے زیادہ صارفین کے سوالات کو حل کر چکا ہے۔ ایوا 0.4 سیکنڈ سے بھی کم وقت میں آسان جوابات فراہم کر سکتی ہے۔ بینک آف امریکہ کا چیٹ بوٹ کا نام ایریکا ہے۔ امریکن ایکسپریس اپنے صارفین کو فائدہ پہنچانے کے لیے اپنے AmEX چیٹ بوٹس کا استعمال کرتی ہے۔

MasterCard اور RBS WorldPay نے جعلی لین دین کا پتہ لگانے اور کارڈ کے فراڈ کو روکنے کے لیے AI اور ڈیپ لرننگ کا استعمال کیا ہے۔ اس AI سسٹم نے لاکھوں ڈالر کی بچت کی۔ AI پر مبنی فراڈ کا پتہ لگانے والے الگورتھم 95% سے زیادہ کی درستگی کے ساتھ دھوکہ دہی کا پتہ لگانے میں زیادہ درست ہیں۔ ان میں حقیقی وقت میں دھوکہ دہی کی نئی کوششوں کا پتہ لگانے کے لیے تیزی سے اپنانے کی صلاحیت ہے۔

بینکنگ میں AI کا سب سے اہم اطلاق رسک مینجمنٹ ہے کیونکہ اندازے ظاہر کرتے ہیں کہ دھوکہ دہی کے حملوں کی وجہ سے تاجروں کا اوسط نقصان ان کی سالانہ آمدنی کا 1.5% ہے۔ JPMorgan نے بھی AI تکنیکوں کا استعمال ایک ابتدائی انتباہی نظام تیار کرنے کے لیے شروع کیا جو میلویئر، ٹروجن اور وائرس کا پتہ لگاتا ہے۔ یہ پتہ لگانے کا نظام مبینہ طور پر ملازمین کو فراڈ ای میلز بھیجے جانے سے بہت پہلے مشکوک رویے کی نشاندہی کرتا ہے۔

تجویز کردہ مضامین

• Unsecapp.exe کیا ہے اور کیا یہ محفوظ ہے؟
• 15 بہترین UML ڈایاگرام ٹول اور سافٹ ویئر
• [فکسڈ] ونڈوز مخصوص ڈیوائس، پاتھ، یا فائل ایرر تک رسائی حاصل نہیں کرسکتا
• ونڈوز میں کام نہ کرنے والی ونڈوز اپ ڈیٹ کے لیے 16 اصلاحات
• AMD Radeon کی ترتیبات کے لیے 4 اصلاحات نہیں کھلیں گی۔
• زوم اسکرین شاٹ ٹول: ٹپس اینڈ ٹرکس