سوال:
انجینئر مشین سیکھنے کے نظام کو بڑھانے کے لئے تدریجی فروغ کو کس طرح استعمال کرسکتے ہیں؟
A:دیگر اقسام کو فروغ دینے کی طرح ، تدریجی طور پر فروغ دینے سے سیکھنے کی صلاحیتوں کی ایک قسم کے ڈیجیٹل "ہجوم سورسنگ" میں ، متعدد کمزور سیکھنے والوں کو ایک ہی مضبوط سیکھنے میں تبدیل کرنا ہے۔ ایک اور طریقہ جس سے کچھ تدریجی فروغ کی وضاحت کرتے ہیں وہ یہ ہے کہ انجینئر زیادہ واضح نتائج پیدا کرنے کے لئے کسی مبہم مساوات کو ٹھیک ٹون میں تبدیل کرتے ہیں۔
تدریجی بڑھاو کو "تکراری" نقطہ نظر کے طور پر بھی بیان کیا گیا ہے ، اس تکرار کے ساتھ ممکنہ طور پر انفرادی کمزور سیکھنے والوں کو کسی ایک مضبوط لرنر ماڈل میں شامل کیا جاسکتا ہے۔
| مفت ڈاؤن لوڈ: مشین سیکھنا اور اس سے کیوں فرق پڑتا ہے |
مشین کی تعلیم کے نتائج میں اضافہ کرنے والے تدریجی اضافے پر عمل درآمد کی ایک قسم کو کس طرح دیکھنا ہے اس کی ایک مجبوری تفصیل یہ ہے:
سسٹم کے منتظمین نے پہلے کمزور سیکھنے والوں کا ایک سیٹ مرتب کیا۔ ان کے بارے میں سوچو ، مثال کے طور پر ، اداروں AF کی ایک صف کی حیثیت سے ، ہر ایک ورچوئل ٹیبل کے گرد بیٹھتا ہے اور مسئلے پر کام کرتا ہے ، مثال کے طور پر ، بائنری امیج کی درجہ بندی۔
مذکورہ مثال میں ، انجینئر سب سے پہلے ہر کمزور سیکھنے والے کا وزن کریں گے ، ممکنہ طور پر من مانی سے ، A ، B ، C ، وغیرہ کو اثر و رسوخ کی سطح تفویض کریں۔
اگلا ، پروگرام تربیتی امیجوں کا ایک دیا ہوا سیٹ چلائے گا۔ پھر ، نتائج کو دیکھتے ہوئے ، یہ کمزور سیکھنے والوں کی صف کو دوبارہ وزن دے گا۔ اگر A اور B اور C سے کہیں بہتر اندازہ لگایا گیا ہے تو ، اسی کے مطابق A کا اثر و رسوخ بڑھایا جائے گا۔
الگورتھم کو بڑھاوا دینے کی اس سادہ سی وضاحت میں ، یہ دیکھنا نسبتا easy آسان ہے کہ زیادہ پیچیدہ نقطہ نظر سے بہتر نتائج کیسے نکلیں گے۔ کمزور سیکھنے والے "مل کر سوچ رہے ہیں" اور بدلے میں کسی ایم ایل مسئلے کو بہتر بناتے ہیں۔
اس کے نتیجے میں ، انجینئرز تصویری شناخت سے لے کر صارف کی سفارشات کی درجہ بندی تک ، یا قدرتی زبان کے تجزیے تک ، کسی بھی طرح کے ایم ایل پروجیکٹ میں تدریجی اضافے کے "جوڑ" کے نقطہ نظر کو استعمال کرسکتے ہیں۔ یہ بنیادی طور پر ایم ایل کے لئے "ٹیم روح" کا نقطہ نظر ہے ، اور یہ کہ کچھ طاقتور کھلاڑیوں کی طرف سے بہت زیادہ توجہ دی جارہی ہے۔
خاص طور پر تدریجی طور پر بڑھاوا دینا اکثر ایک نقصان دہ فنکشن کے ساتھ کام کرتا ہے۔
میلان بوسٹنگ کی وضاحت کرنے کے لئے استعمال ہونے والے ایک اور ماڈل میں ، اس طرح کے فروغ دینے کا ایک اور کام درجہ بندی یا متغیرات کو الگ کرنے کے قابل ہونا ہے جو ، ایک بڑی تصویر میں ، صرف شور ہی ہے۔ ہر متغیر کے ریگریشن ٹری یا ڈیٹا ڈھانچے کو ایک کمزور سیکھنے والے کے ڈومین میں الگ کرکے ، انجینئر ایسے ماڈل تیار کرسکتے ہیں جو شور سے متعلق نشان دہندگان کو زیادہ درست طریقے سے "آواز آؤٹ" کرسکیں گے۔ دوسرے لفظوں میں ، بدقسمت کمزور سیکھنے والے کے ذریعہ ڈھانپنے والے اشارے کو پسماندہ کردیا جائے گا کیونکہ یہ کہ کمزور سیکھنے کو نیچے کی طرف دوبارہ سے وزٹ کیا جاتا ہے اور کم اثر و رسوخ دیا جاتا ہے۔
