سوال:
مشین سیکھنے کے بہت سے منصوبوں کے لئے بڑی تعداد میں تصویری فائلیں کیوں اہم ہیں؟
A:ان کمپنیوں کے لئے جو اپنی پہلی مشین لرننگ (ایم ایل) سرمایہ کاری میں شامل ہونا چاہتے ہیں ، سارا عمل تھوڑا سا خفیہ اور باطنی معلوم ہوسکتا ہے۔ بہت سارے لوگوں کے لئے ، یہ دیکھنا واقعی مشکل ہے کہ مشین لرننگ دراصل کس طرح کام کرتی ہے ، اور یہ کاروبار کے ل exactly ٹھیک کیا کرتی ہے۔
کچھ معاملات میں ، جو شخص مشین سیکھنے کی تحقیق کر رہا ہے اس کے پاس کافی ایپفینی ہوسکتی ہے جب وہ غور کرتے ہیں کہ بڑی تعداد میں تصویری فائلیں ، جو صاف ڈیجیٹل کنٹینرز میں جمع کی جاتی ہیں ، ایم ایل پروجیکٹس کے لئے کیوں اتنی اہم ہیں۔ اس کی وجہ یہ ہے کہ "شبیہ فائل" کا تصور ایم ایل کو دیکھنے میں مدد کرتا ہے۔ اس کے بارے میں سوچنا ہمیں مزید سمجھنے کی اجازت دیتا ہے کہ ہماری دنیا میں جلد ہی اس طرح کی ٹیکنالوجیز کا استعمال کس طرح ہوگا۔
| مفت ڈاؤن لوڈ: مشین سیکھنا اور اس سے کیوں فرق پڑتا ہے |
مختصر جواب یہ ہے کہ یہ بڑی تعداد میں تصویری فائلیں مشین لرننگ کے لئے اہم ہیں کیونکہ وہ تربیتی سیٹ - ابتدائی اعداد و شمار کے سیٹ کی نمائندگی کرتی ہیں جن پر کمپیوٹر سیکھنے کے ساتھ ساتھ کام کرنا پڑتا ہے۔ لیکن اس کے علاوہ اس میں اور بھی بہت کچھ ہے۔ تصاویر اتنی قیمتی کیوں ہیں؟
ایک وجہ یہ ہے کہ تصاویر اتنے قیمتی ہیں کہ سائنس دانوں نے تصویری پروسیسنگ میں بہت ترقی کی ہے۔ لیکن اس سے آگے ، انہوں نے مشینوں کی مدد کی ہے کہ تصویر میں جو کچھ ہے اس کی بنیاد پر نتائج کی نشاندہی کرنے میں بھی مدد کی۔
مثال کے طور پر ، جو بھی پیداواری اور امتیازی انجن دونوں کے ساتھ گہرے ضد نیٹ ورکس کے بارے میں سن چکا ہے وہ اس کے بارے میں تھوڑا سا سمجھتا ہے کہ کمپیوٹر بصری ڈیٹا اور امیجز کو کس طرح پڑھ سکتا ہے اور اس کا ادراک کرسکتا ہے۔ وہ پکسلز نہیں پڑھ رہے ہیں جیسے وہ کرتے تھے - وہ دراصل تصویر کو "دیکھ" رہے ہیں اور اجزاء کی شناخت کررہے ہیں۔ مثال کے طور پر ، فیس بک کے چہرے کی پہچان کے بارے میں سوچو - کمپیوٹر سیکھتا ہے کہ آپ کیسا نظر آتا ہے ، اور آپ کی تصویروں میں شناخت کرتا ہے - نیز آپ کے آس پاس کے لوگوں کو۔ یہ اکثر بہت ساری تصاویر اور اجتماعی تربیت کی جمع کے ذریعہ ممکن ہوتا ہے جو مشین لرننگ پروجیکٹ کی بنیاد بنتا ہے۔
جب اسٹیک ہولڈرز نے ایک منصوبہ بندی اور تصور کی نشاندہی کی ہے ، اور باہر جاکر وہ تمام تصاویر جمع کی ہیں جو متعلقہ ہیں ، اور انہیں مشین لرننگ الگورتھم میں ڈال دیں ، تو وہ کاروباری عمل چلانے کے لئے مصنوعی ذہانت کی بے پناہ طاقت کا فائدہ اٹھاسکتے ہیں۔
ایک کمپنی کسی ویب کرالر کو ایسی تصاویر کی تلاش میں انٹرنیٹ پر بھیج سکتی ہے جس میں کسی خاص صارف کا ہو ، اس فائل کی تعمیر کے ل build اس صارف کی شناخت اور اس کی ترجیحات اور رجحانات کو دکھایا جاسکے۔ ممکن ہے کہ کمپنی اس معلومات کا استعمال براہ راست میل یا دیگر براہ راست مارکیٹنگ کو خود کار طریقے سے کرنے کے لئے کرے۔ جب آپ اس کے بارے میں اسی طرح سوچنا شروع کردیں گے تو ، یہ دیکھنا آسان ہے کہ کس طرح شبیہہ کی شناخت اور شناخت کے اس عمل کو ہر طرح کی فعالیت سے جوڑا جاسکتا ہے جس سے کمپیوٹر کمپیوٹرز کو بہت ساری چیزوں کا کام کرنے دے گا جو انسانوں کو سب کے لئے کرنے کے عادی رہا ہے۔ ہماری ریکارڈ شدہ تاریخ۔ مذکورہ بالا قسم کے سیٹ اپ کے ساتھ ، کسٹمر ریسرچ کی مثال لیتے ہوئے ، انسانوں کو ہر گز ملوث ہونے کی ضرورت نہیں ہے: کمپیوٹر "ویب پر آؤٹ ہوسکتا ہے" اور اپنے مالکان یا اعداد و شمار رکھنے والوں کو واپس اطلاع دے سکتا ہے۔
کسی بھی شخص کے لئے جو مشین سیکھنے کے گہرے پانیوں میں گھومنے میں ملوث ہے ، بڑے پیمانے پر امیج ڈیٹا کان کنی کے تصور کو سمجھنا مشین سیکھنے کی طاقت کو بروئے کار لانے اور انٹرپرائز کو فائدہ پہنچانے کے ل use اس کا استعمال کرنے کا طریقہ معلوم کرنے کے لئے روڈ میپ میں ایک اچھا پہلا مرحلہ فراہم کرتا ہے۔
