مشين لرننگ هڪ اهڙو طريقه ڪار آهي جنهن ۾ مصنوعي ذهانت شروعاتي طور تي اهو نه ڄاڻيندي آهي ته ڪنهن خاص مسئلي کي ڪيئن حل ڪجي، پر اهو عمل سکي ٿو ساڳين مسئلن کي حل ڪندي. رشتا ٺاهڻ لاءِ مختلف رياضياتي طريقا استعمال ڪيا ويندا آهن. ڊيپ يا ڊيپ لرننگ مشين لرننگ جو هڪ ذيلي سيٽ آهي جيڪو گهڻو ڪري نيورل نيٽ ورڪ استعمال ڪندو آهي جيڪي انساني فيصلا ڪرڻ جي تقليد ڪندا آهن. گہرے سکيا اڪثر ڪري ٽريننگ ڊيٽا جي وڏي مقدار جي ضرورت هوندي آهي. مثال طور، جيڪڏهن توهان کي سيڪسوفون کي سڃاڻڻ لاءِ هڪ الگورٿم قائم ڪرڻ جي ضرورت آهي، پروگرام کي نه رڳو ساڪسفونز جون تصويرون، پر ٻيا ساڳيا پيتل جا اوزار پڻ فيڊ ڪرڻا پوندا، ته جيئن الورورٿم مستقبل ۾ انهن کي پريشان نه ڪري.
ڇا اهو واعدو آهي؟
مصنوعي ذهانت جي ترقي جو ڊگهو سيارو ختم ٿي چڪو آهي. مشين لرننگ هاڻي ٽيڪنالاجي ۾ سڀ کان مشهور صلاحيتن مان هڪ آهي، ۽ ماهر جيڪي موضوع کي سمجهندا آهن انهن جي وڏي طلب ۾ آهي. هينئر تائين، ڪابه ٻولي مشين سکيا جي ميدان ۾ مطلق اڳواڻ نه ٿي آهي، پر جاوا واضح طور تي پسنديده مان آهي. تنهن ڪري جيڪڏهن توهان سائنس ۾ دلچسپي رکو ٿا ۽ صرف ڪوڊنگ جي بجاءِ تحقيق ڪرڻ چاهيو ٿا، اسان مشورو ڏيون ٿا ته توهان هڪ نظر وٺو مٿين پنج جاوا لائبريرين لاءِ مشين لرننگ پروگرامنگ لاءِ.
ويڪا
لائبريري لنڪ: https://www.cs.waikato.ac.nz/ml/weka/index.html ويڪا اسان جي مڪمل پسنديده آهي ۽ اتي ڪو به تعجب ناهي. هي پراڊڪٽ مشين سکيا جي طريقن کي ترقي ڪرڻ ۽ انهن کي حقيقي ڊيٽا تي لاڳو ڪرڻ لاء هڪ جديد ماحول جي طور تي تصور ڪيو ويو، هڪ ماحول جيڪو مشين سکيا طريقن کي وسيع استعمال لاء دستياب بڻائيندو. ويڪا سان، هڪ ايپليڪيشن سائنسدان مشين لرننگ ٽيڪنڪ استعمال ڪري سگهي ٿو مفيد معلومات کي ڪڍڻ لاءِ سڌو ممڪن طور تي وڏي ڊيٽا مان. ويڪا 3 جاوا ۾ لکيل مفت سافٽ ويئر آهي. پراڊڪٽ ٻين ڪوڊ ۾ چڱيءَ طرح ضم ٿي وڃي ٿي، جيئن ان ۾ لاڳو ڪيل الورورٿم جي لائبريري تائين سڌو رسائي فراهم ڪري ٿي. اهو آهي، توهان جاوا ۾ لاڳو ڪيل ٻين سسٽم مان اڳ ۾ ئي لکيل الگورٿم استعمال ڪرڻ جي قابل هوندا. ان کان علاوه، ويڪا جو پنهنجو ايڪسپلورر يوزر انٽرفيس، نالج فلو جز انٽرفيس آهي، پر توهان ڪمانڊ لائن پڻ استعمال ڪري سگهو ٿا. ان کان علاوه، هڪ Experimenter ايپليڪيشن تيار ڪئي وئي آهي Weka لاءِ مشين لرننگ الگورٿمز جي پيش گوئي واري صلاحيت کي مسئلن جي ڏنل سيٽ تي موازنہ ڪرڻ لاءِ.
"ويڪا جي طاقت درجه بندي ۾ آهي. تنهن ڪري اهو ايپليڪيشنن لاءِ مثالي آهي جنهن کي خودڪار ڊيٽا جي درجه بندي جي ضرورت آهي. ويڪا ڪلسٽرنگ، پيشنگوئي، خصوصيت جي چونڊ ۽ بي ضابطگي جي سڃاڻپ جا ڪم پڻ انجام ڏئي ٿو، ”نيوزيلينڊ جي وائيڪاٽو يونيورسٽي ۾ ڪمپيوٽر سائنس جو پروفيسر ايبي فرينڪ چوي ٿو. ويڪا جي مشين لرننگ الگورتھم جو سوٽ سڌو سنئون ڊيٽابيس تي لاڳو ڪري سگھجي ٿو يا توھان جي پنھنجي جاوا ڪوڊ مان سڏي سگھجي ٿو. اهو ڪيترن ئي معياري ڊيٽا مائننگ جي ڪمن کي سپورٽ ڪري ٿو، بشمول ڊيٽا پري پروسيسنگ، درجه بندي، ڪلسترنگ، بصري، ريگريشن تجزيو، ۽ خصوصيت جي چونڊ. جاوا ڪوڊ سان ويڪا استعمال ڪرڻ جو مثال: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
وڏي آن لائين تجزيو (MOA)
لائبريري لنڪ: https://moa.cms.waikato.ac.nz/ MOA (Masive On-line Analysis) ڊيٽا اسٽريمز کي ترقي ڪرڻ لاءِ هڪ فريم ورڪ آهي. ان ۾ تشخيص جا اوزار ۽ مشين لرننگ الگورتھم جو ھڪڙو سيٽ شامل آھي جيڪي وقت ۽ ياداشت جي موثر آھن. هي اوپن سورس لائبريري سڌي طرح مشين لرننگ لاءِ استعمال ٿئي ٿي ۽ ڊيٽا اسٽريمز مان معلومات گڏ ڪرڻ حقيقي وقت ۾. MOA جاوا ۾ لکيل آهي، تنهنڪري اهو آساني سان استعمال ڪري سگهجي ٿو Weka سان گڏ وڏي پيماني تي ۽ پيچيده مسئلن کي حل ڪرڻ لاء. MOA جو سوٽ مشين لرننگ الگورٿمز ۽ اسڪورنگ انجڻ رجعت جي تجزيي، درجه بندي، ٻاهرئين سڃاڻپ، ڪلسترنگ، سفارش ڪندڙ سسٽم لاءِ ڪارآمد آهن. MOA ڊيٽا جي سيٽ ۽ وهڪري کي تبديل ڪرڻ لاء پڻ ڪارائتو ٿي سگهي ٿو، انهي سان گڏ انٽرنيٽ آف شين (IoT) ڊوائيسز پاران پيدا ڪيل ڊيٽا.
MOA ۾ ڪم فلو هڪ سادي اسڪيم تي عمل ڪري ٿو: پهريون، هڪ ڊيٽا وهڪرو (چينل، جنريٽر) چونڊيو ويو آهي ۽ ترتيب ڏنل آهي، پوء هڪ الگورتھم (مثال طور، هڪ درجه بندي) چونڊيو ويو آهي ۽ ان جا پيرا ميٽر مقرر ڪيا ويا آهن. ٽئين مرحلي ۾، هڪ تشخيصي طريقو يا ماپ چونڊيو ويندو آهي، جنهن کان پوءِ نتيجو حاصل ڪيو ويندو.
MOA استعمال ڪندي هڪ تجربو هلائڻ لاءِ، استعمال ڪندڙ گرافڪ يوزر انٽرفيس (GUI) يا ڪمانڊ لائن جي وچ ۾ چونڊ ڪري سگهي ٿو.
Deeplearning4j جاوا، اسڪالا، ۽ ڪلوجور پروگرامرز لاءِ ھڪڙو وڏو DIY اوزار آھي جيڪي ھڊوپ سان ڪم ڪن ٿا، ھزارين نوڊس سان ڪلسٽرز تي ھلندڙ ورهايل پروگرامن کي ڊولپمينٽ ۽ ھلائڻ جو فريم ورڪ. Hadoop وٽ وڏي ڪمپيوٽنگ پاور ۽ عملي طور تي لامحدود تعداد ۾ متوازي ڪمن کي سنڀالڻ جي صلاحيت آهي. گہرے نيورل نيٽ ورڪ ۽ گہرے مضبوطي واري سکيا نمونن جي سڃاڻپ ۽ ٽارگيٽ مشين لرننگ جي قابل آهن. مطلب ته Deeplearning4j تقرير، آڊيو ۽ ٽيڪسٽ ۾ نمونن ۽ جذبن جي سڃاڻپ لاءِ تمام ڪارائتو آهي. اضافي طور تي، لائبريري استعمال ڪري سگهجي ٿي وقت جي سيريز جي ڊيٽا ۾ بي ضابطگين کي ڳولڻ لاء جيئن ته مالي ٽرانزيڪشن.
مالليٽ
لائبريري لنڪ: http://mallet.cs.umass.edu/ MALLET هڪ اوپن سورس جاوا ٽول ڪٽ آهي جيڪا اينڊريو ميڪلم ۽ شاگردن UMASS ۽ UPenn جي ٺاهيل آهي. هي لائبريري بنيادي طور تي مشين لرننگ استعمال ڪندي ٽيڪسٽ پروسيسنگ لاءِ ٺهيل آهي. لائبريري جي نالي جي وضاحت - MAchine Learning for LanguageE Toolkit.
هي سافٽ ويئر پيڪيج شمارياتي قدرتي ٻولي پروسيسنگ، ڪلسترنگ، دستاويزن جي درجي بندي، معلومات جي حاصلات، ماڊلنگ، ۽ ٻين جديد سکيا واري ايپليڪيشنن کي سپورٽ ڪري ٿو. MALLET جي بنيادي طاقت دستاويز جي درجه بندي لاءِ جديد اوزار آهن، جيئن متن جي تبديلي لاءِ موثر معياري طريقا. اهو الورورٿمز جي وسيع رينج کي سپورٽ ڪري ٿو، بشمول Naive Bayes، Decision Trees، Maximum Decision Trees، ۽ Maximum Entropy، گڏوگڏ درجه بندي ڪارڪردگي تجزيي جو ڪوڊ.
ايلڪي
لائبريري لنڪ: https://elki-project.github.io/ ELKI انڊيڪس اسٽرڪچرز پاران سپورٽ ڪيل KDD-ايپليڪيشنز کي ترقي ڪرڻ لاءِ ماحوليات لاءِ بيٺل آهي، جنهن کي ترجمو ڪري سگهجي ٿو ”انڊيڪس ڍانچي جي مدد سان ڪي ڊي ڊي ايپليڪيشنن کي ترقي ڪرڻ لاءِ ماحول“. موڙ ۾، KDD - ڊيٽابيس ۾ علم جي دريافت - هڪ مخفف آهي جيڪو ڊيٽا مان علم جي وڏي پيماني تي نڪرڻ جي امڪان کي لڪائيندو آهي. ELKI جو ڌيان الورورٿمڪ ريسرچ تي آهي جنهن تي زور ڏنو ويو آهي غير نگراني ٿيل طريقن تي ڪلسٽر تجزيي ۽ ٻاهرئين سڃاڻپ ۾. اعلي ڪارڪردگي ۽ اسپيبلٽي حاصل ڪرڻ لاء، ELKI ڊيٽا انڊيڪس ڍانچي پيش ڪري ٿو جهڙوڪ R *-trees (اهڙي ڊيٽا جي جوڙجڪ اسپيشل معلومات کي انڊيڪس ڪرڻ لاء استعمال ڪيا ويا آهن)، جيڪي اهم ڪارڪردگي حاصلات مهيا ڪري سگھن ٿا. ELKI آساني سان وسعت وارو آهي ۽ مقصد آهي ته الورورٿم جي آسان ۽ منصفانه تشخيص کي چالو ڪرڻ لاءِ انتهائي پيرا ميٽرائيزبل الگورتھم جو هڪ وڏو سيٽ مهيا ڪرڻ.
هن جو مطلب آهي ته ELKI ڊيٽا سائنس جي شعبي ۾ انتهائي مفيد آهي. هي اوزار اسپرم وهيل جي آوازن، خلائي پروازن ۽ ٽرئفڪ جي اڳڪٿي جي مطالعي لاءِ استعمال ڪيو ويو. ٿي سگهي ٿو توهان کي ڪنهن ٻئي جاوا مشين لرننگ لائبريري جي خبر هجي جيڪا ڍڪيل نه آهي؟ توهان جي تبصرن ۾ اسان سان حصيداري ڪريو، اهو ڳولڻ دلچسپ آهي ته اسان ڇا وڃايو آهي! jaxenter کان مواد جي بنياد تي
GO TO FULL VERSION