ਮਸ਼ੀਨ ਲਰਨਿੰਗ (2015) ਦੀ ਵਿਜ਼ੂਅਲ ਜਾਣ-ਪਛਾਣ

ਡੇਟਾ ਦੇਖਣ ਦਾ ਜਾਦੂ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਿਜ਼ੂਅਲ ਜਾਣ-ਪਛਾਣ

2015 ਵਿੱਚ, ਸਟੈਫਨੀ ਯੀ ਅਤੇ ਟੋਨੀ ਚੂ ਦੁਆਰਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਇੰਟਰਐਕਟਿਵ ਲੇਖ ਨੇ ਕੁਝ ਕਮਾਲ ਕੀਤਾ: ਇਸਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਨੂੰ ਪਹੁੰਚਯੋਗ ਬਣਾਇਆ। ਉਹ ਸੰਘਣੀ ਸਮੀਕਰਨਾਂ ਜਾਂ ਅਮੂਰਤ ਸਿਧਾਂਤ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦੇ ਸਨ। ਇਸਦੀ ਬਜਾਏ, ਉਹਨਾਂ ਨੇ ਇੱਕ ਸਧਾਰਨ, ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ - ਵਿਜ਼ੂਅਲਾਈਜੇਸ਼ਨ - ਦੀ ਵਰਤੋਂ ਕੀਤੀ - ਇਹ ਦੱਸਣ ਲਈ ਕਿ ਕਿਵੇਂ ਮਸ਼ੀਨਾਂ ਡੇਟਾ ਤੋਂ "ਸਿੱਖਦੀਆਂ" ਹਨ। ਇਸ ਵਿਜ਼ੂਅਲ ਪਹੁੰਚ ਨੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਨੂੰ ਅਸਪਸ਼ਟ ਕਰ ਦਿੱਤਾ, ਇਸਨੂੰ ਜਾਣਕਾਰੀ ਦੇ ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣ ਅਤੇ ਸੀਮਾਵਾਂ ਖਿੱਚਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਇਆ। ਅੱਜ ਦੇ ਵਪਾਰਕ ਸੰਸਾਰ ਵਿੱਚ, ਜਿੱਥੇ ਡੇਟਾ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ, ਇਸ ਮੂਲ ਧਾਰਨਾ ਨੂੰ ਸਮਝਣਾ ਹੁਣ ਸਿਰਫ਼ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਲਈ ਨਹੀਂ ਹੈ। ਇਹ ਓਪਰੇਸ਼ਨਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ, ਗਾਹਕਾਂ ਦੇ ਅਨੁਭਵਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ, ਜਾਂ ਮਾਰਕੀਟ ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਹੈ। ਮੇਵੇਜ਼ ਵਰਗੇ ਪਲੇਟਫਾਰਮ, ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਵਪਾਰਕ ਮਾਡਿਊਲਾਂ ਤੋਂ ਡੇਟਾ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੇ ਹਨ, ਇਹਨਾਂ ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਾਲਣ ਲਈ ਸੰਪੂਰਨ ਢਾਂਚਾਗਤ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦੇ ਹਨ।

ਮਸ਼ੀਨਾਂ ਲਾਈਨਾਂ ਖਿੱਚ ਕੇ ਕਿਵੇਂ ਸਿੱਖਦੀਆਂ ਹਨ

2015 ਵਿਜ਼ੂਅਲ ਗਾਈਡ ਇੱਕ ਸੰਬੰਧਿਤ ਦ੍ਰਿਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਹੋਈ: ਸਿਰਫ਼ ਦੋ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਿਊਯਾਰਕ ਜਾਂ ਸੈਨ ਫਰਾਂਸਿਸਕੋ ਵਿੱਚ ਘਰਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ—ਪ੍ਰਤੀ ਵਰਗ ਫੁੱਟ ਅਤੇ ਆਕਾਰ ਦੀ ਕੀਮਤ। ਹਰ ਘਰ ਇੱਕ ਸਕੈਟਰ ਪਲਾਟ 'ਤੇ ਇੱਕ ਬਿੰਦੂ ਸੀ. "ਮਸ਼ੀਨ" (ਇਸ ਕੇਸ ਵਿੱਚ, ਇੱਕ ਸਧਾਰਨ ਐਲਗੋਰਿਦਮ) ਨੇ ਦੋ ਸ਼ਹਿਰਾਂ ਦੇ ਸਮੂਹਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਇੱਕ ਵੰਡਣ ਵਾਲੀ ਰੇਖਾ, ਜਾਂ ਇੱਕ ਸੀਮਾ ਖਿੱਚ ਕੇ ਸਿੱਖੀ। ਇਹ ਵਰਗੀਕਰਨ ਦਾ ਸਾਰ ਹੈ, ਇੱਕ ਬੁਨਿਆਦੀ ML ਕਾਰਜ। ਲੇਖ ਨੇ ਸ਼ਾਨਦਾਰ ਢੰਗ ਨਾਲ ਮਾਡਲ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹੋਏ ਦਿਖਾਇਆ, ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਹਰੇਕ ਨਵੇਂ ਡੇਟਾ ਪੁਆਇੰਟ ਨਾਲ ਲਾਈਨ ਨੂੰ ਵਿਵਸਥਿਤ ਕੀਤਾ। ਇਹ ਵਿਜ਼ੂਅਲ ਅਲੰਕਾਰ ਵਪਾਰ ਲਈ ਸਿੱਧਾ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ। ਗਾਹਕ ਫੀਡਬੈਕ ਨੂੰ "ਜ਼ਰੂਰੀ" ਜਾਂ "ਸਟੈਂਡਰਡ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ, ਵਿਕਰੀ ਨੂੰ "ਗਰਮ" ਜਾਂ "ਠੰਡੇ" ਜਾਂ ਵਸਤੂਆਂ ਦੀਆਂ ਵਸਤੂਆਂ ਨੂੰ "ਤੇਜ਼-ਗਤੀਸ਼ੀਲ" ਜਾਂ "ਹੌਲੀ-ਹੌਲੀ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਇਸ ਤਰੀਕੇ ਨਾਲ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰਨ ਨਾਲ, ਅਸੀਂ ML ਨੂੰ ਜਾਦੂ ਦੇ ਤੌਰ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਹਫੜਾ-ਦਫੜੀ ਤੋਂ ਕ੍ਰਮ ਬਣਾਉਣ ਦੀ ਵਿਧੀਗਤ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਦੇਖਦੇ ਹਾਂ।

ਫੈਸਲਾ ਰੁੱਖ: ਭਵਿੱਖਬਾਣੀ ਦਾ ਫਲੋਚਾਰਟ

ਜਾਣ-ਪਛਾਣ ਫਿਰ ਇੱਕ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਧਾਰਨਾ ਵੱਲ ਚਲੀ ਗਈ: ਫੈਸਲੇ ਦਾ ਰੁੱਖ। ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ, ਇੱਕ ਫੈਸਲੇ ਦਾ ਰੁੱਖ ਇੱਕ ਫਲੋਚਾਰਟ ਹੁੰਦਾ ਹੈ ਜੋ ਪੂਰਵ-ਅਨੁਮਾਨ 'ਤੇ ਪਹੁੰਚਣ ਲਈ ਡੇਟਾ ਬਾਰੇ ਹਾਂ/ਨਹੀਂ ਸਵਾਲਾਂ ਦੀ ਲੜੀ ਪੁੱਛਦਾ ਹੈ। ਲੇਖ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵੰਡਣ ਲਈ ਐਲਗੋਰਿਦਮ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਵਾਲਾਂ ਨੂੰ ਕਿਵੇਂ ਚੁਣਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ "ਕੀ ਕੀਮਤ ਪ੍ਰਤੀ ਵਰਗ ਫੁੱਟ ਇੱਕ ਨਿਸ਼ਚਿਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਉੱਪਰ ਹੈ?")। ਹਰੇਕ ਵਿਭਾਜਨ ਨਵੀਆਂ ਸ਼ਾਖਾਵਾਂ ਬਣਾਉਂਦਾ ਹੈ, ਅੰਤ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਪੱਤਿਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਕਾਰਜਸ਼ੀਲ ਪਲੇਟਫਾਰਮ ਆਪਣੀ ਤਾਕਤ ਦਿਖਾਉਂਦੇ ਹਨ. Mewayz ਵਰਗਾ ਇੱਕ ਯੂਨੀਫਾਈਡ ਸਿਸਟਮ, ਜੋ ਕਿ CRM, ਵਸਤੂ ਸੂਚੀ, ਅਤੇ ਵਿੱਤ ਡੇਟਾ ਨੂੰ ਜੋੜਦਾ ਹੈ, ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਨੂੰ ਸਿੱਖਣ ਦੀ ਲੋੜ ਵਾਲਾ ਅਮੀਰ, ਸਾਫ਼ ਡੇਟਾਸੈਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟ੍ਰੀ ਫਿਰ ਨਾਜ਼ੁਕ ਕਾਰੋਬਾਰੀ ਨਿਰਣੇ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ:

• ਟੀਮ ਦੇ ਕੰਮ ਦੇ ਬੋਝ ਅਤੇ ਸਰੋਤ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰੋਜੈਕਟ ਡਿਲੀਵਰੀ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ।
• ਭੁਗਤਾਨ ਇਤਿਹਾਸ ਅਤੇ ਆਰਡਰ ਦੇ ਆਕਾਰ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੇਂ ਗਾਹਕ ਦੇ ਜੋਖਮ ਪੱਧਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ।
• ਸਮੱਸਿਆ ਦੀ ਕਿਸਮ ਅਤੇ ਜਟਿਲਤਾ ਦੇ ਆਧਾਰ 'ਤੇ ਟਿਕਟ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਸਹਾਇਤਾ ਏਜੰਟ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨਾ।

ਵਿਜ਼ੂਅਲ ਗਾਈਡ ਨੇ ਇਹ ਸਪੱਸ਼ਟ ਕਰ ਦਿੱਤਾ ਹੈ: ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਹੋਣੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਆਉਟਪੁੱਟ ਦੀ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।

ਚਲਾਕ ਟੂਲ ਤੋਂ ਵਪਾਰਕ ਲੋੜ ਤੱਕ

2015 ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਜਾਣ-ਪਛਾਣ ਦੇ ਰੂਪ ਵਿੱਚ ਜੋ ਕੁਝ ਸ਼ੁਰੂ ਹੋਇਆ, ਉਹ ਇੱਕ ਵਪਾਰਕ ਜ਼ਰੂਰੀ ਬਣ ਗਿਆ ਹੈ। ਮੁੱਖ ਪਾਠ ਸਹੀ ਰਹਿੰਦੇ ਹਨ: ML ਨਵੇਂ ਡੇਟਾ ਬਾਰੇ ਸੂਚਿਤ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਲਈ ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ। ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੇ ਭੇਤ ਨੂੰ ਦੂਰ ਕਰ ਦਿੱਤਾ, ਇੱਕ ਤਰਕਪੂਰਨ, ਸਿਖਲਾਈ ਯੋਗ ਪ੍ਰਣਾਲੀ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ। ਅੱਜ, ਇਹ ਸਿਫਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਪਿੱਛੇ ਇੰਜਣ ਹੈ। ਇਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਹੁਣ ਸਕ੍ਰੈਚ ਤੋਂ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਆਧੁਨਿਕ ਮਾਡਯੂਲਰ ਬਿਜ਼ਨਸ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਅਜਿਹੇ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਲਈ ਡਾਟਾ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਬਣਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਸੇਲਜ਼ ਅਤੇ ਮਾਰਕੇਟਿੰਗ ਤੋਂ ਲੈ ਕੇ ਲੌਜਿਸਟਿਕਸ ਅਤੇ ਸਪੋਰਟ ਤੱਕ - ਆਪਰੇਸ਼ਨਾਂ ਨੂੰ ਕੇਂਦਰੀਕਰਣ ਕਰਕੇ - ਮੇਵੇਜ਼ ਵਰਗਾ ਪਲੇਟਫਾਰਮ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਕੋਲ ਵਿਆਪਕ, ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਹੈ, ਵਿਜ਼ੂਅਲ ਸੰਕਲਪਾਂ ਨੂੰ ਸਵੈਚਲਿਤ, ਕਾਰਵਾਈਯੋਗ ਕਾਰੋਬਾਰੀ ਸੂਝਾਂ ਵਿੱਚ ਬਦਲਣਾ।

2015 ਵਿਜ਼ੂਅਲ ਪ੍ਰਾਈਮਰ ਸਫਲ ਹੋਇਆ ਕਿਉਂਕਿ ਇਸਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਬਲੈਕ ਬਾਕਸ ਦੇ ਰੂਪ ਵਿੱਚ ਨਹੀਂ, ਸਗੋਂ ਖੋਜ ਦੀ ਇੱਕ ਪਾਰਦਰਸ਼ੀ, ਦੁਹਰਾਉਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਸਦੇ ਦਿਲ ਵਿੱਚ, ML ਭਵਿੱਖ ਦੇ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣ ਲਈ ਪੁਰਾਣੇ ਸਬੂਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਹੈ—ਇੱਕ ਸਿਧਾਂਤ ਜੋ ਹਰ ਵਪਾਰਕ ਨੇਤਾ ਸਮਝਦਾ ਹੈ।

ਹੁਸ਼ਿਆਰ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਵਿਜ਼ੂਅਲ ਫਾਊਂਡੇਸ਼ਨ

2015 ਵਿੱਚ ਉਸ ਸਧਾਰਨ, ਸ਼ਾਨਦਾਰ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ ਨੇ ਸਿਖਾਉਣ ਤੋਂ ਵੱਧ ਕੁਝ ਕੀਤਾ; ਇਸਨੇ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਯੁੱਗ ਲਈ ਇੱਕ ਸੰਕਲਪਿਕ ਬੁਨਿਆਦ ਰੱਖੀ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸੰਗਠਿਤ, ਭਰਪੂਰ ਡੇਟਾ 'ਤੇ ਪ੍ਰਫੁੱਲਤ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਆਧੁਨਿਕ ਵਪਾਰਕ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਏਕੀਕ੍ਰਿਤ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਅਸਪਸ਼ਟ ਡੇਟਾ ਸਿਲੋਜ਼ ਇੱਕ ਖੰਡਿਤ ਤਸਵੀਰ ਬਣਾਉਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਗੁੰਮ ਪੁਆਇੰਟਾਂ ਦੇ ਨਾਲ ਇੱਕ ਸਕੈਟਰ ਪਲਾਟ। ਇੱਕ ਤਾਲਮੇਲ ਪ੍ਰਣਾਲੀ, ਹਾਲਾਂਕਿ, ਪੂਰਾ ਵਿਜ਼ੂਅਲ ਕੈਨਵਸ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਮੇਵੇਜ਼ ਉਸ ਕੈਨਵਸ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਕਾਰੋਬਾਰੀ ਮੋਡੀਊਲਾਂ ਨੂੰ ਇਕਜੁੱਟ ਕਰਦਾ ਹੈ ਤਾਂ ਕਿ ਓਪਰੇਸ਼ਨਾਂ ਦਾ ਸਪਸ਼ਟ, ਵਿਸਤ੍ਰਿਤ ਪੋਰਟਰੇਟ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਇਹ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਿਲਕੁਲ ਸਹੀ ਸੀਮਾਵਾਂ ਖਿੱਚਣ, ਭਰੋਸੇਮੰਦ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਬਣਾਉਣ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਰਣਨੀਤਕ ਸੰਪੱਤੀ ਵਿੱਚ ਬਦਲਣ ਲਈ ਪ੍ਰਭਾਵੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਲੋੜ ਹੈ ਜੋ ਪੂਰੇ ਸੰਗਠਨ ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਅਤੇ ਵਿਕਾਸ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ।

ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ

ਡਾਟਾ ਦੇਖਣ ਦਾ ਜਾਦੂ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਿਜ਼ੂਅਲ ਜਾਣ-ਪਛਾਣ

2015 ਵਿੱਚ, ਸਟੈਫਨੀ ਯੀ ਅਤੇ ਟੋਨੀ ਚੂ ਦੁਆਰਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਇੰਟਰਐਕਟਿਵ ਲੇਖ ਨੇ ਕੁਝ ਕਮਾਲ ਕੀਤਾ: ਇਸਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਨੂੰ ਪਹੁੰਚਯੋਗ ਬਣਾਇਆ। ਉਹ ਸੰਘਣੀ ਸਮੀਕਰਨਾਂ ਜਾਂ ਅਮੂਰਤ ਸਿਧਾਂਤ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦੇ ਸਨ। ਇਸਦੀ ਬਜਾਏ, ਉਹਨਾਂ ਨੇ ਇੱਕ ਸਧਾਰਨ, ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ - ਵਿਜ਼ੂਅਲਾਈਜੇਸ਼ਨ - ਦੀ ਵਰਤੋਂ ਕੀਤੀ - ਇਹ ਦੱਸਣ ਲਈ ਕਿ ਕਿਵੇਂ ਮਸ਼ੀਨਾਂ ਡੇਟਾ ਤੋਂ "ਸਿੱਖਦੀਆਂ" ਹਨ। ਇਸ ਵਿਜ਼ੂਅਲ ਪਹੁੰਚ ਨੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਨੂੰ ਅਸਪਸ਼ਟ ਕਰ ਦਿੱਤਾ, ਇਸਨੂੰ ਜਾਣਕਾਰੀ ਦੇ ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣ ਅਤੇ ਸੀਮਾਵਾਂ ਖਿੱਚਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਇਆ। ਅੱਜ ਦੇ ਵਪਾਰਕ ਸੰਸਾਰ ਵਿੱਚ, ਜਿੱਥੇ ਡੇਟਾ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ, ਇਸ ਮੂਲ ਧਾਰਨਾ ਨੂੰ ਸਮਝਣਾ ਹੁਣ ਸਿਰਫ਼ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਲਈ ਨਹੀਂ ਹੈ। ਇਹ ਓਪਰੇਸ਼ਨਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ, ਗਾਹਕਾਂ ਦੇ ਅਨੁਭਵਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ, ਜਾਂ ਮਾਰਕੀਟ ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਹੈ। ਮੇਵੇਜ਼ ਵਰਗੇ ਪਲੇਟਫਾਰਮ, ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਵਪਾਰਕ ਮਾਡਿਊਲਾਂ ਤੋਂ ਡੇਟਾ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੇ ਹਨ, ਇਹਨਾਂ ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਾਲਣ ਲਈ ਸੰਪੂਰਨ ਢਾਂਚਾਗਤ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦੇ ਹਨ।

ਮਸ਼ੀਨਾਂ ਲਾਈਨਾਂ ਖਿੱਚ ਕੇ ਕਿਵੇਂ ਸਿੱਖਦੀਆਂ ਹਨ

2015 ਵਿਜ਼ੂਅਲ ਗਾਈਡ ਇੱਕ ਸੰਬੰਧਿਤ ਦ੍ਰਿਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਹੋਈ: ਸਿਰਫ਼ ਦੋ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਿਊਯਾਰਕ ਜਾਂ ਸੈਨ ਫਰਾਂਸਿਸਕੋ ਵਿੱਚ ਘਰਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ—ਪ੍ਰਤੀ ਵਰਗ ਫੁੱਟ ਅਤੇ ਆਕਾਰ ਦੀ ਕੀਮਤ। ਹਰ ਘਰ ਇੱਕ ਸਕੈਟਰ ਪਲਾਟ 'ਤੇ ਇੱਕ ਬਿੰਦੂ ਸੀ. "ਮਸ਼ੀਨ" (ਇਸ ਕੇਸ ਵਿੱਚ, ਇੱਕ ਸਧਾਰਨ ਐਲਗੋਰਿਦਮ) ਨੇ ਦੋ ਸ਼ਹਿਰਾਂ ਦੇ ਸਮੂਹਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਇੱਕ ਵੰਡਣ ਵਾਲੀ ਰੇਖਾ, ਜਾਂ ਇੱਕ ਸੀਮਾ ਖਿੱਚ ਕੇ ਸਿੱਖੀ। ਇਹ ਵਰਗੀਕਰਨ ਦਾ ਸਾਰ ਹੈ, ਇੱਕ ਬੁਨਿਆਦੀ ML ਕਾਰਜ। ਲੇਖ ਨੇ ਸ਼ਾਨਦਾਰ ਢੰਗ ਨਾਲ ਮਾਡਲ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹੋਏ ਦਿਖਾਇਆ, ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਹਰੇਕ ਨਵੇਂ ਡੇਟਾ ਪੁਆਇੰਟ ਨਾਲ ਲਾਈਨ ਨੂੰ ਵਿਵਸਥਿਤ ਕੀਤਾ। ਇਹ ਵਿਜ਼ੂਅਲ ਅਲੰਕਾਰ ਵਪਾਰ ਲਈ ਸਿੱਧਾ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ। ਗਾਹਕ ਫੀਡਬੈਕ ਨੂੰ "ਜ਼ਰੂਰੀ" ਜਾਂ "ਸਟੈਂਡਰਡ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ, ਵਿਕਰੀ ਨੂੰ "ਗਰਮ" ਜਾਂ "ਠੰਡੇ" ਜਾਂ ਵਸਤੂਆਂ ਦੀਆਂ ਵਸਤੂਆਂ ਨੂੰ "ਤੇਜ਼-ਗਤੀਸ਼ੀਲ" ਜਾਂ "ਹੌਲੀ-ਹੌਲੀ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਇਸ ਤਰੀਕੇ ਨਾਲ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰਨ ਨਾਲ, ਅਸੀਂ ML ਨੂੰ ਜਾਦੂ ਦੇ ਤੌਰ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਹਫੜਾ-ਦਫੜੀ ਤੋਂ ਕ੍ਰਮ ਬਣਾਉਣ ਦੀ ਵਿਧੀਗਤ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਦੇਖਦੇ ਹਾਂ।

ਫੈਸਲਾ ਰੁੱਖ: ਭਵਿੱਖਬਾਣੀ ਦਾ ਫਲੋਚਾਰਟ

ਜਾਣ-ਪਛਾਣ ਫਿਰ ਇੱਕ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਧਾਰਨਾ ਵੱਲ ਚਲੀ ਗਈ: ਫੈਸਲੇ ਦਾ ਰੁੱਖ। ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ, ਇੱਕ ਫੈਸਲੇ ਦਾ ਰੁੱਖ ਇੱਕ ਫਲੋਚਾਰਟ ਹੁੰਦਾ ਹੈ ਜੋ ਪੂਰਵ-ਅਨੁਮਾਨ 'ਤੇ ਪਹੁੰਚਣ ਲਈ ਡੇਟਾ ਬਾਰੇ ਹਾਂ/ਨਹੀਂ ਸਵਾਲਾਂ ਦੀ ਲੜੀ ਪੁੱਛਦਾ ਹੈ। ਲੇਖ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵੰਡਣ ਲਈ ਐਲਗੋਰਿਦਮ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਵਾਲਾਂ ਨੂੰ ਕਿਵੇਂ ਚੁਣਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ "ਕੀ ਕੀਮਤ ਪ੍ਰਤੀ ਵਰਗ ਫੁੱਟ ਇੱਕ ਨਿਸ਼ਚਿਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਉੱਪਰ ਹੈ?")। ਹਰੇਕ ਵਿਭਾਜਨ ਨਵੀਆਂ ਸ਼ਾਖਾਵਾਂ ਬਣਾਉਂਦਾ ਹੈ, ਅੰਤ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਪੱਤਿਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਕਾਰਜਸ਼ੀਲ ਪਲੇਟਫਾਰਮ ਆਪਣੀ ਤਾਕਤ ਦਿਖਾਉਂਦੇ ਹਨ. Mewayz ਵਰਗਾ ਇੱਕ ਯੂਨੀਫਾਈਡ ਸਿਸਟਮ, ਜੋ ਕਿ CRM, ਵਸਤੂ ਸੂਚੀ, ਅਤੇ ਵਿੱਤ ਡੇਟਾ ਨੂੰ ਜੋੜਦਾ ਹੈ, ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਨੂੰ ਸਿੱਖਣ ਦੀ ਲੋੜ ਵਾਲਾ ਅਮੀਰ, ਸਾਫ਼ ਡੇਟਾਸੈਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟ੍ਰੀ ਫਿਰ ਨਾਜ਼ੁਕ ਕਾਰੋਬਾਰੀ ਨਿਰਣੇ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ:

ਚਲਾਕ ਟੂਲ ਤੋਂ ਵਪਾਰਕ ਲੋੜ ਤੱਕ

2015 ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਜਾਣ-ਪਛਾਣ ਦੇ ਰੂਪ ਵਿੱਚ ਜੋ ਕੁਝ ਸ਼ੁਰੂ ਹੋਇਆ, ਉਹ ਇੱਕ ਵਪਾਰਕ ਜ਼ਰੂਰੀ ਬਣ ਗਿਆ ਹੈ। ਮੁੱਖ ਪਾਠ ਸਹੀ ਰਹਿੰਦੇ ਹਨ: ML ਨਵੇਂ ਡੇਟਾ ਬਾਰੇ ਸੂਚਿਤ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਲਈ ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ। ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੇ ਭੇਤ ਨੂੰ ਦੂਰ ਕਰ ਦਿੱਤਾ, ਇੱਕ ਤਰਕਪੂਰਨ, ਸਿਖਲਾਈ ਯੋਗ ਪ੍ਰਣਾਲੀ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ। ਅੱਜ, ਇਹ ਸਿਫਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਪਿੱਛੇ ਇੰਜਣ ਹੈ। ਇਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਹੁਣ ਸਕ੍ਰੈਚ ਤੋਂ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਆਧੁਨਿਕ ਮਾਡਯੂਲਰ ਬਿਜ਼ਨਸ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਅਜਿਹੇ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਲਈ ਡਾਟਾ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਬਣਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਸੇਲਜ਼ ਅਤੇ ਮਾਰਕੇਟਿੰਗ ਤੋਂ ਲੈ ਕੇ ਲੌਜਿਸਟਿਕਸ ਅਤੇ ਸਪੋਰਟ ਤੱਕ - ਆਪਰੇਸ਼ਨਾਂ ਨੂੰ ਕੇਂਦਰੀਕਰਣ ਕਰਕੇ - ਮੇਵੇਜ਼ ਵਰਗਾ ਪਲੇਟਫਾਰਮ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਕੋਲ ਵਿਆਪਕ, ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਹੈ, ਵਿਜ਼ੂਅਲ ਸੰਕਲਪਾਂ ਨੂੰ ਸਵੈਚਲਿਤ, ਕਾਰਵਾਈਯੋਗ ਕਾਰੋਬਾਰੀ ਸੂਝਾਂ ਵਿੱਚ ਬਦਲਣਾ।

ਹੁਸ਼ਿਆਰ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਵਿਜ਼ੂਅਲ ਫਾਊਂਡੇਸ਼ਨ

2015 ਵਿੱਚ ਉਸ ਸਧਾਰਨ, ਸ਼ਾਨਦਾਰ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ ਨੇ ਸਿਖਾਉਣ ਤੋਂ ਵੱਧ ਕੁਝ ਕੀਤਾ; ਇਸਨੇ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਯੁੱਗ ਲਈ ਇੱਕ ਸੰਕਲਪਿਕ ਬੁਨਿਆਦ ਰੱਖੀ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸੰਗਠਿਤ, ਭਰਪੂਰ ਡੇਟਾ 'ਤੇ ਪ੍ਰਫੁੱਲਤ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਆਧੁਨਿਕ ਵਪਾਰਕ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਏਕੀਕ੍ਰਿਤ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਅਸਪਸ਼ਟ ਡੇਟਾ ਸਿਲੋਜ਼ ਇੱਕ ਖੰਡਿਤ ਤਸਵੀਰ ਬਣਾਉਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਗੁੰਮ ਪੁਆਇੰਟਾਂ ਦੇ ਨਾਲ ਇੱਕ ਸਕੈਟਰ ਪਲਾਟ। ਇੱਕ ਤਾਲਮੇਲ ਪ੍ਰਣਾਲੀ, ਹਾਲਾਂਕਿ, ਪੂਰਾ ਵਿਜ਼ੂਅਲ ਕੈਨਵਸ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਮੇਵੇਜ਼ ਉਸ ਕੈਨਵਸ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਕਾਰੋਬਾਰੀ ਮੋਡੀਊਲਾਂ ਨੂੰ ਇਕਜੁੱਟ ਕਰਦਾ ਹੈ ਤਾਂ ਕਿ ਓਪਰੇਸ਼ਨਾਂ ਦਾ ਸਪਸ਼ਟ, ਵਿਸਤ੍ਰਿਤ ਪੋਰਟਰੇਟ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਇਹ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਿਲਕੁਲ ਸਹੀ ਸੀਮਾਵਾਂ ਖਿੱਚਣ, ਭਰੋਸੇਮੰਦ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਬਣਾਉਣ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਰਣਨੀਤਕ ਸੰਪੱਤੀ ਵਿੱਚ ਬਦਲਣ ਲਈ ਪ੍ਰਭਾਵੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਲੋੜ ਹੈ ਜੋ ਪੂਰੇ ਸੰਗਠਨ ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਅਤੇ ਵਿਕਾਸ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ।