1. پروگرامنگ بیگ ڈیٹا ڈیٹا سائنس استعمال کرتے ہوئے احساس تجزیہ کیلئے AI

جان پال مولر ، لوکا مولر

احساس تجزیہ تحریری متن سے مصنف کے روی attitudeے (چاہے وہ مثبت ، منفی ، یا غیر جانبدار) کا استعمال کرتے ہوئے تحریری متن سے ماخوذ ہے۔ اس طرح کا تجزیہ مارکیٹنگ اور مواصلات میں کام کرنے والے لوگوں کے لئے کارآمد ثابت ہوتا ہے کیونکہ اس سے انہیں یہ سمجھنے میں مدد ملتی ہے کہ صارفین اور صارفین کسی مصنوع یا خدمت کے بارے میں کیا سوچتے ہیں اور اس طرح مناسب طریقے سے عمل کریں (مثال کے طور پر ، غیر مطمئن صارفین کو بازیافت کرنے کی کوشش کرنا یا کسی مختلف فروخت کی حکمت عملی کو استعمال کرنے کا فیصلہ کرنا ). ہر ایک جذبات کا تجزیہ کرتا ہے۔ مثال کے طور پر ، جب متن پڑھتے ہیں تو ، فطری طور پر لوگ اس جذبات کا تعین کرنے کی کوشش کرتے ہیں جس نے اسے لکھنے والے کو متاثر کیا۔ تاہم ، جب پڑھنے اور سمجھنے کے ل to متن کی تعداد بہت زیادہ ہوتی ہے اور متن مستقل طور پر جمع ہوتا ہے ، جیسا کہ سوشل میڈیا اور صارفین کے ای میلز میں ، جذباتی تجزیاتی تجزیہ ضروری ہے۔

AI جذبات کا تجزیہ

آئندہ مثال آر این این کی کیرس اور ٹینسرفلو کا استعمال کرتے ہوئے آزمائشی رن ہے جو ایک جذباتی تجزیہ الگورتھم تیار کرتی ہے جو فلمی جائزہ میں اظہار کردہ رویوں کی درجہ بندی کرنے کی اہلیت رکھتی ہے۔ اعداد و شمار IMDb ڈیٹاسیٹ کا ایک نمونہ ہے جس میں فلموں کے 50،000 جائزے (ٹرین اور ٹیسٹ سیٹوں کے درمیان آدھے حصے میں تقسیم) ہوتے ہیں اور اس کے ساتھ ایک لیبل بھی جائزہ کے جذبات کا اظہار کرتا ہے (0 = منفی ، 1 = مثبت)۔ آئی ایم ڈی بی ایک بہت بڑا آن لائن ڈیٹا بیس ہے جس میں فلموں ، ٹی وی سیریز اور ویڈیو گیمز کے بارے میں معلومات موجود ہیں۔ اصل میں ایک پرستار اڈے کے ذریعہ دیکھ بھال کیا جاتا ہے ، اب یہ ایمیزون کے ماتحت ادارہ کے ذریعہ چلتا ہے۔ آئی ایم ڈی بی پر ، لوگ اپنے پسندیدہ شو کے بارے میں اپنی مطلوبہ معلومات حاصل کرتے ہیں اور ساتھ ہی اپنے تبصرے پوسٹ کرتے ہیں یا دوسرے زائرین کو پڑھنے کے ل. جائزہ لکھتے ہیں۔

کیراس آئی ایم ڈی بی ڈیٹا کے لئے ڈاؤن لوڈ کے قابل لپیٹنے کی پیش کش کرتے ہیں۔ آپ اس اعداد و شمار کو ٹرین اور ٹیسٹ سیٹ میں تیار ، شفل اور ترتیب دیتے ہیں۔ خاص طور پر ، کیروں کے ذریعہ پیش کردہ آئی ایم ڈی بی کے متنی اعداد و شمار کو اوقاف سے پاک کیا جاتا ہے ، اسے عام شکل میں ، اور عددی اقدار میں تبدیل کردیا جاتا ہے۔ ہر لفظ کو ایک ایسی تعداد میں کوڈ کیا جاتا ہے جو اس کی فریکوینسی میں درجہ بندی کی نمائندگی کرتا ہے۔ اکثر اکثر الفاظ کم تعداد میں ہوتے ہیں۔ کم کثرت سے الفاظ کی تعداد زیادہ ہوتی ہے۔

شروعاتی نقطہ کے طور پر ، کوڈ کیراس سے imdb فنکشن درآمد کرتا ہے اور اسے انٹرنیٹ سے ڈیٹا بازیافت کرنے کے لئے استعمال کرتا ہے (تقریبا 17 17.5MB ڈاؤن لوڈ)۔ مثال کے طور پر استعمال کرنے والے پیرامیٹرز میں صرف 10،000 الفاظ شامل ہیں ، اور کیراس کو کسی بے ترتیب بیج کا استعمال کرتے ہوئے ڈیٹا کو تبدیل کرنا چاہئے۔ (بیج کو جاننا یہ ضروری ہوتا ہے کہ ضرورت کے مطابق اس پھل کو دوبارہ پیش کرنا ممکن ہوجاتا ہے۔) اس فنکشن سے ٹرین اور ٹیسٹ کے دو سیٹ ملتے ہیں ، دونوں ہی متن کی ترتیب اور جذبات کے نتائج سے بنے ہیں۔

keras.datasets درآمد imdb سے
ٹاپ_ورڈز = 10000
((x_train ، y_train)) ،
(x_test ، y_test)) = imdb.load_data (num_words = سب سے اوپر_کردہ ،
بیج = 21)

پچھلے کوڈ کے مکمل ہونے کے بعد ، آپ درج ذیل کوڈ کا استعمال کرکے مثالوں کی تعداد چیک کرسکتے ہیں۔

پرنٹ ("تربیت کی مثالوں:٪ i"٪ len (x_train))
پرنٹ ("ٹیسٹ کی مثالوں:٪ i"٪ len (x_test))

عصبی نیٹ ورک کی تربیت اور ٹیسٹ کے مرحلے میں استعمال کے لئے دستیاب معاملات کی تعداد کے بارے میں پوچھ گچھ کے بعد ، اس ضابطے میں ہر مرحلے کے لئے 25،000 مثالوں کا جواب ملتا ہے۔ (کسی زبان کے مسئلے کے لئے یہ ڈیٹاسیٹ نسبتا one چھوٹا ہے؛ واضح طور پر ڈیٹاسیٹ بنیادی طور پر مظاہرے کے مقاصد کے لئے ہے۔) اس کے علاوہ ، کوڈ یہ بھی طے کرتا ہے کہ ڈیٹاسیٹ متوازن ہے ، جس کا مطلب ہے کہ اس میں مثبت اور منفی جذبات کی ایک مثال کے برابر تعداد ہے۔

بطور این پی پی درآمد کریں
پرنٹ (np.unique (y_train ، واپسی_ حسابات = سچ))

نتیجہ ، سرنی ([12500 ، 12500]) ، اس بات کی تصدیق کرتا ہے کہ ڈیٹاسیٹ مثبت اور منفی نتائج کے درمیان یکساں طور پر تقسیم ہوا ہے۔ رسپانس کلاسوں کے مابین اس طرح کا توازن خصوصی طور پر ڈیٹاسیٹ کی عملی نوعیت کی وجہ سے ہے۔ حقیقی دنیا میں ، آپ کو شاذ و نادر ہی متوازن ڈیٹاسیٹس ملتے ہیں۔ اگلا مرحلہ کچھ ازگر لغت پیدا کرتا ہے جو ڈیٹاسیٹ میں استعمال ہونے والے کوڈ اور اصلی الفاظ کے درمیان تبدیل ہوسکتا ہے۔ در حقیقت ، اس مثال میں استعمال ہونے والا ڈیٹاسیٹ پہلے سے تیار شدہ ہے اور الفاظ کی نمائندگی کرنے والے نمبروں کی ترتیب فراہم کرتا ہے ، الفاظ خود نہیں۔ (ایل ایس ٹی ایم اور جی آر یو الگورتھم جو آپ کو کیراس میں ملتے ہیں وہ اعداد کی تعداد کی ترتیب کی توقع کرتے ہیں۔)

word_to_id = {w: i ​​+ 3 برائے W ، میں in imdb.get_word_index (). اشیاء ()}
id_to_word = {0: '<پیڈ>'، 1: ''، 2: ''}
id_to_word.update ({i + 3: w for w، i in imdb.get_word_index (). اشیاء ()})
ڈیف کنورٹ_ٹو_ ٹیکسٹ (تسلسل):
واپس '' .join ([id_to_word [s] ترتیب میں s کے لئے اگر s> = 3])
پرنٹ کریں (تبدیل کریں_تو_ذریعہ (x_train [8]))

پچھلے کوڈ کے ٹکڑوں نے دو تبادلوں کی لغت (الفاظ سے عددی کوڈ اور اس کے برعکس) کی وضاحت کی ہے اور ایک فنکشن جو ڈیٹاسیٹ کی مثالوں کو پڑھنے کے قابل متن میں ترجمہ کرتا ہے۔ ایک مثال کے طور پر ، کوڈ نویں مثال پرنٹ کرتا ہے: "یہ فلم بری ٹرین کی تباہ کاری کی طرح تھی جیسے خوفناک تھی…"۔ اس اقتباس سے ، آپ آسانی سے اندازہ لگا سکتے ہیں کہ اس فلم کے بارے میں جذبات مثبت نہیں ہیں۔ خراب ، بربادی ، اور خوفناک جیسے الفاظ ایک مضبوط منفی احساس کو جنم دیتے ہیں ، اور اس سے صحیح جذبات کا اندازہ لگانا آسان ہوجاتا ہے۔

اس مثال میں ، آپ کو عددی ترتیب ملتے ہیں اور انہیں الفاظ میں بدل دیتے ہیں ، لیکن اس کے برعکس عام بات ہے۔ عام طور پر ، آپ کو الفاظ سے مل کر جملے ملتے ہیں اور انہیں RNN کی ایک پرت کو کھانا کھلانا کرنے کے لئے انٹیجرز کی ترتیب میں بدل دیتے ہیں۔ کیراس ایک خصوصی فنکشن ، ٹوکنائزر پیش کرتا ہے جو آپ کے لئے ایسا کرسکتا ہے۔ ٹیسٹنگ کو ایک تسلسل میں تبدیل کرنے کے ل training ، ٹریننگ ڈیٹا سے انٹیجرس تک الفاظ کا نقشہ تیار کرنے کا طریقہ سیکھنے کے ل It ، اس میں فٹ_ آن_ٹیکسٹ کے طریقوں کا استعمال کیا گیا ہے۔

تاہم ، دوسرے جملے میں ، آپ کو جذبات کے تجزیہ کے ل such اس طرح کے انکشاف کرنے والے الفاظ نہیں مل سکتے ہیں۔ احساس کو زیادہ لطیف یا بالواسطہ انداز میں ظاہر کیا جاتا ہے ، اور متن کی ابتداء میں اس جذبات کو سمجھنا ممکن نہیں ہوسکتا ہے کیونکہ جملے اور الفاظ ظاہر کرنا بعد میں گفتگو میں ظاہر ہوسکتے ہیں۔ اس وجہ سے ، آپ کو یہ بھی فیصلہ کرنا ہوگا کہ آپ کس جملے کا کتنا تجزیہ کرنا چاہتے ہیں۔

روایتی طور پر ، آپ متن کا ابتدائی حصہ لیتے ہیں اور اسے پورے جائزہ کے نمائندے کے طور پر استعمال کرتے ہیں۔ بعض اوقات آپ کو کچھ ابتدائی الفاظ کی ضرورت ہوتی ہے - مثال کے طور پر پہلے 50 الفاظ۔ کبھی کبھی آپ کو زیادہ کی ضرورت ہوتی ہے۔ خاص طور پر لمبی عبارتوں سے ابتدائی طور پر ان کا رجحان ظاہر نہیں ہوتا ہے۔ لہذا یہ آپ پر منحصر ہے کہ آپ جس متن کے ساتھ کام کر رہے ہیں اس کو سمجھیں اور فیصلہ کریں کہ گہری سیکھنے کے ذریعہ کتنے الفاظ تجزیہ کریں۔ اس مثال میں صرف پہلے 200 الفاظ پر غور کیا گیا ہے ، جس میں کافی ہونا چاہئے۔

آپ نے دیکھا ہے کہ کوڈ نمبر 3 سے شروع ہونے والے الفاظ کو کوڈ دینا شروع کرتا ہے ، اس طرح کوڈ کو 0 سے 2 تک چھوڑنا شروع ہوتا ہے ، نچلے نمبروں کو خصوصی ٹیگ کے ل for استعمال کیا جاتا ہے ، جیسے محاورے کے آغاز کا اشارہ کرنا ، خالی جگہیں بھرنا ، ترتیب ترتیب دینے کے لئے ایک خاص طوالت پر ، اور ان الفاظ کو نشان زد کرنا جو خارج کردیئے گئے ہیں کیونکہ وہ کثرت سے نہیں ہوتے ہیں۔ اس مثال سے صرف 10،000 کثرت سے الفاظ ملتے ہیں۔ شروع ، اختتام اور قابل ذکر صورتحال کی نشاندہی کرنے کے لئے ٹیگ کا استعمال ایک ایسی چال ہے جو RNNs کے ساتھ کام کرتی ہے ، خاص طور پر مشینی ترجمہ کے ل.۔

keras.preprocessing.sequence درآمد پیڈ_سیکنس سے
زیادہ سے زیادہ پیڈ = 200
x_train = پیڈ_سیقینس (x_train ،
میکسلن = میکس_پیڈ)
ایکس_ٹیسٹ = پیڈ_سیقویسس (ایکس_سٹسٹ ،
میکسلن = میکس_پیڈ)
پرنٹ (x_train [0])

میکس_پیڈ 200 کے ساتھ سیٹ کیرس سے پیڈ سیکس فنکشن کا استعمال کرکے ، کوڈ ہر جائزے کے پہلے دو سو الفاظ لیتا ہے۔ اگر جائزے میں دو سو سے کم الفاظ ہوں ، تو ضرورت سے زیادہ صفر کی قدر ترتیب عناصر کی مطلوبہ تعداد تک پہنچنے کے لئے ترتیب سے پہلے ہوتی ہے۔ کسی خاص لمبائی کے سلسلے کو کاٹنا اور صفر اقدار کے ساتھ ووئڈز کو بھرنا ان پٹ پیڈنگ کہلاتا ہے ، جب آر این این کا استعمال کرتے وقت گہری سیکھنے والے الگورتھم جیسے آر این این کا استعمال کیا جاتا ہے۔ اب کوڈ فن تعمیر کو ڈیزائن کرتا ہے:

keras.models درآمد ترتیب سے
keras.layers درآمدی ، گھنے ، ڈراپ آؤٹ سے
keras.layers سے گلوبل میکس پول 1 ڈی ، LSTM درآمد کریں
keras.layers.ebdings امپورٹنگ امپورٹ کرنا
سرایت کرنا_وییکٹر لمبائی = 32
ماڈل = ترتیب ()
Model.add (ایمبیڈنگ (ٹاپ_ورڈز ،
ایمبیڈنگ_وییکٹر لمبائی ،
ان پٹ لمبائی = زیادہ سے زیادہ_پیڈ))
ماڈل.ایڈی ڈی (دو طرفہ (ایل ایس ٹی ایم (64 ، ریٹرن_ سیکس = سچ)))
Model.add (GlobalMaxPool1D ())
Model.add (گھنے (16 ، ایکٹیویشن = "relu"))
Model.add (گھنے (1 ، ایکٹیویشن = "سگمائڈ"))
Model.compile (نقصان = 'بائنری_کرسینٹروپی' ،
optizer = 'ایڈم' ،
میٹرکس = ['درستگی'])
پرنٹ (ماڈل.سمری ())

پچھلے کوڈ کا ٹکڑا گہری سیکھنے والے ماڈل کی شکل کی وضاحت کرتا ہے ، جہاں وہ کیراس سے قدرتی زبان کی پروسیسنگ کے لئے کچھ مخصوص پرتوں کا استعمال کرتا ہے۔ مثال کے طور پر بھی ماڈل (ماڈل.سمری () کمانڈ) کا خلاصہ درکار ہوتا ہے تاکہ معلوم کیا جا سکے کہ مختلف عصبی تہوں کا استعمال کرکے فن تعمیر کے ساتھ کیا ہو رہا ہے۔

آپ کے پاس ایمبیڈنگ پرت ہے ، جو عددی ترتیب کو ایک گھنے لفظ میں سرایت کرتی ہے۔ اس طرح کے لفظ کو سرایت کرنے کے ل R آر این این کی ایک پرت کے ذریعہ سیکھنے میں زیادہ مناسب ہے۔ کیراس ایمبیڈنگ پرت فراہم کرتا ہے ، جو ، نیٹ ورک کی پہلی پرت ہونے کے علاوہ ، دو کاموں کو پورا کرسکتا ہے۔

  • ترتیب ان پٹ پر پہلے سے طے شدہ لفظ سرایت (جیسے ورڈ 2 ویک یا گلو ویو) کا اطلاق کرنا۔ آپ کو میٹرکس کو اس کے پیرامیٹر وزن میں شامل کرنے کی ضرورت ہے۔ شروع سے امبیڈڈ ایک لفظ بنانا ، جو موصول ہوتا ہے اس کی بنیاد پر۔

اس دوسرے معاملے میں ، ایمبیڈنگ کو صرف جاننے کی ضرورت ہے:

  • ان پٹ_ڈیم: اعداد و شمار سے متوقع الفاظ کی تعداد آؤٹ پٹ_ڈیم: سرایت کرنے والی جگہ کی جسامت (نام نہاد طول و عرض) تیار کی جائے گی ان پٹ لمبائی: توقع کے لئے ترتیب سائز

پیرامیٹرز کا تعی .ن کرنے کے بعد ، ایمبیڈنگ تربیت کے دوران تسلسل کو گھنے میٹرکس میں تبدیل کرنے کے ل. بہتر وزن تلاش کرے گی۔ گھنے میٹرکس کا سائز تسلسل کی لمبائی اور سرایت کی جہت کے ذریعہ دیا جاتا ہے۔

اگر آپ کیراس کے ذریعہ فراہم کردہ ایمبیڈنگ پرت استعمال کرتے ہیں تو ، آپ کو یہ یاد رکھنا ہوگا کہ یہ فنکشن مطلوبہ سرایت کے طول و عرض کے ذریعہ الفاظ کے حجم کا صرف ایک وزن میٹرکس فراہم کرتا ہے۔ یہ میٹرکس کے کالموں پر الفاظ کا نقشہ بناتا ہے اور پھر فراہم کردہ مثالوں کے مطابق میٹرکس کے وزن کا اشارہ کرتا ہے۔ یہ حل ، اگرچہ غیر معیاری زبان کے مسائل کے ل practical عملی ہے ، اس سے پہلے بیان کردہ لفظ سرایت کے مترادف نہیں ہے ، جو مختلف طریقوں سے اور لاکھوں مثالوں پر تربیت یافتہ ہیں۔

مثال میں دو طرفہ ریپنگ استعمال کیا جاتا ہے - 64 خلیوں کی LSTM پرت۔ دوئدرمک ایل ایس ٹی ایم پرت کو دوگنا کرکے تبدیل کردیتا ہے: پہلی طرف ، یہ آپ کے ذریعہ فراہم کردہ آدانوں کی معمول کی ترتیب کا اطلاق کرتا ہے۔ دوسرے نمبر پر ، یہ ترتیب کے الٹ گزر جاتا ہے۔ آپ اس نقطہ نظر کا استعمال کرتے ہیں کیونکہ بعض اوقات آپ الفاظ کو مختلف تفریق کے لحاظ سے استعمال کرتے ہیں ، اور دو طرفہ تہہ بنانے سے کسی بھی لفظ کا نمونہ پکڑ جاتا ہے ، چاہے آرڈر ہی کیوں نہ ہو۔ کیراس کا نفاذ واقعی سیدھا سیدھا ہے: آپ اسے صرف اس پرت پر بطور فنکشن استعمال کرتے ہیں جس کو آپ دو طرفہ طور پر پیش کرنا چاہتے ہیں۔

دو طرفہ LSTM ترتیب (لوٹنا_سیکنس = سچ) واپس کرنے کے لئے تیار ہے۔ یعنی ، ہر ایک خلیے کے لئے ، اس ترتیب کے ہر عنصر کو دیکھنے کے بعد فراہم کردہ نتیجہ واپس کرتا ہے۔ نتائج ، ہر ترتیب کے لئے ، 200 x 128 کا ایک آؤٹ پٹ میٹرکس ہے ، جہاں 200 ترتیب عناصر کی تعداد ہے اور 128 اس پرت میں استعمال ہونے والے LSTM خلیوں کی تعداد ہے۔ یہ تکنیک RNN کو ہر LSTM سیل کا آخری نتیجہ لینے سے روکتی ہے۔ متن کے جذبات کے بارے میں اشارے دراصل ایمبیڈڈ الفاظ کی ترتیب میں کہیں بھی ظاہر ہوسکتے ہیں۔

مختصر یہ کہ ، ہر ایک خلیے کا آخری نتیجہ نہ لینا ضروری ہے ، بلکہ اس کا بہترین نتیجہ ہے۔ لہذا کوڈ مندرجہ ذیل پرت ، GlobalMaxPool1D پر انحصار کرتا ہے ، تاکہ ہر LSTM سیل کے ذریعہ فراہم کردہ نتائج کے ہر تسلسل کی جانچ کی جا سکے اور صرف زیادہ سے زیادہ نتیجہ برقرار رہے۔ اس کو یہ یقینی بنانا چاہئے کہ مثال کے طور پر ہر ایل ایس ٹی ایم سیل کا سب سے مضبوط سگنل ملتا ہے ، جس کی امید ہے کہ اس کی تربیت سے کچھ معنی خیز اشارے چننے کے لئے مہارت حاصل ہے۔

عصبی سگنل کو فلٹر کرنے کے بعد ، مثال کے طور پر 128 آؤٹ پٹس کی ایک پرت ہوتی ہے ، ہر LSTM سیل کے لئے ایک۔ کوڈ ReLU چالو کرنے کے ساتھ 16 نیوران کی لگاتار گھنے پرت کا استعمال کرتے ہوئے سگنل کو کم اور ملا دیتا ہے (اس طرح صرف مثبت سگنل ہی گزرتے ہیں)۔ فن تعمیر کا اختتام سگمائڈ ایکٹیویشن کا استعمال کرتے ہوئے حتمی نوڈ کے ساتھ ہوتا ہے ، جو نتائج کو 0-1 رینج میں دبائے گا اور ان کو احتمالات کی طرح دکھائے گا۔

فن تعمیر کی وضاحت کرنے کے بعد ، اب آپ نیٹ ورک کو جذبات کا تجزیہ کرنے کی تربیت دے سکتے ہیں۔ تین دور (نیٹ ورک کے ذریعے اعداد و شمار کو سیکھنے کے ل three ڈیٹا کو تین بار منتقل کرنا) کافی ہوں گے۔ کوڈ میں ہر بار 256 جائزے کے بیچز کا استعمال کیا گیا ہے ، جو نیٹ ورک کو بیک پیراگریشن کا استعمال کرتے ہوئے اپنے وزن کو اپ ڈیٹ کرنے سے پہلے ہر بار کافی الفاظ اور جذبات دیکھ سکتا ہے۔ آخر میں ، کوڈ توثیق کے اعداد و شمار (جو تربیتی اعداد و شمار کا حصہ نہیں ہے) کے ذریعہ فراہم کردہ نتائج پر مرکوز ہے۔ توثیق والے ڈیٹا سے اچھا نتیجہ حاصل کرنے کا مطلب یہ ہے کہ اعصابی جال ان پٹ پر صحیح طریقے سے کارروائی کررہی ہے۔ توثیق کے ڈیٹا پر ہر دور کے خاتمے کے بعد ہی کوڈ کی اطلاع ملتی ہے۔

ہسٹری = ماڈل.فٹ (x_train ، y_train ،
توثیق_ڈیٹا = (x_ تازہ ترین ، y_یسٹ) ،
ایپچس = 3 ، بیچ_ سائز = 256)

نتائج حاصل کرنے میں کچھ وقت لگتا ہے ، لیکن اگر آپ GPU استعمال کررہے ہیں تو ، یہ آپ کے کپ کافی پینے کے وقت میں مکمل ہوجائے گا۔ اس مقام پر ، آپ دوبارہ توثیقی اعداد و شمار کا استعمال کرکے نتائج کا اندازہ کرسکتے ہیں۔ (کوڈ کے مطابق تربیت کے دوران رپورٹ کردہ نتائج سے نتائج میں کوئی تعجب یا فرق نہیں ہونا چاہئے۔)

خسارہ ، میٹرک = ماڈل۔قضاوت (ایکس_سٹریٹ ، ی_سٹیسٹ ، وربوز = 0)
پرنٹ ("ٹیسٹ کی درستگی:٪ 0.3f"٪ میٹرک)

آخری درستگی ، جو گہری عصبی نیٹ ورک سے درست جوابات کا فیصد ہے ، تقریبا، 85—86 فیصد کی قیمت ہوگی۔ جب آپ اعصابی نیٹ ورک کی تعمیر کرتے ہیں تو بے ترتیب ہونے کی وجہ سے جب بھی آپ تجربہ کریں گے تو اس کا نتیجہ تھوڑا سا بدلا جائے گا۔ آپ جس ڈیٹا کے ساتھ کام کر رہے ہیں اس کے چھوٹے سائز کو دیکھتے ہوئے یہ بالکل معمول ہے۔ اگر آپ صحیح خوش قسمت وزن سے شروع کرتے ہیں تو ، اس طرح کے ایک مختصر تربیتی سیشن میں سیکھنا آسان ہوجائے گا۔

آخر میں ، آپ کا نیٹ ورک ایک جذباتی تجزیہ کار ہے جس کا اندازہ کسی فلمی جائزے میں تقریبا the 85 فیصد وقت کے صحیح معنوں میں ظاہر کیا جاسکتا ہے۔ تربیت کے مزید اعداد و شمار اور زیادہ نفیس اعصابی فن تعمیر کے پیش نظر ، آپ کو نتائج مل سکتے ہیں جو اس سے بھی زیادہ متاثر کن ہیں۔ مارکیٹنگ میں ، اسی طرح کے ٹول کا استعمال بہت سارے عملوں کو خودکار کرنے کے لئے کیا جاتا ہے جس میں متن کو پڑھنے اور کارروائی کرنے کی ضرورت ہوتی ہے۔ ایک بار پھر ، آپ اعصابی نیٹ ورک کے ذریعہ اس طرح کے نیٹ ورک کو جوڑ سکتے ہیں جو آواز سنتا ہے اور اسے متن میں بدل دیتا ہے۔ (یہ آر این این کا ایک اور اطلاق ہے ، جس میں اب الیکسا ، سری ، گوگل وائس ، اور بہت سے دوسرے ذاتی معاونین کو طاقت فراہم کی جا رہی ہے۔) منتقلی کی وجہ سے اطلاق اطمینان بخش اظہار میں بھی ، جیسے کسی صارف کا فون کال جیسے جذبات کو سمجھنے کی اجازت دیتا ہے۔

بھی دیکھو

اپنے خیالی فٹ بال روسٹر کو کیسے پُر کریںکیتو فلوکیٹو میٹھے کی ترکیب کے لئے علامات اور علاج: کریمی کوکی آٹا موسسی کیتو ناشتے کا نسخہ: ایوکوڈو کلاوڈ ٹوسٹ کیٹو ون برتن کھانے کا نسخہ: کرسپی کالی کیٹو کی بھوک کی ترکیب کے ساتھ اسٹیک ٹینڈرلوinن: کرسپی بیکڈ پیاز کے رنگ کیٹو ترکیب اور کاکیٹرٹرٹرٹرائٹر ٹائٹرلوینکریپوٹوکرنسی کان کنی اور اسٹیک الگورتھم کا ثبوتاپنے میک بک کی رازداری کو آئی ٹیونز کے لM تبدیلی کی ملاقات کا طریقہ: میکو کاتالینا کے ساتھ میکو کاتالینا میں نیا میوزک اور ٹی وی ایپس؟ میک بوٹ ایئر اور میک بوک پرو کے درمیان میک بوک ایئر اور میک بوک کے درمیان میک بک کتاب کے بارے میں رجسٹریشن کے لئے فوری نکات۔ ونڈوز 10 میں فائل ہسٹری سے فائلوں کو بحال کرنے کے لئے آپ کے ونڈوز پر اپنے میک ٹسٹ مائکروفون کے اکاؤنٹس ، اپنے ونڈوز 10 پی سی پر نیٹ ورک ڈرائیو کی تشکیلاپنی بریک لائنوں کی جانچ کیسے کریں کس طرح کودنے کے لئے ایک کار والا یہ بتانے کے لئے کہ آیا آپ کی گاڑی کو کیٹیلٹک کنورٹرز کی دشواری کا ازالہ کرنا ہے ، آپ کو کتنی بار اپنے تیل کو تبدیل کرنا چاہئے؟ اپنی گاڑی کے کولنگ سسٹم کو فلش کرنے کا طریقہ کس طرح سے دباؤ ڈالنے کا انحصار کریں۔ ٹائر تبدیل کرنے کے لئے کس طرح ایک چنگاری پلگ انسٹال کرنے کے لئے کس طرح پرانے چنگاری پلگوں کو ہٹائیں کیسے ڈسک بریک چیک کریں کیسے آپ کے وقفے کے نظام کی ماسٹر سلنڈر کی جانچ پڑتال کریں کیسے ایک گاڑی کا بریک فلوڈ چیک کرسکتا ہے کیوں کہ میری کار زیادہ گرم ہے اور میں کیا کر سکتا ہوں؟ اپنی بریک لائنوں کو چیک کرنے کے ل Your اپنی گاڑی کیسے اپنائیں؟