د ماشین زده کړې په شرایطو کې طبقه بندي یو ماډل دی چې روزل شوی ترڅو د ورکړل شوي ډیټا ډیټا پوائنټ کټګورۍ یا ټولګي وړاندوینه وکړي. دا په نظارت شوي زده کړې کې یو بنسټیز مفهوم دی، چیرې چې الګوریتم د لیبل شوي روزنې ډیټا څخه زده کوي ترڅو د نه لیدل شوي معلوماتو وړاندوینې وکړي. طبقه بندي په پراخه کچه په مختلف غوښتنلیکونو کې کارول کیږي لکه د سپیم کشف ، د احساساتو تحلیل ، د عکس پیژندنه او نور ډیر څه.
د ډلبندۍ ډیری ډولونه شتون لري، چې هر یو یې خپل ځانګړتیاوې لري او د مختلفو ډولونو ډاټا او دندو لپاره مناسبیت لري. د کټګوریو ځینې عام ډولونه شامل دي لوژستیک ریګریشن، د ویکتور ماشینونو ملاتړ، د پریکړې ونې، تصادفي ځنګلونه، او عصبي شبکې. هر طبقه بندي خپل ځواک او ضعفونه لري، دوی د ځانګړو سناریوګانو لپاره مناسب کوي.
لوژستیک ریګریشن یو خطي طبقه بندي دی چې د بائنری پایلو احتمال وړاندوینه کوي. دا په پراخه کچه د بائنری ډلبندۍ دندو لپاره کارول کیږي لکه وړاندوینه کول چې ایا بریښنالیک سپیم دی یا نه. د سپورټ ویکتور ماشینونه (SVM) د هایپرپلین په موندلو سره د خطي او غیر خطي طبقه بندي کارونو لپاره مؤثر دي چې د فیچر ځای کې ټولګي په غوره توګه جلا کوي.
د پریکړې ونې د ونې په څیر جوړښتونه دي چیرې چې هر داخلي نوډ د ځانګړتیا استازیتوب کوي، هره څانګه د دې ځانګړتیا پر بنسټ د پریکړې استازیتوب کوي، او د هر پاڼی نوډ د ټولګي لیبل استازیتوب کوي. تصادفي ځنګلونه د پریکړو د ونو ټولګه ده چې د ډیری ونو د پایلو په راټولولو سره د وړاندوینې دقت ته وده ورکوي. عصبي شبکې، په ځانګړې توګه د ژورې زده کړې ماډلونه، خورا انعطاف وړ طبقه بندي کونکي دي چې کولی شي د ډیټا څخه پیچلې نمونې زده کړي، دوی د انځور او وینا پیژندنې په څیر د کارونو لپاره مناسب کوي.
د ډلبندۍ د روزنې پروسه په ماډل کې د لیبل شوي ډیټا تغذیه کول شامل دي، دا اجازه ورکوي چې د ان پټ ځانګړتیاو او هدف ټولګیو ترمنځ نمونې او اړیکې زده کړي. بیا موډل د ډیټا په جلا سیټ کې ارزول کیږي چې د ټیسټ سیټ په نوم یادیږي ترڅو دقیق وړاندوینې کولو کې د هغې فعالیت ارزونه وکړي. میټریکونه لکه دقت، دقیقیت، یادولو، او F1 سکور عموما د کټګوري فعالیت ارزولو لپاره کارول کیږي.
د ګوګل کلاوډ ماشین زده کړې په شرایطو کې ، کټګوري د ګوګل کلاوډ AI پلیټ فارم په کارولو سره روزل شوي او ګمارل کیدی شي. دا پلیټ فارم په پیمانه د ماشین زده کړې ماډلونو جوړولو ، روزنې او پلي کولو لپاره وسیلې او زیربنا چمتو کوي. د سرور پرته وړاندوینې سره ، کارونکي کولی شي په اسانۍ سره د سرورونو یا زیربنا اداره کولو اړتیا پرته د نوي ډیټا په اړه وړاندوینې وکړي ، د تولید سیسټمونو کې د ماشین زده کړې ماډلونو بې ساري ادغام ته اجازه ورکوي.
طبقه بندي د ماشین زده کړې سیسټمونو لازمي برخې دي چې د اتوماتیک کټګورۍ او وړاندوینې دندې وړوي. د ډلبندۍ مختلف ډولونو پوهیدل او د دوی غوښتنلیکونه د ماشین زده کړې مؤثره حلونو رامینځته کولو لپاره خورا مهم دي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/GCML د ګوګل بادل ماشین زده کړه:
- د ماشین زده کړې کې د لوی ډیټاسیټونو سره کار کولو محدودیتونه څه دي؟
- ایا د ماشین زده کړه یو څه ډیالوژیکي مرسته کولی شي؟
- د TensorFlow د لوبې ډګر څه شی دی؟
- لوی ډیټاسیټ واقعیا څه معنی لري؟
- د الګوریتم د هایپرپرامیټرونو ځینې مثالونه څه دي؟
- د انسابل زده کړه څه ده؟
- څه که چیرې د ماشین زده کړې الګوریتم غوره نه وي او څنګه کولی شي ډاډ ترلاسه کړي چې سم انتخاب کړئ؟
- ایا د ماشین زده کړې ماډل د روزنې پرمهال څارنې ته اړتیا لري؟
- د عصبي شبکې پر بنسټ الګوریتم کې کارول شوي کلیدي پیرامیټونه کوم دي؟
- TensorBoard څه شی دی؟
نورې پوښتنې او ځوابونه په EITC/AI/GCML د ګوګل کلاوډ ماشین زده کړې کې وګورئ