مشین لرننگ کی دنیا میں، الگورتھم کو اس طرح ڈیزائن کیا جاتا ہے کہ وہ مخصوص ڈیٹا سے سیکھ سکیں اور صحیح نتائج پیش کر سکیں۔ آئیے جانتے ہیں کہ مشین لرننگ کے طریقے کس طرح کام کرتے ہیں۔

جب ہم کسی مشین کو کوئی کام سکھانا چاہتے ہیں، تو سب سے پہلے ہمیں اسے کچھ معلومات دینی ہوتی ہیں۔ اس معلومات کو ہم "ان پٹ ڈیٹا" کہتے ہیں۔ یہ ڈیٹا مشین کے لیے کھانے کی طرح ہے، جس کی مدد سے وہ سیکھتا ہے۔

مان لیں کہ ہم ایک مشین کو یہ سکھانا چاہتے ہیں کہ وہ تصاویر میں انسانوں اور جانوروں کو پہچان سکے۔ اس کے لیے ہم مشین کو بہت ساری تصاویر دکھائیں گے۔ ان تصاویر میں کچھ میں انسان ہوں گے اور کچھ میں جانور۔ مشین ان تصاویر کو دیکھ کر سیکھے گی کہ انسان کی تصویر کیسی ہوتی ہے اور جانور کی تصویر کیسی۔

کانسپٹ لرننگ کا مطلب ہے کسی عام خیال یا تصور(نظریہ) کو سمجھنا۔ ہم یہ مختلف مثالوں سے سیکھتے ہیں۔ مشین لرننگ میں، اس کا مقصد یہ ہوتا ہے کہ مشین ڈیٹا میں موجود نمونوں کو پہچان سکے، تاکہ وہ نئے مثالوں کو صحیح طریقے سے لیبل یا تقسیم کر سکے۔

آپ ماڈل کو پھل پہچاننا سکھانا چاہتے ہیں ، تو ہم اسے مختلف پھل (جیسے سیب، کیلا اور انگور ) اور کچھ دوسری چیزیں دکھاتے ہیں۔ کانسپٹ لرننگ کے ذریعے، مشین پھلوں کی خصوصیات (جیسے رنگ، شکل اور ساخت) کو سمجھ کر نئے مثالوں کو پھل یا یا دوسری چیزوں میں تقسیم کر سکتی ہے

نالج رپریزنٹیشن کو یوں سمجھیں کہ جب کوئی انسان کچھ سیکھتا ہے تو وہ اسے اپنے دماغ میں ایک خاص انداز میں محفوظ کرتا ہے۔ اسی طرح، جب کوئی کمپیوٹر ماڈل کچھ سیکھتا ہے تو اسے بھی اس سیکھی ہوئی چیز کو اپنے اندر محفوظ کرنے کا ایک طریقہ چاہیے ہوتا ہے۔ اس محفوظ کرنے کے طریقے کو ہی نالج رپریزنٹیشن کہتے ہیں۔

اگر آپ کو یہ سکھایا جائے کہ سیب سرخ ہوتا ہے، تو آپ اپنے دماغ میں اس معلومات کو ایک خاص انداز میں رکھیں گے۔

اسی طرح، ایک کمپیوٹر ماڈل بھی سیب کے بارے میں معلومات کو ایک خاص انداز میں محفوظ کرے گا تاکہ بعد میں جب اسے کوئی پھل دکھایا جائے تو وہ بتا سکے کہ یہ سیب ہے۔

: کمپیوٹر ماڈل مختلف طریقوں سے سیکھی ہوئی معلومات کو محفوظ کر سکتے ہیں، جیسے

ڈسیژن ٹیبلز کا مطلب ہے کہ فیصلوں کو ایک ٹیبل کی شکل میں ترتیب دیا جائے تاکہ انہیں دیکھنا اور سمجھنا آسان ہو۔ اس میں مختلف حالات اور ان کے مطابق فیصلے شامل ہوتے ہیں، جو ایک ٹیبل میں دیے جاتے ہیں۔ اس طرح، جب بھی کوئی خاص حالت پیش آتی ہے، تو اس کے مطابق فیصلہ آسانی سے دیکھا جا سکتا ہے۔

مان لیں آپ کو یہ جاننا ہے کہ ایک پھل سیب ہے یا نہیں۔ آپ ایک درخت کی طرح سوالات پوچھ سکتے ہیں۔
کیا پھل کا رنگ سرخ ہے؟
اگر ہاں، تو یہ سیب ہو سکتا ہے۔
اگر نہیں، تو پھر پھل کا سائز کیا ہے؟
اگر بڑا ہے، تو یہ سیب ہو سکتا ہے۔
اگر چھوٹا ہے، تو یہ شاید کوئی اور پھل ہو۔
یہی طریقہ کمپیوٹر بھی استعمال کرتا ہے تاکہ مختلف حالات میں صحیح فیصلے کر سکے۔

اگر آپ کو جانوروں کو تقسیم کرنا ہے، تو آپ کچھ اصول بنا سکتے ہیں۔ :جیسے کہ
اگر کسی جانور کے پر ہیں، تو وہ پرندہ ہے۔
اگر کسی جانور کے چار پاؤں ہیں اور دُم ہے، تو وہ جانور ہے۔
یہی اصول کمپیوٹر بھی استعمال کرتا ہے تاکہ مختلف چیزوں کو ان کی اقسام میں تقسیم کر سکے۔

اگر آپ ایک سپر مارکیٹ میں کام کرتے ہیں تو آپ یہ دیکھ سکتے ہیں کہ لوگ جو چیز خریدتے ہیں، اس کے ساتھ اکثر کون سی چیز خریدتے ہیں۔ مثلاً، جو لوگ دودھ خریدتے ہیں، وہ اکثر ڈبل روٹی بھی خریدتے ہیں۔
یہی بات کمپیوٹر بھی کر سکتا ہے اور اس معلومات کی مدد سے مارکیٹنگ کے فیصلے کر سکتا ہے۔

ان تمام طریقوں کا مقصد یہ ہے کہ کمپیوٹر ماڈل کو دنیا کو سمجھنے اور اس میں فیصلے کرنے میں مدد ملے۔ یہ طریقے کمپیوٹر کو یہ بتاتے ہیں کہ مختلف چیزوں کے درمیان کیا تعلق ہے اور کس صورت حال میں کیا فیصلہ کرنا چاہیے۔

اگر آپ کے کوئی سوالات ہیں تو پوچھنے میں ہچکچائیں نہیں۔