Imbusd data مسائل اس وقت واقع ہوتے ہیں جب کسی ڈیٹا بیس میں کلاسوں کی تقسیم غیر واضح ہو جاتی ہے، جو گہری سیکھنے کے ماڈلوں کی کارکردگی کو منفی اثر دے سکتا ہے۔ان مسائل کو درست اور قابل اعتماد AI نظام بنانے کے لیے یہ مضمون عام تکنیک اور حقیقی دنیا کیس کی تحقیق کرتا ہے جس سے متعلق معلومات کو گہرائی سیکھنے کے ساتھ حل کیا جا سکتا ہے۔
ہینڈمنگ کے لئے تکنیکی خطرات
کئی طریقے استعمال کیے جاتے ہیں جن سے گہرائی سیکھنے میں غیر فعال ڈیٹا کی تنسیخ پیدا ہوتی ہے۔ان میں ڈیٹا سطح کے قریبی، الجبراً سطح کے تناسب اور ہیرے کے طریقوں کو مدنظر رکھتے ہوئے بھی شامل ہیں۔
ڈیٹا ایگزیکٹو
ڈیٹا کی فہرست میں ڈیٹا سیٹ کو متوازن کرنے کے لیے کمازکم بنیادوں کی مثالیں شامل ہیں ۔
کمی-سانت سیکھنے میں مدد
یہ طریقہ تربیت کے دوران کمازکم کم درجہالاسباب کے لئے زیادہ غلطفہمی کا باعث بنتا ہے ۔
سُملنگ کرنا تکنیک
اِس کے علاوہ ، اِس میں بہت سے ایسے طریقے شامل ہیں جن سے اِس بات کا اندازہ لگایا جا سکتا ہے کہ اِس دَور میں بہت سے لوگ کس حد تک صحیحتر معلومات حاصل کر سکتے ہیں ۔
گہرا سیکھنے کے مطالعے
حقیقی دنیا بھر میں ان تکنیکوں کی افادیت کو ظاہر کرتا ہے مختلف ڈومینوں میں۔
- میڈیکل تصورات : ڈیٹا کی جانچ پڑتال اور کلاس کے وزن کو استعمال کرنا
- Fraud Dectation: [1] سرمایہ کاری کے لیے سرمایہ کاری کے لیے سرمایہ کاری کو اعلیٰ درجہ کے ساتھ شناخت کرنے کے لیے متعین کرنا سیکھنے کے لیے آموزش کی تعلیم حاصل کرنا
- ] Natural language structioning: Baling datasets for in inst-resport languages. اخذ شدہ بتاریخ 08 نومبر 2012. تحقق من التاريخ في: