ڈیٹا سائنس کی بڑھتی مانگ نے ایک بڑی تعداد کو اس کے پیچھے لگا دیا ہے، ہر سو ڈیٹا سائنس، مصنوعی ذہانت اور مشین لرننگ جیسے الفاظوں کی گونج سنائی دیتی ہے۔
اگر آج ہم اس موضوع پر بات کریں گے، کہ ڈیٹا سائنٹسٹ بنے کیلئے کن کن چیزوں پر عبور لازم ہے۔
1 - میتھامیٹیکل فاونڈیشن:سائنس کا شعبہ ہو ، اور ریاضی نہ ہو، ایسا ممکن نہیں۔ آپ کو ریاضیات کے ان موضوعات میں عبور لازم ہے۔
لینئیر الجبرا گراف کیلکولسشماریات اور امکانیات (پروبیبلیٹی)
لینئر الجبرا کو عموماً عام الجبرا ہی سمجھ لیا جاتا ہے۔ لیکن ایسا نہیں۔ یہاں اس سے مراد matrices اور ویکٹرز پر عبور ہے۔ اگر آپ سائنس سے میٹرک کرتے ہیں تو میٹریسس سے آپکا واسطہ ضرور پڑا ہوگا بس وہی کانسپٹس یہاں بھی آپکے کام آنے والے ہیں اور اگر آپ انٹر کے امتحانات دے چکے تو آپ نے میٹرسیس اور ویکٹرز کے موضوعات کو کافی ڈیٹیل میں پڑھ چکے ہونگے۔ عموماً ویکٹرز فرسٹ ائیر فزکس اور سیکنڈ ائیر کی ریاضی میں کافی ڈیٹیل میں پڑھائی جاتی ہے آپکی ضرورت یہاں سے پوری ہو ہی جاتی ہے۔ اب یہ آپ پر منحصر ہے کہ آپ اس پر کتنی گریپ رکھتے ہیں۔
کیلکوس کا ایک حصہ ہم سیکنڈ ائیر انٹر میں کور کرلیتے ہیں جہاں ہم فنکشنز، ڈیریویٹو اور انٹیگریشن کے متعلق کافی عبور حاصل کرلیتے ہیں تو پھر فکر کیسی۔ اگر نہیں تو آپ جامعات میں اسے بطور کورس تو پڑھتے ہی ہیں۔
شماریات انٹر میں آپشنل ہوتا ہے لیکن عموماً سائنس کے طلباء اسے سیلیکٹ نہیں کرتے۔ لیکن جامعات کی سطح میں بیشتر ہر فیلڈ میں یہ بطور کورس زینت ضرور بنتا ہے۔ لہذا آپ کسی جامعہ میں ہیں تو یہ کورس آپ نے ابتدائی سالوں میں ضرور پڑھا ہوگا۔
اگر آپ ان ٹاپکس سے نابلد ہیں تو پہلے ان پر اچھی طرح عبور حاصل کرے ورنہ آگے کا سفر میں آپ کو کافی مشکلات کا سامنا کرنا پڑ سکتا ہے۔
ان موضوعات پر یوٹیوب پر کافی مواد موجود ہے لہذا وہاں سے آپ ان پر آسانی سے عبور حاصل کرسکتے ہیں۔
2 - پروگرامنگ فاونڈیشن:پروگرامنگ ڈیٹ سائنس میں اطلاقیات کے ٹول کے طور پر استعمال ہوتا ہے اور عموماً ڈیٹا سائنسدان آر لینگوئج کو زیادہ ترجیح دیتے ہیں۔ لیکن پائیتھن کی مقبولیت اور آسان فہم ہونے کی وجہ سے لوگ اس طرف زیادہ متوجہ ہوتے ہیں۔ ساتھ میں پائیتھن آپ پر ڈیٹا سائنس کے علاوہ ویب، گیم، ڈیسک ٹاپ ڈویلپمنٹ جیسی فیلڈ کیلئے بھی اپنے دروازے کھول دیتی ہے۔
لہذا پائیتھن یا آر لینگوئج کا انتخاب بہترین انتخاب ہوسکتا ہے لیکن ڈیٹا سائنس کسی بھی پروگرامنگ زبان میں ممکن ہے مگر یہاں آپ کو بیشتر کوڈ خود کرنا پڑے گا جو قیمتی وقت کا ضیاع ہونے کیساتھ آپ کو آپ کے مقصد سے ہٹا سکتا ہے۔
اس کے علاوہ ایس کیو ایل زبان میں مہارت حاصل کرنا بھی ضروری ہے۔
اس کے علاوہ بغیر لوجیکل ورک کے پروگرامنگ ادھوری ہے۔ اس کے لیے آپ کو ان مضامین میں کچھ عبور لازم ہے
ڈیٹا اسٹرکچرز، ڈسکریٹ میتھامیٹکسآبجیکٹ اورینٹیڈ پروگرامنگ
3 - ڈیٹا سائنس:اسکے بعد ہم ڈیٹا سائنس کے میدان میں بآسانی قدم رکھ سکتے ہیں، ڈیٹا سائنس کچھ بھی نہیں بس اطلاقی شماریات ہے جہاں کمپیوٹر سائنس کے الگورتھمز سہارا لیا جاتا ہے مختلف مسائل کو حل کرنے کیلئے۔
اگر آپ پروگرامنگ لینگوئج میں پائیتھن کا انتخاب کرتے ہیں تو نم پائی اور پانڈاز کی لائبریرز پر عبور حاصل کریں اور ساتھ میں میٹ پلاٹ لب اور سی بورن لائبریرز کو بھی دیکھیں جو کہ ڈیٹا گراف بنانے میں مدد دیتے ہیں، اور انکی مدد سے شماریات کے چھوٹے چھوٹے مسائل کو حل کرنے کی کوشش کریں۔ مطلب کرونا وائرس کا ہی ڈیٹا لیں، اس سے شماریات کے مختلف گراف بنانے کی کوشش کیجئے۔ اور دیکھیں کے آپ ہر گراف سے کیا نتائج اخذ کررہے۔ جیسے ملکوں کے درمیان کورونا کے پھیلاؤ کی شرح کو گراف کریں، کرونا کیسیس اور ٹیسٹ کے مابین ریلشن کو دیکھیں کہ ٹیسٹ کی کمی بیشی سے کیسیس میں کس طرح بڑھ رہے ہیں، اور اسی طرح کرونا کیسیس اور اموات و صحتیابی کے درمیان ریلیشن کو پلاٹ کریں اور انکے نتائج پر تجزیہ کریں۔ اور انہیں آسان فہم انداز میں رپورٹ کرنے کی کوشش کرے۔
4 - مشین لرننگ:مشین لرننگ کوائف کے ماضی کا تجزیہ اور مستقبل کی پیش گوئی ہے۔ اور ڈیٹا سائنس کی ذیلی شاخ، حالانکہ مصنوعی ذہانت اسے اپنے جگر میں سموئے ہوئی ہے۔
مشین لرننگ کی مزید کچھ ذیلی شاخیں ہیں:
1۔ سپروائزد لرننگ2- ان سپروائزد لرننگ
3- سیمی سپروائزڈ لرننگ
4- ری ان فورسمنٹ لرننگ
اب باری آتی ہے ان کے الگورتھم یا ریاضی پر نظر کرم کرنے کی۔ اس کیلئے سپروائزڈ لرننگ سے آغاز کریں جس کے ابتدائی الگورتھم میں سے لکیری ریگریشن، متعدد لکیری ریگریشن، نائیو بائیس، سپورٹ ویکٹر مشین، ڈیسژن ٹری اور رینڈم فارسٹ کے الگورتھم پر عبور حاصل کریں۔ شروعات میں صرف ان کے کانسپٹ کو سمجھنے کی کوشش کریں اور زیادہ ڈیپ یا ریاضی میں مت جائیں۔
پھر باری باری دوسری ذیلی شاخوں کا مطالعہ کیجئے اور ان کے الگورتھم کو سمجھیں۔
آج مشین لرننگ کے اتنے پاور فل لائبریریز موجود ہیں کہ آپ کو زیادہ ریاضی میں گھسنے اور سمجھنے میں وقت صرف نہیں کرنا پڑتا۔ لیکن کیا کریں؟ ریاضی سے لگاؤ ہی کچھ ایسا ہے کہ بنا اس میں گھسے دل ہی نہیں مانتا۔
5 - ڈیپ لرننگ:ڈیپ لرننگ مصنوعی ذہانت اور ڈیٹا سائنس کے شعبے میں مشین لرننگ کی ذیلی اور اہم شاخ ہے۔ جس نے مصنوعی ذہانت کی دنیا کو یکسر بدل کر رکھ دیا۔
ڈیپ لرننگ، نیورل نیٹ ورک کے نظام پر کام کرتا ہے جس کا آئیڈیا انسانی دماغ کے طور پر لیا جاتا ہے لیکن اس کے کام کرنے کا انداز انسانی دماغ جیسا بالکل نہیں۔
ڈیپ لرننگ سیکھنے کی ابتداء مشین لرننگ کے کانسپٹ سمجھنے کے بعد کریں۔ چونکہ ایک دفعہ آپ مشین لرننگ کو اچھی طرح سمجھ لے تو ڈیپ لرننگ صرف نیورل نیٹورکس کے کھیل کو سمجھنے علاوہ کچھ نہیں رہ جاتی۔
پھر آج اس قدر طاقت ور فریم ورک آچکے ہیں جو کہ آپ کو ریاضیاتی سمجھ کے بغیر طاقتور ماڈل بنانے میں مدد کرتے ہیں جن میں ٹینسر فلو، کیراس (جو کہ اب ٹینسر فلو کا حصہ ہے) اور پائی ٹارچ شامل ہیں۔ بس آپ کو کانسپٹ سمجھنے کی دیر ہے اور اسکے کمالات دیکھیں۔لیکن یاد رہے ڈیپ لرننگ ہر جگہ اچھی نہیں، اس کا استعمال بہت کمپلیکس کیسیز میں کیا جاتا ہے اور ابتدائی طور پر تصویروں، آوازوں اور جملوں کی شناخت کیلئے۔
اور پھر کیا بس ہر دن کچھ نیا سیکھتے رہے اور خوش رہیں۔