PHP मशीन लर्निंग के लिए: शुरुआती लोगों के लिए संभावनाएं और सीमाएं

शुरुआती लोगों के लिए ऑनलाइन Python प्रशिक्षक

Python आसानी से सीखें बिना सिद्धांत के बोझ के। स्वचालित जांच के साथ व्यावहारिक कार्य हल करें और ब्राउज़र में सीधे कोड लिखें।

पाठ्यक्रम शुरू करें

PHP मशीन लर्निंग के लिए: मिथक या वास्तविकता?

\n\n

मशीन लर्निंग (ML) की दुनिया मजबूती से Python, R और Julia से जुड़ी हुई है। हालांकि, वे डेवलपर्स जो PHP पर काम करते हैं - वेब डेवलपमेंट के लिए सबसे लोकप्रिय भाषाओं में से एक - अक्सर सवाल पूछते हैं: "क्या ML के लिए PHP का उपयोग किया जा सकता है?"। उत्तर: हाँ, किया जा सकता है, लेकिन कुछ शर्तों के साथ। इस लेख में हम चर्चा करेंगे कि कौन सी लाइब्रेरी मौजूद हैं, PHP पर एक सरल ML-मॉडल कैसे लिखें और किन मामलों में यह वास्तव में उचित है।

\n\n

यह लेख शुरुआती लोगों के लिए है जो पहले से ही PHP की मूल बातों से परिचित हैं और तकनीक के दूसरे स्टैक पर जाए बिना मशीन लर्निंग में अपना हाथ आजमाना चाहते हैं।

\n\n

मशीन लर्निंग के लिए PHP की मुख्य लाइब्रेरी

\n\n

ML के लिए PHP का इकोसिस्टम Python जितना समृद्ध नहीं है, लेकिन कुछ परिपक्व लाइब्रेरी मौजूद हैं। आइए सबसे लोकप्रिय पर नज़र डालें।

\n\n

PHP-ML (PHP Machine Learning)

\n\n

PHP-ML सबसे लोकप्रिय और सक्रिय रूप से समर्थित लाइब्रेरी है। यह एल्गोरिदम की एक विस्तृत श्रृंखला प्रदान करता है: वर्गीकरण, प्रतिगमन, क्लस्टरिंग, डेटा प्रीप्रोसेसिंग और यहां तक कि न्यूरल नेटवर्क भी।

\n\n

Composer के माध्यम से स्थापना का उदाहरण:

\n\n

composer require php-ai/php-ml

\n\n

सपोर्ट वेक्टर मशीन (SVM) विधि का उपयोग करके सरलतम वर्गीकरण का उदाहरण:

\n\n

<?php\nrequire_once __DIR__ . '/vendor/autoload.php';\n\nuse Phpml\\Classification\\SVC;\nuse Phpml\\SupportVectorMachine\\Kernel;\n\n// प्रशिक्षण डेटा: [वजन, रंग] 0 - हरा, 1 - लाल\n$samples = [[150, 0], [170, 0], [130, 1], [180, 1]];\n$labels = ['सेब', 'सेब', 'टमाटर', 'टमाटर'];\n\n$classifier = new SVC(Kernel::LINEAR, $cost = 1000);\n$classifier->train($samples, $labels);\n\n// भविष्यवाणी\necho $classifier->predict([160, 0]); // सेब\necho $classifier->predict([140, 1]); // टमाटर\n?>

\n\n

TensorFlow PHP

\n\n

TensorFlow के लिए एक आधिकारिक बाइंडिंग मौजूद है - TensorFlow PHP। यह पहले से प्रशिक्षित मॉडल लोड करने और इन्फ्रेंस (भविष्यवाणी) करने की अनुमति देता है। हालांकि, यह शुरू से मॉडल प्रशिक्षण के लिए उपयुक्त नहीं है - यह Python में किया जाता है, और PHP का उपयोग केवल प्रोडक्शन डिप्लॉयमेंट के लिए किया जाता है।

\n\n

मॉडल लोड करने और भविष्यवाणी का उदाहरण:

\n\n

<?php\nrequire_once 'vendor/autoload.php';\n\nuse TensorFlow\\TensorFlow;\nuse TensorFlow\\Session;\nuse TensorFlow\\Graph;\n\n$graph = new Graph();\n$graph->importGraphDef(file_get_contents('model.pb'));\n\n$session = new Session($graph);\n$input = $session->input('input_tensor');\n$output = $session->output('output_tensor');\n\n$result = $session->run([$input => [[1.0, 2.0, 3.0]]]);\nprint_r($result);\n?>

\n\n

Rubix ML

\n\n

Rubix ML एक आधुनिक लाइब्रेरी है जो scikit-learn की कार्यक्षमता को दोहराने का प्रयास करती है। यह पाइपलाइन, क्रॉस-वैलिडेशन और कई एल्गोरिदम का समर्थन करती है। यह अधिक जटिल परियोजनाओं के लिए उपयुक्त है।

\n\n

लीनियर रिग्रेशन का उदाहरण:

\n\n

<?php\nrequire_once 'vendor/autoload.php';\n\nuse Rubix\\ML\\Regressors\\Ridge;\nuse Rubix\\ML\\Datasets\\Labeled;\n\n$samples = [[1], [2], [3], [4]];\n$labels = [2, 4, 6, 8];\n\n$dataset = new Labeled($samples, $labels);\n$estimator = new Ridge();\n$estimator->train($dataset);\n\necho $estimator->predict([[5]]); // ~10\n?>

\n\n

मशीन लर्निंग में PHP की सीमाएं

\n\n

लाइब्रेरी की उपलब्धता के बावजूद, PHP में कई मूलभूत सीमाएं हैं जो इसे ML के लिए सबसे अच्छा विकल्प नहीं बनाती हैं।

\n\n

प्रदर्शन और टाइपिंग

\n\n

PHP एक इंटरप्रेटेड भाषा है जिसमें डायनामिक टाइपिंग है। गणितीय गणनाओं के लिए यह धीमी है। Python में, यह समस्या C (NumPy, SciPy) पर लाइब्रेरी द्वारा हल की जाती है जो निचले स्तर पर काम करती हैं। PHP में ऐसे अनुकूलित गणितीय पैकेज लगभग नहीं हैं। सभी ऑपरेशन PHP कोड में निष्पादित होते हैं, जो बड़े डेटासेट के लिए महत्वपूर्ण है।

\n\n