منصوبے کے بارے میں

SMILE (Statistical Machine Intelligence & Learning Engine) JVM کے لیے ایک مشین لرننگ فریم ورک ہے، جس میں Java، Scala اور Kotlin کے لیے idiomatic APIs موجود ہیں۔ ورژن 5+ کے لیے Java 25 درکار ہے، v4.x کے لیے Java 21، اور اس سے پہلے کے ورژنز کے لیے Java 8۔ یہ ماڈیولز میں منظم ہے: base (ڈیٹا اسٹرکچرز، ریاضی، لکیری الجبرا، شماریات، I/O)، core (ML الگورتھمز)، deep (ڈیپ لرننگ اور LLMs)، nlp، plot، serve، studio، scala، kotlin، json اور spark۔ بنیادی صلاحیتوں میں درجہ بندی (SVM، ڈیسیژن ٹریز، رینڈم فاریسٹ، AdaBoost، گریڈینٹ بوسٹنگ، لاجسٹک ریگریشن، نیورل نیٹ ورکس، RBF نیٹ ورکس، MaxEnt، KNN، Naive Bayes، LDA/QDA/RDA)، ریگریشن (SVR، گاؤشیئن پروسیس، ریگریشن ٹریز، GBDT، رینڈم فاریسٹ، RBF، OLS، LASSO، ElasticNet، Ridge)، کلسٹرنگ (BIRCH، CLARANS، DBSCAN، DENCLUE، deterministic annealing، K-Means، X-Means، G-Means، neural gas، hierarchical، SOM، spectral، min-entropy)، مینی فولڈ لرننگ (IsoMap، LLE، Laplacian eigenmap، t-SNE، UMAP، PCA، kernel PCA، random projection، ICA)، فیچر انجینئرنگ (جینیٹک الگورتھم سلیکشن، ensemble سلیکشن، TreeSHAP، ٹرانسفارمیشنز، فارمولا API)، NLP (ٹوکنائزیشن، bigram ٹیسٹس، فریز اور کی ورڈ ایکسٹریکشن، اسٹیمنگ، POS ٹیگنگ، ریلیونس رینکنگ)، FP-growth کے ذریعے ایسوسی ایشن رول مائننگ، سیکوئنس لرننگ (HMM، CRF)، nearest-neighbor اسٹرکچرز (BK-tree، cover tree، KD-tree، SimHash، LSH)، عددی طریقے (لکیری الجبرا، BFGS/L-BFGS آپٹیمائزیشن، interpolation، wavelets، distributions، hypothesis tests)، اور Swing plots اور declarative Vega-Lite charts کے ذریعے ویژولائزیشن شامل ہیں۔ deep ماڈیول LibTorch-backed ٹینسر آپریشنز، نیورل نیٹ ورک لیئرز، losses، optimizers، EfficientNet-V2 امیج کلاسیفیکیشن، tiktoken BPE ٹوکنائزر کے ساتھ LLaMA-3 انفرنس، اور ONNX Runtime انفرنس بشمول GenAI چیٹ ماڈلز شامل کرتا ہے۔ SMILE Serve ایک Quarkus-based انفرنس سرور ہے جو کلاسک ML ماڈلز، ONNX ماڈلز اور OpenAI-compatible چیٹ کمپلیشنز کو SSE اسٹریمنگ کے ساتھ expose کرتا ہے، نیز ایک bundled React web UI بھی۔ SMILE Studio ڈیٹا سائنس کے لیے ایک ایجنٹک IDE ہے جس میں CLI entry points جیسے smile، smile shell، smile scala، smile train، smile predict اور smile serve شامل ہیں۔ ماڈلز عموماً serializable ہوتے ہیں، اور ایک Spark integration SMILE ماڈلز کو Spark ML pipelines کے اندر استعمال کرنے کی اجازت دیتا ہے۔ انسٹالیشن Maven، SBT اور Gradle کے ذریعے دستیاب ہے، جس میں کچھ الگورتھمز کے لیے native BLAS/LAPACK لائبریریز درکار ہیں۔