ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷಾ ಅನುವಾದಕರು, ಕೋಡ್ ಜನರೇಟರ್‌ಗಳು ಮತ್ತು ವಿಶ್ಲೇಷಕಗಳನ್ನು ರಚಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳ ಬಳಕೆಯನ್ನು ಪ್ರಯೋಗಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಸಂಶೋಧಕರನ್ನು ಒದಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ IBM ತನ್ನ ಕೋಡ್‌ನೆಟ್ ಉಪಕ್ರಮವನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ. 14 ಸಾಮಾನ್ಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ 4053 ಮಿಲಿಯನ್ ಕೋಡ್ ಉದಾಹರಣೆಗಳ ಸಂಗ್ರಹವನ್ನು CodeNet ಒಳಗೊಂಡಿದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಸಂಗ್ರಹವು ಸುಮಾರು 500 ಮಿಲಿಯನ್ ಲೈನ್‌ಗಳ ಕೋಡ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು 55 ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಎರಡೂ ಆಧುನಿಕ ಭಾಷೆಗಳಾದ C ++, ಜಾವಾ, ಪೈಥಾನ್ ಮತ್ತು ಗೋ, ಮತ್ತು COBOL, Pascal ಮತ್ತು FORTRAN ಸೇರಿದಂತೆ ಪರಂಪರೆಯ ಭಾಷೆಗಳು. ಯೋಜನೆಯ ಬೆಳವಣಿಗೆಗಳನ್ನು ಅಪಾಚೆ 2.0 ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ವಿತರಿಸಲಾಗಿದೆ ಮತ್ತು ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಸಾರ್ವಜನಿಕ ಡೊಮೇನ್ ರೂಪದಲ್ಲಿ ವಿತರಿಸಲು ಯೋಜಿಸಲಾಗಿದೆ.
ಉದಾಹರಣೆಗಳನ್ನು ಟಿಪ್ಪಣಿ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ವಿಭಿನ್ನ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. ಪ್ರಸ್ತಾವಿತ ಸೆಟ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಭಾಷಾಂತರ ಮತ್ತು ಯಂತ್ರ ಕೋಡ್ ಪಾರ್ಸಿಂಗ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ನಾವೀನ್ಯತೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ, ಇಮೇಜ್ ನೆಟ್ ಟಿಪ್ಪಣಿ ಮಾಡಿದ ಇಮೇಜ್ ಡೇಟಾಬೇಸ್ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡಿದೆ. ಸಂಗ್ರಹ ರಚನೆಯ ಮುಖ್ಯ ಮೂಲಗಳಲ್ಲಿ ಒಂದಾಗಿ ವಿವಿಧ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸ್ಪರ್ಧೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸಲಾಗಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಭಾಷಾಂತರಕಾರರಂತಲ್ಲದೆ, ಅನುವಾದ ನಿಯಮಗಳ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ, ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಕೋಡ್ ಬಳಕೆಯ ಸಂದರ್ಭವನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು ಮತ್ತು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಒಂದು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಪರಿವರ್ತಿಸುವಾಗ, ಒಂದು ಮಾನವ ಭಾಷೆಯಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಅನುವಾದಿಸುವಾಗ ಸಂದರ್ಭವು ಅಷ್ಟೇ ಮುಖ್ಯವಾಗಿರುತ್ತದೆ. ಈ ಸಂದರ್ಭದ ಪರಿಗಣನೆಯ ಕೊರತೆಯು COBOL ನಂತಹ ಪರಂಪರೆಯ ಭಾಷೆಗಳಿಂದ ಕೋಡ್ ಅನ್ನು ಪರಿವರ್ತಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ.
ವಿವಿಧ ಭಾಷೆಗಳಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್ ಅಳವಡಿಕೆಗಳ ದೊಡ್ಡ ಡೇಟಾಬೇಸ್ ಹೊಂದಿರುವ ಸಾರ್ವತ್ರಿಕ ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ರಚಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ನಿರ್ದಿಷ್ಟ ಭಾಷೆಗಳ ನಡುವೆ ನೇರ ಅನುವಾದದ ಬದಲಿಗೆ, ನಿರ್ದಿಷ್ಟ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ಕೋಡ್‌ನ ಹೆಚ್ಚು ಅಮೂರ್ತ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುತ್ತದೆ. ಅಂತಹ ವ್ಯವಸ್ಥೆಯನ್ನು ಭಾಷಾಂತರಕಾರರಾಗಿ ಬಳಸಬಹುದು, ಯಾವುದೇ ಬೆಂಬಲಿತ ಭಾಷೆಗಳಲ್ಲಿ ರವಾನಿಸಲಾದ ಕೋಡ್ ಅನ್ನು ಅದರ ಆಂತರಿಕ ಅಮೂರ್ತ ಪ್ರಾತಿನಿಧ್ಯಕ್ಕೆ ಭಾಷಾಂತರಿಸಬಹುದು, ಇದರಿಂದ ಕೋಡ್ ಅನ್ನು ಬಹು ಭಾಷೆಗಳಲ್ಲಿ ರಚಿಸಬಹುದು.
ವ್ಯವಸ್ಥೆಯು ದ್ವಿಮುಖ ರೂಪಾಂತರಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಬ್ಯಾಂಕುಗಳು ಮತ್ತು ಸರ್ಕಾರಿ ಏಜೆನ್ಸಿಗಳು ಹಳೆಯದಾದ COBOL ಭಾಷೆಯಲ್ಲಿ ಯೋಜನೆಗಳನ್ನು ಬಳಸುವುದನ್ನು ಮುಂದುವರೆಸುತ್ತವೆ. ಯಂತ್ರ ಕಲಿಕೆ-ಆಧಾರಿತ ಅನುವಾದಕನು COBOL ಕೋಡ್ ಅನ್ನು ಜಾವಾ ಪ್ರಾತಿನಿಧ್ಯವಾಗಿ ಪರಿವರ್ತಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಮತ್ತು ಅಗತ್ಯವಿದ್ದಲ್ಲಿ, ಜಾವಾ ತುಣುಕನ್ನು ಮತ್ತೆ COBOL ಕೋಡ್‌ಗೆ ಭಾಷಾಂತರಿಸಬಹುದು.
ಭಾಷೆಗಳ ನಡುವಿನ ಅನುವಾದದ ಜೊತೆಗೆ, ಸ್ಮಾರ್ಟ್ ಕೋಡ್ ಹುಡುಕಾಟ ವ್ಯವಸ್ಥೆಗಳ ರಚನೆ ಮತ್ತು ಕ್ಲೋನ್ ಪತ್ತೆಯ ಯಾಂತ್ರೀಕೃತಗೊಂಡಂತಹ ಕೋಡ್‌ನೆಟ್‌ನ ಅನ್ವಯದ ಕ್ಷೇತ್ರಗಳು, ಹಾಗೆಯೇ ಆಪ್ಟಿಮೈಜರ್‌ಗಳು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಕೋಡ್ ತಿದ್ದುಪಡಿ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉಲ್ಲೇಖಿಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕೋಡ್‌ನೆಟ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಉದಾಹರಣೆಗಳು ಕಾರ್ಯಕ್ಷಮತೆಯ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ವಿವರಿಸುವ ಮೆಟಾಡೇಟಾದೊಂದಿಗೆ ಸಜ್ಜುಗೊಂಡಿವೆ, ಪರಿಣಾಮವಾಗಿ ಪ್ರೋಗ್ರಾಂ ಗಾತ್ರ, ಮೆಮೊರಿ ಬಳಕೆ ಮತ್ತು ಸ್ಥಿತಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಇದು ಕೋಡ್‌ನಿಂದ ಸರಿಯಾದ ಕೋಡ್ ಅನ್ನು ದೋಷಗಳೊಂದಿಗೆ ಪ್ರತ್ಯೇಕಿಸಲು ಅನುಮತಿಸುತ್ತದೆ (ತಪ್ಪಾದ ಕೋಡ್‌ನಿಂದ ಸರಿಯಾದ ಕೋಡ್ ಅನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು, ಸಂಗ್ರಹಣೆಯು ನಿರ್ದಿಷ್ಟವಾಗಿ ದೋಷಗಳೊಂದಿಗೆ ಉದಾಹರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಅದರ ಪಾಲು 29.5%). ಯಂತ್ರ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಯು ಈ ಮೆಟಾಡೇಟಾವನ್ನು ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಕೋಡ್ ಅನ್ನು ರಚಿಸಲು ಅಥವಾ ವಿಶ್ಲೇಷಿಸಿದ ಕೋಡ್‌ನಲ್ಲಿನ ಹಿಂಜರಿತಗಳನ್ನು ಗುರುತಿಸಲು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು (ಸಲ್ಲಿಸಿದ ಕೋಡ್‌ನಲ್ಲಿನ ಅಲ್ಗಾರಿದಮ್ ಅತ್ಯುತ್ತಮವಾಗಿ ಅಳವಡಿಸಲಾಗಿಲ್ಲ ಅಥವಾ ದೋಷಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಸಿಸ್ಟಮ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು).
ಮೂಲ: opennet.ru