ପରିଚୟ

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଏକୀକରଣ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ରେ ଏକ ନୂତନ ପାରାଦୀପ ସୃଷ୍ଟି କରିଛି, ଯେଉଁଠାରେ ସିଷ୍ଟମ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଆଡାପ୍ଟାବିଲିଟି ବ enhance ାଇବା ପାଇଁ ଉଦୀୟମାନ ବୁଦ୍ଧି ଦକ୍ଷତା ବ୍ୟବହାର କରାଯାଇଥାଏ | ଯେହେତୁ AI ଟେକ୍ନୋଲୋଜିଗୁଡିକ ବିକଶିତ ହେବାରେ ଲାଗିଛି, ସଫ୍ଟୱେର୍ ସ୍ଥପତିମାନେ ନିଶ୍ଚିତ ଭାବରେ AI ଉପାଦାନଗୁଡ଼ିକୁ ଏକୀଭୂତ କରିବା ଏବଂ ସେମାନଙ୍କର ପୂର୍ଣ୍ଣ ସମ୍ଭାବନାକୁ ଅନଲକ୍ କରିବା ପାଇଁ ସେମାନଙ୍କର ଡିଜାଇନ୍ କ ies ଶଳକୁ ଅନୁକୂଳ କରିବା ଆବଶ୍ୟକ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଛକକୁ ଅନୁସନ୍ଧାନ କରିବୁ, ବ technical ଷୟିକ କାର୍ଯ୍ୟକାରିତା କ ies ଶଳ ଉପରେ ଧ୍ୟାନ ଦେଇ ଯାହା ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବ to ାଇବା ପାଇଁ AI ର six ଟି ପାରସ୍ପରିକ କ mechanism ଶଳକୁ ଉପଯୋଗ କରିଥାଏ |

ଜରୁରୀ ବୁଦ୍ଧି ବୁ .ିବା |

ଜରୁରୀ ଇଣ୍ଟେଲିଜେନ୍ସ ଜଟିଳ ଆଚରଣକୁ ବୁ refers ାଏ ଯାହା ସ୍ପଷ୍ଟ ଭାବରେ ପ୍ରୋଗ୍ରାମ ହେବା ପରିବର୍ତ୍ତେ ବ୍ୟକ୍ତିଗତ ଉପାଦାନଗୁଡ଼ିକର ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପରୁ ଉତ୍ପନ୍ନ ହୁଏ | AI ପରିପ୍ରେକ୍ଷୀରେ, ଉଦୀୟମାନ ବୁଦ୍ଧିଜୀବୀମାନେ ସମୟ ସହିତ ସମୟାନୁସାରେ ଅନୁକୂଳ, ଶିଖିବା ଏବଂ ବିକଶିତ କରିବାର କ୍ଷମତା ଦ୍ୱାରା ବର୍ଣ୍ଣିତ, ପ୍ରାୟତ un ଅପ୍ରତ୍ୟାଶିତ ଉପାୟରେ | ଏହା ପାରମ୍ପାରିକ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ବିପରୀତ, ଯାହା ସାଧାରଣତ rules ନିୟମ ଏବଂ ଆଚରଣର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସେଟ୍ ସହିତ ଡିଜାଇନ୍ ହୋଇଛି |

AI ର ଛଅ ଇଣ୍ଟରାକ୍ଟିଙ୍ଗ୍ ମେକାନିଜିମ୍ |

AI ପ୍ରଣାଳୀଗୁଡ଼ିକ ପ୍ରାୟତ six six ଟି ପାରସ୍ପରିକ କ୍ରିୟା ପ୍ରଣାଳୀକୁ ନେଇ ଗଠିତ, ଯାହା ଉଦୀୟମାନ ବୁଦ୍ଧି ସକ୍ଷମ କରିବାକୁ ଏକତ୍ର କାର୍ଯ୍ୟ କରେ:

1। ** ଧାରଣା **: ପରିବେଶକୁ ବୁ sense ିବା ଏବଂ ବ୍ୟାଖ୍ୟା କରିବାର କ୍ଷମତା | 2। ** ଜ୍ଞାନ **: ଯୁକ୍ତି କରିବାର, ଶିଖିବାର ଏବଂ ନିଷ୍ପତ୍ତି ନେବାର କ୍ଷମତା | 3। ** କାର୍ଯ୍ୟ **: ପରିବେଶରେ କାର୍ଯ୍ୟ କରିବାର କ୍ଷମତା | 4। ** ମତାମତ **: ପରିବେଶରୁ ମତାମତ ଗ୍ରହଣ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିବାର କ୍ଷମତା | 5। ** ଆତ୍ମ-ସଂଗଠନ **: ପରିବର୍ତ୍ତିତ ପରିସ୍ଥିତିର ପ୍ରତିକ୍ରିୟାରେ ଆଡାପ୍ଟଟ ଏବଂ ପୁନର୍ଗଠନ କରିବାର କ୍ଷମତା | 6। ** ବିବର୍ତ୍ତନ **: ଅଭିଜ୍ଞତା ମାଧ୍ୟମରେ ସମୟ ସହିତ ଶିଖିବାର ଏବଂ ଉନ୍ନତି କରିବାର କ୍ଷମତା |

ଯାନ୍ତ୍ରିକ ନିୟୋଜନ କ ateg ଶଳ |

ସିଷ୍ଟମଗୁଡିକର ଡିଜାଇନ୍ କରିବାକୁ ଯାହା AI ର ଉଦୀୟମାନ ବୁଦ୍ଧି କ୍ଷମତାକୁ ଲିଭର୍ କରେ, ସଫ୍ଟୱେର୍ ସ୍ଥପତିମାନେ ନିଶ୍ଚିତ ଭାବରେ ବିଭିନ୍ନ ବ technical ଷୟିକ କାର୍ଯ୍ୟକାରିତା ରଣନୀତି ଗ୍ରହଣ କରିବେ | ଏଗୁଡିକ ଅନ୍ତର୍ଭୁକ୍ତ:

1। ** ମଡ୍ୟୁଲାର୍ ଡିଜାଇନ୍ **

ମଡ୍ୟୁଲାର୍ ଡିଜାଇନ୍ ଜଟିଳ ସିଷ୍ଟମଗୁଡ଼ିକୁ ଛୋଟ, ସ୍ independent ାଧୀନ ଉପାଦାନରେ ଭାଙ୍ଗିବା ସହିତ ଅନ୍ତର୍ଭୂକ୍ତ କରେ ଯାହା ସହଜରେ ଏକୀକୃତ ହୋଇ ପୁନ f ବିନ୍ୟାସ ହୋଇପାରିବ | ଏହା ଅଧିକ ନମନୀୟତା ଏବଂ ଅନୁକୂଳତା ପାଇଁ ଅନୁମତି ଦିଏ, ଯେହେତୁ ବ୍ୟକ୍ତିଗତ ଉପାଦାନଗୁଡ଼ିକ ସମଗ୍ର ସିଷ୍ଟମକୁ ପ୍ରଭାବିତ ନକରି ଅଦ୍ୟତନ କିମ୍ବା ବଦଳାଯାଇପାରିବ |

2। ** ଇଭେଣ୍ଟ-ଚାଳିତ ସ୍ଥାପତ୍ୟ **

ଇଭେଣ୍ଟ-ଚାଳିତ ସ୍ଥାପତ୍ୟ ପାରମ୍ପାରିକ ଅନୁରୋଧ-ପ୍ରତିକ୍ରିୟା ପାରସ୍ପରିକ କାର୍ଯ୍ୟ ଅପେକ୍ଷା ଇଭେଣ୍ଟ ଆଦାନପ୍ରଦାନର ସିଷ୍ଟମ ଡିଜାଇନ୍ କରେ | ଏହା ଅଧିକ ମାପନୀୟତା ଏବଂ ନମନୀୟତା ପାଇଁ ଅନୁମତି ଦିଏ, କାରଣ ଘଟଣାଗୁଡ଼ିକୁ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇପାରିବ ଏବଂ ରିଅଲ-ଟାଇମରେ ପ୍ରତିକ୍ରିୟା କରାଯାଇପାରିବ |

3। ** ସେବା-ଆଧାରିତ ସ୍ଥାପତ୍ୟ **

ସେବା-ଆଧାରିତ ସ୍ଥାପତ୍ୟ ସ୍ independent ାଧୀନ ସେବାଗୁଡିକର ଏକ ସେଟ୍ ଚାରିପାଖରେ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ କରେ ଯାହା ପରିବର୍ତ୍ତିତ ଆବଶ୍ୟକତା ପୂରଣ ପାଇଁ ରଚନା ଏବଂ ପୁନ f ବିନ୍ୟାସ କରାଯାଇପାରିବ | ଏହା ଅଧିକ ନମନୀୟତା ଏବଂ ଅନୁକୂଳତା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଯେହେତୁ ସେବାଗୁଡିକ ସମଗ୍ର ସିଷ୍ଟମକୁ ପ୍ରଭାବିତ ନକରି ଅପଡେଟ୍ କିମ୍ବା ବଦଳାଯାଇପାରିବ |

4. ** ବଣ୍ଟିତ ସିଷ୍ଟମ୍ **

ବଣ୍ଟିତ ସିଷ୍ଟମଗୁଡିକ ଡିଜାଇନ୍ ସିଷ୍ଟମକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ଏକାଧିକ ନୋଡ କିମ୍ବା ଡିଭାଇସକୁ ବିସ୍ତାର କରିଥାଏ, ଅଧିକ ମାପନୀୟତା ଏବଂ ତ୍ରୁଟି ସହନଶୀଳତା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ | ବଣ୍ଟିତ ଡାଟାବେସ୍, ମେସେଜ୍ କ୍ୟୁ ଏବଂ ଅନ୍ୟାନ୍ୟ ଟେକ୍ନୋଲୋଜିର ବ୍ୟବହାର ଦ୍ୱାରା ଏହା ହାସଲ ହୋଇପାରିବ |

5. ** ମେସିନ୍ ଶିକ୍ଷା **

ମେସିନ୍ ଲର୍ନିଙ୍ଗ୍ ଭବିଷ୍ୟବାଣୀ ଏବଂ ପ୍ରେସକ୍ରିପଟିଭ୍ ଆନାଲିଟିକ୍ସକୁ ସକ୍ଷମ କରିବାକୁ ବୃହତ ଡାଟାସେଟରେ AI ମଡେଲଗୁଡିକୁ ତାଲିମ ଦେବା ସହିତ ଜଡିତ | ତତ୍ତ୍ ised ାବଧାନିତ, ତଦାରଖ ହୋଇନଥିବା ଏବଂ ଦୃ for ୀକରଣ ଶିକ୍ଷଣ କ ques ଶଳର ବ୍ୟବହାର ଦ୍ୱାରା ଏହା ହାସଲ ହୋଇପାରିବ |

6। ** ପ୍ରତିକ୍ରିୟାଶୀଳ ସିଷ୍ଟମ୍ **

ପ୍ରତିକ୍ରିୟାଶୀଳ ସିଷ୍ଟମଗୁଡିକ ଡିଜାଇନ୍ ସିଷ୍ଟମକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ଏକ ଅନୁରୋଧ କିମ୍ବା ଜିଜ୍ଞାସା ଅପେକ୍ଷା ଅପେକ୍ଷା ରିଅଲ-ଟାଇମରେ ଘଟଣାଗୁଡ଼ିକର ପ୍ରତିକ୍ରିୟା କରିଥାଏ | ଏହା ଅଧିକ ମାପନୀୟତା ଏବଂ ନମନୀୟତା ପାଇଁ ଅନୁମତି ଦିଏ, କାରଣ ଘଟଣାଗୁଡ଼ିକୁ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇପାରିବ ଏବଂ ରିଅଲ-ଟାଇମରେ ପ୍ରତିକ୍ରିୟା କରାଯାଇପାରିବ |

କୋଡ୍ ଉଦାହରଣ: ଏକ ସରଳ AI ଚାଳିତ ଚାଟବଟ୍ |

ପାଇଥନରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଏକ AI ଚାଳିତ ଚାଟବଟ୍ର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି: "ପାଇଥନ୍ | nltk ଆମଦାନି କରନ୍ତୁ | nltk.stem ରୁ WordNetLemmatizer ଆମଦାନି କରନ୍ତୁ | nltk.tokenize ଆମଦାନୀ ଶବ୍ଦ_ ଟୋକେନାଇଜ୍ ରୁ | sklearn.feature_extraction.text ଆମଦାନି TfidfVectorizer ରୁ | sklearn.model_selection ଆମଦାନୀ ଟ୍ରେନ୍_ ଟେଷ୍ଟ_ସ୍ପ୍ଲାଇଟ୍ ରୁ | sklearn.naive_bayes ରୁ MultinomialNB ଆମଦାନି କରନ୍ତୁ | sklearn.metrics ରୁ ଆମଦାନୀ ସଠିକତା_ସ୍କୋର |

ଡାଟାସେଟ୍ ଲୋଡ୍ କରନ୍ତୁ |

train_data = pd.read_csv ('train.csv') test_data = pd.read_csv ('test.csv')

ପାଠ୍ୟ ତଥ୍ୟକୁ ଟୋକେନାଇଜ୍ କରନ୍ତୁ |

nltk.download ('punkt') lemmatizer = WordNetLemmatizer () ଟୋକେନାଇଜର = ଶବ୍ଦ_ ଟୋକେନାଇଜ୍ |

ଟ୍ରେନ୍_ ଟେକ୍ସଟ୍ = ଟ୍ରେନ୍_ଡାଟା ['ପାଠ୍ୟ'] test_text = test_data ['ପାଠ୍ୟ']

train_tokens = [ଟ୍ରେନ୍_ ପାଠ୍ୟରେ ପାଠ୍ୟ ପାଇଁ ଟୋକେନାଇଜର୍ (ପାଠ୍ୟ)] test_tokens = [test_text ରେ ପାଠ୍ୟ ପାଇଁ ଟୋକେନାଇଜର (ପାଠ୍ୟ)]

ପାଠ୍ୟ ତଥ୍ୟକୁ ଭେକ୍ଟରାଇଜ୍ କରନ୍ତୁ |

vectorizer = TfidfVectorizer () train_vectors = vectorizer.fit_transform (ଟ୍ରେନ୍_ ଟୋକେନ୍ସ) test_vectors = vectorizer.transform (test_tokens)

ଏକ ନାଭି ବାଇସ୍ କ୍ଲାସିଫାୟର୍ ଟ୍ରେନ୍ କରନ୍ତୁ |

ଶ୍ରେଣୀକରଣ = MultinomialNB () classifier.fit (ଟ୍ରେନ୍_ଭେକ୍ଟର୍, ଟ୍ରେନ୍_ ଡାଟା ['ଲେବଲ୍'])

ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ପୂର୍ବାନୁମାନ କର |

ଭବିଷ୍ୟବାଣୀ = classifier.predict (test_vectors)

ମଡେଲର ମୂଲ୍ୟାଙ୍କନ କର |

ସଠିକତା = ସଠିକତା_ସ୍କୋର (test_data ['label'], ପୂର୍ବାନୁମାନ) ମୁଦ୍ରଣ କରନ୍ତୁ (f'Accuracy: {ସଠିକତା: .2f} ') `` ଏହି କୋଡ୍ ଉଦାହରଣ ଏକ ସରଳ AI ଚାଳିତ ଚାଟ୍ବଟ୍ ପ୍ରଦର୍ଶନ କରେ ଯାହା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) ଏବଂ ପାଠ୍ୟ ତଥ୍ୟକୁ ବିଭିନ୍ନ ବର୍ଗରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାକୁ ମେସିନ୍ ଲର୍ନିଂ ବ୍ୟବହାର କରେ |

ଭିଜୁଆଲାଇଜେସନ୍: ଏକ ସିଷ୍ଟମ୍ ସ୍ଥାପତ୍ୟ ଚିତ୍ର |

ଏଠାରେ ଏକ ସିଷ୍ଟମ୍ ସ୍ଥାପତ୍ୟ ଚିତ୍ର ଯାହାକି AI ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଛକକୁ ବର୍ଣ୍ଣନା କରେ: "ଚାର୍ଟ { "ପ୍ରକାର": "ଗ୍ରାଫ୍", "ଡାଟା": { "ନୋଡସ୍": [ { "id": "AI", "ଲେବଲ୍": "କୃତ୍ରିମ ଇଣ୍ଟେଲିଜେନ୍ସ", "color": "# ff0000" }, { "id": "ସଫ୍ଟୱେର୍", "ଲେବଲ୍": "ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ", "color": "# 00ff00" }, { "id": "ଧାରଣା", "ଲେବଲ୍": "ଧାରଣା", "color": "# 0000ff" }, { "id": "ଜ୍ଞାନ", "ଲେବଲ୍": "ଜ୍ଞାନ", "color": "# ff00ff" }, { "id": "କାର୍ଯ୍ୟ", "ଲେବଲ୍": "କାର୍ଯ୍ୟ", "color": "# 00ffff" }, { "id": "ମତାମତ", "ଲେବଲ୍": "ମତାମତ", "color": "# ffff00" }, { "id": "ଆତ୍ମ-ସଂଗଠନ", "label": "ଆତ୍ମ-ସଂଗଠନ", "color": "# ff9900" }, { "id": "ବିବର୍ତ୍ତନ", "ଲେବଲ୍": "ବିବର୍ତ୍ତନ", "color": "# ffcc00" } ], "ଧାର": [ { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "ଧାରଣା" }, { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "ଜ୍ଞାନ" }, { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "କାର୍ଯ୍ୟ" }, { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "ମତାମତ" }, { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "ଆତ୍ମ-ସଂଗଠନ" }, { "ଉତ୍ସ": "AI", "ଲକ୍ଷ୍ୟ": "ବିବର୍ତ୍ତନ" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "AI" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "ଧାରଣା" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "ଜ୍ଞାନ" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "କାର୍ଯ୍ୟ" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "ମତାମତ" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "ଆତ୍ମ-ସଂଗଠନ" }, { "ଉତ୍ସ": "ସଫ୍ଟୱେର୍", "ଲକ୍ଷ୍ୟ": "ବିବର୍ତ୍ତନ" } ] } } `` ଏହି ଚିତ୍ରଟି AI ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଛକକୁ ବର୍ଣ୍ଣନା କରେ, AI ର six ଟି ପାରସ୍ପରିକ କ mechanism ଶଳ ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ସହିତ ସେମାନଙ୍କର ସମ୍ପର୍କକୁ ଆଲୋକିତ କରେ |

ସିଦ୍ଧାନ୍ତ

AI ଏବଂ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଛକ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ରେ ଏକ ନୂତନ ପାରାଦୀପ ସୃଷ୍ଟି କରିଛି, ଯେଉଁଠାରେ ସିଷ୍ଟମ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଆଡାପ୍ଟାବିଲିଟି ବ enhance ାଇବା ପାଇଁ ଉଦୀୟମାନ ବୁଦ୍ଧି ଦକ୍ଷତା ବ୍ୟବହାର କରାଯାଇଥାଏ | ମଡ୍ୟୁଲାର୍ ଡିଜାଇନ୍, ଇଭେଣ୍ଟ-ଚାଳିତ ସ୍ଥାପତ୍ୟ, ସେବା-ଆଧାରିତ ସ୍ଥାପତ୍ୟ, ବଣ୍ଟିତ ସିଷ୍ଟମ୍, ମେସିନ୍ ଲର୍ନିଂ, ଏବଂ ପ୍ରତିକ୍ରିୟାଶୀଳ ସିଷ୍ଟମ୍ ସହିତ ବିଭିନ୍ନ ବ technical ଷୟିକ କାର୍ଯ୍ୟକାରିତା କ ies ଶଳ ଗ୍ରହଣ କରି, ସଫ୍ଟୱେର୍ ସ୍ଥପତିମାନେ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ କରିପାରିବେ ଯାହା AI ର ପୂର୍ଣ୍ଣ ସମ୍ଭାବନାକୁ ଖୋଲିବ | ଯେହେତୁ AI ଟେକ୍ନୋଲୋଜିଗୁଡିକ ବିକଶିତ ହେବାରେ ଲାଗିଛି, ସଫ୍ଟୱେର୍ ସ୍ଥପତିମାନେ ନିଶ୍ଚିତ ଭାବରେ AI ଉପାଦାନଗୁଡ଼ିକୁ ଏକୀଭୂତ କରିବା ଏବଂ ସେମାନଙ୍କର ପୂର୍ଣ୍ଣ ସମ୍ଭାବନାକୁ ଅନଲକ୍ କରିବା ପାଇଁ ସେମାନଙ୍କର ଡିଜାଇନ୍ କ ies ଶଳକୁ ଅନୁକୂଳ କରିବା ଆବଶ୍ୟକ |

ସନ୍ଦର୍ଭ

• [1] ରସେଲ, S. J., & Norvig, P. (2010) କୃତ୍ରିମ ବୁଦ୍ଧି: ଏକ ଆଧୁନିକ ଉପାୟ | ପ୍ରିଣ୍ଟିସ୍ ହଲ୍ |
• [2] ସଟନ୍, ଆର। ଏସ୍, ଏବଂ ବାର୍ଟୋ, ଏ ଜି (2018) | ସଶକ୍ତିକରଣ ଶିକ୍ଷା: ଏକ ପରିଚୟ | MIT ପ୍ରେସ୍ |
• [3] ମିଚେଲ, ଟି। ଏମ (1997) | ମେସିନ୍ ଶିକ୍ଷା ମ୍ୟାକଗ୍ରା-ହିଲ୍ |
• [4] ୱିଗିନ୍ସ, ଜି (2013) | ଖେଳ ଡିଜାଇନର କଳା: ଲେନ୍ସର ଏକ ପୁସ୍ତକ | ନୂତନ ରାଇଡର୍ସ |
• [5] କାଲେବଲିଙ୍ଗ, L. P., Littman, M. L., & Moore, A. W. (1996) ସଶକ୍ତିକରଣ ଶିକ୍ଷା: ଏକ ସର୍ଭେ | ଜର୍ନାଲ୍ ଅଫ୍ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ ରିସର୍ଚ୍ଚ, 4, 237-285 |