CVXOPT ਲਾਇਬ੍ਰੇਰੀ ਸਾਫਟ ਮਾਰਜਿਨ SVM ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਅਨੁਕੂਲਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਿਵੇਂ ਸੁਵਿਧਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ?
CVXOPT ਲਾਇਬ੍ਰੇਰੀ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ ਹੈ ਜੋ ਸੌਫਟ ਮਾਰਜਿਨ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM) ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ। SVM ਇੱਕ ਪ੍ਰਸਿੱਧ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਕਾਰਜਾਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਨੁਕੂਲ ਹਾਈਪਰਪਲੇਨ ਲੱਭ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਕਲਾਸਾਂ ਦੇ ਵਿਚਕਾਰ ਹਾਸ਼ੀਏ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦੇ ਹੋਏ ਡਾਟਾ ਪੁਆਇੰਟਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੱਖ ਕਰਦਾ ਹੈ।
CVXOPT, ਕਨਵੈਕਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਲਈ ਛੋਟਾ, ਇੱਕ ਪਾਈਥਨ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਕਨਵੈਕਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆਵਾਂ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਕਨਵੈਕਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੁਸ਼ਲ ਰੁਟੀਨਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸੌਫਟ ਮਾਰਜਿਨ SVM ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, CVXOPT ਕਈ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਅਨੁਕੂਲਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਹੁਤ ਸਰਲ ਬਣਾਉਂਦੇ ਹਨ।
ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਸਭ ਤੋਂ ਪਹਿਲਾਂ, CVXOPT ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਉਪਭੋਗਤਾ-ਅਨੁਕੂਲ ਅਤੇ ਅਨੁਭਵੀ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਦੇਸ਼ ਫੰਕਸ਼ਨ, ਰੁਕਾਵਟਾਂ ਅਤੇ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਸੰਖੇਪ ਅਤੇ ਪੜ੍ਹਨਯੋਗ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਉਹਨਾਂ ਦੀਆਂ ਅਨੁਕੂਲਨ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਇੱਕ ਗਣਿਤਿਕ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ ਜਿਹਨਾਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
CVXOPT ਕਨਵੈਕਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਹੱਲ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦਾ ਵੀ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਅੰਦਰੂਨੀ-ਪੁਆਇੰਟ ਵਿਧੀਆਂ ਅਤੇ ਪਹਿਲੇ-ਕ੍ਰਮ ਦੇ ਢੰਗ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਹੱਲ ਕਰਨ ਵਾਲੇ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਅਨੁਕੂਲਨ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹਨ, ਜੋ ਕਿ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ 'ਤੇ SVM ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਲਾਇਬ੍ਰੇਰੀ ਆਟੋਮੈਟਿਕ ਹੀ ਸਮੱਸਿਆ ਦੇ ਢਾਂਚੇ ਅਤੇ ਉਪਭੋਗਤਾ ਤਰਜੀਹਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਹੱਲ ਕਰਨ ਵਾਲੇ ਦੀ ਚੋਣ ਕਰਦੀ ਹੈ, ਕੁਸ਼ਲ ਅਤੇ ਸਹੀ ਹੱਲਾਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, CVXOPT ਆਮ ਗਣਿਤਿਕ ਕਾਰਵਾਈਆਂ ਲਈ ਬਿਲਟ-ਇਨ ਫੰਕਸ਼ਨਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਮੈਟ੍ਰਿਕਸ ਓਪਰੇਸ਼ਨ ਅਤੇ ਰੇਖਿਕ ਅਲਜਬਰਾ ਗਣਨਾ। ਇਹ ਫੰਕਸ਼ਨ ਤੇਜ਼ ਅਤੇ ਕੁਸ਼ਲ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਘੱਟ-ਪੱਧਰੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ, ਜਿਵੇਂ ਕਿ C ਅਤੇ Fortran ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਨੁਕੂਲਿਤ ਅਤੇ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਗੁੰਝਲਦਾਰ ਗਣਿਤਿਕ ਕਾਰਵਾਈਆਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਕਰਨ, ਕੰਪਿਊਟੇਸ਼ਨਲ ਬੋਝ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਅਨੁਕੂਲਨ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਮੁੱਚੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, CVXOPT SVM ਮਾਡਲਾਂ ਵਿੱਚ ਕਸਟਮ ਕਰਨਲ ਦੀ ਵਰਤੋਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਕਰਨਲ SVM ਦੇ ਇੱਕ ਬੁਨਿਆਦੀ ਹਿੱਸੇ ਹਨ ਜੋ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਵੈਕਟਰਾਂ ਦੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕੀਤੇ ਬਿਨਾਂ ਉੱਚ-ਅਯਾਮੀ ਵਿਸ਼ੇਸ਼ਤਾ ਸਪੇਸ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। CVXOPT ਕਸਟਮ ਕਰਨਲ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਇੱਕ ਲਚਕਦਾਰ ਫਰੇਮਵਰਕ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਖਾਸ ਲੋੜਾਂ ਅਨੁਸਾਰ SVM ਮਾਡਲ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।
ਸਾਫਟ ਮਾਰਜਿਨ SVM ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ CVXOPT ਦੀ ਵਰਤੋਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ, ਹੇਠਾਂ ਦਿੱਤੀ ਉਦਾਹਰਣ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ -1 ਅਤੇ 1 ਦੇ ਰੂਪ ਵਿੱਚ ਲੇਬਲ ਕੀਤੇ ਦੋ ਕਲਾਸਾਂ ਵਾਲਾ ਇੱਕ ਡੇਟਾਸੈਟ ਹੈ, ਅਤੇ ਅਸੀਂ ਨਵੇਂ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਨੂੰ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਇੱਕ SVM ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ CVXOPT ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਅਨੁਕੂਲ ਹਾਈਪਰਪਲੇਨ ਲੱਭਦੀ ਹੈ।
ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਉਦੇਸ਼ ਫੰਕਸ਼ਨ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ, ਜਿਸਦਾ ਉਦੇਸ਼ ਹੈਜ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਨਾ ਅਤੇ ਹਾਸ਼ੀਏ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨਾ ਹੈ। ਅਸੀਂ ਇਸਨੂੰ CVXOPT ਦੇ ਸੰਟੈਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਚਤੁਰਭੁਜ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਅੱਗੇ, ਅਸੀਂ ਪਾਬੰਦੀਆਂ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹਾਂ, ਜੋ ਲਾਗੂ ਕਰਦੇ ਹਨ ਕਿ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ CVXOPT ਦੇ ਸੋਲਵਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਾਂ।
ਇੱਕ ਵਾਰ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਹੋ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਅਨੁਕੂਲ ਹਾਈਪਰਪਲੇਨ ਪੈਰਾਮੀਟਰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਵਜ਼ਨ ਅਤੇ ਪੱਖਪਾਤ, ਜੋ ਫੈਸਲੇ ਦੀ ਸੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇਹਨਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਫਿਰ ਫੈਸਲੇ ਦੀ ਸੀਮਾ ਦੇ ਅਨੁਸਾਰ ਉਹਨਾਂ ਦੀ ਸਥਿਤੀ ਦੇ ਅਧਾਰ ਤੇ ਨਵੇਂ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
CVXOPT ਲਾਇਬ੍ਰੇਰੀ ਟੂਲਸ ਅਤੇ ਕਾਰਜਕੁਸ਼ਲਤਾਵਾਂ ਦਾ ਇੱਕ ਵਿਆਪਕ ਸੈੱਟ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜੋ ਸਾਫਟ ਮਾਰਜਿਨ SVM ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੁਵਿਧਾਜਨਕ ਬਣਾਉਂਦੀ ਹੈ। ਇਸਦਾ ਉਪਭੋਗਤਾ-ਅਨੁਕੂਲ ਇੰਟਰਫੇਸ, ਕੁਸ਼ਲ ਹੱਲ ਕਰਨ ਵਾਲੇ, ਬਿਲਟ-ਇਨ ਗਣਿਤਿਕ ਫੰਕਸ਼ਨਾਂ, ਅਤੇ ਕਸਟਮ ਕਰਨਲ ਲਈ ਸਮਰਥਨ ਇਸ ਨੂੰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਖੇਤਰ ਵਿੱਚ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਇੱਕ ਕੀਮਤੀ ਸੰਪਤੀ ਬਣਾਉਂਦੇ ਹਨ।
ਬਾਰੇ ਹੋਰ ਹਾਲੀਆ ਸਵਾਲ ਅਤੇ ਜਵਾਬ ਪਾਈਥਨ ਨਾਲ ਈਆਈਟੀਸੀ/ਏਆਈ/ਐਮਐਲਪੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ:
- ਕਿਸੇ ਨੂੰ SVM ਐਲਗੋਰਿਦਮ ਦੀ ਬਜਾਏ KNN ਕਿਉਂ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਉਲਟ ਵੀ?
- ਕਵਾਂਡਲ ਕੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਵਰਤਮਾਨ ਵਿੱਚ ਕਿਵੇਂ ਸਥਾਪਿਤ ਕਰਨਾ ਹੈ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ?
- ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਵਿੱਚ b ਪੈਰਾਮੀਟਰ (ਸਭ ਤੋਂ ਵਧੀਆ ਫਿਟ ਲਾਈਨ ਦਾ y-ਇੰਟਰਸੈਪਟ) ਕਿਵੇਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ?
- ਇੱਕ SVM ਦੀ ਨਿਰਣਾਇਕ ਸੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਵੈਕਟਰ ਕੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ, ਅਤੇ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਉਹਨਾਂ ਦੀ ਪਛਾਣ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?
- SVM ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਭਾਰ ਵੈਕਟਰ `w` ਅਤੇ bias `b` ਦਾ ਕੀ ਮਹੱਤਵ ਹੈ, ਅਤੇ ਉਹ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ?
- ਇੱਕ SVM ਲਾਗੂ ਕਰਨ ਵਿੱਚ `ਵਿਜ਼ੂਅਲਾਈਜ਼` ਵਿਧੀ ਦਾ ਉਦੇਸ਼ ਕੀ ਹੈ, ਅਤੇ ਇਹ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰਦਾ ਹੈ?
- ਇੱਕ SVM ਲਾਗੂ ਕਰਨ ਵਿੱਚ `ਭਵਿੱਖਬਾਣੀ` ਵਿਧੀ ਇੱਕ ਨਵੇਂ ਡੇਟਾ ਪੁਆਇੰਟ ਦਾ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ?
- ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇੱਕ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM) ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਕੀ ਹੈ?
- ਪਾਈਥਨ ਵਿੱਚ SVM ਵਰਗੀਕਰਣ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸਕਿਟ-ਲਰਨ ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਮੁੱਖ ਫੰਕਸ਼ਨ ਕੀ ਸ਼ਾਮਲ ਹਨ?
- SVM ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿੱਚ ਰੁਕਾਵਟ (y_i (mathbf{x}_i cdot mathbf{w} + b) geq 1) ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਸਮਝਾਓ।
Python ਨਾਲ EITC/AI/MLP ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਹੋਰ ਸਵਾਲ ਅਤੇ ਜਵਾਬ ਦੇਖੋ