خواجہ عبدالرؤف عشرت لکھنوی
خواجہ عبدالروف عشرت، لکھنؤ داروغہ حیدربخش کی مسجد کے نیچے کتابوں کی ایک چھوٹی سی دوکان پر بیٹھا کرتے تھے، مگر خدا جانے کیا بات ہے یہ چھوٹی سے معمولی حیثیت کی دوکان نصف صدی تک لکھنؤ کے اہل علم و ادب کا مرکز بنی رہی، اور میں نے بھی چالیس برس اس چھوٹی سی دکان کو اسی طرح علم و ادب کے قدرشناسوں کا مرکز دیکھا، اس وقت جب لکھنؤ کا چوک بجلی اور گیس کی روشنیوں سے جگمگارہا تھا یہی دکان تھی جس پر پرانا مٹی کا چراغ جلا کرتا تھا، اور دنیا کو وضعداری کی روشنی دکھاتا تھا، افسوس کہ زبان و ادب کا یہ ٹمٹماتا ہوا چراغ بھی بجھ گیا۔
خواجہ صاحب گو خود غیر معمولی شاعر نہ تھے، مگر لکھنؤ کے بڑے بڑے شاعروں کی صحبت اٹھائے تھے، بحرؔ مرحوم کے شاگرد تھے، نظم سے زیادہ نثر لکھتے تھے اور لکھنؤ کی راجدھانی اور لکھنؤ کے جانعالم کی کہانی ان کا خاص موضوع تھا، لکھنوء کی بول چال اور محاوروں اور روزمرہ کو بخوبی برتتے تھے، نیک مزاج، وضعدار اور قناعت پسند تھے، اﷲ تعالیٰ مغفرت فرمائے۔ (سید سلیمان ندوی،جولائی ۱۹۴۰ء)
تهدف هذه الدراسة للرجوع إلى موضوع نقد المتن عند المحدثين للكشف عن جهودهم في الدفاع عن السنّة النبوية الشريفة عن طريق نقد ما لا يصح من المتون، فموضوع الدراسة بقدر ما هو واضح المعالم وبيّن إلا أن الخطأ فيه لا يُغتَفر كون أنَّه يتعلق بحفظ السنّة، ولقد اعتمد الباحث على المنهج الوصفي التحليلي القائم على سرد وتحليل الأحاديث المتعلقة بالموضوع، وتوصل الى عدّة نتائج أهمها أن: المحدث في حالة النقد ينظر الى السند والمتن معاً على حد سواء، وأن جهود العلماء المتقدمين في نقد المتون متنوعة بحسب الفن التحديثي، وقد أوصى الباحث بضرورة تجميع وترتيب جهود العلماء المتقدمين والمتأخرين حسب التخصص لحل إشكالية نقد المتون عند المحدثين.
الكلمات المفتاحية: نقد المتن، المحدثون، السنة النبوية، السيرة النبوية، الحديث الشريف.
The aim of the thesis is to examine and analyze different aggregation algorithms to the forecasts obtained from individual neural network (NN) models in an ensemble. In this study an ensemble of 100 NN models are constructed with a heterogeneous architecture. The outputs from the individual NN models were combined by four different aggregation algorithms in NNs ensemble. These algorithms include equal weights combination of Best NN models, combination of trimmed forecasts, combination through Variance-Covariance method and Bayesian Model Averaging. The aggregation algorithms were employed on the forecasts obtained from all individual NN models as well as on a number of the best forecasts obtained from the best NN models. The output of the aggregation algorithms of NNs ensemble were analyzed and compared with each other and with the individual NN models used in NNs ensemble. The results of the aggregation algorithms of NNs ensemble are also compared with the Simple Averaging method. The performances of these aggregation algorithms of NNs ensemble were evaluated with the mean absolute percentage error and symmetric mean absolute percentage error.
In the empirical analysis, the methodologies developed were tested on the Universiti Teknologi PETRONAS load data set of five years from 2006 to 2010 for forecasting. It can be concluded from the results that the aggregation algorithms of NNs ensemble can improve the accuracy of forecast than the individual NN models with a test data set. Furthermore, in the comparison with the Simple Averaging method, the aggregation algorithms of NNs ensemble demonstrate slightly better performance than the Simple Averaging. It has also been observed during the empirical analysis that; reducing the size of ensemble increases the diversity and, hence, accuracy. Moreover, it has been concluded that more benefits can be achieved by the utilization of an advanced method for forecast combinations.