ما هو التعلم الآلي، وماهي استخداماته؟
التعلم الآلي يدور حول استخراج المعرفة من البيانات. إنه في الأساس مجال بحثي عند تقاطع الإحصاءات والذكاء الاصطناعي وعلوم الكمبيوتر ويشار إليه أحيانا باسم التحليلات التنبؤية أو التعلم الإحصائي. يتم تدريب نظام التعلم الآلي بدلا من برمجته بشكل صريح ، مما يعني أنه يتطور بمرور الوقت. التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي ومن هنا جاءت الضجة حول هذا الموضوع. الفكرة الرئيسية ل التعلم الألي ML هي إنشاء نماذج يمكنها التعلم من البيانات وإجراء تنبؤات مستقبلية عليها.
نموذج التعلم الآلي: البيانات + الإجابات = القواعد
النماذج هي تمثيلات رياضية لعملية في العالم الحقيقي تهدف إلى استخراج المعرفة من البيانات لحل مشكلة محددة.
النموذج = خوارزمية (بيانات)
تجدر الإشارة إلى أن البيانات هي "المكون" الرئيسي في التعلم الآلي. تساعد البيانات في تدريب النموذج. Kaggle و Zindi هي مستودعات بيانات شائعة.
أنواع البيانات
يمكن تصنيف البيانات إلى أنواع مختلفة لخدمة أغراض مختلفة:
- البيانات العددية: تمثل الأرقام هذه البيانات. إنها بيانات قابلة للقياس ، مثل الوزن والطول وما إلى ذلك.
- بيانات السلاسل الزمنية: يتم ترتيب نقاط البيانات الرقمية عبر النقاط الزمنية.
- البيانات الفئوية: تنقسم البيانات إلى مجموعات محدودة مثل العرق والجنس والبلد. تأخذ المتغيرات الفئوية عددا محدودا من القيم التي تعين كل فرد لمجموعة معينة بناء على الخاصية النوعية.
- البيانات النصية: تتكون من بيانات غير رقمية، والتي يمكن أن تكون كلمات أو جمل أو فقرات.
- بيانات الصورة: تتكون من صور ذات تدرج رمادي أو صور ملونة.
سبع خطوات للتعلم الآلي
1. جمع البيانات: هذه خطوة مهمة في دورة حياة التعلم الآلي. ومع ذلك ، يجب على ممارس التعلم الآلي التأكد من أن البيانات التي تم جمعها يجب أن تعالج المشكلة المطروحة. من المهم ملاحظة أن هناك أنواعا مختلفة من البيانات.
2. إعداد البيانات وتصورها: تتضمن هذه المرحلة تنظيف البيانات ، وإزالة الحالات الشاذة ، وتوحيد القيم والقيم المتطرفة ، وتصور البيانات للحصول على رؤى. كما أنه ينطوي على فهم البيانات حول ما إذا كانت فئوية أو رقمية أو نصية.
3. اختيار نموذج: يعد اختيار النموذج أمرا مهما لأن خوارزميات التعلم الآلي تعمل بشكل أفضل اعتمادا على نوع البيانات. على سبيل المثال ، تعمل خوارزمية Naive Bayes بشكل أفضل على البيانات النصية.
4. التدريب: هذه هي مرحلة "التعلم". يحاول النموذج تعيين المدخلات إلى المخرجات لإجراء تنبؤات دقيقة.
5. التقييم: يسمح التقييم لممارسي التعلم الآلي بالتحقق مما إذا كانت التوقعات قد تم الوصول إليها أم لا. إذا لم تكن راضيا ، تتم إعادة النظر في الخطوات السابقة.
6. ضبط Hyparameter: بعد تقييم أداء النموذج على بيانات جديدة، من الممكن زيادة معدل الدقة وبالتالي الحاجة إلى ضبط المعلمات.
7. التنبؤ: هذه هي المرحلة النهائية حيث يتم تحليل النتائج النهائية وفقا لاحتياجاتهم الخاصة. المثير للدهشة أن التعلم الآلي يمكن أن يحل كل شيء حرفيا!
أنواع التعلم الآلي
يتم تصنيف التعلم الآلي إلى 3 فئات متميزة:
- التعلم الخاضع للإشراف: يتم استخدام هذه الخوارزميات كلما أردت التنبؤ بنتيجة معينة من بيانات إدخال معينة، ولديك أيضا أمثلة على أزواج الإدخال / الإخراج. الهدف من التعلم الخاضع للإشراف هو تقريب وظيفة رسم الخرائط من أمثلة المدخلات / المخرجات هذه. عندما نتغذى على بيانات جديدة لم يسبق لها مثيل ، يمكن للخوارزمية إجراء تنبؤات دقيقة.⠀
- التعلم غير الخاضع للإشراف: وهذا يشمل جميع أنواع مشاكل التعلم الآلي حيث لا يوجد مخرجات؛ تظهر خوارزمية التعلم فقط بيانات الإدخال واستخراج المعرفة من هذه البيانات. الأنواع الرئيسية للتعلم غير الخاضع للإشراف هي التحويلات غير الخاضعة للإشراف (PCA) وخوارزميات التجميع (K-Means).
- التعلم التعزيزي: عملية رياضية لنمذجة عملية صنع القرار في المواقف التي تكون فيها النتائج عشوائية جزئيا وتحت تأثير القرار. إنها عملية نشطة حيث تؤثر تصرفات الوكيل على البيانات التي لوحظت في المستقبل، والتي تؤثر على الحالات المستقبلية.
التعلم الخاضع للإشراف وغير الخاضع للإشراف هي عمليات سلبية حيث يتم تنفيذ التعلم دون أي إجراءات يمكن أن تؤثر على البيانا
لماذا يتم استخدام التعلم الآلي؟
يتم استخدام البيانات في مجالات مختلفة لاتخاذ قرارات "ذكية". باستخدام التعلم الآلي ، من السهل إنشاء نماذج من الكم الهائل من البيانات التي يمكن أن توفر نتائج أكثر دقة. من الممكن أيضا العمل مع بيانات أكثر تعقيدا وتقديم حلول أسرع. من خلال بناء نماذج دقيقة ، يمكن للمؤسسة تحديد الفرص المربحة - أو تجنب المخاطر غير المعروفة.
بشكل عام ، هناك ثلاث قوى تقود التقدم في التعلم الآلي:
- الأجهزة: أصبحت وحدات المعالجة المركزية Offshelf أسرع.
- مجموعات البيانات: البيانات متاحة بسهولة من مواقع مثل Kaggle و Zindi. قاعدة البيانات هو أيضا تقنية تستخدم للحصول على البيانات.
- التقدم الخوارزمي: يتم تحسين الخوارزميات لتحسين انتشار التدرج.
تطبيقات التعلم الآلي
- التعرف على الصور: يتم استخدامه لتحديد الأشياء والأشخاص والأماكن والصور الرقمية وما إلى ذلك.
- التعرف على الكلام: عملية تحويل الصوت إلى نص.
- سيارات ذاتية القيادة.
- التشخيص الطبي: يستخدم التعلم الآلي للتشخيص الطبي; كما أنها تستخدم في بعض الأنظمة لتحديد الأورام.
- الترجمة التلقائية للغة: من الممكن ترجمة لغة إلى أخرى في شكل نص أو صوت.
استنتاج
هذا كل شيء في هذه الجلسة من المقدمة للتعلم الآلي ولماذا هو مهم جدا هذه الأيام. إنها موجة جديدة من الاستثمار ستتحسن بشكل كبير في السنوات القادمة! ترقبوا يساند Y-SANED لمعرفة المزيد عن التعلم الآلي.
ليست هناك تعليقات:
إرسال تعليق