تصنيفات تعلم الألة Machine Learning Categories#

تصنيفات تعلم الألة

 Machine Learning  Categories#

تصنيفات تعلم الألة Machine Learning  Categories#

التعلم الآلي يصنف على نطاق واسع تحت العناوين التالية كما توضح الصورة السابقة-

تطور التعلم الآلي من اليسار إلى اليمين كما هو موضح في الرسم البياني أعلاه.

 في البداية ، بدأ الباحثون بالتعلم الخاضع للإشراف.  هذه هي حالة التنبؤ بأسعار السكن التي نوقشت في وقت سابق.

 وأعقب ذلك تعلم غير خاضع للإشراف ، حيث تم تصميم الآلة للتعلم من تلقاء نفسها دون أي إشراف.

 اكتشف العلماء كذلك أنه قد يكون من الجيد مكافأة الجهاز عند قيامه بالمهمة بالطريقة المتوقعة وجاءت "التعلم التعزيز".

 في وقت قريب جدًا ، أصبحت البيانات المتوفرة هذه الأيام رديئة لدرجة أن التقنيات التقليدية التي تم تطويرها حتى الآن فشلت في تحليل البيانات الضخمة وتزويدنا بالتوقعات.

 وهكذا جاء التعلم العميق حيث يتم محاكاة الدماغ البشري في الشبكات العصبية الاصطناعية (ANN) التي تم إنشاؤها في أجهزة الكمبيوتر الثنائية الخاصة بنا.

 تتعلم الآلة الآن من تلقاء نفسها باستخدام قوة الحوسبة العالية وموارد الذاكرة الضخمة المتاحة اليوم.

يلاحظ الآن أن التعلم العميق حل العديد من المشكلات التي لم تكن قابلة للحل سابقًا.

 تم تطوير هذه التقنية الآن من خلال منح حوافز لشبكات التعلم العميق كجوائز ، ويأتي في النهاية التعلم العميق لتعزيز.

 دعونا الآن دراسة كل فئة من هذه الفئات بمزيد من التفصيل.

 التعلم تحت الإشراف

 التعلم الخاضع للإشراف مماثل لتدريب الطفل على المشي.  سوف تمسك بيد الطفل ، وتبين له كيفية السير قدمه إلى الأمام ، والمشي لنفسك مظاهرة وهلم جرا حتى يتعلم الطفل المشي من تلقاء نفسه.

الانحدار regression 

 وبالمثل ، في حالة التعلم الخاضع للإشراف ، تقدم أمثلة ملموسة معروفة على الكمبيوتر.  أنت تقول أنه بالنسبة لقيمة الميزة المحددة x1 ، يكون الناتج هو y1 ، و x2 يكون y2 ، و x3 هو y3 ، وهكذا.  استنادًا إلى هذه البيانات ، تُتيح للكمبيوتر معرفة علاقة تجريبية بين x و y.

 بمجرد تدريب الآلة بهذه الطريقة مع عدد كافٍ من نقاط البيانات ، ستطلب من الجهاز الآن التنبؤ بعلامة X معينة. على افتراض أنك تعرف القيمة الحقيقية لـ Y لذلك X المحدد ، ستتمكن من استنتاج  ما إذا كان التنبؤ الجهاز هو الصحيح.

 وبالتالي ، سوف تختبر ما إذا كان الجهاز قد تعلم باستخدام بيانات الاختبار المعروفة.  بمجرد أن تشعر بالرضا من أن الجهاز قادر على القيام بالتنبؤات بمستوى الدقة المطلوب (قل ما بين 80 إلى 90 ٪) ، يمكنك إيقاف المزيد من تدريب الماكينة.

 الآن يمكنك استخدام الجهاز بأمان للقيام بالتنبؤات بشأن نقاط بيانات غير معروفة ، أو مطالبة الجهاز بالتنبؤ بعلامة X المعطاة والتي لا تعرف القيمة الحقيقية لـ Y.

تصنيف classification 

يمكنك أيضا استخدام تقنيات التعلم الألى لمشاكل التصنيف. في مشاكل التصنيف ، تقوم بتصنيف الكائنات ذات الطبيعة المتشابهة إلى مجموعه واحده. علي سبيل المثال ، في مجموعه من 100 الطلاب يقولون ، قد ترغب في تجميعها في ثلاث مجموعات استنادا إلى ارتفاعاتها-قصيرة ومتوسطه وطويلة. قياس ارتفاع كل طالب ، وسوف تضع لهم في مجموعه مناسبه.

الآن ، عندما ياتي طالب جديد ، سوف تضعه في مجموعه مناسبه بقياس طوله. من خلال اتباع المبادئ في التدريب الانحدار ، وسوف تدريب الجهاز لتصنيف الطالب علي أساس ميزه له-الارتفاع. عندما يتعلم الجهاز كيفيه تشكيل المجموعات ، فانه سيكون قادرا علي تصنيف اي طالب جديد غير معروف بشكل صحيح. مره أخرى ، يمكنك استخدام بيانات الاختبار للتحقق من ان الجهاز قد تعلمت التقنية الخاصة بك من تصنيف قبل وضع النموذج المتقدم في الإنتاج.

التعلم تحت الاشراف هو المكان الذي بدات فيه الذكاء الاصطناعي حقا رحلتها. تم تطبيق هذا الأسلوب النجاح...

التعلم غير الخاضع للاشراف

في التعلم غير الخاضع للاشراف ، ونحن لا تحدد متغير الهدف إلى الجهاز ، بدلا نسال اله "ماذا يمكن ان تقول لي عن X ؟". وبشكل أكثر تحديدا ، قد نسال اسئله مثل إعطاء مجموعه البيانات الضخمة X ، "ما هي أفضل خمس مجموعات يمكننا ان نجعل من X ؟" أو "ما هي الميزات التي تحدث معا في معظم الأحيان في X ؟". للوصول إلى الإجابات علي مثل هذه الاسئله ، يمكنك ان تفهم ان عدد نقاط البيانات التي سيتطلبها الجهاز لاستنتاج استراتيجية ستكون كبيره جدا. في حاله التعلم تحت الاشراف ، يمكن تدريب الجهاز مع حتى حوالي بضعة آلاف من نقاط البيانات. ومع ذلك ، في حاله التعلم غير الخاضع للاشراف ، يبدا عدد نقاط البيانات المقبولة بشكل معقول للتعلم في بضعة ملايين. هذه الأيام ، والبيانات عموما متاحه بوفره. البيانات المثالية تتطلب التجعيد. ومع ذلك ، فان كميه البيانات التي تتدفق باستمرار في شبكه المنطقة الاجتماعية ، في معظم الحالات البيانات العملية هو مهمة مستحيلة.

يظهر الشكل التالي...

مصدر:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun داري

وقد أظهرت التعلم غير الخاضعة للاشراف نجاحا كبيرا في العديد من التطبيقات الحديثة الذكاء الاصطناعي ، مثل كشف الوجه ، وكشف الكائن ، وهلم جرا.

تعزيز التعلم

النظر في تدريب أليفه الكلبة ، ونحن تدريب المفضل لدينا لجلب الكره بالنسبة لنا. نرمي الكره علي مسافة معينه ونسال الكلبة لجلب اعادته الينا. في كل مره يفعل الكلبة هذا الحق ، ونحن مكافاه الكلبة. ببطء ، والكلبة يتعلم ان القيام بهذه المهمة يعطي له بحق مكافاه ومن ثم يبدا الرجل القيام بالعمل بالطريقة الصحيحة في كل مره في المستقبل. بالبالضبط ، يتم تطبيق هذا المفهوم في "تعزيز" نوع من التعلم. وقد وضعت هذه التقنية في البداية للآلات للعب ألعاب. يتم إعطاء الجهاز خوارزميه لتحليل جميع التحركات الممكنة في كل مرحله من مراحل اللعبة. الجهاز قد حدد واحده من التحركات عشوائيا. إذا كانت الخطوة الصحيحة ، يتم مكافاه الجهاز ، والا فانه قد يكون معاقبه. ببطء ، وسوف تبدا الجهاز التفريق 

تختلف طريقة التعلم الآلي هذه عن التعلم الخاضع للإشراف حيث لا تضطر إلى توفير أزواج المدخلات / المخرجات.  ينصب التركيز على إيجاد التوازن بين استكشاف الحلول الجديدة مقابل استغلال الحلول المستفادة.

 التعلم العميق

 التعلم العميق هو نموذج قائم على الشبكات العصبية الاصطناعية (ANN) ، وبشكل أكثر تحديدًا الشبكات العصبية التلافيفية (CNN).  هناك العديد من البنى المستخدمة في التعلم العميق مثل الشبكات العصبية العميقة ، وشبكات المعتقدات العميقة ، والشبكات العصبية المتكررة ، والشبكات العصبية التلافيفية.

 تم تطبيق هذه الشبكات بنجاح في حل مشكلات رؤية الكمبيوتر ، والتعرف على الكلام ، ومعالجة اللغة الطبيعية ، والمعلوماتية الحيوية ، وتصميم الأدوية ، وتحليل الصور الطبية ، والألعاب.  هناك العديد من المجالات الأخرى التي يتم فيها تطبيق التعلم العميق بشكل استباقي.  يتطلب التعلم العميق قوة معالجة ضخمة وبيانات ضارة ، وهي متاحة بسهولة عمومًا هذه الأيام.

وسوف نتحدث عن التعلم العميق أكثر تفصيلا في الفصول القادمة.

التعلم العميق التعزيز

يجمع التعليم المعزز العميق (DRL) بين تقنيات التعلم العميق والتعزيز. يتم الآن الجمع بين خوارزميات التعلم التعزيز مثل التعلم Q مع التعلم العميق لإنشاء نموذج DRL قويه. وقد حققت هذه التقنية نجاحا كبيرا في مجالات الروبوتات وألعاب الفيديو والتمويل والرعاية الصحية. يتم الآن حل العديد من المشاكل غير قابله للحل من خلال إنشاء نماذج DRL. هناك الكثير من البحوث الجارية في هذا المجال ، وهذا هو السعي بنشاط جدا من قبل الصناعات.

حتى الآن ، كنت قد حصلت علي مقدمه موجزه لمختلف نماذج التعلم اله ، والآن دعوانا استكشاف أعمق قليلا في خوارزميات مختلفه التي تتوفر في اطار هذه النماذج