الرئيسيةعريقبحث

تعلم آلي

دراسة علمية لخوارزميات ونماذج إحصائية تستخدمها الأنظمة لأداء مهام دون تعاليم صريحة

☰ جدول المحتويات

التعلم الألي (Machine Learning)‏ هو أحد فروع الذكاء الاصطناعي التي تهتم بتصميم وتطوير خوارزميات وتقنيات تسمح للحواسيب بامتلاك خاصية "التعلم". بشكل عام هناك مستويين من التعلم: الاستقرائي والاستنتاجي. يقوم الاستقرائي باستنتاج قواعد وأحكام عامة من البيانات الضخمة. المهمة الأساسية للتعلم الآلي هو استخراج معلومات قيمة من البيانات، بالتالي هو قريب جدا من التنقيب في البيانات (data mining)‏ والإحصاء والمعلوماتية النظرية[1].

يتضمن التعلم الآلي عدداً كبيراً من حقول التطبيقات: معالجة اللغات الطبيعية (natural language processing)‏ وتمييز الأنماط (syntactic pattern recognition)‏ ومحركات البحث (search engines)‏ والتشخيص الطبي والمعلوماتية الحيوية والمعلوماتية الكيميائية، تصنيف تسلسلات الدنا، تمييز الكلام (speech recognition)‏ وتمييز الكتابة handwriting recognition، وحتى تمييز الأشياء (object recognition)‏، رؤية الحاسوب (computer vision)‏ الألعاب الإستراتيجية وتحريك الروبوت (robot locomotion)‏.

تعريف

قد وفَر توم م. ميتشيل تحديداً مقتبساً واسعة الاقتباس: يقال أَنَّ برنامجا حاسوبياً "يتعلَّم" من خبرة 'x' بالنسبة إلى صنف ما من الأَشغال 'y' وبالنسبة إِلى مقياس الإتمامِ z. إذا تحسَن إتمام البرنامج على أشغال في 'y' بعد خبرة 'x'، بمقياس z' .[2]

أنواع طرق تعلم الآلة

يتم تصنيف خورازميات تعلم الآلة إلى عدة أنواع:[3]

  • التعلم بالإشراف (Supervised Learning): وهو أحد أشهر أنواع التعلم الآلي ويقوم على وجود بيانات وقرائنها الصحيحة عند وقت التعلم.
  • شبه التعلم بالإشراف (Semi-supervised learning): وهو عند وجود بيانات مع قرائنها الصحيحة ولكنها محدودة أو غير مكتملة.
  • التعلم بدون إشراف (Unsupervised Learning): وهو تعلم يَنتُج عن وجود بيانات بدون قرائنها الصحيحة.
  • التعلم المعزز (Reinforcement learning): وهو أحد أنواع التعلم بدون إشراف، وفيه تتفاعل الآلة مع البيئة وتبني خبراتها بناءً على هذا التفاعل.

مواضيع التعلم الآلي

هذه القائمة الموضوعات التي يتم تناولها في دورة تعلّم الآلي النموذجية:

Prerequisites

نمذجة دوال كثافة الاحتمال الشرطي Regression analysis|regression]] and إحصاءتصنيف آلي]]

Algorithms for estimating model parameters

Modeling دالة الكثافة الاحتماليةs through generative models

Approximate inference techniques

Optimization

  • Most of methods listed above either use optimization or are instances of optimization algorithms

Meta-learning ensemble methods

Inductive transfer and learning to learn


انظر أيضاً

المراجع

  1. Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer,  
  2. * Mitchell, T. (1997). Machine' Learning, McGraw Hill. , p.2.
  3. Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning, Springer. (companion book site).

موسوعات ذات صلة :