التفهم الآلي
|
التفهم الآلي والتنقيب في البيانات |
|---|
|
المشاكل
|
|
التفهم بإشراف (التصنيف • الانكفاء)
|
|
التعنقد
|
|
خفض الأبعاد
|
|
التنبؤ البنيوي
|
|
كشف الشذوذ
|
|
الشبكات العصبية
|
|
التفهم بالتقوية
|
|
النظرية
|
|
منتديات التفهم الآلي
|
|
|
التفهم الآلي والتنقيب في البيانات |
|---|
|
المشاكل
|
|
التفهم بإشراف (التصنيف • الانكفاء)
|
|
التعنقد
|
|
خفض الأبعاد
|
|
التنبؤ البنيوي
|
|
كشف الشذوذ
|
|
الشبكات العصبية
|
|
التفهم بالتقوية
|
|
النظرية
|
|
منتديات التفهم الآلي
|
|
التفهم الآلي Machine learning) ML) هودراسة خوارزميات الكمبيوتر التي تتحسن تلقائيًا من خلال الخبرة. يُنظر إليه على أنه مجموعة فرعية من الذكاء الاصطناعي. تبني خوارزميات التفهم الآلي نموذجًا رياضيًا استنادًا إلى عينة بيانات ، تُعهد باسم "بيانات التدريب" ، من أجل وضع تنبؤات أوقرارات دون حتى تتم برمجتها بشكل صريح للقيام بذلك. يتم استخدام خوارزميات التفهم الآلي في مجموعة متنوعة من التطبيقات ، مثل تصفية البريد الإلكتروني ورؤية الكمبيوتر ، حيثقد يكون من الصعب أوغير العملي تطوير خوارزميات تقليدية لأداء المهام المطلوبة.
يرتبط التفهم الآلي ارتباطًا وثيقًا بـ الإحصائيات الحسابية ، التي هجرز على عمل التنبؤات باستخدام أجهزة الكمبيوتر. تقدم دراسة التحسين الرياضي الأساليب والنظرية ومجالات التطبيق في مجال التفهم الآلي. استخراج البيانات هومجال دراسي ذوصلة ، حيث يركز على تحليل البيانات الاستكشافية من خلال التفهم غير الخاضع للرقابة. يُشار إلى التفهم الآلي أيضًا في تطبيقه عبر مسائل الأعمال على أنه تحليلات تنبؤية.
استعراض
يتضمن التفهم الآلي أجهزة الكمبيوتر التي تكتشف كيف من الممكن أن يمكنها أداء المهام دون حتى تتم برمجتها بشكل صريح للقيام بذلك. للمهام البسيطة المعينة لأجهزة الكمبيوتر ، من الممكن برمجة خوارزميات تخبر الجهاز بكيفية تطبيق جميع المراحل المطلوبة لحل المشكلة في متناول اليد ؛ من جانب الكمبيوتر ، لا حاجة للتفهم. للمهام الأكثر تقدمًا ، قد يحدث من الصعب على الإنسان إنشاء الخوارزميات المطلوبة يدويًا. من الناحية العملية ، يمكن حتى تكون أكثر فاعلية لمساعدة الآلة على تطوير خوارزمية خاصة بها ، بدلاً من جعل المبرمجين البشر يحددون جميع خطوة مطلوبة.
يستخدم نظام التفهم الآلي مناهج مختلفة لمساعدة أجهزة الكمبيوتر على تفهم إنجاز المهام حيث لا تتوفر خوارزمية سقمية تمامًا. في الحالات التي توجد فيها أعداد كبيرة من الإجابات المحتملة ، يتمثل أحد الأساليب في تصنيف بعض الإجابات السليمة على أنها صالحة. يمكن استعمال هذا بعد ذلك كبيانات تدريب للكمبيوتر لتحسين الخوارزميات التي يستخدمها لتحديد الإجابات السليمة. على سبيل المثال ، لتدريب نظام لمهمة التعهد على الأحرف الرقمية ، غالبًا ما يتم استخدام مجموعة بيانات MNIST.
أساليب التفهم الآلي
تقسم التصنيفات الأولية لأساليب التفهم الآلي أحيانًا إلى ثلاث فئات عريضة ، اعتمادًا على طبيعة "الإشارة" أو"التغذية العكسية" المتاحة لنظام التفهم. فكانت هذه:
التفهم تحت الإشراف: يتم تقديم الكمبيوتر مع أمثلة المدخلات والمخرجات المطلوبة ، والتي قدمها "المعلّم" ، والهدف هوفهم قاعدة عامة حتى مدخلات الخرائط للمخرجات
التفهم غير الخاضع للأشراف: لا يتم إعطاء تسميات لخوارزمية التفهم ، وهجرها بمفردها للعثور على هيكل في مدخلاتها. يمكن حتىقد يكون التفهم غير الخاضع للإشراف هدفًا في حد ذاته (اكتشاف الأنماط المخفية في البيانات) أووسيلة لتحقيق غاية (ميزة التفهم).
التفهم مع التعزيز: يتفاعل برنامج الكمبيوتر مع البيئة الديناميكية التي يجب حتى يؤدي فيها هدفًا معينًا (مثل قيادة مركبة أولعب لعبة ضد الخصم) أثناء التنقل في فضاء مشكلته أومسألته الخاصة ، يتم تزويد البرنامج بملاحظات مماثلة للمكافآت ، والتي تحاول تعظيمها.
وقد تطورت أساليب أوعمليات أخرى منذ ذلك الحين لا تتناسب تمامًا مع هذا التصنيف ثلاثي الأبعاد ، وفي بعض الأحيان يتم استخدام أكثر من واحد بواسطة نفس نظام التفهم الآلي. على سبيل المثال نمذجة موضوع ما ، تقليل الأبعاد أو التفهم الخارق. اعتبارًا من عام 2020 ، أصبح التفهم العميق هوالأسلوب السائد لكثير من العمل المستمر والجاري في مجال التفهم الآلي .
التاريخ والعلاقات مع المجالات الأخرى
آرثر ساميوِل، الريادي الأمريكي في مجال
صُمم مصطلح "التفهم الآلي" في عام 1959 من قبل آرثر صموئيل IBMer الأمريكي الرائد في مجال ألعاب الكمبيوتر والذكاء الاصطناعي. فقد كان كتاب نِلسن عن آلات التفهم الكتاب التمثيلي لبحوث التفهم الآلي خلال الستينيات ، والذي يتعامل في الغالب مع التفهم الآلي لتصنيف الأنماط. استمرت الاهتمامات المتعلقة بالتعهد على الأنماط في السبعينيات ، كما وصفها دودا وهارت في عام 1973. في عام 1981 تم تقديم تقرير عن استخدام استراتيجيات التعليم بحيث تتفهم الشبكة العصبية التعهد على 40 حرفًا (26 حرفًا وعشرة أرقام وأربعة رموز خاصة) من جهاز كمبيوتر.
قدم توم م. متشل تعريفًا مقتبسًا وأكثر رسمية للخوارزميات التي تمت دراستها في مجال التفهم الآلي: "يُنطق حتى برنامج الكمبيوتر يتفهم من التجربة E فيما يتعلق ببعض فئات المهام T وقياس الأداء P إذا كان أدائه في المهام في "T" ، كما يقاس بـ "P" ، يتحسن مع التجربة "E"." يقدم هذا التعريف للمهام التي يعنيها التفهم الآلي أساسًا تعريفًا تشغيليًا بدلاً من تحديد المجال من الناحية المعهدية. يتبع ذلك اقتراح آلان تورينج في ورقته "آلات الحوسبة والذكاء" ، التي طرح فيها السؤال "هل يمكن للآلات التفكير؟" يتم استبداله بالسؤال "هل يمكن للآلات حتى تعمل ما يمكننا القيام به (ككيانات تفكير)?".
العلاقة مع الذكاء الصناعي
كمسعى فهمي ، نما التفهم الآلي من البحث عن الذكاء الاصطناعي. في الأيام الأولى من الذكاء الاصطناعي باعتباره انضباط أكاديمي ، كان بعض الباحثين مهتمين بتفهم الآلات من البيانات. حاولوا معالجة المشكلة بأساليب رمزية مختلفة ، وكذلك ما أطلق عليه بعد ذلك "الشبكة العصبية" ؛ كانت هذه في الغالب perceptrons و نماذج أخرى ADALINE التي تم اكتشافها لاحقًا على أنها اختراعات لـ نموذج خطي معمم للإحصاءات. تم استخدام المنطق الاحتمالي أيضاً ، خاصة في التشخيص الطبي الآلي.
ومع ذلك ، أدى الهجريز المتزايد على النهج المنطقي القائم على الفهم إلى حدوث شقاق بين الذكاء الاصطناعي والتفهم الآلي. تعاني الأنظمة الاحتمالية من المشكلات النظرية والعملية للحصول على البيانات وتمثيلها.بحلول عام 1980 ، أصبحت النظم الخبيرة تهيمن على الذكاء الاصطناعي ، وكانت الإحصاءات غير مواتية.استمر العمل في التفهم الرمزي / القائم على الفهم داخل AI ، مما أدى إلى البرمجة المنطقية الاستقرائية ، ولكن الخط الإحصائي للبحث أصبح الآن خارج مجال الذكاء الاصطناعي السليم ، في التعهد على الأنماط واسترجاع المعلومات. تم التخلي عن أبحاث الشبكات العصبية بواسطة الذكاء الاصطناعي وعلوم الكمبيوتر في نفس الوقت تقريبًا. هذا الخط ، أيضًا ، استمر خارج مجال الذكاء الاصطناعي / علوم الكمبيوتر ، باسم "اتصالية" ، من قبل باحثين من تخصصات أخرى بما في ذلك هوپفلد ، روملهارت و هنتون. اتى نجاحهم الرئيسي في منتصف الثمانينيات مع إعادة اختراع الانتشار العكسي.
بدأ التفهم الآلي ، الذي أعيد تنظيمه كحقل منفصل ، في الازدهار في التسعينيات. غيّر المجال هدفه من تحقيق الذكاء الاصطناعي إلى معالجة المشاكل القابلة للحل ذات الطبيعة العملية. غيرت الهجريز بعيدًا عن المقاربات الرمزية التي ورثتها عن الذكاء الاصطناعي ، ونحوالأساليب والنماذج المستعارة من الإحصاءات ونظرية الاحتمالات.اعتبارًا من عام 2019 ، تواصل الكثير من المصادر التأكيد على حتى التفهم الآلي لا يزال مجالًا فرعيًا للذكاء الاصطناعي. ومع ذلك ، فإن بعض الممارسين ، على سبيل المثال الدكتور دانييل هولم ، الذي يقوم بتدريس الذكاء الاصطناعي ويدير شركة تعمل في هذا المجال ، والذي يجادل بأن التفهم الآلي والذكاء الاصطناعي منفصلان.
علاقة الاستكشاف والبحث عن البيانات
غالبًا ما يستخدم التفهم الآلي واستخراج البيانات نفس الأساليب ويتداخلان بشكل كبير ، ولكن بينما يركز التعليم الآلي على التنبؤ ، استنادًا إلى الخصائص "المعروفة" والتي تم الاستفادة منها من بيانات التدريب ، [يركز] استخراج البيانات على الاكتشاف للخصائص (غير المعروفة سابقًا) في البيانات (هذه هي خطوة التحليل لـ اكتشاف الفهم في قواعد البيانات). تستخدم عملية اكتشاف والتنقيب عن البيانات الكثير من أساليب التفهم الآلي ، لكن مع أهداف مختلفة ؛ من ناحية أخرى ، يستخدم التفهم الآلي أيضًا أساليب استخراج البيانات كـ "تفهم غير خاضع للإشراف" أوكخطوة قبل المعالجة لتحسين دقة المتفهم. الكثير من الالتباس بين هاتين المجموعتين من البحوث (التي غالباً ماقد يكون لها مؤتمرات منفصلة ومجلات منفصلة ، ECML PKDD كونها استثناءً رئيسيًا) يأتي من الافتراضات الأساسية التي تعمل بها: في التفهم الآلي ، يتم تقييم الأداء عادةً بالأخذ بعين الاعتبار "إعادة إنتاج إدراكاً أوفهماً معروفاً" ، بينما في اكتشاف الفهم واستخراج البيانات (KDD) المهمة الأساسية هي اكتشاف فهماً أوإدراكاً "غير معروفاً" سابقًا. عند تقييمها فيما يتعلق بالفهم المعروف، سيتم بسهولة تفوق طريقة (غير خاضعة للإشراف أوغير مراقبة) وغير معروفة بطرق أخرى خاضعة للإشراف ، بينما في مهمة KDD النموذجية، لا يمكن استعمال الطرق الخاضعة للإشراف بسبب عدم توفر بيانات التدريب.
العلاقة بعملية التحسين
يرتبط التعليم الآلي أيضًا بعلاقة قوية بـ التحسين: حيث تم صياغة الكثير من مشكلات التفهم كتقليل لبعض دالة الخسارة والضياع على مجموعة من الأمثلة التدريبية. تعبر وظائف أوتوابع الخسارة عن التناقضات بين تنبؤات النموذج الذي يتم تدريبه وحالات المشكلة العملية (على سبيل المثال ، في التصنيف ، يريد المرء تعيين تسمية للحالات ، ويتم تدريب النماذج على التنبؤ بشكل سليم بالتسميات المعينة مسبقًا لمجموعة من أمثلة). ينشأ الاختلاف بين الحقلين من هدف التعميم: في حين حتى خوارزميات التحسين يمكن حتى تقلل من الخسارة في مجموعة التدريب ، بينما يهتم التفهم الآلي بتقليل الخسارة في العينات غير المرئية.
العلاقات الإحصائية
يرتبط مجال التفهم الآلي بمجال الإحصائيات ارتباطًا وثيقًا من حيث الطرق والنظريات ، لكنهما تتميزان في هدفهما الرئيسي:حيث حتى الإحصائيات تجذب قطاع السكان من خلال الاستدلالات من نموذج ، في حين تجد الآلة حتى التفهم يحتاج أنماطًا تنبؤية قابلة للتعميم. وفقًا لـ Michael I. Jordan ، تم استنباط أفكار التفهم الآلي ، من المبادئ المنهجية إلى الأدوات النظرية ، وكان لها تاريخ طويل في الإحصاء. قام أيضاً باقتراح مصطلح فهم البيانات كعنصر نائب لاستنادىء تام الحقل .
قام ليوبريمان بالتمييز بين نمطين للنمذجة الإحصائية وهما : نموذج البيانات ونموذج الخوارزمية ، هذا يعني حتى مصطلح "نموذج الخوارزمية" يعني أكثر أوأقل من خوارزميات التفهم الآلي مثل مجموعة عشوائية.
اعتمد بعض الإحصائيين على أساليب من التفهم الآلي ، مما أدى إلى الحصول على حقل مشهجر سمي "بالتفهم الإحصائي"'.
أنواع الخوارزميات
- التفهم الخاضع للإشراف يقوم بتوليد وظيفة تقوم بتخطيط المدخلات للمخرجات المطلوبة. على سبيل المثال ، في مسألة تصنيف ، يقارب المتفهم دالة ما تقابل بدورها متجهًا إلى فئات وطبقات من خلال النظر في أمثلة المدخلات والمخرجات للدالة.
- التفهم غير الخاضع للإشراف يمثل مجموعة من المدخلات ، مثل التجميع.
- تعليم شبه خاضع للإشراف يجمع بين كلا من الأمثلة المصنفة وغير المُعلَّمة لإنشاء وظيفة أومصنف مناسب.
- التفهم التعزيز يتفهم هذاالنوع كيفية التصرف مع ملاحظة الجوالمحيط . فكل إجراء له بعض التأثير في البيئة المحيطة ، وتوفر هذه البيئة ملاحظات ونتائج في شكل مكافآت (تغذية عكسية) تقوم بتوجيه خوارزمية التفهم.
- التوضيح يحاول هذا النوع بالتنبؤ بمخرجات جديدة بناءً على مدخلات التدريب ونتائج التدريب ومدخلات الاختبار.
- تفهم التفهم فتتفهم التحيز الاستقرائي الخاص بها بناءً على التجربة السابقة.
النظرية
الهدف الأساسي للمتفهم هوالتعميم من تجربته. التعميم في هذا السياق هوقدرة جهاز التفهم على الأداء بدقة في أمثلة / مهام جديدة غير مرئية بعد تجربة مجموعة بيانات تعليمية. وتأتي أمثلة التدريب من توزيع الاحتمالات الغير المعروف بشكل عام (الذي يُعتبر ممثلاً لفضاء الحوادث) وعلى المتفهم بناء نموذج عام حول هذه المساحة يمكّنه من إنتاج تنبؤات دقيقة بما فيه الكفاية عند وجود حالات جديدة.
التحليل الحسابي لخوارزميات التفهم الآلي وأدائها هوفرع من علوم الكمبيوتر النظرية المعروفة باسم نظرية التفهم الحسابية. نظرًا لأن مجموعات التدريب محدودة ومستقبل ذلك غير مؤكد ، فإن نظرية التفهم عادة لا تقدم ضمانات لأداء الخوارزميات. بدلاً من ذلك ، تعتبر الحدود الاحتمالية للأداء شائعة جدًا. يعد تحلل التباين - التباين إحدى الطرق لتحديد تعميم الأخطاء والمخلفات أورواسب عملية ما.
للحصول على أفضل أداء في سياق التعميم ، يجب حتى يتطابق تعقيد الفرضية مع تعقيد الوظيفة التي تقوم عليها البيانات. إذا كانت الفرضية أقل تعقيدًا من الوظيفة ، فإن النموذجقد يكون مناسبًا للبيانات. إذا تم زيادة تعقيد النموذج استجابةً لذلك ، فسيقل خطأ التدريب. ولكن إذا كانت الفرضية معقدة للغاية ، فسيكون النموذج عرضة لـ الهجريب بشكل زائد وسيضعف مستوى التعميم .
بالإضافة إلى حدود الأداء ، يفهم الباحثون في المجال النظري من التفهم الحسابي تعقيد الوقت وجدوى التفهم. في نظرية التفهم الحسابي ، يعتبر الحساب ممكنًا إذا كان يمكن القيام به في وقت كثير الحدود. هناك نوعان من نتائج تعقيد الوقت. تظهر النتائج الإيجابية على أنه يمكن تعليم فئة معينة من الوظائف في وقت متعدد الحدود. في حين تشير النتائج السلبية إلى أنه لا يمكن تعليم بعض الفئات في وقت كثير الحدود.
المقاربات
أنواع خوارزميات التفهم
تختلف أنواع خوارزميات التفهم الآلي في أسلوبها ونوع البيانات التي تقوم بإدخالها وإخراجها ونوع المهمة أوالمشكلة التي تهدف إلى حلها.
التفهم تحت المراقبة والإشراف
تقوم خوارزميات التفهم الخاضعة للإشراف والمراقبة بإنشاء نموذج رياضي لمجموعة من البيانات والتي تحتوي على جميع من المدخلات والمخرجات المطلوبة. تُعهد البيانات باسم بيانات التدريب training data، وتتكون من مجموعة من الأمثلة التدريبية. لكل مثال تدريب واحد أوأكثر من المدخلات والمخرجات المطلوبة ، والمعروف أيضا باسم إشارة إشرافية أوإشارة مراقبة. في النموذج الرياضي ، يتم تمثيل جميع مثال تدريبي بواسطة نسَق أومتجه ، يُسمى أحيانًا متجه المعالم ، ويتم تمثيل بيانات التدريب بواسطة مصفوفة . من خلال التحسين المكرر والمعاد ل دالة موضوعية ، تقوم خوارزميات التفهم الخاضعة للإشراف بتفهم وظيفة ما يمكن استخدامها للتنبؤ بالمخرجات المرتبطة بمدخلات جديدة. تسمح الوظيفة الأمثلية للخوارزمية بتحديد إخراج المدخلات التي لم تكن جزءًا من بيانات التدريب بشكل سليم. ينطق إذا الخوارزمية التي تعمل على تحسين دقة مخرجاتها أوتنبؤاتها بمرور الوقت بأنها درست القيام بهذه المهمة. تتضمن خوارزميات التفهم الخاضعة للإشراف جميع من التصنيف و الانحدار.تُستخدم خوارزميات التصنيف عندما تقتصر المخرجات على مجموعة محدودة من القيم ، ويتم استخدام خوارزميات الانحدار عندماقد يكون للنواتج أي قيمة عددية داخل نطاق ما. تشابه التفهم تعبير عن مجال للتفهم الآلي الخاضع للإشراف والذي يرتبط ارتباطًا وثيقًا بالانحدار والتصنيف ، لكن هدف ذلك هوالتفهم من الأمثلة باستخدام دالة التشابه التي تقيس مدى تشابه أوتشابه موضوعين معينين . لدى هذه الخوارزميات تطبيقات في الترتيب ، أنظمة التوصية، وتتبع الهوية المرئية ، والتحقق من الوجوه ، والتحقق من الناطق أومصدر الصوت. في حالة خوارزميات التفهم نصف الإشراف ، تفتقد بعض الأمثلة التدريبية إلى علامات التدريب ، ولكن مع ذلك يمكن استخدامها لتحسين جودة النموذج. في حالة التفهم الخاضع للإشراف ضعيف، إما حتى تصبح علامات التدريب واضحة أومحدودة أوغير دقيقة ؛ ومع ذلك ، غالبًا ما يصبح الحصول على هذه العلامات أسهل ، مما ينتج عنه مجموعات تدريب ذات فعالية أكبر.
التفهم الغير خاضع للإشراف والمراقبة
تأخذ خوارزميات التفهم غير الخاضعة للرقابة مجموعة من البيانات التي تحتوي على مدخلات فقط ، وتجد بنية في هذه البيانات ، مثل تجميع نقاط البيانات أوهجريبها . لذلك تتفهم هذه الخوارزميات من بيانات الاختبار التي لم يتم وضعها بعلامة أوتبويبها أوتصنيفها .وبدلاً من الاستجابة للنتائج العكسية ، تحدد خوارزميات التفهم غير الخاضعة للرقابة القواسم المشهجرة في البيانات وتتفاعل بناءً على وجود أوعدم وجود مثل هذه القواسم المشهجرة في جميع جزء حديث من البيانات. حيث يوجد تطبيق مركزي للتفهم غير الخاضع للإشراف في مجال تقدير الكثافة density estimation وفي إحصائيات statistics, , وكذلك فإن التفهم غير الخاضع للإشراف يضم مجالات أخرى تتضمن تلخيص وشرح ميزات البيانات.
التحليل المُجمع تعبير عن تخصيص مجموعة من الملاحظات في مجموعات فرعية (تسمى "كتل") بحيث تكون هذه الملاحظات داخل المجموعة نفسها متشابهة وفقًا لمعيار واحد أوأكثر محدد مسبقًا ، في حين تختلف الملاحظات المستقاة من مجموعات مختلفة . وتقوم تقنيات التجميع المتنوعة بافتراضات مختلفة حول بنية البيانات ، وغالبًا ما يتم تعريفها بواسطة بعض "مقياس التشابه" ويتم تقييمها ، على سبيل المثال ، بواسطة "التوافق الداخلي" ، أوالتشابه بين أعضاء المجموعة نفسها ، " الفصل " ، والفرق بين المجموعات .في حين تعتمد الطرق الأخرى على "الكثافة المُقدرة" و"اتصال الرسم البياني".
التفهم النصف مراقَب
يقع التفهم شبه الخاضع للإشراف بين التفهم غير الخاضع للرقابة (بدون أي بيانات تدريب مصنفة) والتفهم الخاضع للإشراف (مع بيانات التدريب المصنفة بالكامل). تفتقد بعض أمثلة التدريب إلى علامات التدريب ، إلا حتى الكثير من الباحثين في مجال التفهم الآلي وجدوا حتى البيانات غير المصنفة ، عند استخدامها جنبًا إلى جنب مع كمية صغيرة من البيانات المصنفة ، يمكن حتى تؤدي إلى تحسن كبير في دقة التفهم.
في التفهم الضعيف الإشراف ، تكون مصنفات التدريب مشوشة أومحدودة أوغير دقيقة ؛ ومع ذلك ، غالبًا ماقد يكون الحصول على هذه المصنفات أسهل ، مما يؤدي إلى مجموعات تدريب فعالة أكبر.
التفهم المعزز
تفهم المعزز أوالمقوى تعبير عن مجال من تفهم الآلة يهتم بكيفية أخذ وكلاء البرمجيات الإجراءات في بيئة ما من أجل تعظيم مفهوم المكافأة التراكمية. نظرًا لعموميته ، تتم دراسة الحقل في الكثير من المجالات الأخرى ، مثل نظرية التشغيل ، نظرية التحكم، بحوث العمليات ، نظرية المعلومات، التحسين القائم على المحاكاة ، نظام متعدد الوكلاء ، سرب أوحشد الذكاء ، الإحصائيات والخوارزميات الوراثية . ففي التفهم الآلي ، يتم تمثيل البيئة بشكل نموذجي عملية اتخاذ القرار في (Markov (MDP . حيث تستخدم الكثير من خوارزميات التفهم المعزز البرمجة الديناميكية.لا تفترض خوارزميات التفهم المعزز فهم نموذج رياضي دقيق لـ MDP ، ويتم استخدامها عند صعوبة الحصول على نماذج دقيقة . تستخدم خوارزميات التفهم المعزز والمقوى في المركبات ذاتية الحكم أوفي تفهم لعب لعبة ضد خصم بشري.
التفهم الذاتي
تم تقديم نموذج التفهم الذاتي كنموذج للتفهم الآلي في عام 1982 مع شبكة عصبية قادرة على التفهم الذاتي باسم Crossbar Adaptive Array (CAA). إنه تفهم بدون مكافآت خارجية ولا يوجد نصائح وتدخلات من مفهمين خارجيين.حيث تحسب خوارزمية التفهم الذاتي في CAA ، بطريقة عرضية ، من القرارات المتعلقة بالإجراءات والعواطف (المشاعر) بشأن نتائج المواقف والحالات. يقاد هذا النظام عن طريق التفاعل بين الإدراك والعاطفة.
تقوم خوارزمية التفهم الذاتي بتحديث مصفوفة ذاكرة W = || w (a، s) || بحيث يتم تطبيق روتين التفهم الآلي التالي في جميع تكرار: في الموقف s يتم تطبيق الإجراء a تلقي نتيجة الموقف 's حساب العاطفة من كونها نتيجة موقف v(s’) ؛ تحديث الذاكرة العرضية w '(a، s) = w (a، s) + v (s').
إنه نظام يحتوي على إدخال واحد فقط ، وموقف ، ومخرج واحد فقط ، أوإجراء (أوسلوك) واحد. لا يوجد مدخل تعزيز منفصل ولا مشورة أوتدخل من البيئة المحيطة . القيمة الخلفية (التعزيز الثانوي) هي العاطفة تجاه نتيجة الموقف . يوجد المرجع المصدق (CAA) في بيئتين ، أحدهما بيئة سلوكية حيث يقوم بالتصرف ، والآخر هوبيئة وراثية ، حيث يتلقى منها في البداية وفقط مرة واحدة العواطف الأولية حول المواقف التي يجب لقاءتها في البيئة السلوكية. بعد تلقي ناقل الجينوم (الأنواع) من البيئة الوراثية ، يتفهم الجهاز المركزي للمحاسبات سلوكًا يبحث عن هدف ، في بيئة تحتوي على مواقف مرغوبة وغير مرغوب فيها.
التفهم المميز
تهدف الكثير من خوارزميات التفهم إلى اكتشاف تمثيل وتصوير أفضل للمدخلات المقدمة أثناء التدريب.تضم الأمثلة الكلاسيكية جميع من تحليل المكونات الرئيسية وتحليل الكتلة. غالبًا ما تحاول خوارزميات التفهم المميزة ، والتي تسمى أيضًا خوارزميات تفهم التمثيل ، الحفاظ على المعلومات في مدخلاتها وأيضًا تحويلها بكيفية تجعلها مفيدة ،وذلك يتم غالبًا كخطوة ما قبل المعالجة وقبل إجراء التصنيف أوالتنبؤات . تتيح هذه التقنية إعادة بناء المدخلات الواردة من التوزيع غير المعروف لتوليد البيانات ، بينما لا تطابق بالضرورة للتكوينات غير المحتملة ضمن هذا التوزيع . يحل هذا محل الدليل هندسة الميزات ، ويسمح للآلة بتفهم الميزات واستخدامها لأداء مهمة محددة.
التفهم المميز يمكن حتىقد يكون إما تحت المراقبة أوغير خاضع للرقابة . في التفهم الميز الخاضع للإشراف والمراقبة ، يتم تعليم الميزات باستخدام بيانات المدخلات ذات العلامات . ومن الأمثلة على ذلك الشبكة العصبية الاصطناعية ، والإدراك المتعدد الطبقات ، والإشراف على تفهم القاموس . أما في تفهم الميزات غير الخاضعة للرقابة ، يتم تعليم الميزات باستخدام بيانات الإدخال غير المسماة. ومن الأمثلة على ذلك تفهم القاموس ، تحليل مكون مستقل ، التشفير التلقائي ، مصفوفة عامل وأشكال مختلفة من التجميع.
تحاول خوارزميات التفهم المنوع المتشعب Manifold learning القيام بذلك في ظل القيد القائل بأن التمثيل المتفهم منخفض الأبعاد. في حين تحاول الخوارزميات الترميز المتناثر والضئيل Sparse coding القيام بذلك في ظل القيد القائل بأن التمثيل المتفهم هومتفرق ، مما يعني حتى النموذج الرياضي له الكثير من الأصفار. تهدف خوارزميات تفهم الفضاء الفرعي متعدد الخطوط إلى تفهم التمثيلات المنخفضة الأبعاد مباشرةً من تمثيلات مجموعة كتجهات للبيانات متعددة الأبعاد ، دون إعادة تشكيلها في متجهات ذات أبعاد أعلى. تكشف خوارزميات التفهم العميق مستويات متعددة من التمثيل ، أوتسلسل هرمي من الميزات ، مع مميزات المستوى الأعلى وأكثر تجريدية محددة من حيث (أوإنشاء) ميزات المستوى الأدنى . لذلك فإن الآلة الذكية هي الآلة التي تتفهم التمثيل الذي يفسر العوامل الكامنة وراء الاختلاف التي تفسر البيانات التي تم ملاحظتها .
يتم تحفيز التفهم المميز من خلال حقيقة حتى مهام التفهم الآلي ، مثل التصنيف ، غالبًا ما تتطلب مدخلات ملائمة رياضياً وحسابياً للمعالجة. ومع ذلك ، فإن بيانات العالم الحقيقي ، مثل الصور والصوت والصورة والبيانات الحسية ، لم تسفر عن محاولةً لتحديد ميزات محددة حسابيًا. البديل هواكتشاف مثل هذه الميزات أوالتمثيلات من خلال الفحص ، دون الاعتماد على خوارزميات واضحة.
التفهم من قاموس نحيل
يعد تفهم القاموس المتناثر أوالنحيل كيفية تفهم مميزة حيث يتم تمثيل مثال تدريبي على أنه مزيج خطي من دالة الأساس، ويُفترض أنه مصفوفة متفرقة متناثرة . الطريقة هي NP-hard الفعالة strongly NP-hard ويصعب حلها تقريبًا.الطريقة الشائعة ارشاد والمساعدة على الكشف لتفهم القاموس المتناثر هي خوارزمية K-SVD. تم تطبيق تفهم القاموس المتناثر في الكثير من السياقات. في عملية التصنيف ، تكمن المشكلة في تحديد الفصل الذي ينتمي إليه مثال التدريب غير المرئي سابقًا. بالنسبة لقاموس تم فيه بناء جميع فصل بالعمل ، يرتبط جميع مثال تدريبي حديث بالفصل الذي يتم تمثيله بشكل أفضل من خلال القاموس اللقاء . تم تطبيق تفهم القاموس المتناثر أيضًا في تنقية الصورة. الفكرة الأساسية هي أنه يمكن تمثيل تسليم صورةما بشكل ضئيل بواسطة قاموس صور ، لكن لا يمكن ذلك في حالة الضجيج .
إكتشاف الشذوذ
في استخراج البيانات data mining، يُعهد كشف الشذوذ أيضًا باسم الاكتشاف الخارجي ،وهوتحديد العناصر النادرة أوالأحداث أوالملاحظات التي تثير الشكوك من خلال الاختلاف بشكل كبير عن غالبية البيانات. عادة ، تمثل العناصر الشاذة معضلة مثل التزوير المصرفي bank fraud ، عيب هيكلي ، مشاكل طبية أوأخطاء في النص . يشار إلى الحالات الشاذة بـ outlier s ، المستجدات ، والضوضاء ، والانحرافات والاستثناءات.
على وجه الخصوص ، في سياق إساءة الاستخدام واكتشاف اختراق الشبكة ، لا تكون المواضيع المثيرة للاهتمام في كثير من الأحيان أهداف نادرة ، ولكنها حركات غير متسقطة في النشاط. لا يلتزم هذا النمط بالتعريف الإحصائي الشائع للمصدر الخارجي باعتباره موضوعاً نادرًا ، وستفشل الكثير من طرق الكشف الخارجي (خاصة الخوارزميات غير الخاضعة للإشراف) في هذه البيانات ، ما لم يتم تجميعها بشكل مناسب. بدلاً من ذلك ، قد تتمكن خوارزمية تحليل الكتلة من اكتشاف المجموعات الصغيرة التي تشكلها هذه الأنماط.
يوجد ثلاث فئات واسعة من تقنيات الكشف عن الشذوذ .تكشف تقنيات الكشف عن الحالات الشاذة غير الخاضعة للرقابة عن الحالات الشاذة في مجموعة بيانات الاختبار غير المسماة وفقًا لافتراض حتى غالبية الحالات في مجموعة البيانات طبيعية ، من خلال البحث عن الحالات التي تبدوأقل ملاءمة لبقية مجموعة البيانات. تتطلب تقنيات الكشف عن الحالات الشاذة الخاضعة للإشراف مجموعة بيانات تم تصنيفها على أنها "طبيعية" و"غير طبيعية" وتتضمن تدريب مصنف ما (الاختلاف الرئيسي للعديد من مشكلات التصنيف الإحصائي الأخرى هوالطبيعة غير المتوازنة الكامنة للكشف المذهل). تقوم تقنيات الكشف عن الحالات الشاذة تحت الإشراف ببناء نموذج يمثل السلوك الطبيعي من مجموعة بيانات تدريب معيّنة ، ثم يختبر احتمال ظهور نسخة اختبار من النموذج.
تفهم الروبوت
في الروبوتات التطويرية ، تولد خوارزميات تفهم الروبوت تسلسلاتها الخاصة من تجارب التفهم ، والمعروفة أيضًا بالمنهج الدراسي ، لاكتساب مهارات جديدة بشكل تراكمي من خلال الاستكشاف الموجه ذاتيًا والتفاعل الاجتماعي مع البشر. تستخدم هذه الروبوتات آليات إرشادية مثل التفهم النشط والنضج التآزر الحركي والتقليد.
قواعد الربط
تعتبر كيفية تعلُّم قاعدة الارتباط تفهم الآلة استنادًا إلى القواعد لاكتشاف العلاقات بين المتغيرات في قواعد البيانات الكبيرة. الغرض منه هوتحديد القواعد القوية المكتشفة في قواعد البيانات باستخدام مقدار من "الاهتمام". التفهم الآلي المستند إلى القواعد هومصطلح عام لأي كيفية تفهم آلي تحدد "القواعد" أوتتفهمها أوتطورها لتخزين الفهم أومعالجتها أوتطبيقها. السمة المميزة لخوارزمية التفهم الآلي المستندة إلى القواعد هي تحديد واستخدام مجموعة من القواعد العلائقية التي تمثل مجتمعةً الفهم التي اكتسبها النظام. هذا على عكس خوارزميات التفهم الآلي الأخرى التي تحدد عادة نموذجًا فرديًا يمكن تطبيقه عالميًا على أي حالة من أجل إجراء تنبؤ ما.تضم أساليب تفهم الآلة القائمة على القواعد أنظمة تصنيف التفهم ، وتفهم قواعد الارتباط ، وأنظمة التحصين الاصطناعية. استنادًا إلى مفهوم القواعد المتينة ، قدّم جميع من راكش آگراول وتوماس إميلنسكي وآرن سوامي قواعداً للارتباط لاكتشاف الانتظام بين المنتجات في بيانات المعاملات واسعة النطاق المسجلة بواسطة نقاط البيع في محلات السوبر ماركت.على سبيل المثال ، تشير القاعدة '"`UNIQ--postMath-00000001-QINU`"' الموجودة في بيانات مبيعات سوبر ماركت إلى أنه إذا قام العميل بشراء البصل والبطاطس معًا ، من المحتمل حتى يشتروا أيضًا لحم الهامبرغر. يمكن استعمال هذه المعلومات كأساس لاتخاذ القرارات المتعلقة بأنشطة الترويج ، مثل التسعير أوأماكن المنتجات. بالإضافة إلى تحليل سلة السوق ، تُستخدم قواعد الارتباط اليوم في مجالات التطبيق بما في ذلك استخدام الكشف في الويب وكشف الاحتيال والانتاج المستمر والمعلوماتية الحيوية. على النقيض من اكتشاف التتابع ، عادةً لا يتم الأخذ بعين الاعتبار ترتيب العناصر في تفهم قاعدة الارتباط بل إما داخل الإجراء أوعبر هذا الإجراء. تعد أنظمة تصنيف التفهم (LCS) مجموعة من خوارزميات تفهم الآلة التي تعتمد على القواعد والتي تجمع بين مكون الاكتشاف ، عادةً ما تؤدي الخوارزمية الوراثية ، مع مكون تعليمي ، إما إلى التفهم الخاضع للإشراف ، التفهم المعزز ، أوالتفهم غير الخاضع للإشراف. حيث تم السعي إلى تحديد مجموعة من القواعد المعتمدة على السياق التي تخزن وتطبِّق بشكل جماعي الفهم أوالفهم بطريقة مجزأة من أجل إجراء التنبؤات. البرمجة المنطقية الاستقرائية (ILP) تعبير عن طريقة لتفهم القواعد باستخدام البرمجة المنطقية كتمثيل موحد لأمثلة المدخلات والفهم الأساسية والفرضيات. نظرًا لعملية تشفير الخلفية المعهدية المتعارف عليها مع مجموعة من الأمثلة الممثلة كقاعدة بيانات منطقية للوقائع ، فإن نظام ILP سيستمد برنامج منطق مفترضًا يستلزم جميع الأمثلة الإيجابية وليس السلبية. أما البرمجة الاستقرائية هوحقل ذوصلة يأخذ في الاعتبار أي نوع من لغات البرمجة لتمثيل الفرضيات (وليس فقط البرمجة المنطقية) ، مثل البرمجة الوظيفية. تفيد برمجة المنطق الاستقرائي بشكل خاص في المعلوماتية الحيوية ومعالجة اللغة الطبيعية. حيث وضع جميع من گوردون پلوتكين وإيهود شاپيروالأساس النظري الأولي لتعليم الآلة كيفية الاستقراء ضمن بيئة منطقية. بنى شاپيروأول تطبيق له (نظام الاستدلال النموذجي) في عام 1981: برنامج Prolog الذي استنتج برامج المنطق بشكل استقرائي من الأمثلة الإيجابية والسلبية.يشير المصطلح الاستقرائي هنا إلى الفلسفي ، ويقترح نظرية لتفسير الحقائق التي تم ملاحظتها ، بدلاً من الرياضيات ، مما يثبت الخاصية لجميع أعضاء المجموعة المنظمة.
النماذج
ينطوي أداء التفهم الآلي على إنشاء Statistical model|model ، والذي يتم تدريبه على بعض بيانات التدريب ومن ثم يمكنه معالجة بيانات إضافية لصنع تنبؤات. وتم استخدام أنواع مختلفة من النماذج والأبحاث في أنظمة التفهم الآلي.
الشبكات العصبية الاصطناعية
تعد خوارزمية التفهم الشبكة العصبية الاصطناعية (ANN)، أوأنظمة الارتباطية ، فأنظمة الحوسبة مستوحاة بشكل غامض من الشبكة العصبية البيولوجية التي تشكل [عقل] الكائن ."تتفهم" مثل هذه الأنظمة أداء المهام من خلال النظر في الأمثلة ، بشكل عام دون حتى تكون مبرمجة مع جميع القواعد الخاصة بالمهمة المطلوبة . ANN هونموذج يستند إلى مجموعة من الوحدات أوالعقد المرتبطة تسمى "عصبونات اصطناعية، والتي تقوم بنمذجة بشكل واسع في بيولوجية الدماغ. جميع اتصال ، مثل المشابك في الدماغ بيولوجي ، يمكن حتى ينقل المعلومات ، "إشارة" ، من خلية عصبية صناعية إلى أخرى. يمكن للخلية العصبية الاصطناعية التي تستقبل إشارة حتى تعالجها ثم تشير إلى خلايا عصبية اصطناعية إضافية متصلة بها. في تطبيقات ANN الشائعة ، تكون الإشارة في اتصال بين الخلايا العصبية الاصطناعية رقم حقيقي، ويتم حساب ناتج جميع خلية عصبية اصطناعية بواسطة وظيفة غير خطية لمجموع مدخلاتها. وتسمى الروابط بين الخلايا العصبية الاصطناعية "الحواف". عادة ماقد يكون للخلايا العصبية والحواف الاصطناعية وزن يتم ضبطه مع استمرار التفهم. يزيد الوزن أويقلل من قوة الإشارة عند الاتصال. قد يحدث للخلايا العصبية الاصطناعية عتبة بحيث لا يتم إرسال الإشارة إلا إذا تجاوزت الإشارة الكلية تلك العتبة. عادة ، يتم تجميع الخلايا العصبية الاصطناعية في طبقات. قد تقوم الطبقات المتنوعة بإجراء أنواع مختلفة من التحويلات على مدخلاتها. تنتقل الإشارات من الطبقة الأولى (طبقة الإدخال) ، إلى الطبقة الأخيرة (طبقة الإخراج) ، وربما بعد اجتياز الطبقات عدة مرات. الهدف الأصلي لنهج ANN هوحل المشكلات بالطريقة نفسها التي يقوم بهاالدماغ البشري. ومع ذلك ، فبمرور الوقت ، انتقل الهجريز إلى أداء مهام محددة ، مما أدى إلى الانحرافات عن البيولوجيا. تم استخدام الشبكات العصبية الاصطناعية في مجموعة متنوعة من المهام ، بما في ذلك رؤية الكمبيوتر ، التعهد على الكلام، الترجمة الألية ، ترشيح الشبكة الاجتماعية ، لوحة اللعب وألعاب الصوت والصورة والتشخيص الطبي. التفهم العميق يتكون من طبقات متعددة مخفية في شبكة عصبية اصطناعية. تحاول هذه المقاربة نمذجة الكيفية التي يعالج بها الدماغ البشري الضوء والصوت في الرؤية والسمع. بعض التطبيقات الناجحة للتفهم العميق هي رؤية الكمبيوتر والتعهد على الكلام.
شجرة القرارات
يتم استخدام تفهم شجرة القرار شجرة القرار كنموذج نموذج تنبؤي ، والذي يقوم بتخطيط الملاحظات حول عنصر ما (ممثلة في الفروع) لاستنتاج قيمة هدف هذا العنصر (ممثلة في الأوراق). إنه أحد أساليب النمذجة التنبؤية المستخدمة في الإحصاء واستخراج البيانات والتفهم الآلي.في نماذج الشجرة يمكن للمتغير المستهدف حتى يأخذ مجموعة منفصلة من القيم تسمى أشجار التصنيف ؛ ففي هذه الهياكل الشجرية ، ورقة العقدة leaf node تمثل تسميات الفصل وتمثل الفروع المنطق الاقتراني من الميزات التي تؤدي إلى تسميات هذه الفئة. تسمى أشجار القرار حيث يمكن للمتغير المستهدف حتى يأخذ قيمًا مستمرة عادةً أرقام حقيقية أشجار الانحدار. في تحليل القرار ، يمكن استعمال شجرة القرارات لتمثيل القرارات بشكل مرئي وصريح و خلق القرار . في استخراج البيانات ، تصف شجرة القرارات البيانات ، لكن يمكن حتى تكون تصنيفات النتائج كدخل لاتخاذ القرارت.
التفهم العميق
أسهم انخفاض أسعار الأجهزة وتطوير GPU للاستخدام الشخصي في السنوات القليلة الماضية في تطوير مفهوم التفهم العميق الذي يتكون من طبقات مخفية متعددة في شبكة عصبية اصطناعية. تحاول هذه المقاربة نمذجة الكيفية التي يعالج بها الدماغ البشري الضوء والصوت في الرؤية والسمع. بعض التطبيقات الناجحة للتفهم العميق هي رؤية الكمبيوتر والتعهد على الكلام.
برمجة المنطق الاستقرائي
البرمجة المنطقية الاستقرائية (ILP) هي طريقة لتفهم القواعد باستخدام البرمجة المنطقية كتمثيل موحد لأمثلة المدخلات والفهم الأساسية والفرضيات. نظرًا لتشفير علية الإدراك الأساسية المعروفة ومجموعة من الأمثلة الممثلة كقاعدة بيانات منطقية للوقائع ، فإن نظام ILP يفترض أن يستنتج برنامج منطق مفترضًا يستلزم جميع الأمثلة الإيجابية وليس السلبية. فالبرمجة الاستقرائية تعبير عن حقل ذوصلة يأخذ في الاعتبار أي نوع من لغات البرمجة لتمثيل الفرضيات (وليس فقط البرمجة المنطقية) ، مثل البرامج الوظيفية.
آلات متجهات الدعم
تعد آلات متجه الدعم (SVM) ، والمعروفة أيضًا باسم شبكات متجهات الدعم ، تعبير عن مجموعة من الطرق ذات الصلة بالتعليم الخاضع للإشراف المستخدمة في التصنيف والانحدار. نظرًا لمجموعة من الأمثلة التدريبية ، يتم تمييز جميع منها على أنه ينتمي إلى إحدى الفئتين ، تقوم خوارزمية تدريب SVM بإنشاء نموذج يتنبأ بما إذا كان مثال حديث يقع في فئة أوأخرى. تعتبر خوارزمية تدريب SVM غير احتمالي ، ثنائي ، مصنف خطي ، على الرغم من وجود طرق مثل مقياس پلات لاستخدام SVM في إحتمالية وضع التصنيف. بالإضافة إلى إجراء التصنيف الخطي ، يمكن لأدوات SVM إجراء تصنيف غير خطي بكفاءة باستخدام ما يسمى بـ kernel trick ، معيّنًا ضمنيًا مدخلاتها في مسافات ميزة عالية الأبعاد.
الشبكات البايزية
شبكة البايزية، أوشبكة المعتقدات أوالنموذج الرسومي غير الحلقي هو نموذج رسومي احتمالي يمثل مجموعة من متغيرات عشوائية و استقلالات مشروطة عبر موجّه الرسم البياني الحادّ (DAG). على سبيل المثال ، يمكن حتى تمثل شبكة بايزي العلاقات الاحتمالية بين الأمراض (الاعتلال) والأعراض . بالنظر إلى الأعراض ، يمكن استعمال الشبكة لحساب احتمالات وجود أخطاء (اعتلالات) مختلفة. في حين توجد خوارزميات فعالة تؤدي للاستدلال والتفهم. لدينا الشبكات البايزية التي تنمذج تتابعاً من المتغيرات ، مثل إشارات الكلام أو سلاسل البروتين ، شبكة بايزي الحيوية. تسمى تعميمات الشبكات البايزية التي يمكنها تمثيل وحل مشاكل القرار في ظل عدم اليقين مخطط التأثير .
الخوارزميات الجينية
الخوارزمية الجينية (GA) هي خوارزمية درس و إرشادية التي تحاكي عملية الانتقاء الطبيعي ، باستخدام طرق مثل طفرة و اجتياز لتوليد كرموسومات وراثية) جديدة على أمل إيجاد حلول جيدة لمشكلة معينة. في التفهم الآلي ، تم استخدام الخوارزميات الجينية في الثمانينيات والتسعينيات. على العكس من ذلك ، تم استخدام تقنيات التفهم الآلي لتحسين أداء الخوارزميات الجينية و[[التطورية] .
نماذج التدريب
عادة ما تتطلب نماذج التفهم الآلي الكثير من البيانات من أجل حتى تقدم أداءً جيداً . فعند تدريب نموذج التفهم الآلي ، نيحتاج إلى جمع عينة تمثيلية كبيرة من البيانات من مجموعة التدريب. يمكن حتى تكون البيانات من مجموعة التدريب متنوعة مثل مجموعة نصوص ومجموعة صور والبيانات التي تم جمعها من المستخدمين الفرديين للخدمة . يجب الانتباه إلى زيادة الهجريب Overfitting عند تدريب نموذج للتفهم الآلي .
التفهم الموحد
يعد التعليم الموحد طريقة جديدة لتدريب نماذج التفهم الآلي التي تعمل على جعل العملية التدريبية غير مركزية ، مما يسمح بصيانة خصوصية المستخدمين من خلال عدم الحاجة إلى إرسال بياناتهم إلى مخدم مركزي . مما يزيد أيضاً من الكفاءة عن طريق تطبيق اللامركزية في عملية التدريب على الكثير من الأجهزة. على سبيل المثال ، يستخدم Gboard تفهمًا آليًا متحدًا لتدريب نماذج تنبؤ استعلام البحث على هواتف المستخدمين المحمولة دون الحاجة إلى إرسال عمليات درس فردية مرة أخرى إلى Google.
التطبيقات
هنالك الكثير من التطبيقات التفهم الآلي ، بما في ذلك:
- Precision agriculture الزراعة الدقيقة
- Computational anatomy التشريح
- Adaptive websites المواقع المتكيفة
- Affective computing الحوسبة ذات التأثير
- Banking الخدمات المصرفية
- Bioinformatics المعلوماتية الحيوية
- Brain–machine interfaces قابلات الدماغ-الآلة
- Cheminformatics معلوماتية كيميائية
- Network simulation|Computer Networks محاكاة الشبكات
- Computer vision رؤية الكمبيوتر
- Credit-card fraud detection كشف الاحتيال في بطاقة الائتمان
- Data quality جودة البيانات
- DNA sequence classification تصنيف تسلسل الحمض النووي
- Computational economicsالاقتصاد الحسابي
- Financial market analysis تحليل السوق المالية
- General game playing اللعب بألعاب ومباريات عامة
- Handwriting recognition التعهد على خط اليد
- Information retrieval استرجاع المعلومات
- Insurance التأمين
- Internet fraud detection كشف احتيالات الانترنت
- Computational linguistics فهم اللغويات الحاسوبية
- Machine learning control التحكم بتفهم الآلة
- Machine perception إدراك الآلة
- Machine translation ترجمة الآلة
- Marketing الترويج
- Automated medical diagnosis|Medical diagnosis التشخيص الطبي الآلي
- Natural language processing معالجة البرمجة اللغوية العصبية
- Natural language understanding فهم اللغة الطبيعية
- Online advertising اعلانات الانترنت
- Mathematical optimization التحسين الرياضي
- Recommender systems أنظمة التوصية
- Robot locomotion تنقل الروبوت
- Search engines محركات البحث
- Sentiment analysis تحليل المشاعر
- Sequence mining التنقيب عن السلاسل
- Software engineering هندسة البرمجيات
- Speech recognition التعهد على الكلام
- Structural health monitoring مراقبة الصحة البنيوية
- Syntactic pattern recognition التعهد على الأنماط النحوية
- Telecommunication الاتصالات
- Automated theorem proving إثبات نظرية التحكم الآلي
- Time series forecasting التنبؤ بسلسلة زمنية
- User behavior analytics تحليل سلوك المستخدم
في عام 2006 ، عقد موفر خدمات الوسائط Netflix أول مسابقة "Netflix Prize" للعثور على برنامج للتنبؤ بشكل أفضل بتفضيلات المستخدم وتحسين الدقة في خوارزمية توصيات الأفلام الحالية من Cinematch بنسبة 10٪ على الأقل . فريق مشهجر يتكون من باحثين من AT&T Labs - قام البحث بالتعاون مع فرق Big Chaos ونظرية براگماتية ببناء نموذج المجموعة للفوز بالجائزة الكبرى في عام 2009 لقاء مليون دولار. بعد فترة وجيزة من منح الجائزة ، أدركت Netflix حتى تقييمات المشاهدين لم تكن أفضل المؤشرات لأنماط المشاهدة الخاصة بهم ("كل شيء توصية") وقاموا بتغيير محرك التوصيات وفقًا لذلك. في عام 2010 ، خطت صحيفة وول ستريت جورنال عن شركة Rebellion Research واستخدامهم للتفهم الآلي للتنبؤ بالأزمة المالية. في عام 2012 ، تسقط المؤسس المشارك لـ Sun Microsystems ، ڤينود خوسلا ، فقدان 80٪ من وظائف الأطباء في العقدين المقبلين بسبب برامج التشخيص الطبي الآلي للتفهم الآلي. في عام 2014 ، أفيد أنه تم تطبيق خوارزمية التفهم الآلي في مجال تاريخ الفن لدراسة اللوحات الفنية الجميلة ، وربما كشفت عن تأثيرات غير معروفة سابقًا بين الفنانين. في عام 2019 ، نشرت Springer Nature أول كتاب درس تم إنشاؤه باستخدام التفهم الآلي.
القيود
على الرغم من حتى التفهم الآلي قد تحول في بعض المجالات ، إلا حتى برامج التفهم الآلي غالباً ما تفشل في تحقيق النتائج المتسقطة. مسببات ذلك عديدة: نقص البيانات (المناسبة) ، عدم الوصول إلى البيانات ، تحيز البيانات ، مشاكل الخصوصية ، المهام والخوارزميات التي تم اختيارها بشكل سيئ ، الأدوات الخاطئة والأشخاص ، نقص الموارد ، ومشاكل التقييم.
في عام 2018 ، فشلت سيارة ذاتية القيادة من أوبر Uber في اكتشاف أحد المشاة ،والذي قُتل بعد تصادم . فشلت محاولات استخدام التفهم الآلي في الرعاية الصحية مع نظام IBM Watson حتى بعد سنوات ومليارات من الاستثمار.
الانحياز
أساليب التفهم الآلي على وجه الخصوص يمكن حتى تعاني من تحيزات البيانات المتنوعة. قد لا يتمكن نظام التفهم الآلي الذي تم تدريبه على العملاء الحاليين من التنبؤ باحتياجات مجموعات العملاء الجديدة غير الممثلة في بيانات التدريب. عند التدريب على البيانات التي من خلق الإنسان ، من المرجح حتى يلتقط التفهم الآلي نفس التحيزات الدستورية واللاواعية الموجودة بالعمل في المجتمع.تبين حتى نماذج اللغة المستفادة من البيانات تحتوي على تحيزات تشبه تحيزات الإنسان. وتم العثور على أنظمة التفهم الآلي المستخدمة لتقييم المخاطر الجنائية المنحازة ضد السود. في عام 2015 ، كانت صور Google غالبًا ما تضع علامة على السود على أنهم غوريلا,وفي عام 2018 ، لم يتم حل هذا الأمر بشكل جيد ، ولكن Google كانت لا تزال تستخدم الحل البديل لإزالة جميع الغوريلا من بيانات التدريب ، وبالتالي لم تتمكن من التعهد على الغوريلا الحقيقية على الإطلاق.تم العثور أيضاً على مشكلات مماثلة في التعهد على الأشخاص غير البيض في الكثير من الأنظمة الأخرى. في عام 2016 ، قامت Microsoft باختبار chatbot التي تفهمتها من Twitter ، وسرعان ما التقطت اللغة العنصرية والجنسية. بسبب هذه التحديات ، قد يستغرق الاستخدام الفعال للتفهم الآلي وقتًا أطول ليتم اعتماده في مجالات أخرى.يتزايد اهتمام فهماء الذكاء الاصطناعي ، بما في ذلك Fei-Fei Li ، من الحد من التحيز في التفهم الآلي ودفع استخدامه للصالح الإنساني ، بما في ذلك Fei-Fei Li الذي يذكر المهندسين بأنه "لا يوجد شيء مصطنع حول الذكاء الاصطناعي ... إنه مستوحى من الناس ، تم إنشاؤه من قبل الناس ، والأهم من ذلك ، أنها تؤثر على الناس ، إنها أداة قوية بدأنا للتوفي فهمها ، وهي مسؤولية عميقة.”
التقييمات النموذجية
يمكن التحقق من صحة نماذج تفهم آلة التصنيف عن طريق تقنيات تقدير الدقة مثل مجموعة الاختبار ، التي تقسم البيانات في مجموعة تدريب واختبار (عادةً مجموعة تدريب 2/3 وتعيين 1/3 مجموعة اختبار) وتقييم أداء نموذج التدريب على مجموعة الاختبار. بالمقارنة ، فإن K-fold - cross-validation تقوم بشكل عشوائي بتقسيم البيانات إلى مجموعات فرعية K ثم يتم إجراء تجارب K جميع على التوالي مع الأخذ في الاعتبار مجموعة فرعية واحدة للتقييم والمجموعات الفرعية المتبقية من K-1 لتدريب النموذج. بالإضافة إلى طرق التعليق والتحقق المتبادل ، يمكن استعمال bootstrap ، التي تعيّن n عينات مع الاستبدال من مجموعة البيانات ، لتقييم دقة النموذج. بالإضافة إلى الدقة الكلية ، يبلغ الباحثون كثيرًا عن الحساسية والنوعية بمعنى المعدل الإيجابي الحقيقي (TPR) والمعدل السلبي الحقيقي (TNR) على التوالي. وبالمثل ،ويبلغ الباحثون أحيانًا عن معدل الخطأ الإيجابية (FPR) بالإضافة إلى الخطأ السالب للمعدل (FNR). ومع ذلك ، فإن هذه المعدلات هي النسب التي تفشل في الكشف عن البسط والمقام . تعد إجمالي خصائص التشغيلة(TOC) طريقة فعالة للتعبير عن القدرة التشخيصية للنموذج. جدول المحتويات يوضح البسط والمقام للمعدلات المذكورة سابقًا ، إلى غير ذلك يوفر TOC مزيدًا من المعلومات أكثر من خصائص تشغيل المستقبِل الشائعة (ROC) والمساحة المرتبطة بها تحت المنحنى (AUC).
آداب العمل
يطرح التفهم الآلي مجموعة من الأسئلة الأخلاقية. قد تظهر الأنظمة التي تم تدريبها على مجموعات البيانات التي تم جمعها بالتحيزات عند الاستخدام (الانحياز الحسابي) ، وبالتالي رقمنة التحيزات الثقافية.على سبيل المثال ، قد يؤدي استخدام بيانات التوظيف من شركة لها سياسات توظيف عنصري إلى وجود نظام تعليمي آلي يكرر التحيز عن طريق تسجيل المتقدمين للوظيفة لقاء التشابه مع المتقدمين الناجحين السابقين. المسؤول عن جمع البيانات وتوثيق القواعد الخوارزمية المستخدمة من قبل نظام هوجزء حساس من التفهم الآلي.نظرًا لأن اللغات البشرية تحتوي على تحيزات ، فإن الآلات المدربة على اللغة corpora ستتفهم حكماً هذه التحيزات. هناك أشكال أخرى من التحديات الأخلاقية ، لا تتعلق بالتحيزات الشخصية ،حيث يتم رؤيتها بشكل أكبر في الرعاية الصحية. هناك مخاوف بين المتخصصين في الرعاية الصحية من حتى هذه الأنظمة قد لا تكون مصممة للمصلحة العامة ، ولكن كآلات مدرة للدخل. هذا سليم بشكل خاص في الولايات المتحدة حيث توجد معضلة أخلاقية دائمة لتحسين الرعاية الصحية ، ولكن أيضًا زيادة الأرباح. على سبيل المثال ، يمكن تصميم الخوارزميات لتزويد السقمى بفحوصات أوأدوية لا لزوم لها يمتلك فيها مالكوالخوارزمية حصصًا. هناك إمكانية هائلة للتفهم الآلي في مجال الرعاية الصحية لتزويد المهنيين بأداة رائعة للتشخيص والعلاج وحتى التخطيط مسارات الشفاء للسقمى ، ولكن هذا لن يحدث حتى تتم معالجة التحيز الشخصي "الجشع" المذكور سابقًا حيث يتم التعامل مع هذه التحيزات.
البرمجيات
مجموعة البرامج Software suites التي تحتوي على مجموعة متنوعة من خوارزميات التفهم الآلي تضم ما يلي:
البرمجيات المجانية والمفتوحة المصدر
- CNTK
- Deeplearning4j
- ELKI
- Keras
- Caffe
- ML.NET
- Mahout
- Mallet
- mlpack
- MXNet
- Neural Lab
- GNU Octave
- OpenNN
- Orange
- scikit-learn
- Shogun
- Spark MLlib
- Apache SystemML
- TensorFlow
- ROOT (TMVA with ROOT)
- Torch / PyTorch
- Weka / MOA
- Yooreeka
- R
برامج ذات حقوق ملكية مع إصدارات مجانية ومفتوحة المصدر
- KNIME
- RapidMiner
برامج ذات حقوق ملكية
- Amazon Machine Learning
- Angoss KnowledgeSTUDIO
- Azure Machine Learning
- Ayasdi
- IBM Data Science Experience
- Google Prediction API
- IBM SPSS Modeler
- KXEN Modeler
- LIONsolver
- Mathematica
- MATLAB
- Microsoft Azure Machine Learning
- Neural Designer
- NeuroSolutions
- Oracle Data Mining
- Oracle AI Platform Cloud Service
- RCASE
- SAS Enterprise Miner
- SequenceL
- Splunk
- STATISTICA Data Miner
المجلات
- Journal of Machine Learning Research
- Nature Machine Intelligence
المؤتمرات
- Conference on Neural Information Processing Systems
- International Conference on Machine Learning
نرى أيضا
المراجع
- ^ http://www.cs.cmu.edu/~tom/mlbook.html
- ^ The definition "without being explicitly programmed" is often attributed to Arthur Samuel, who coined the term "machine learning" in 1959, but the phrase is not found verbatim in this publication, and may be a paraphrase that appeared later. Confer "Paraphrasing Arthur Samuel (1959), the question is: How can computers learn to solve problems without being explicitly programmed?" in Koza, John R. (1996). "Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming" in Artificial Intelligence in Design '96.: 151–170, Springer, Dordrecht. doi:10.1007/978-94-009-0279-4_9.
- ^ Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 0-387-31073-8
- ^ Machine learning and pattern recognition "can be viewed as two facets of the same field."
- ^ Friedman, Jerome H. (1998). "Data Mining and Statistics: What's the connection?". Computing Science and Statistics. 29 (1): 3–9.
- ^ Ethem Alpaydin (2020). Introduction to Machine Learning (Fourth ed.). MIT. pp. xix, 1–3, 13–18. ISBN .
- ^ "The Elements of AI". University of Helsinki. Dec 2019. Retrieved 7 April 2020.
- ^ Pavel Brazdil, Christophe Giraud Carrier, Carlos Soares, Ricardo Vilalta (2009). Metalearning: Applications to Data Mining (Fourth ed.). Springer Science+Business Media. pp. 10–14, passim. ISBN .CS1 maint: uses authors parameter (link)
- ^ Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229. CiteSeerX 10.1.1.368.2254. doi:10.1147/rd.33.0210.
- ^ R. Kohavi and F. Provost, "Glossary of terms," Machine Learning, vol. 30, no. 2–3, pp. 271–274, 1998.
- ^ Nilsson N. Learning Machines, McGraw Hill, 1965.
- ^ Duda, R., Hart P. Pattern Recognition and Scene Analysis, Wiley Interscience, 1973
- ^ S. Bozinovski "Teaching space: A representation concept for adaptive pattern classification" COINS Technical Report No. 81-28, Computer and Information Science Department, University of Massachusetts at Amherst, MA, 1981. https://web.cs.umass.edu/publication/docs/1981/UM-CS-1981-028.pdf
- ^ Mitchell, T. (1997). Machine Learning. McGraw Hill. p. 2. ISBN .
- ^ Harnad, Stevan (2008), "The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence", in Epstein, Robert; Peters, Grace, The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, pp. 23–66, ISBN 9781402067082
- ^ نطقب:Cite citeseerx
- ^ نطقب:Cite AIMA
- ^ Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y.
- ^ "Satalia CEO Daniel Hulme has a plan to overcome the limitations of machine learning". Techworld. October 2019. Retrieved 7 April 2020.
- ^ Le Roux, Nicolas; Bengio, Yoshua; Fitzgibbon, Andrew (2012). "Improving First and Second-Order Methods by Modeling Uncertainty". In Sra, Suvrit; Nowozin, Sebastian; Wright, Stephen J. (eds.). Optimization for Machine Learning. MIT Press. p. 404.
-
^ Bzdok, Danilo; Altman, Naomi; Krzywinski, Martin (2018). "الإحصائيات لقاء Machine Machine". Nature Methods. 15 (4): 233–234. doi:10.1038 / nmeth.4642 Check
|doi=value (help). PMC 6082636. PMID 30100822. - ^ Michael I. Jordan (2014-09-10). "statistics and machine learning". reddit. Retrieved 2014-10-01.
- ^ Cornell University Library. "Breiman: Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author)". Retrieved 8 August 2015.
- ^ Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani (2013). . Springer. p. vii.
- ^ نطقب:Cite Mehryar Afshin Ameet 2012
- ^ Alpaydin, Ethem (2010). . London: The MIT Press. ISBN . Retrieved 4 February 2017.
- ^ Russell, Stuart J.; Norvig, Peter (2010). (Third ed.). Prentice Hall. ISBN .
- ^ Mohri, Mehryar; Rostamizadeh, Afshin; Talwalkar, Ameet (2012). Foundations of Machine Learning. The MIT Press. ISBN .
- ^ Alpaydin, Ethem (2010). . MIT Press. p. 9. ISBN .
- ^ Alex Ratner, Stephen Bach, Paroma Varma, Chris Ré And referencing work by many other members of Hazy Research. "Weak Supervision: The New Programming Paradigm for Machine Learning". hazyresearch.github.io. Retrieved 2019-06-06.CS1 maint: multiple names: authors list (link)
- ^ Jordan, Michael I.; Bishop, Christopher M. (2004). "Neural Networks". In Allen B. Tucker (ed.). Computer Science Handbook, Second Edition (Section VII: Intelligent Systems). Boca Raton, Florida: Chapman & Hall/CRC Press LLC. ISBN .
- ^ Alex Ratner; Stephen Bach; Paroma Varma; Chris. "Weak Supervision: The New Programming Paradigm for Machine Learning". hazyresearch.github.io. referencing work by many other members of Hazy Research. Retrieved 2019-06-06.
- ^ van Otterlo, M.; Wiering, M. (2012). Reinforcement learning and markov decision processes. Reinforcement Learning. Adaptation, Learning, and Optimization. 12. pp. 3–42. doi:10.1007/978-3-642-27645-3_1. ISBN .
- ^ Bozinovski, S. (1982). "A self learning system using secondary reinforcement" . In Trappl, Robert (ed.). Cybernetics and Systems Research: Proceedings of the Sixth European Meeting on Cybernetics and Systems Research. North Holland. pp. 397–402. ISBN 978-0-444-86488-8.
- ^ Bozinovski, Stevo (2014) "Modeling mechanisms of cognition-emotion interaction in artificial neural networks, since 1981." Procedia Computer Science p. 255-263
- ^ Bozinovski, S. (2001) "Self-learning agents: A connectionist theory of emotion based on crossbar value judgment." Cybernetics and Systems 32(6) 637-667.
- ^ Y. Bengio; A. Courville; P. Vincent (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:1206.5538. doi:10.1109/tpami.2013.50. PMID 23787338.
- ^ {{cite comultilayer perceptronsnference |author1=Nathan Srebro |author2=Jason D. M. Rennie |author3=Tommi S. Jaakkola |title=Maximum-Margin Matrix Factorization |conference=NIPS |year=2004
- ^ (2011) "An analysis of single-layer networks in unsupervised feature learning" in Int'l Conf. on AI and Statistics (AISTATS)..
- ^ (2004) "Visual categorization with bags of keypoints" in ECCV Workshop on Statistical Learning in Computer Vision..
- ^ Daniel Jurafsky; James H. Martin (2009). Speech and Language Processing. Pearson Education International. pp. 145–146.
- ^ Lu, Haiping; Plataniotis, K.N.; Venetsanopoulos, A.N. (2011). "A Survey of Multilinear Subspace Learning for Tensor Data" (PDF). Pattern Recognition. 44 (7): 1540–1551. doi:10.1016/j.patcog.2011.01.004.
- ^ Yoshua Bengio (2009). . Now Publishers Inc. pp. 1–3. ISBN .
- ^ Tillmann, A. M. (2015). "On the Computational Intractability of Exact and Approximate Dictionary Learning". IEEE Signal Processing Letters. 22 (1): 45–49. arXiv:1405.6664. Bibcode:2015ISPL...22...45T. doi:10.1109/LSP.2014.2345761.
- ^ Aharon, M, M Elad, and A Bruckstein. 2006. "K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation." Signal Processing, IEEE Transactions on 54 (11): 4311–4322
- ^ Zimek, Arthur; Schubert, Erich (2017) (in en), Outlier Detection, Springer New York, pp. 1–5, doi:, ISBN 9781489979933
- ^ Hodge, V. J.; Austin, J. (2004). "A Survey of Outlier Detection Methodologies" (PDF). Artificial Intelligence Review. 22 (2): 85–126. CiteSeerX 10.1.1.318.4023. doi:10.1007/s10462-004-4304-y.
- ^ Dokas, Paul; Ertoz, Levent; Kumar, Vipin; Lazarevic, Aleksandar; Srivastava, Jaideep; Tan, Pang-Ning (2002). "Data mining for network intrusion detection" (PDF). Proceedings NSF Workshop on Next Generation Data Mining.
- ^ Chandola, V.; Banerjee, A.; Kumar, V. (2009). "Anomaly detection: A survey". ACM Computing Surveys. 41 (3): 1–58. doi:10.1145/1541880.1541882.
- ^ Piatetsky-Shapiro, Gregory (1991), Discovery, analysis, and presentation of strong rules, in Piatetsky-Shapiro, Gregory; and Frawley, William J.; eds., Knowledge Discovery in Databases, AAAI/MIT Press, Cambridge, MA.
- ^ Bassel, George W.; Glaab, Enrico; Marquez, Julietta; Holdsworth, Michael J.; Bacardit, Jaume (2011-09-01). "Functional Network Construction in Arabidopsis Using Rule-Based Machine Learning on Large-Scale Data Sets". The Plant Cell (in الإنجليزية). 23 (9): 3101–3116. doi:10.1105/tpc.111.088153. ISSN 1532-298X. PMC 3203449. PMID 21896882.
- ^ Agrawal, R.; Imieliński, T.; Swami, A. (1993). "Mining association rules between sets of items in large databases". Proceedings of the 1993 ACM SIGMOD international conference on Management of data - SIGMOD '93. p. 207. CiteSeerX 10.1.1.40.6984. doi:10.1145/170035.170072. ISBN .
- ^ Urbanowicz, Ryan J.; Moore, Jason H. (2009-09-22). "Learning Classifier Systems: A Complete Introduction, Review, and Roadmap". Journal of Artificial Evolution and Applications (in الإنجليزية). 2009: 1–25. doi:10.1155/2009/736398. ISSN 1687-6229.
- ^ Plotkin G.D. Automatic Methods of Inductive Inference, PhD thesis, University of Edinburgh, 1970.
- ^ Shapiro, Ehud Y. Inductive inference of theories from facts, Research Report 192, Yale University, Department of Computer Science, 1981. Reprinted in J.-L. Lassez, G. Plotkin (Eds.), Computational Logic, The MIT Press, Cambridge, MA, 1991, pp. 199–254.
- ^ Shapiro, Ehud Y. (1983). Algorithmic program debugging. Cambridge, Mass: MIT Press. ISBN 0-262-19218-7
- ^ Shapiro, Ehud Y. "The model inference system." Proceedings of the 7th international joint conference on Artificial intelligence-Volume 2. Morgan Kaufmann Publishers Inc., 1981.
- ^ Honglak Lee, Roger Grosse, Rajesh Ranganath, Andrew Y. Ng. "Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations" Proceedings of the 26th Annual International Conference on Machine Learning, 2009.
- ^ Honglak Lee, Roger Grosse, Rajesh Ranganath, Andrew Y. Ng. "Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations" Proceedings of the 26th Annual International Conference on Machine Learning, 2009.
- ^ Cortes, Corinna; Vapnik, Vladimir N. (1995). "Support-vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
- ^ Goldberg, David E.; Holland, John H. (1988). "Genetic algorithms and machine learning" (PDF). Machine Learning. 3 (2): 95–99. doi:10.1007/bf00113892.
- ^ Michie, D.; Spiegelhalter, D. J.; Taylor, C. C. (1994). "Machine Learning, Neural and Statistical Classification". Ellis Horwood Series in Artificial Intelligence. Bibcode:1994mlns.book.....M.
- ^ Zhang, Jun; Zhan, Zhi-hui; Lin, Ying; Chen, Ni; Gong, Yue-jiao; Zhong, Jing-hui; Chung, Henry S.H.; Li, Yun; Shi, Yu-hui (2011). "Evolutionary Computation Meets Machine Learning: A Survey". Computational Intelligence Magazine. 6 (4): 68–75. doi:10.1109/mci.2011.942584.
- ^ "Federated Learning: Collaborative Machine Learning without Centralized Training Data". Google AI Blog (in الإنجليزية). Retrieved 2019-06-08.
- ^ "BelKor Home Page" research.att.com
- ^ "The Netflix Tech Blog: Netflix Recommendations: Beyond theخمسة stars (Part 1)". 2012-04-06. Archived from the original on 31 May 2016. Retrieved 8 August 2015.
- ^ Scott Patterson (13 July 2010). "Letting the Machines Decide". The Wall Street Journal. Retrieved 24 June 2018.
- ^ Vinod Khosla (January 10, 2012). "Do We Need Doctors or Algorithms?". Tech Crunch.
- ^ When A Machine Learning Algorithm Studied Fine Art Paintings, It Saw Things Art Historians Had Never Noticed, The Physics at ArXiv blog
- ^ Vincent, James (2019-04-10). "The first AI-generated textbook shows what robot writers are actually good at". The Verge. Retrieved 2019-05-05.
- ^ "Why Machine Learning Models Often Fail to Learn: QuickTake Q&A". Bloomberg.com. 2016-11-10. Retrieved 2017-04-10.
- ^ "The First Wave of Corporate AI Is Doomed to Fail". Harvard Business Review. 2017-04-18. Retrieved 2018-08-20.
- ^ "Why the A.I. euphoria is doomed to fail". VentureBeat (in الإنجليزية). 2016-09-18. Retrieved 2018-08-20.
- ^ "9 Reasons why your machine learning project will fail". www.kdnuggets.com (in الإنجليزية). Retrieved 2018-08-20.
- ^ "Why Uber's self-driving car killed a pedestrian". The Economist (in الإنجليزية). Retrieved 2018-08-20.
- ^ "IBM's Watson recommended 'unsafe and incorrect' cancer treatments - STAT". STAT (in الإنجليزية). 2018-07-25. Retrieved 2018-08-21.
- ^ Hernandez, Daniela; Greenwald, Ted (2018-08-11). "IBM Has a Watson Dilemma". Wall Street Journal (in الإنجليزية). ISSN 0099-9660. Retrieved 2018-08-21.
- ^ Garcia, Megan (2016). "Racist in the Machine". World Policy Journal (in الإنجليزية). 33 (4): 111–117. doi:10.1215/07402775-3813015. ISSN 0740-2775.
- ^ Caliskan, Aylin; Bryson, Joanna J.; Narayanan, Arvind (2017-04-14). "Semantics derived automatically from language corpora contain human-like biases". Science (in الإنجليزية). 356 (6334): 183–186. arXiv:1608.07187. Bibcode:2017Sci...356..183C. doi:10.1126/science.aal4230. ISSN 0036-8075. PMID 28408601.
- ^ Wang, Xinan; Dasgupta, Sanjoy (2016), Lee, D. D.; Sugiyama, M.; Luxburg, U. V. et al., eds., An algorithm for L1 nearest neighbor search via monotonic embedding, Curran Associates, Inc., pp. 983–991, http://papers.nips.cc/paper/6227-an-algorithm-for-l1-nearest-neighbor-search-via-monotonic-embedding.pdf, retrieved on 2018-08-20
- ^ "Machine Bias". ProPublica. Julia Angwin, Jeff Larson, Lauren Kirchner, Surya Mattu. 2016-05-23. Retrieved 2018-08-20.CS1 maint: others (link)
- ^ "Opinion | When an Algorithm Helps Send You to Prison". New York Times (in الإنجليزية). Retrieved 2018-08-20.
- ^ "Google apologises for racist blunder". BBC News (in الإنجليزية). 2015-07-01. Retrieved 2018-08-20.
- ^ "Google 'fixed' its racist algorithm by removing gorillas from its image-labeling tech". The Verge. Retrieved 2018-08-20.
- ^ "Opinion | Artificial Intelligence's White Guy Problem". New York Times (in الإنجليزية). Retrieved 2018-08-20.
- ^ Metz, Rachel. "Why Microsoft's teen chatbot, Tay, said lots of awful things online". MIT Technology Review (in الإنجليزية). Retrieved 2018-08-20.
- ^ Simonite, Tom. "Microsoft says its racist chatbot illustrates how AI isn't adaptable enough to help most businesses". MIT Technology Review (in الإنجليزية). Retrieved 2018-08-20.
- ^ Hempel, Jessi (2018-11-13). "Fei-Fei Li's Quest to Make Machines Better for Humanity". Wired. ISSN 1059-1028. Retrieved 2019-02-17.
- ^ Kohavi, Ron (1995). "A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection" (PDF). International Joint Conference on Artificial Intelligence.
- ^ Pontius, Robert Gilmore; Si, Kangping (2014). "The total operating characteristic to measure diagnostic ability for multiple thresholds". International Journal of Geographical Information Science. 28 (3): 570–583. doi:10.1080/13658816.2013.862623.
- ^ Bostrom, Nick (2011). "The Ethics of Artificial Intelligence" (PDF). Retrieved 11 April 2016.
- ^ Edionwe, Tolulope. "The fight against racist algorithms". The Outline. Retrieved 17 November 2017.
- ^ Jeffries, Adrianne. "Machine learning is racist because the internet is racist". The Outline. Retrieved 17 November 2017.
- ^ Narayanan, Arvind (August 24, 2016). "Language necessarily contains human biases, and so will machines trained on language corpora". Freedom to Tinker.
- ^ Char, D. S.; Shah, N. H.; Magnus, D. (2018). "Implementing Machine Learning in Health Care—Addressing Ethical Challenges". New England Journal of Medicine. 378 (11): 981–983. doi:10.1056/nejmp1714229. PMC 5962261. PMID 29539284.
المزيد من القراءات
- Nils J. Nilsson, Introduction to Machine Learning.
- Trevor Hastie, Robert Tibshirani and Jerome H. Friedman (2001). The Elements of Statistical Learning, Springer. ISBN 0-387-95284-5.
- Pedro Domingos (September 2015), The Master Algorithm, Basic Books, ISBN 978-0-465-06570-7
- Ian H. Witten and Eibe Frank (2011). Data Mining: Practical machine learning tools and techniques Morgan Kaufmann, 664pp., ISBN 978-0-12-374856-0.
- Ethem Alpaydin (2004). Introduction to Machine Learning, MIT Press, ISBN 978-0-262-01243-0.
- David J. C. MacKay. Information Theory, Inference, and Learning Algorithms Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1
- Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0-471-05669-3.
- Christopher Bishop (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2.
- Stuart Russell & Peter Norvig, (2009). Artificial Intelligence – A Modern Approach. Pearson, ISBN 9789332543515.
- Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Section on Information Theory, Part 2, pp., 56–62, 1957.
- Ray Solomonoff, An Inductive Inference Machine A privately circulated report from the 1956 Dartmouth Summer Research Conference on AI.
روابط خارجية
 |
مشاع الفهم فيه ميديا متعلقة بموضوع [[commons:خطأ لوا في وحدة:WikidataIB على السطر 496: attempt to index field 'wikibase' (a nil value).|خطأ لوا في وحدة:WikidataIB على السطر 496: attempt to index field 'wikibase' (a nil value).]]. |
- International Machine Learning Society
- mloss is an academic database of open-source machine learning software.
- Machine Learning Crash Course by Google. This is a free course on machine learning through the use of TensorFlow.
