التعلم الآلي هو بلا شك التكنولوجيا الأكثر طلبًا في هذا العصر! إذا كنت مبتدئًا وتبدأ في التعلم الآلي ، فمن المهم أن تعرف المتطلبات الأساسية لتعلم الآلة. ستساعدك هذه المدونة على فهم المفاهيم المختلفة التي تحتاج إلى معرفتها قبل البدء في التعلم الآلي.
للحصول على معرفة متعمقة بالذكاء الاصطناعي والتعلم الآلي ، يمكنك التسجيل في البث المباشر بواسطة Edureka مع دعم على مدار الساعة طوال أيام الأسبوع وإمكانية الوصول مدى الحياة.
إليك قائمة بالموضوعات مغطى في هذه المدونة:
المتطلبات الأساسية لتعلم الآلة
لتبدأ معتعلم الآلة يجب أن تكون على دراية بالمفاهيم التالية:
الإحصاء
تحتوي الإحصائيات على أدوات يمكن استخدامها للحصول على بعض النتائج من البيانات. هناك إحصائيات وصفية تُستخدم لتحويل البيانات الأولية في بعض المعلومات المهمة. أيضًا ، يمكن استخدام الإحصائيات الاستدلالية للحصول على معلومات مهمة من عينة من البيانات بدلاً من استخدام مجموعة بيانات كاملة.
تعلم المزيد عن يمكنك الاطلاع على الإحصائيات من خلال المدونات التالية:
الجبر الخطي
صفقات الجبر الخطيمع المتجهات والمصفوفات والتحولات الخطية. من المهم جدًا في التعلم الآلي حيث يمكن استخدامه لتحويل العمليات وتنفيذها على مجموعة البيانات.
حساب التفاضل والتكامل
يعد حساب التفاضل والتكامل مجالًا مهمًا في الرياضيات ويلعب دورًا أساسيًا في العديد من خوارزميات التعلم الآلي. مجموعة البيانات التي لها ميزات متعددة هيتُستخدم لبناء نماذج التعلم الآلي لأن الميزات متعددة المتغيرات يلعب حساب التفاضل والتكامل دورًا مهمًا في بناء نموذج التعلم الآلي. عمليات التكامل والتفاضل أمر لا بد منه.
احتمالا
تساعد الاحتمالية على التنبؤ باحتمالية حدوث الحوادث ، وتساعدنا على التفكير في أن الموقف قد يحدث أو لا يحدث مرة أخرى بالنسبة للتعلم الآلي ، يكون الاحتمال أ مؤسسة.
ما هو الفرق بين فئة مجردة والواجهة؟
لمعرفة المزيد حول الاحتمالية ، يمكنك الاطلاع على هذا مدونة.
لغة برمجة
من الضروري معرفة لغات البرمجة مثل R و Python من أجل تنفيذ عملية التعلم الآلي بأكملها. يوفر كل من Python و R مكتبات مدمجة تجعل من السهل جدًا تنفيذ خوارزميات التعلم الآلي.
بصرف النظر عن المعرفة الأساسية بالبرمجة ، من المهم أيضًا أن تعرف كيفية استخراج البيانات ومعالجتها وتحليلها. هذه واحدة من أهم المهارات المطلوبة لتعلم الآلة.
لمعرفة المزيد عن البرمجة لغات لتعلم الآلة ، يمكنك تصفح المدونات التالية:
حالة استخدام التعلم الآلي
يدور التعلم الآلي حول إنشاء خوارزمية يمكنها التعلم من البيانات لإجراء تنبؤ مثل أنواع الكائنات الموجودة في الصورة ، أو محرك التوصية ، وهو أفضل مزيج من الأدوية لعلاج مرض معين أو تصفية البريد العشوائي.
يعتمد التعلم الآلي على المتطلبات الرياضية الأساسية ، وإذا كنت تعرف سبب استخدام الرياضيات في التعلم الآلي ، فستجعلها ممتعة. أنت بحاجة إلى معرفة الرياضيات وراء الوظائف التي ستستخدمها والنموذج المناسب للبيانات ولماذا.
فلنبدأ بمشكلة مثيرة للاهتمام تتعلق بالتنبؤ بأسعار المنازل ، ووجود مجموعة بيانات تحتوي على تاريخ من الميزات والأسعار المختلفة ، في الوقت الحالي ، سننظر في مساحة مساحة المعيشة بالأقدام المربعة والأسعار.
الآن لدينا مجموعة بيانات تحتوي على عمودين كما هو موضح أدناه:
يجب أن يكون هناك بعض الارتباط بين هذين المتغيرين لمعرفة أننا سنحتاج إلى بناء نموذج يمكنه التنبؤ بسعر المنازل ، كيف يمكننا القيام بذلك؟
دعنا نرسم هذه البيانات ونرى كيف تبدو:
هنا المحور X هو السعر لكل قدم مربع من مساحة المعيشة والمحور Y هو سعر المنزل. إذا قمنا برسم جميع نقاط البيانات ، فسنحصل على مخطط مبعثر يمكن تمثيله بخط كما هو موضح في الشكل أعلاه وإذا أدخلنا بعض البيانات ، فسوف نتوقع بعض النتائج. من الناحية المثالية ، يتعين علينا إيجاد خط يتقاطع مع الحد الأقصى لنقاط البيانات.
نحن هنا نحاول إنشاء خط يسمى:
ص = م س + ج
كيف تجد متناظرة في جافا
هذه الطريقة للتنبؤ بالعلاقة الخطية بين الهدف (المتغير التابع) والمتغير المتنبئ (المتغير المستقل) تسمى الانحدار الخطي. يسمح لنا بدراسة وتلخيص العلاقة بين متغيرين.
- X = متغير مستقل
- ص = متغير تابع
- ج = تقاطع ص
- م = انحدار الخط
إذا أخذنا في الاعتبار المعادلة ، فلدينا قيم X وهو متغير مستقل ، لذلك كل ما علينا فعله هو حساب قيم m و c من أجل التنبؤ بقيمة Y.
فكيف نجد هذه المتغيرات؟
من أجل العثور على هذه المتغيرات ، يمكننا تجربة مجموعة من القيم ومحاولة اكتشاف خط يتقاطع مع الحد الأقصى لعدد نقاط البيانات. ولكن ، كيف يمكننا إيجاد أفضل خط مناسب؟
لذلك من أجل العثور على السطر الأكثر ملاءمة ، يمكننا استخدام دالة خطأ المربعات الصغرى التي ستجد الخطأ بين القيمة الحقيقية لـ y والقيمة المتوقعة y`.
يمكن تمثيل دالة خطأ المربعات الصغرى باستخدام المعادلة التالية:
باستخدام هذه الوظيفة ، يمكننا اكتشاف الخطأ لكل نقطة بيانات متوقعة من خلال مقارنتها بالقيمة الفعلية لنقطة البيانات. ثم تقوم بعد ذلك بجمع كل هذه الأخطاء وتربيعها لمعرفة الانحراف في التنبؤ.
إذا أضفنا المحور الثالث إلى الرسم البياني الخاص بنا الذي يحتوي على جميع قيم الخطأ المحتملة وقمنا برسمه في مساحة ثلاثية الأبعاد ، فسيبدو كما يلي:
في الصورة أعلاه ، ستكون القيم المثالية في الجزء الأسود السفلي الذي سيتنبأ بالأسعار القريبة من نقطة البيانات الفعلية. الخطوة التالية هي إيجاد أفضل القيم الممكنة لـ m و c. يمكن القيام بذلك باستخدام تقنية التحسين التي تسمى النسب المتدرجة.
نزول التدرج هو طريقة تكرارية ، حيث نبدأ بتهيئة مجموعة من القيم لمتغيراتنا وتحسينها ببطء عن طريق تقليل الخطأ بين القيمة الفعلية والقيمة المتوقعة.
الآن إذا اعتقدنا عمليًا أن أسعار الشقة لا تعتمد حقًا فقط على السعر لكل قدم مربع ، فهناك العديد من العوامل مثل عدد غرف النوم والحمامات وما إلى ذلك. إذا أخذنا في الاعتبار هذه الميزات أيضًا ، فستبدو المعادلة شيئًا ما مثله
ص = b0 + b1x1 + b2x2 + & hellip .. + bnxn + c
هذا انحدار متعدد الخطوط ينتمي إلى الجبر الخطي ، وهنا يمكننا استخدام مصفوفات بحجم mxn حيث m هي ميزات و n هي نقاط بيانات.
دعونا نفكر في موقف آخر حيث يمكننا استخدام الاحتمال للعثور على حالة المنزل من أجل تصنيف المنزل على أساس ما إذا كان في حالة جيدة أو سيئة. لهذا ، للعمل ، سيتعين علينا استخدام تقنية تسمى الانحدار اللوجستي والتي تعمل على احتمالية التكرار التي تمثلها دالة السيني.
في هذه المقالة ، تناولنا المتطلبات الأساسية للتعلم الآلي وكيفية تطبيقها في التعلم الآلي. لذلك فهي تتكون أساسًا من الإحصاء وحساب التفاضل والتكامل والجبر الخطي ونظرية الاحتمالات. يحتوي حساب التفاضل والتكامل على تقنيات مستخدمة للتحسين ، ولدى الجبر الخطي خوارزميات يمكن أن تعمل على مجموعات بيانات ضخمة ، مع احتمال أن نتمكن من توقع احتمالية الحدوث والإحصاءات تساعدنا على استنتاج رؤى مفيدة من عينة مجموعات البيانات.
الآن بعد أن تعرفت على المتطلبات الأساسية لتعلم الآلة ، أنا متأكد من أنك مهتم بمعرفة المزيد. فيما يلي بعض المدونات التي ستساعدك على البدء في استخدام علوم البيانات:
إذا كنت ترغب في التسجيل في دورة كاملة حول الذكاء الاصطناعي والتعلم الآلي ، فإن Edureka لديها برنامج منسق خصيصًا هذا سيجعلك بارعًا في تقنيات مثل التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف ومعالجة اللغة الطبيعية. ويشمل التدريب على أحدث التطورات والأساليب التقنية في الذكاء الاصطناعي والتعلم الآلي مثل التعلم العميق والنماذج الرسومية والتعلم المعزز.