خطوات عملية التعلم الآلي
- جمع البيانات .
- معالجة البيانات.
- اختر نموذجا.
- تدريب نموذجي.
- تقييم النموذج.
- ضبط القياسات.
- قم بعمل تنبؤات.
قد يرى بعض الناس أن هذا شبه مستحيل، لكنه في الحقيقة طبيعي وسلس. هناك سبع خطوات أساسية يتم من خلالها نقل الذكاء إلى الآلات
جمع البيانات تكون بداية التعلم الآلي من خلال مجموعة من البيانات والأوامر والتعليمات التي تُعطى لهم. من الضروري مراعاة المكان الذي تم أخذ البيانات منه واقتباسها عند جمعها للتأكد من أنها موثوقة.
من أجل أن يجد نموذج التعلم الآلي الأنماط الصحيحة، ويتم الوصول إلى دقة النموذج المقدم من خلال جودة البيانات التي يتم تقديمها للأجهزة، في حالة عدم صحة البيانات المدخلة أو عدم كونها حديثة.
ستكون النتائج والتنبؤات غير صحيحة إذا استخدمت بيانات مجهولة المصدر أو مصدر غير موثوق به سيكون له تأثير سلبي على النتائج التي ستُعطى لك، ولكن في حالة صحة البيانات، سيكون لها عدد قليل جدًا وتقريباً غير – وجود قيم مفقودة ومتكررة وسيكون تمثيلها لجميع الفئات والأقسام صحيحًا. و جيد.
معالجة البيانات من الضروري تحضير البيانات بعد الحصول عليها.
يضمن ذلك توزيع البيانات والمعلومات بالتساوي وعدم تأثير الترتيب على عملية التعلم، ومن ثم ة البيانات وحذف كل ما لا تريده وكل الأشياء الزائدة عن الحاجة، وربما يجبرك هذا على إنشاء هيكلها من الأول والجديد لجميع البيانات.
حاول تصور البيانات لفهم العلاقة بين المعلومات وفرز الفئات المختلفة. أخيرًا، قسّم البيانات المهمة إلى مجموعتين، الأولى للتدريب، المجموعة التي يتعلم منها نموذجك، والأخرى لمجموعة الاختبار التي تتمثل وظيفتها في تحديد دقة نموذجك فور انتهاء التدريب.
اختيار النموذج من الضروري اختيار نموذج متعلق بالمهمة والمعلومات التي تم تقديمها وذات صلة بها، فالنموذج هو الذي يحدد مجموعة المخرجات والمخرجات التي يتم الحصول عليها، بعد خوارزمية التعلم الآلي. تعمل على مجموعة البيانات المدخلة. تعد النماذج المتعددة مناسبة للعديد من المهام مثل التعرف على الصور والكلام والتنبؤ.
تدريب النموذج إن أهم مرحلة في خطوات التعلم الآلي هي التدريب، حيث يتم خلالها تمرير مجموعة البيانات المعدة إلى نموذج التعلم الآلي الذي تم تحديده مسبقًا من أجل العثور على الأنماط وإجراء التنبؤات المناسبة.
ينتج عن التعلم النموذجي الذي يتم من خلال البيانات من أجل إكمال إكمال مجموعة من المهام. مع التكرار والتدريب يحدث التقدم وتحسين نتائج التنبؤ.
تقييم النموذج بمجرد اكتمال مرحلة التدريب الخاصة بالنموذج، من الضروري التحقق من أجل التمكن من معرفة سلامة وكيفية أدائه، وهذا معروف بإجراء اختبار خاص لأداء النموذج على بيانات غير معروفة وغير مرئية.
نظرًا لأن البيانات غير المرئية هي تلك التي تم تقسيم البيانات إليها في الخطوات السابقة، ويتم استخدامها لأنه إذا تم استخدام نفس البيانات للتدريب، فإن النتيجة ستكون غير دقيقة.
ضبط المعلمة بمجرد إنشاء النموذج وتقييمه، تحقق مما إذا كان هذا النموذج يحتاج إلى تحسين في دقته أم لا، والطريقة للقيام بذلك هي ضبط المعلمات الموجودة بالفعل في النموذج.
المعلمات عبارة عن متغيرات موجودة في النموذج، وهناك قيمة محددة للمعامل يتم عندها الوصول إلى الدقة القصوى، وما يشير إلى أن ضبط هذه المعلمة هو للوصول إلى هذه القيم.
إجراء تنبؤات أخيرًا، لديك الفرصة لاستخدام النموذج وتطبيقه على البيانات غير المرئية من أجل إنتاج تنبؤات صحيحة ودقيقة.
الخطوة الأولى في عملية التعلم الآلي
الخطوة الأولى في التعلم الآلي هي جمع البيانات.
يعتبر المسار الأول الذي يقودنا إلى تطوير نموذج التعلم الآلي. على سبيل المثال، سوف نتعامل مع الفواكه كمثال. يجب أن نجمع كل البيانات المتعلقة بالفاكهة حتى نتمكن من توظيفها للتمييز بين الثمرتين.
يتم استخدام معلمات متعددة لتصنيف الفاكهة على أنها تفاحة أو برتقالة. سيحدد معيارين أو ميزتين للعمل عليهما، الميزة الأولى هي لون الفاكهة والميزة الثانية هي شكل الفاكهة.
نأمل أن يتمكن النموذج من التمييز بينها بدقة بهذه المعلومات، أما بالنسبة لخاصية اللون، فمن الضروري استخدام آلة، وقد تكون مطيافًا، بالنسبة لخاصية الشكل.
من الممكن استخدام صور الفاكهة من أجل التعامل معها كأرقام ثنائية الأبعاد، ويجب إيجاد وجمع كافة أنواع وأصناف البرتقال وتفاحات متعددة ومختلفة من أجل جمع البيانات قدر الإمكان، وهي ضروري لتجنب اختيار الخصائص والميزات غير الصحيحة والتركيز على عدد وأنواع محدودة من المعلومات المدخلة لأن هذا سيجعل النموذج غير مطّلع. صالحة وغير فعالة.
خوارزميات التعلم الآلي
- خوارزمية SVM.
- الانحدارالخطي.
- خوارزمية الغابة العشوائية.
- شجرة القرار.
- خوارزمية بايز الساذجة.
- خوارزمية KNN.
- الانحدار اللوجستي.
- ك- يعني.
- خوارزميات تخفيض الأبعاد.
هناك مجموعة واسعة من الخوارزميات المستخدمة في التعلم الآلي وهي
خوارزمية SVM تُستخدم في التصنيف عن طريق عمل رسم بياني مرتبط بالبيانات الأولية، ثم ربط كل ميزة بإحداثيات معينة لتسهيل التصنيف.
الانحدار الخطي لكي تتمكن من فهمه، يجب أن تدرك هذا المثال وتفكر فيه في حالة وجود مجموعة من الأخشاب ذات أوزان مختلفة وعشوائية، فكيف سترتبها وتنسيقها، من الصعب جدًا أن تزن كل منها منهم.
لكن خمن الوزن عن طريق إجراء تحليل بصري وهو مشابه للانحدار الخطي، في هذه الحالة تنشأ علاقة بين المتغيرات المستقلة والتابعة تسمى خط الانحدار ومعادلته Y = a * X + b Y – حيث المتغير التابع A المنحدرات X – تقاطع المتغير المستقل B
خوارزمية الغابة العشوائية تستخدم في حالة تصنيف شيء ما أو كأنه جديد حسب الخصائص التي تميزه.
شجرة القرار وتعنى بقضايا التصنيف المتعلقة بالمشكلات، حيث تم استخدامها في عملية تقسيم السكان إلى مجموعات.
خوارزمية بايز السذاجة تعتمد على حقيقة أنه لا توجد علاقة بين الفئات التي توجد فيها ميزة مع أي ميزة أخرى موجودة في فئة ثانية، حتى لو كان لديهم شيء مشترك أو مرتبط ببعضهم البعض.
خوارزمية KNN تستخدم في نطاقات واسعة للتغلب على المشاكل الناتجة عن التصنيف، ولكن يجب معالجة البيانات قبل أن تتمكن من استخدامها.
الانحدار اللوجستي يمكن أن يجد تقديرًا لمجموعة القيم المنفصلة، بالإضافة إلى التنبؤ بحدوث حدث إذا كان مناسبًا للبيانات باستخدام هذه الاستراتيجيات وظروف التفاعل وإلغاء الميزات بالإضافة إلى تقنيات التنظيم واستخدام غير -نموذج خطي.
ك- يقصد بها لا تخضع لأي رقابة وما يميزها أنها تمتلك القدرة على حل أي مشكلة تجميع.
خوارزميات تقليل الأبعاد يمكنك العثور على المجموعة الدقيقة من التفاصيل المرتبطة بالترتيب الحالي.
ال