| الوحدة الرابعة | الوحدة الثالثة | الوحدة الثانية | الوحدة الأولى | |
|---|---|---|---|---|
| تحليل الإنحدار المتقدم | أساسيات تعلم الآلة | إطلاق إمكانات البيانات | أسس علوم البيانات | عنوان الوحدة |
| <<<<<<< HEAD | ||||
| تتعمق هذه الوحدة في تقنيات تحليل الانحدار المتقدمة في سياق التعلم الآلي الخاضع للإشراف يوفر تقنيات في تحليل الانحدار والتعلم الآلي الخاضع للإشراف مع التركيز على تحسين النسب المتدرج ، والانحدار متعدد الخطوط، والانحدار اللوجستي | الهدف من هذه الوحدة هو توفير أساس متين في التعلم الآلي يغطي المفاهيم التمهيدية. والتعلم الخاضع للإشراف، وخوارزمية - الجار الأقرب، والانحدار الخطي. | الهدف من هذه الوحدة هو تمكين الطلاب بالمهارات والمعرفة لإطلاق العنان للإمكانات الكاملة للبيانات من خلال هندسة الميزات الفعالة، والتوثيق / إعداد التقارير، والحصول على البيانات. وفهم أنواع البيانات وقواعد البيانات المختلفة. | تعرف هذه الوحدة الطلاب بالمفاهيم والتقنيات الأساسية في علم البيانات. ويغطي دورة حياة علم البيانات، مع التركيز على معالجة البيانات للمعالجة المسبقة للبيانات وتنظيفها. تستكشف الوحدة أيضًا تحليل البيانات الاستكشافية (EDA) ، والتصور ، ومعالجة البيانات ، وتزويد الطلاب بالمهارات اللازمة لتحليل البيانات وتصورها بشكل فعال، وكشف الأفكار، ومعالجة البيانات المزيد من التحليل | |
| وصف للوحدة | ||||
| خوارزمية التحسين: عملية التعديل المتكرر عوامل النموذج وتقليل حالة التكلفة إلى الحد الأدنى، مما يتيح للنماذج التعلم وتحسين أدائها بمرور الوقت. مشتق حالة التكلفة: يساعد مشتق دالة التكلفة فيما يتعلق بعوامل النموذج في تحديد اتجاه وحجم التعديلات أثناء عملية التحسين. الانحدار الانحدار الخطي: البسيط يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات - الانحدار اللوجستي للتصنيف الثنائي: الانحدار اللوجستي هو خوارزمية شائعة الاستخدام. لمهام التصنيف الثنائي، حيث الهدف هو التنبؤ بإحدى نتيجتين محتملتين بناء على متغيرات الإدخال، باستخدام الوظيفة اللوجستية لتقدير الاحتمالات امتداد الانحدار الخطي البسيط (يتبع): يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات - تقييم المصنفات: يتضمن تقييم المصنفات تقييم أدائها وقدرات التعميم باستخدام مقاييس التقييم المختلفة. - مقاييس التصنيفية: توفر مقاييس التصنيف ، مثل الدقة والاسترجاع ودرجة F1 مقاييس كمية لتقييم أداء نماذج التصنيف، وتقييم قدراتها التنبؤية. - المفاهيم المشتركة بين النماذج: هناك مفاهيم مشتركة بين النماذج المختلفة. باستخدام مجموعات بيانات التدريب والاختبار، وهندسة الميزات، وتقنيات التنظيم. وطرق تفسير النماذج |
مقدمة في التعلم الآلي: التعلم الآلي هو مجال دراسة يركز على تطوير الخوارزميات والنماذج التي يمكن أن تتعلم من البيانات وتقوم بالتنبؤات أو القرارات دون برمجة مفصلة. فئات التعلم الآلي: يمكن تصنيف التعلم الآلي إلى فئات مختلفة، مثل التعلم تحت الإشراف. والتعلم بدون الإشراف، والتعلم المعزز، بناء على نهج التعلم وتوافر البيانات المصنفة. أنواع خوارزميات تعلم الآلة: تشتمل خوارزميات التعلم الآلي على مجموعة واسعة من التقنيات. بما في ذلك التصنيف والانحدار والتكتل وتقليل الأبعاد وغير ذلك، كل منها مناسب لأنواع مختلفة من المشكلات التعلم الخاضع للإشراف: في التعلم الخاضع للإشراف. يتم تدريب النماذج على البيانات المصنفة، حيث ترتبط أمثلة الإدخال بالقيم المستهدفة المقابلة، مما يتيح التنبؤ بنتائج البيانات غير المرئية. ** K-NN:** وتقوم بعمل تنبؤات بناءً على قرب نقطة بيانات من النقاط المجاورة لها. ** الانحدار الخطي:** الانحدار الخطي هو خوارزمية تعلم خاضعة للإشراف مستخدمة على نطاق واسع والتي تصمم العلاقة بين متغير تابع وواحد أو أكثر من المتغيرات المستقلة باستخدام معادلة خطية. ** مقاييس الانحدار الخطي الرئيسية:** المقاييس الرئيسية المستخدمة لتقييم نماذج الانحدار الخطي تشمل متوسط الخطأ التربيعي (MSE) ومعامل التحديد السوم و المعدل squared R |
-مصادر البيانات : تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. ** - المخاوف الأخلاقية: ** يعتبر النظر في الآثار الأخلاقية، مثل الخصوصية والتحيز وحماية البيانات أمرا ضروريا عند العمل مع البيانات الضمان الاستخدام المسؤول والعادل. -أنواع البيانات: تأتي البيانات بأشكال مختلفة، بما في ذلك البيانات المجدولة المنظمة في صفوف وأعمدة، والبيانات المتسلسلة بترتيب زمني، وبيانات الصور والفيديو التي تلتقط المعلومات المرئية +البيانات الجدولية: يتم تنظيم البيانات الجدولية في صفوف وأعمدة، غالبا ما تشبه جداول البيانات، وعادة ما يتم مواجهتها في مجموعات البيانات التي تحتوي على معلومات منظمة. + البيانات المتسلسلة: تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. + بيانات الصور والفيديو: تحتوي الصور ومقاطع الفيديو على معلومات مرئية غنية وتستخدم في مجالات مختلفة، مثل رؤية الكمبيوتر، حيث يكون فهم البيانات المرئية ومعالجتها أمرا بالغ الأهمية. - أنظمة تخزين البيانات: أنظمة تخزين البيانات، بما في ذلك قواعد البيانات ومخازن البيانات + قواعد البيانات: قواعد البيانات هي أنظمة تخزين منظمة تتيح إدارة البيانات المنظمة. + مستودعات البيانات: تم تصميم مستودعات البيانات خصيصا لتخزين كميات كبيرة من البيانات المنظمة والتاريخية، ودعم تطبيقات الاستعلام المعقدة وذكاء الأعمال. |
تبادل البيانات: جمع البيانات الخام وتنظيفها ودمجها وتحويلها من أجل التحليل. تحليل البيانات الاستكشافية: تحليل البيانات للكشف عن الأنماط والعلاقات والاتجاهات. تصور البيانات: إنشاء تمثيلات مرئية لتوصيل الرؤى والنتائج. تطهير البيانات: تحديد الأخطاء والتناقضات والقيم المفقودة وتصحيحها. معالجة البيانات: تحويل وتشكيل البيانات المزيد من التحليل والنمذجة. ميزات إعادة العمل: ميزات التنقية والهندسة لتحسين أداء النموذج. التتبع والتواصل: توثيق الخطوات والنتائج ومشاركة النتائج بشكل فعال. |
موضوعات الوحدة |
| خوارزمية التحسين: عملية التعديل المتكرر عوامل النموذج وتقليل حالة التكلفة إلى الحد الأدنى، مما يتيح للنماذج التعلم وتحسين أدائها بمرور الوقت. مشتق حالة التكلفة: يساعد مشتق دالة التكلفة فيما يتعلق بعوامل النموذج في تحديد اتجاه وحجم التعديلات أثناء عملية التحسين. الانحدار الانحدار الخطي: البسيط يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات - الانحدار اللوجستي للتصنيف الثنائي: الانحدار اللوجستي هو خوارزمية شائعة الاستخدام. لمهام التصنيف الثنائي، حيث الهدف هو التنبؤ بإحدى نتيجتين محتملتين بناء على متغيرات الإدخال، باستخدام الوظيفة اللوجستية لتقدير الاحتمالات امتداد الانحدار الخطي البسيط (يتبع): يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات - تقييم المصنفات: يتضمن تقييم المصنفات تقييم أدائها وقدرات التعميم باستخدام مقاييس التقييم المختلفة. - مقاييس التصنيفية: توفر مقاييس التصنيف ، مثل الدقة والاسترجاع ودرجة F1 مقاييس كمية لتقييم أداء نماذج التصنيف، وتقييم قدراتها التنبؤية. - المفاهيم المشتركة بين النماذج: هناك مفاهيم مشتركة بين النماذج المختلفة. باستخدام مجموعات بيانات التدريب والاختبار، وهندسة الميزات، وتقنيات التنظيم. وطرق تفسير النماذج | مقدمة في التعلم الآلي: التعلم الآلي هو مجال دراسة يركز على تطوير الخوارزميات والنماذج التي يمكن أن تتعلم من البيانات وتقوم بالتنبؤات أو القرارات دون برمجة مفصلة. فئات التعلم الآلي: يمكن تصنيف التعلم الآلي إلى فئات مختلفة، مثل التعلم تحت الإشراف. والتعلم بدون الإشراف، والتعلم المعزز، بناء على نهج التعلم وتوافر البيانات المصنفة. أنواع خوارزميات تعلم الآلة: تشتمل خوارزميات التعلم الآلي على مجموعة واسعة من التقنيات. بما في ذلك التصنيف والانحدار والتكتل وتقليل الأبعاد وغير ذلك، كل منها مناسب لأنواع مختلفة من المشكلات التعلم الخاضع للإشراف: في التعلم الخاضع للإشراف. يتم تدريب النماذج على البيانات المصنفة، حيث ترتبط أمثلة الإدخال بالقيم المستهدفة المقابلة، مما يتيح التنبؤ بنتائج البيانات غير المرئية. K-NN: وتقوم بعمل تنبؤات بناءً على قرب نقطة بيانات من النقاط المجاورة لها. الانحدار الخطي: الانحدار الخطي هو خوارزمية تعلم خاضعة للإشراف مستخدمة على نطاق واسع والتي تصمم العلاقة بين متغير تابع وواحد أو أكثر من المتغيرات المستقلة باستخدام معادلة خطية. ** مقاييس الانحدار الخطي الرئيسية:** المقاييس الرئيسية المستخدمة لتقييم نماذج الانحدار الخطي تشمل متوسط الخطأ التربيعي (MSE) ومعامل التحديد السوم و المعدل squared R | -مصادر البيانات : تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. - المخاوف الأخلاقية: يعتبر النظر في الآثار الأخلاقية، مثل الخصوصية والتحيز وحماية البيانات أمرا ضروريا عند العمل مع البيانات الضمان الاستخدام المسؤول والعادل. -أنواع البيانات: تأتي البيانات بأشكال مختلفة، بما في ذلك البيانات المجدولة المنظمة في صفوف وأعمدة، والبيانات المتسلسلة بترتيب زمني، وبيانات الصور والفيديو التي تلتقط المعلومات المرئية +البيانات الجدولية: يتم تنظيم البيانات الجدولية في صفوف وأعمدة، غالبا ما تشبه جداول البيانات، وعادة ما يتم مواجهتها في مجموعات البيانات التي تحتوي على معلومات منظمة. + البيانات المتسلسلة: تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. + بيانات الصور والفيديو: تحتوي الصور ومقاطع الفيديو على معلومات مرئية غنية وتستخدم في مجالات مختلفة، مثل رؤية الكمبيوتر، حيث يكون فهم البيانات المرئية ومعالجتها أمرا بالغ الأهمية. - أنظمة تخزين البيانات: أنظمة تخزين البيانات، بما في ذلك قواعد البيانات ومخازن البيانات + قواعد البيانات: قواعد البيانات هي أنظمة تخزين منظمة تتيح إدارة البيانات المنظمة. + مستودعات البيانات: تم تصميم مستودعات البيانات خصيصا لتخزين كميات كبيرة من البيانات المنظمة والتاريخية، ودعم تطبيقات الاستعلام المعقدة وذكاء الأعمال. |
تبادل البيانات: جمع البيانات الخام وتنظيفها ودمجها وتحويلها من أجل التحليل. تحليل البيانات الاستكشافية: تحليل البيانات للكشف عن الأنماط والعلاقات والاتجاهات. تصور البيانات: إنشاء تمثيلات مرئية لتوصيل الرؤى والنتائج. تطهير البيانات: تحديد الأخطاء والتناقضات والقيم المفقودة وتصحيحها. معالجة البيانات: تحويل وتشكيل البيانات المزيد من التحليل والنمذجة. ميزات إعادة العمل: ميزات التنقية والهندسة لتحسين أداء النموذج. التتبع والتواصل: توثيق الخطوات والنتائج ومشاركة النتائج بشكل فعال. |
موضوعات الوحدة |
| الوحدة الثانية | الوحدة الأولى | رابط الوصول لمُلخصي للوحدة | ||
| ======= | ||||
| تتعمق هذه الوحدة في تقنيات تحليل الانحدار المتقدمة في سياق التعلم الآلي الخاضع للإشراف يوفر تقنيات في تحليل الانحدار والتعلم الآلي الخاضع للإشراف مع التركيز على تحسين النسب المتدرج ، والانحدار متعدد الخطوط، والانحدار اللوجستي | الهدف من هذه الوحدة هو توفير أساس متين في التعلم الآلي يغطي المفاهيم التمهيدية. والتعلم الخاضع للإشراف، وخوارزمية - الجار الأقرب، والانحدار الخطي. | الهدف من هذه الوحدة هو تمكين الطلاب بالمهارات والمعرفة لإطلاق العنان للإمكانات الكاملة للبيانات من خلال هندسة الميزات الفعالة، والتوثيق / إعداد التقارير، والحصول على البيانات. وفهم أنواع البيانات وقواعد البيانات المختلفة. | تعرف هذه الوحدة الطلاب بالمفاهيم والتقنيات الأساسية في علم البيانات. ويغطي دورة حياة علم البيانات، مع التركيز على معالجة البيانات للمعالجة المسبقة للبيانات وتنظيفها. تستكشف الوحدة أيضًا تحليل البيانات الاستكشافية (EDA) ، والتصور ، ومعالجة البيانات ، وتزويد الطلاب بالمهارات اللازمة لتحليل البيانات وتصورها بشكل فعال، وكشف الأفكار، ومعالجة البيانات المزيد من التحليل | وصف للوحدة |
| خوارزمية التحسين: عملية التعديل المتكرر عوامل النموذج وتقليل حالة التكلفة إلى الحد الأدنى، مما يتيح للنماذج التعلم وتحسين أدائها بمرور الوقت. مشتق حالة التكلفة: يساعد مشتق دالة التكلفة فيما يتعلق بعوامل النموذج في تحديد اتجاه وحجم التعديلات أثناء عملية التحسين. الانحدار الانحدار الخطي: البسيط يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات الانحدار اللوجستي للتصنيف الثنائي: الانحدار اللوجستي هو خوارزمية شائعة الاستخدام. لمهام التصنيف الثنائي، حيث الهدف هو التنبؤ بإحدى نتيجتين محتملتين بناء على متغيرات الإدخال، باستخدام الوظيفة اللوجستية لتقدير الاحتمالات امتداد الانحدار الخطي البسيط (يتبع): يمكن تمديد الانحدار الخطي البسيط إلى الانحدار الخطي المتعدد، حيث يتم استخدام متغيرات مستقلة متعددة للتنبؤ بمتغير تابع، مما يسمح بعلاقات أكثر تعقيدا بين المتغيرات تقييم المصنفات: يتضمن تقييم المصنفات تقييم أدائها وقدرات التعميم باستخدام مقاييس التقييم المختلفة. مقاييس التصنيفية: توفر مقاييس التصنيف ، مثل الدقة والاسترجاع ودرجة F1 مقاييس كمية لتقييم أداء نماذج التصنيف، وتقييم قدراتها التنبؤية. المفاهيم المشتركة بين النماذج: هناك مفاهيم مشتركة بين النماذج المختلفة. باستخدام مجموعات بيانات التدريب والاختبار، وهندسة الميزات، وتقنيات التنظيم. وطرق تفسير النماذج |
مقدمة في التعلم الآلي: التعلم الآلي هو مجال دراسة يركز على تطوير الخوارزميات والنماذج التي يمكن أن تتعلم من البيانات وتقوم بالتنبؤات أو القرارات دون برمجة مفصلة. فئات التعلم الآلي: يمكن تصنيف التعلم الآلي إلى فئات مختلفة، مثل التعلم تحت الإشراف. والتعلم بدون الإشراف، والتعلم المعزز، بناء على نهج التعلم وتوافر البيانات المصنفة. أنواع خوارزميات تعلم الآلة: تشتمل خوارزميات التعلم الآلي على مجموعة واسعة من التقنيات. بما في ذلك التصنيف والانحدار والتكتل وتقليل الأبعاد وغير ذلك، كل منها مناسب لأنواع مختلفة من المشكلات التعلم الخاضع للإشراف: في التعلم الخاضع للإشراف. يتم تدريب النماذج على البيانات المصنفة، حيث ترتبط أمثلة الإدخال بالقيم المستهدفة المقابلة، مما يتيح التنبؤ بنتائج البيانات غير المرئية. K-NN: وتقوم بعمل تنبؤات بناءً على قرب نقطة بيانات من النقاط المجاورة لها. الانحدار الخطي: الانحدار الخطي هو خوارزمية تعلم خاضعة للإشراف مستخدمة على نطاق واسع والتي تصمم العلاقة بين متغير تابع وواحد أو أكثر من المتغيرات المستقلة باستخدام معادلة خطية. مقاييس الانحدار الخطي الرئيسية: المقاييس الرئيسية المستخدمة لتقييم نماذج الانحدار الخطي تشمل متوسط الخطأ التربيعي (MSE) ومعامل التحديد السوم و المعدل squared R |
مصادر البيانات : تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. المخاوف الأخلاقية: يعتبر النظر في الآثار الأخلاقية، مثل الخصوصية والتحيز وحماية البيانات أمرا ضروريا عند العمل مع البيانات الضمان الاستخدام المسؤول والعادل. أنواع البيانات: تأتي البيانات بأشكال مختلفة، بما في ذلك البيانات المجدولة المنظمة في صفوف وأعمدة، والبيانات المتسلسلة بترتيب زمني، وبيانات الصور والفيديو التي تلتقط المعلومات المرئية البيانات الجدولية: يتم تنظيم البيانات الجدولية في صفوف وأعمدة، غالبا ما تشبه جداول البيانات، وعادة ما يتم مواجهتها في مجموعات البيانات التي تحتوي على معلومات منظمة. البيانات المتسلسلة: تتميز البيانات المتسلسلة بترتيب أو تسلسل زمني، حيث يكون لكل ملاحظة علاقة بملاحظاتها السابقة واللاحقة، مثل السلاسل الزمنية أو البيانات النصية. بيانات الصور والفيديو: تحتوي الصور ومقاطع الفيديو على معلومات مرئية غنية وتستخدم في مجالات مختلفة، مثل رؤية الكمبيوتر، حيث يكون فهم البيانات المرئية ومعالجتها أمرا بالغ الأهمية. أنظمة تخزين البيانات: أنظمة تخزين البيانات، بما في ذلك قواعد البيانات ومخازن البيانات قواعد البيانات: قواعد البيانات هي أنظمة تخزين منظمة تتيح إدارة البيانات المنظمة. مستودعات البيانات: تم تصميم مستودعات البيانات خصيصا لتخزين كميات كبيرة من البيانات المنظمة والتاريخية، ودعم تطبيقات الاستعلام المعقدة وذكاء الأعمال. |
تبادل البيانات: جمع البيانات الخام وتنظيفها ودمجها وتحويلها من أجل التحليل. تحليل البيانات الاستكشافية: تحليل البيانات للكشف عن الأنماط والعلاقات والاتجاهات. تصور البيانات: إنشاء تمثيلات مرئية لتوصيل الرؤى والنتائج. تطهير البيانات: تحديد الأخطاء والتناقضات والقيم المفقودة وتصحيحها. معالجة البيانات: تحويل وتشكيل البيانات المزيد من التحليل والنمذجة. ميزات إعادة العمل: ميزات التنقية والهندسة لتحسين أداء النموذج. التتبع والتواصل: توثيق الخطوات والنتائج ومشاركة النتائج بشكل فعال. |
موضوعات الوحدة |
| الوحدة الثانية | الوحدة الأولى | رابط الوصول لمُلخصي للوحدة |
| الوحدة الثامنة | الوحدة السابعة | الوحدة السادسة | الوحدة الخامسة | |
|---|---|---|---|---|
| تحسين نماذج تعلم الآلة | التحقق واختبار النموذج الإحصائي | تقنيات تعلم الآلة المتقدمة | أساسيات التصنيف | عنوان الوحدة |
| الهدف من هذه الوحدة هو تعزيز فهم الطلاب للتحديات التي تواجههم في نماذج التعلم الآلي وتزويدهم باستراتيجيات لتحسين أداء النموذج يركز على معالجة التحديات المتعلقة بالنموذج وتنفيذ التقنيات لتعزيز نماذج تعلم الآلة. | الهدف من هذه الوحدة هو تزويد الطلاب بالمعرفة والتقنيات من أجل التحقق الفعال من النهائج الإحصائية واختبارها في التعلم الآلي، ويغطي جوانب مختلفة من تقييم النموذج ، والمقارنة، وسير عمل مشروع ML، والتحديات المشتركة المتعلقة بالبيانات في ML. | SVM & Kernel Transformations تستكشف هذه الوحدة تقنيات التعلم الآلي المتقدمة مثل والتعلم غير الخاضع للإشراف، والتجميع، وتحليل الارتباط سيكتسب الطلاب المعرفة والمهارات في تطبيق SVM مع تحويلات kernel لإنشاء حدود قرار غير خطية وتحسين أداء النموذج سوف يتعلمون أيضًا عن تقنيات التعلم غير الخاضعة للإشراف مثل تحليل المجموعات والجمعيات | توفر هذه الوحدة أساسا متينا في تقنيات التصنيف، مع التركيز على Naive Bayes و Decision Trees. يوفر المعرفة حول Naive Bayes وافتراضاته وكيفية حساب الاحتمالات الشرطية التنبؤات الفئة، تركز الوحدة أيضًا على أشجار القرار ومعايير الانقسام وتقنيات التعامل مع أنواع مختلفة من المتغيرات | وصف للوحدة |
| التحديات المتعلقة بالنموذج: تشير التحديات المتعلقة بالنموذج إلى العقبات والمشكلات التي تمت مواجهتها أثناء تطوير ونشر نماذج التعلم الآلي التي يمكن أن تؤثر على أدائها وفعاليتها. التحيز والتباين: التحيز والتباين نوعان من الأخطاء التي يمكن أن تؤثر على القدرة التنبؤية النماذج التعلم الآلي. يشير التحيز إلى عدم قدرة النموذج على التقاط الأنماط الأساسية الحقيقية، بينما يشير التباين إلى حساسية النموذج للتغيرات في بيانات التدريب. التقليل والتركيب: يحدث التقصير عندما يكون النموذج بسيطا جدا ويفشل في التقاط تعقيدات البيانات، مما يؤدي إلى تحيز كبير من ناحية أخرى، يحدث التجاوز عندما يصبح النموذج معقدًا بشكل مفرط ويبدأ في حفظ بيانات التدريب، مما يؤدي إلى تباين كبير. تحسين نماذج التعلم الآلي: يتضمن تحسين نماذج التعلم الآلي معالجة قضايا مثل التحيز والتباين، وعدم الملائمة، والإفراط في التجهيز. تتضمن تقنيات تحسين النماذج هندسة الميزات، والتنظيم، والتحقق المتبادل، وطرق التجميع. طرق البيانات: تشير طرق البيانات إلى التقنيات المستخدمة في المعالجة المسبقة وإعداد البيانات النماذج التعلم الآلي. يتضمن ذلك خطوات مثل تنظيف البيانات. ومعالجة القيم المفقودة، وقياس الميزات، واختيار الميزة، والتعامل مع مجموعات البيانات غير المتوازنة. تصاميم النماذج: يشمل تصميم النموذج اختيار وتكوين الخوارزميات والبني المناسبة النماذج التعلم الآلي يتضمن ذلك اختيار النوع الصحيح من النموذج (على سبيل المثال. أشجار القرار، والشبكات العصبية والمساهمة في ضبط العوامل الفائقة لتحسين أداء النموذج. |
تقييم النموذج: يتضمن تقييم النموذج تقييم أداء وفعالية نماذج التعلم الآلي لتحديد قدراتها التنبؤية ومدى ملائتها لمهمة معينة. طريقة Holdout: هي نهج شائع في تقييم النموذج حيث يتم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، مع مجموعة التدريب المستخدمة للتدريب النموذجي ومجموعة الاختبار المستخدمة لتقييم أدائها. طريقة K-Fold: هي تقنية في تقييم النموذج تتضمن تقسيم مجموعة البيانات إلى طيات متساوية الحجم. يتم استخدام كل طية كمجموعة اختبار بينما يتم استخدام طيات 1- K المتبقية لتدريب النموذج والتقييم. مقاييس الأداء: توفر معايير الأداء مقاييس كمية لتقييم جودة الدقة والصواب ودقة نماذج التعلم الآلي تشمل مقاييس الأداء الشائعة الدقة، والصواب، والاسترجاع ، ودرجة F1، والمنطقة الواقعة تحت منحنى خاصية تشغيل جهاز الاستقبال (AUC ROC). مقارنة نماذج التعلم الآلي: تتضمن مقارنة نماذج التعلم الآلي تحليل مقاييس أدائها، مع مراعاة عوامل مثل الدقة والكفاءة الحسابية وقابلية التفسير والملاءمة لمجال المشكلة المحدد. اختبار الفرضيات الإحصائية: اختبار الفرضيات الإحصائية هو أسلوب يستخدم لتحديد ما إذا كانت الفروق الملحوظة في مقاييس الأداء بين النماذج ذات دلالة إحصائية. يساعد في تقييم ما إذا كانت الاختلافات الملحوظة ناتجة عن الصدقة أو تمثل تباينات حقيقية دورة حياة وتحديات مشروع تعلم الآلة: تشمل دورة حياة مشروع التعلم الآلي مراحل مثل جمع البيانات والمعالجة المسبقة، وتدريب النموذج، والتقييم، والنشر، قد تشمل التحديات في مشاريع ML مشكلات جودة البيانات، والتجهيز الزائد، وهندسة الميزات، وقابلية تفسير النموذج وقابلية التوسع. |
آلة المتجهات الداعمة: تعد (Support Vector Machine (SVM خوارزمية تعلم قوية التي تعنى للإشراف تستخدم لمهام التصنيف والانحدار، وتهدف إلى إيجاد مستوى فائق ومثالي يفصل إلى أقصى حد نقاط البيانات التي تنتمي إلى فئات مختلفة. )hinge loss function( وظيفة فقدان المفصلة SVM تستخدم خوارزمية SVM OR Hing Loss : لتحسين الفصل بين الفئات وتحديد حدود القرار التي تفصل نقاط البيانات بشكل أفضل. حدود القرار غير الخطية: يمكن لـ SVMs أيضًا التعامل مع حدود القرار غير الخطية باستخدام وظائف kemel التي تحول مساحة الإدخال إلى مساحة ميزة ذات أبعاد أعلى، مما يتيح فصلا أكثر تعقيدا لنقاط البيانات التعلم غير الخاضع للإشراف: تتمثل في اكتشاف الأنماط والبنية في البيانات بدون أمثلة معنونة، وغالبا ما تتضمن مهام مثل التجميع وتحليل الارتباط. طرق التجميع: تهدف طرق التجميع في التعلم غير الخاضع للإشراف إلى تجميع نقاط البيانات المتشابهة مقا بناءً على خصائصها الجوهرية، مع التقنيات الشائعة بما في ذلك تجميع الوسائل والتجميع الهرمي. مناهج التجميع الرئيسية: تتضمن مناهج التجميع الرئيسية طرقا قائمة على التقسيم مثل تجميع الوسائل . تحليل الارتباط: تحليل الارتباط هو أسلوب يستخدم لاكتشاف العلاقات والارتباطات بين العناصر في البيانات. |
مقدمة في التصنيف: بعد التصنيف مهمة أساسية في التعلم الآلي، حيث يتمثل الهدف في تعيين تسميات أو فئات محددة مسبقا لإدخال البيانات استنادا إلى الأنماط والميزات. أساسيات مصنف بايز البسيط: هي خوارزمية تصنيف شائعة تطبق نظرية بايز مع افتراض استقلالية الميزة لتقدير احتمالية فئة معينة بالنظر إلى ميزات الإدخال المصنِف البسيط: يتنبأ مصنف Nave Bayes بتسمية الفئة تمثيل جديد باستخدام الاحتمالات السابقة واحتمالات الميزات بافتراض استقلاليتها. تقييم بايز البسيط: يتضمن تقييم أداء Naive Bayes استخدام مقاييس مثل الحقة والدقة والتذكر ودرجة F1 بالإضافة إلى تقنيات مثل تحليل مصفوفة الارتباك أشجار القرار: أشجار القرار عبارة عن نماذج هرمية تقوم بتقسيم البيانات بشكل متكرر بناء على قيم الميزة لإنشاء هيكل يشبه الشجرة، مما يسمح بسهولة التفسير واتخاذ القرار. معايير التقسيم: تستخدم معايير الانقسام مثل فهرس Gini والإنتروبيا، في أشجار القرار لتحديد جودة الانقسام وتحديد أفضل . سمة التقسيم البيانات في كل عقدة غابات القرار: غابات القرار، والمعروفة أيضا باسم الغابات العشوائية، هي مجموعات من أشجار القرار التي تجمع بين تنبؤات متعددة للأشجار لعمل تصنيفات أكثر قوة ودقة. تقييم غابات القرار (Evaluating Decision Forests): يتضمن تقييم أداء غابات القرار تقييم بعض المقاييس مثل الحقة والتذكر ودرجة F1 بالإضافة إلى تقنيات مثل التقدير خارج الحقيبة (out-of-bag estimation) وتحليل أهمية الميزة |
موضوعات الوحدة |
| رابط الوصول لمُلخصي للوحدة |
165a2b732b58b3f54d378871bfd6556d1d94bb7d