أساليب التعلم الآلي غير الخاضع للإشراف

مرحبا بك في دورة نوليدج سيتي مع دورتنا التدريبية عن التعلم الآلي، وطرق التعلم الآلي الخاضعة للإشراف. ستتعرف في هذه الدروس على نماذج خليط غاوسي Gaussianوالتجميع Clustering بما في ذلك الوسائل kو(DB scan &optics) وManifold learning،بما في ذلك isomap، التحجيم متعدد الأبعاد Multi-dimensional scaling وt-distributed stochastic neighbor embedding. بشكل عشوائيt أو الإدارج المجاور لتوزيع (T-SNE) سيكون هذا الدرس عن نماذج خليط غاوسي حيث ستتعلم ما هو نموذج خليط غاوسي، كيف يتم استخدامه وكيف يتم تنفيذه؟ نموذج الخليط الغاوسي هو نوع من النماذج الاحتمالية التي تفترض جميع النقاط داخل مجموعة البيانات يتم إنشاؤها من عدد محدود من التوزيعات الغاوسية. يمكن اعتبارها طريقة لتجميع بياناتك بحيث يكون لكل كومة أو كتلة، توزيع غاوسي. هذا سيجعل من الممكن تحديد الكتلة التي تنتمي إليها نقطة غير معروفة بمستوى عالٍ من الثقة. كيف يتم استخدام نماذج خليط غاوسي؟ عادة، يتم استخدامها لتمثيل التوزيع الطبيعي لمجموعات إحصائية فرعية ضمن إجمالي عدد الفئات في الإحصاء. هم أيضا قادرون على التعلم التلقائي لمجموعات سكانية فرعية دون أي إشارة إلى أي مجموعة إحصائية فرعية، قد تنتمي إليها نقطة معينة. بعد ذلك، سوف نتطرق إلى كيفية تنفيذ نماذج خليط غاوسي في بايثون. هذا باستخدام حزمة scikit-Learn، وهنا، سأعرض مثالًا على التجميع، ثم سأريكم كيف تبدو التوزيعات لكل مجموعة. كل ما أفعله هنا هو استيراد حزمتي ثم أقوم بإنشاء مجموعة بيانات من الدوائر الصاخبة، التي ستشاهد بالضبط ما ستبدو عليه قريبًا. إذن ما لدينا هنا عبارة عن دائرتين. إنهم مكونون من، كما تعلمون، إجمالي 5000 نقطة. وهنا، أقوم بتعريف نموذج الخليط. و n _componenents هنا، إنه مجرد عدد المكونات، وهذا يعني في الأساس، لأنني أستخدمه كأسلوب تجميع هنا، ستكون هناك مجموعتان أو مجموعتين فرعيتين تم اكتشافهما أو تحديدهما. والآن بعد أن تم ذلك، سأقوم برسم المجموعتين. وهكذا، كما ترون هنا، قام نموذج خليط Gaussian بفصل الدوائر هنا قطريًا، بدلاً من الدائرة الداخلية والدائرة الخارجية. والآن بعد أن أصبح لدينا هذا، أريد فقط أن أريكم ... مقارنة. إذن، لدينا هنا البيانات الخاصة بالفئات الإحصائية الكاملة (الكتلة الإحصائية)، ومن ثم لدينا هنا بيانات المجموعة الإحصائية الفرعية. لذا فإن الفكرة هنا هو أنه بسبب هذا نموذج خليط غاوسي، بذل النموذج قصارى جهده بحيث تكون البيانات باللون الأزرق والبيانات الخضراء كلاهما لهما توزيعات غاوسية. وللتحقق من ذلك، سأقوم برسم هذه التوزيعات. وهكذا، كما ترون هنا، كلا التوزيعين متماثلان. في الواقع، إنها مجرد انعكاسات لبعضها البعض، وهم ليسوا غاوسيين تمامًا، لكن لديهم الشكل العام لتوزيع غاوسي. وحينئذ، شيئين يجب معرفتهما عن هذا. واحد، البيانات لم تكن في الواقع موزعة غاوسيًا أليس كذلك؟ وحينئذ، ما فعلته الخوارزمية هو أخذ أفضل، تقسيم للبيانات، أو، كما تعلم، مجموعة البيانات التي من شأنها أن تجعلها أقرب لتوزيع غاوسي قدر الإمكان. إذا كانت هذه البيانات موزعة بالفعل على شكل غاوسي، أو حتى لو كان لدينا المزيد من النقاط ستبدو هذه التخطيطات أكثر مثل منحنيات التوزيع الغاوسية التي اعتدنا على رؤيتها. إذن بهذا يختتم هذا الدرس، وبعد ذلك، سنناقش التجميع. شكرا لك.