تحديات التعلّم الآلي وتطبيقاته

مرحبًا بك في دورة نوليدج سيتي عن التعلم الآلي، التعلم الآلي والتحديات والتطبيقات. في هذه الدروس، ستتعرف على اختيار النموذج، التحديات، الاعتبارات الأخلاقية، الاعتبارات الرئيسية، والتطبيقات. ما هو اختيار النموذج؟ اختيار النموذج هو عملية اختيار نموذج جيد للتعلم الآلي للتدريب باستخدام مجموعة بيانات. يمكن تطبيقه بطريقتين. أولاً، يمكن أن يكون عبر نماذج متعددة من نفس النوع، أو يمكن أن يكون عبر نماذج متعددة من أنواع مختلفة. الأشياء التي يجب مراعاتها عند الخضوع لاختيار النموذج، هي متطلبات أصحاب المصلحة لدينا. أيًا كان من تنتج هذا النموذج من أجله ما هي معايير العميل. موارد الحوسبة المتاحة. بناءً على مدى تعقيد النموذج، قد يكون مستحيلًا جدًا تنفيذ بعض الأمور الأكثر تعقيدًا، بالنظر إلى موارد الحوسبة المتاحة لك. لذلك سوف تحتاج إلى تحديد نموذج يمكن تدريبه بالفعل، بالنظر إلى الموارد التي لديك. بالإضافة إلى ذلك، تريد النظر في الهدف العام أو الغرض من النموذج الذي يتم تدريبه أو تطويره. وهكذا إذا الهدف من النموذج هو عمل تنبؤات على البيانات التي قد تبدو أو لا تشبه بيانات التدريب، فأنت تريد التأكد من أن النموذج الذي تحدده قوي في مواجهة التغييرات. إذا كنت تعرف أن البيانات التي سوف تستخدمها للتصنيف ستكون مشابهة جدًا لبيانات التدريب، أو لن يكون هناك تباين كبير أو اختلاف، فيمكنك على الأرجح تحديد نموذج أبسط لاستخدامه. بعد ذلك، سأخوض في إيجابيات وسلبيات النموذج. للأجهزة الناقلة للدعم أو آلة المتجهات الداعمة SVM، الجوانب الإيجابية هي أنها لا تتأثر بشكل كبير بالقيم المتطرفة. إنها أحد أفضل الخيارات عندما تكون الفئات الدراسية قابلة للفصل وهي تعمل بشكل جيد مع البيانات عالية الأبعاد. بعض السلبيات هي أنه يمكن أن تكون بطيئة لمجموعات البيانات الكبيرة. وإذا كانت فئاتك متداخلة بأي شكل من الأشكال، فيمكن أن تقلل من أداء النموذج بشكل كبير. وأخيرًا، اختيار دالة النواة المناسبة Kernel يمكن أن يكون خادعًا وصعبًا جدًا لأدوات SVM. من أجل الانحدار اللوجستي، الايجابيات هي أنه سهل التنفيذ. لا يتطلب منك توسيع نطاق ميزاتك بأي شكل من الأشكال. ولا يتطلب تحسين المعلمات التشعبية (الفائقة) الخاصة بك بأي طريقة. على الجانب السلبي، إنها ليست مفيدة جدًا للبيانات غير الخطية. أداؤها ضعيف مع بيانات الإدخال شديدة الارتباط. ويتفوق عليهم بسهولة في الأداء الخوارزميات والمصنفات الأخرى. للغابات العشوائية، إنها جيدة للتعامل مع البيانات المفقودة. لا يتأثرون بشكل كبير بالقيم المتطرفة. ولديهم أخطاء أقل من الأشجار الفردية. على الجانب السلبي، الميزات أو الصفات مطلوبة للحصول على بعض القدرة التنبؤية. لا يمكن تفسيرها بسهولة لأنها تتضمن الكثير من المصنفات الأصغر. ويتطلبون أن تكون تنبؤات الأشجار غير مرتبطة. أخيرًا، لأشجار القرار، الجانب السلبي هو أنهم لا يتطلبون أن يتم تطبيع البيانات أو تحجيمها. لا يتأثرون بشدة بالقيم المفقودة. ومن السهل شرحها وتصورها. على الجانب السلبي، هم عرضة للإفراط في التجهيز، حساسة لأدنى تغييرات في البيانات. ويمكن أن يكون لديهم أوقات تدريب أطول. بهذا ينتهي هذا الدرس. وبعد ذلك، سنناقش بعض التحديات مع التعلم الآلي. شكرا لك.