معجم مصطلحات التعلم العميق

طريقة إحصائية لمقارنة تقنيتين (أو أكثر) A و B. نموذجيًا، A هي تقنية موجودة، وB هي تقنية جديدة. لا يحدد اختبار A / B الأسلوب الأفضل فحسب، بل يحدد أيضًا ما إذا كان الاختلاف ذا دلالة إحصائية.
يقارن اختبار A / B عادةً مقياسًا (metric) واحدًا على طريقتين؛ على سبيل المثال، كيف تقارن دقة (accuracy) النموذج لتقنيتين؟ ومع ذلك، يمكن أن يقارن اختبار A / B أيضًا أي عدد محدود من المقاييس.

انظر "Abductive Reasoning"

إطـار لحـل المشـكلات بطريقة تصريحية فيمـا يتعلق بتمثيل المعرفـة على مسـتوى أعلى.

عدد تنبؤات التصنيف الصحيحة مقسومًا على العدد الإجمالي للتنبؤات.
يوفر التصنيف الثنائي (Binary classification) أسماء محددة لفئات مختلفة من التنبؤات الصحيحة والتنبؤات غير الصحيحة. إذن، معادلة الدقة للتصنيف الثنائي هي كما يلي:

حيث:
• TP هو عدد الإيجابيات الحقيقية (True Positives) (تنبؤات صحيحة).
• TN هو عدد السلبيات الحقيقية (True Negatives) (تنبؤات صحيحة).
• FP هو عدد الإيجابيات الخاطئة (False Positives) (تنبؤات غير صحيحة).
• FN هو عدد السلبيات الخاطئة (False Negatives) (تنبؤات غير صحيحة).
قارن الدقة (accuracy) مع الدقة (precision) والاسترجاع (recall).
على الرغم من كونه مقياسًا قيمًا لبعض المواقف، إلا أن الدقة (accuracy) مضللة للغاية بالنسبة للآخرين. والجدير بالذكر أن الدقة (accuracy) عادةً ما تكون مقياسًا ضعيفًا لتقييم نماذج التصنيف التي تعالج مجموعات البيانات غير المتوازنة في الفئة(class-imbalanced datasets).
على سبيل المثال، لنفترض أن الثلج يتساقط 25 يومًا فقط في كل قرن في مدينة شبه استوائية معينة. نظرًا لأن الأيام الخالية من الثلج (الفئة السلبية Negative class) فاق عدد الأيام التي بها تساقط للثلوج (الفئة الإيجابية positive class)، فإن مجموعة بيانات الثلج لهذه المدينة غير متوازنة طبقًا. تخيل نموذج تصنيف ثنائي من المفترض أن يتوقع إما تساقط ثلوج أو عدم وجود ثلوج كل يوم ولكنه ببساطة يتوقع "عدم وجود ثلوج" كل يوم. هذا النموذج دقيق للغاية ولكن ليس له قوة تنبؤية.
عادةً ما تكون الدقة (Precision) والاسترجاع (recall) مقاييس أكثر فائدة من الدقة في تقييم النماذج المدربة على مجموعات البيانات غير المتوازنة في الفئة.

في التعلم المعزز (reinforcement learning)، الآلية التي من خلالها ينتقل الوكيل (agent) بين حالات (states) البيئة (environment). يختار الوكيل الإجراء باستخدام سياسة (policy).

انظر "Action Model Learning"

مجـال مـن مجـالات تعلُّـم الآلة يركز علـى تطوير فهم الوكيل البرمجـي لنتائـج السـلوك وشـروطه المسـبقة فـي بيئتـه .
ويُطلـق عليـه أيًضًـا "تعلُّـم التأثيـر."

دالة تمكن الشبكات العصبية (neural networks) من تعلم العلاقات غير الخطية (nonlinear) (المعقدة) بين الميزات والتسمية.
تتضمن دوال التنشيط الشائعة ما يلي:
·        ReLU
·        Sigmoid

انظر "Feature Map"

نهج تدريبي (training) تختار فيه الخوارزمية بعض البيانات التي تتعلم منها. التعلم النشط ذو قيمة خاصة عندما تكون الأمثلة المصنفة نادرة أو مكلفة للحصول عليها. بدلاً من البحث الأعمى عن مجموعة متنوعة من الأمثلة المصنفة (labeled examples)، تبحث خوارزمية التعلم النشط بشكل انتقائي عن مجموعة معينة من الأمثلة التي تحتاجها للتعلم.

طريقـة إعلانيـة متطـورة تسـتهدف الجمهـور الأكثـر تقبـلاً للعـروض.

Adadelta هو امتداد أكثر قوة لـ Adagrad يقوم بتكييف معدلات التعلم (learning rates) بناءً على نافذة متحركة لتحديثات التدرج (gradient) ، بدلاً من تجميع جميع التدرجات السابقة. بهذه الطريقة، يستمر Adadelta في التعلم حتى بعد إجراء العديد من التحديثات.

خوارزمية تدرج عشوائي (gradient descent) متطورة تعيد قياس تدرجات كل معلمة (parameter)، مما يمنح كل معلمة معدل تعلم (learning rate) مستقل بشكل فعال.

خوارزميـة تغيـر سـلوكها فـي وقـت التشـغيل بنـاءً علـى المعلومـات المتاحـة، والمعاييـر المحـددة مسـبقًا.

أسـلوب تعزيـز يجمـع بيـن عـدد مـن المصنِّفـات الضعيفـة لإنشـاء مصنِّـف قـوي.

تعد طرق معدل التعلم التكيفي بمثابة تحسين (optimization) لطرق التدرج الاشتقاقي (gradient descent) بهدف تقليل دالة الهدف (objective function) للشبكة باستخدام تدرج الدالة ومعلمات الشبكة.

طريقـة لتحديـث نمـاذج تعلُّـم الآلـة وإعـادة تدريبهـا تدريجيًّـا للتكيـف مـع التغيـرات الجديـدة.

آدم (Adam) هو طريقة أخرى تحسب معدلات التعلم التكيفي لكل معلمة. بالإضافة إلى تخزين متوسط التناقص الأسي للتدرجات التربيعية السابقة مثل Adadelta و RMSprop ، يحتفظ آدم أيضًا بمتوسط متدهور بشكل كبير للتدرجات السابقة، على غرار الزخم (momentum).

أسـلوب يجمـع بيـن المنطـق الضبابـي والشـبكات العصبيـة لتحسـين قابليـة تطبيـق التنبـؤ وأدائـه.

مدخـلات صُمِّمـت عمـدًا لخـداع نمـوذج تعلُّـم الآلـة لدفعـه لارتـكاب الأخطـاء.

التعلم الآلي العدائي هو أسلوب يستخدم في التعلم الآلي (machine learning) لخداع نموذج أو تضليله بمدخلات ضارة. بينما يمكن استخدام التعلم الآلي العدائي في مجموعة متنوعة من التطبيقات، فإن هذه التقنية هي الأكثر استخدامًا لتنفيذ هجوم أو التسبب في حدوث خلل في نظام التعلم الآلي.

مجال يركز على تصميم خوارزميات فاعلة لتعلم الآلة؛ لأجلمواجهة التحديات الأمنية.

مجـال مـن مجـالات الـذكاء الاصطناعي يهتـم بتطوير أنظمة قادرة على التعرُّف على المشاعر البشرية ومعالجتها. ويُطلق عليه أيًضًا "ذكاء اصطناعي عاطفي Emotional Artificial Intelligence"

طبقة متصلة بالكامل في شبكة عصبية. Affine يعني أن كل خلية عصبية في الطبقة السابقة متصلة بكل خلية عصبية في الطبقة الحالية. من نواح كثيرة ، هذه هي الطبقة "القياسية" للشبكة العصبية. غالبًا ما يتم إضافة الطبقات الملتفة أعلى مخرجات الشبكات العصبية التلافيفية أو الشبكات العصبية المتكررة قبل إجراء التنبؤ النهائي.

في التعلم المعزز (reinforcement learning)، الكيان الذي يستخدم سياسة (policy) لتعظيم العائد (return) المتوقع المكتسب من الانتقال بين حالات (states) البيئة (environment).

مخطـط لنظـام التحكـم الخـاص بالوكيـل يوضـح مُكوِّنـات التحكـم والتنظيـم الوظيفـي.

نمط من الذكاء الاصطناعي يركز على التخطيط والاستدلال والتنفيذ الذاتي نسبيًا.

انظر التكتل الهرمي (hierarchical clustering).

مجموعـة مـن التعليمـات المحـددة لحـل مشـكلة، أو أداء مهمـة معينـة.

انظر "Bias"

مقيـاس لقيـاس متوسـط الوقـت الـلازم للخوارزميـة لتنفـذ العمـل كامـلاً علـى مجموعـة مـن البيانـات.

طريقـة لمنـح الأشـياء احتماليـة مسـبقة. ويُطلـق عليها أيًضًا "احتمالية سـولومونوف Solomonoff Probability"

بيئة رقمية ذات حساسية للأشخاص وداعمة لحياتهم اليومية.

مصطلـح عـام يُسـتخدم عـادة لوصف مجموعـة متنوعة منذكاء الأعمال والمبادرات الأخرى ذات الصلة، مثل: تحليلات البيانـات وتحليلات الويب.

حل تقني موحد يتيح إجراء الدورة الكاملة لعمليات التحليلات ،ويشمل إعداد البيانات ومعالجتها وتخزينها وإدارتها.

مربعات الارتكاز هي مجموعة من الصناديق المحيطة المحددة مسبقًا بارتفاع وعرض معين. يتم تحديد هذه المربعات لالتقاط المقياس ونسبة العرض إلى الارتفاع لفئات الكائنات المحددة التي تريد اكتشافها ويتم اختيارها عادةً بناءً على أحجام العناصر في مجموعات بيانات التدريب الخاصة بك.

عامـل يمكنـه المسـاعدة فـي تسـمية البيانـات (مثـل الصـور) عنـد الطلـب. يُطلـق عليـه أيًضًـا "مُقيّـم Rater"

عملية تحديد القيم المتطرفة (outliers). على سبيل المثال، إذا كان المتوسط لميزة معينة هو 100 بانحراف معياري قدره 10، فيجب أن يشير اكتشاف الانحراف (anomaly detection) إلى قيمة 200 على أنها مشبوهة.

Apache Spark هو إطار عمل للحوسبة العنقودية مفتوح المصدر. يمكن نشر Spark بعدة طرق، ويوفر روابط أصلية للغات برمجة Java و Scala و Python و R، ويدعم SQL وتدفق البيانات والتعلم الآلي.

مجموعة من الأوامر والدوال والبروتوكولات والأشـياء التي يستخدمها المبرمجون للتواصل مع الأنظمة الخارجية.

المسافة بين المتنبئ المستهدف وصنف الفرضية.

اختصار للواقع المعزز (augmented reality).

انظر PR AUC (Area under the PR Curve)

انظر AUC (Area under the ROC curve)

نظـام حوسـبي يمكنـه أداء أي مهمـة فكريـة يمكـن للإنسـانأداؤها، مثل: حل المشكلات والإبداع والقدرة على التكيّف .
ويُطلـق عليـه أيًضًـا "ذكاء اصطناعي قوي."

نظـام تَكَيُّفـي لحـل المشـكلات مسـتوحى مـن جهـاز المناعـة البشري.

برنامج أو نموذج (model) غير بشري يمكنه حل المهام المعقدة. على سبيل المثال، يُظهر البرنامج أو النموذج الذي يترجم نصًا أو برنامجًا أو نموذجًا يحدد الأمراض من الصور الإشعاعية ذكاءً اصطناعيًا.
بشكل رسمي، يعد التعلم الآلي (machine learning) مجالًا فرعيًا للذكاء الاصطناعي. ومع ذلك، في السنوات الأخيرة، بدأت بعض المنظمات في استخدام مصطلحات الذكاء الاصطناعي والتعلم الآلي بالتبادل.

مجموعـة مـن القيـم والمبـادئ والأسـاليب لتوجيه السـلوك الأخلاقي في تطوير تقنيات الذكاء الاصطناعي واستخدامها.

لغة ترميزية مبنية على لغة الترميز الموسعة(XML) لتطوير تطبيقات اللغات الطبيعية.

نظـام قـادر علـى أداء مهـام تتطلـب عـادةً ذكاءً بشـريًّا، مثـل: التعلُّـم والاسـتدلال والتطويـر الذاتـي.

انظر "Narrow Artificial Intelligence"

نمـوذج حوسـبي فـي الـذكاء الاصطناعـي مسـتوحى مـن الشـبكات العصبيـة البيولوجيـة لأدمغـة الحيوانـات. ويُطلـق عليـه أيًضًـا "شـبكة عصبيـة Neural Network "

انظر "Neuron"

انظر "Superintelligence"

أسلوب من أساليب تعلُّم الآلة قائم على قواعد؛ لاكتشاف العلاقات المهمة بين الخصائص أو المتغيرات في مجموعة البيانات.

أي مجموعة واسعة من آليات بنية الشبكة العصبية (neural network) التي تجمع المعلومات من مجموعة من المدخلات بطريقة تعتمد على البيانات. قد تتكون آلية الانتباه النموذجية من مجموع مرجح على مجموعة من المدخلات، حيث يتم حساب الوزن (weight) لكل مدخل بواسطة جزء آخر من الشبكة العصبية.
راجع أيضًا إلى الانتباه الذاتي (self-attention) والانتباه الذاتي متعدد الرؤوس (multi-head self-attention)، وهما اللبنات الأساسية للمحولات (Transformers).

هو نموذج أو آلية في الذكاء الاصطناعي، خصوصًا في معالجة اللغة الطبيعية والرؤية الحاسوبية، تسمح للنظام بأن يركّز على الأجزاء الأكثر أهمية من البيانات بدل أن يعامل كل المدخلات بنفس الدرجة.
بمعنى أبسط:
عندما يعالج النموذج جملة طويلة أو صورة معقدة، فإن آلية الانتباه (Attention) تحدد أي الكلمات أو المناطق يجب أن يمنحها اهتمامًا أكبر لكي يفهم المعنى أو يتخذ قرارًا أدق.
انظر "Attention Model"

أسلوب في الشبكة العصبية يُتيح للشبكة التركيز على جانب واحـد مـن المدخـلات المعقـدة فـي كل مـرة حتـى تُصنَّـف مجموعة البيانات بأكملها. ويُطلق عليه أيًضًا "آلية الانتباه Attention Mechanism"

مرادف للميزة (feature).
في التعلم الآلي، غالبًا ما تشير السمات إلى الخصائص المتعلقة بالأفراد.

تكتيك لتدريب مجموعة قرارات (decision forest) تأخذ فيها كل شجرة قرار (decision tree) بعين الاعتبار مجموعة فرعية عشوائية من الميزات المحتملة عند تعلم الحالة (condition). بشكل عام، يتم أخذ عينات من مجموعة فرعية مختلفة من الميزات لكل عقدة (node). في المقابل، عند تدريب شجرة قرار بدون أخذ عينات السمة، يتم أخذ جميع الميزات الممكنة في الاعتبار لكل عقدة.

رقم بين 0.0 و1.0 يمثل قدرة نموذج التصنيف الثنائي على فصل الفئات الإيجابية عن الفئات السلبية. كلما اقتربت AUC من 1.0، زادت قدرة النموذج على فصل الفئات عن بعضها البعض.

نمط تصميمي يكمّل الذكاء البشـري، ويسـاعد البشـر في أن يصبحـوا أذكـى وأسـرع فـي أداء المهـام. ويُطلـق عليـه أيًضًـا "تعزيـز الذكاء Intelligence Augmentation"

تقنية تقوم بتركيب صورة تم إنشاؤها بواسطة الكمبيوتر على رؤية المستخدم للعالم الحقيقي، وبالتالي توفير عرض مركب.

يعد المشفر التلقائي نوعًا من الشبكات العصبية الاصطناعية (artificial neural network) المستخدمة لتعلم الترميز الفعال للبيانات غير المصنفة (التعلم غير الخاضع للإشراف unsupervised learning). يتم التحقق من صحة الترميز وصقله من خلال محاولة إعادة إنشاء المدخلات من الترميز. يتعلم المشفر التلقائي تمثيلاً (ترميزًا) لمجموعة من البيانات، عادةً لتقليل الأبعاد (dimensionality reduction)، عن طريق تدريب الشبكة على تجاهل البيانات غير المهمة ("الضوضاء noise").

انظر "Robot Journalism"

عملية أتمتة مهام تعلُّم الآلة لبناء النماذج وتدريبها واختبارها ونشرها.

عمليـة تقـوم بتوفيـر إطـار عمـل منظـم لخوارزميـات تعلُّـم الآلـة؛ لأجـل تحديـد المشـكلات وحلهـا.

انظر "Autonomous Vehicle"

التفاضل التلقائي (AD) عبارة عن مجموعة من التقنيات لتحويل برنامج يحسب القيم العددية لدالة ما، إلى برنامج يحسب القيم العددية لمشتقات تلك الدالة بنفس الدقة والكفاءة تقريبًا مثل قيم الدالة نفسها.

انظر "Speech Recognition"

عمليـة اختصـار جـزء مـن اللغـات الطبيعيـة مـع الحفـاظ علـى الـدلالات المهمـة.

عملية أو نظام يعمل دون تدخل بشري.

تفضيـل صانـع القـرار البشـري للتوصيـات التـي ينتجها نظام صنـع قـرار مؤتمـت على المعلومات التـي تُنتَج بدون أتمتة ،حتـى عندمـا يرتكـب نظـام صنع القـرار المؤتمت أخطاء.

يعد المشفر التلقائي نوعًا من الشبكات العصبية الاصطناعية (artificial neural network) المستخدمة لتعلم الترميز الفعال للبيانات غير المصنفة (التعلم غير الخاضع للإشراف unsupervised learning). يتم التحقق من صحة الترميز وصقله من خلال محاولة إعادة إنشاء المدخلات من الترميز. يتعلم المشفر التلقائي تمثيلاً (ترميزًا) لمجموعة من البيانات، عادةً لتقليل الأبعاد (dimensionality reduction)، عن طريق تدريب الشبكة على تجاهل البيانات غير المهمة ("الضوضاء noise").

قدرة النظام على إدارة موارده دون تدخل المستخدم.

انظر "Autonomous Vehicle"

عملية استشعار المحيط والتحرك بتحكم واكتفاء ذاتي.

روبوت يؤدي المهام بدرجة عالية من التحكم الذاتي.

مركبة قادرة على استشعار محيطها والتحرك بتحكم واكتفاء ذاتي. ويُطلق عليها أيًضًا "مركبة مؤتمتة Automated Vehicle"

قدرة النظام على التصرف وفقًا لقواعده وطُرُق تعلُّمه.

التجميع المتوسط هو عملية تجميع تحسب متوسط قيمة تصحيحات خريطة المعالم (feature map)، وتستخدمها لإنشاء خريطة معالم مختزلة (downsampled) (مجمعة pooled). يستخدم عادة بعد الطبقة التلافيفية (convolutional layer).

التجميع المتوسط هو عملية تجميع تحسب متوسط قيمة تصحيحات خريطة المعالم (feature map)، وتستخدمها لإنشاء خريطة معالم مختزلة (downsampled) (مجمعة pooled). يستخدم عادة بعد الطبقة التلافيفية (convolutional layer).

مقياس لتلخيص أداء سلسلة مرتبة من النتائج. يتم حساب متوسط الدقة بأخذ متوسط قيم الدقة لكل نتيجة ذات صلة (كل نتيجة في القائمة المرتبة حيث يزيد الاستدعاء (recall) بالنسبة إلى النتيجة السابقة).
انظر أيضًا Area under the PR Curve.

في شجرة القرار (decision tree)، شرط (condition) يتضمن ميزة (feature) واحدًا فقط. على سبيل المثال، إذا كانت المنطقة ميزة، فإن ما يلي هو شرط محاذاة المحور:
area > 200

الخوارزمية التي تنفذ التدرج الاشتقاقي (gradient descent) في الشبكات العصبية (neural networks).
يتضمن تدريب الشبكة العصبية العديد من التكرارات (iterations) لدورة المسارين التالية:
1. أثناء التمرير الأمامي (forward pass)، يعالج النظام دفعة (batch) من الأمثلة للحصول على تنبؤ (تنبؤات predictions). يقارن النظام كل توقع بكل قيمة تسمية (label). الفرق بين التنبؤ وقيمة التسمية هو الخطأ (loss) لهذا المثال. يقوم النظام بتجميع الاخطاء لجميع الأمثلة لحساب الخطأ الإجمالي للدُفعة الحالية.
2. أثناء التمرير الخلفي (backward pass) او الانتشار الخلفي (backpropagation)، يقلل النظام من الخطأ عن طريق ضبط أوزان (weights) جميع الخلايا العصبية (neurons) في جميع الطبقات المخفية (hidden layer).
غالبًا ما تحتوي الشبكات العصبية على العديد من الخلايا العصبية عبر العديد من الطبقات المخفية. يساهم كل من هذه الخلايا العصبية في الخطأ الكلي بطرق مختلفة. يحدد الانتشار الخلفي (Backpropagation) ما إذا كان يجب زيادة أو تقليل الأوزان المطبقة على خلايا عصبية معينة.
معدل التعلم (learning rate) هو معلمة فائقة (hyperparameter) يتحكم في الدرجة التي يزيد بها كل تمريرة للخلف أو ينقص كل وزن. معدل التعلم الكبير سيزيد أو ينقص كل وزن أكثر من معدل التعلم الصغير.
من حيث حساب التفاضل والتكامل، يطبق الانتشار الخلفي (backpropagation)قاعدة السلسلة (chain rule) حساب التفاضل والتكامل. أي أن الانتشار الخلفي يحسب المشتق الجزئي للخطأ فيما يتعلق بكل معلمة. لمزيد من التفاصيل.
منذ سنوات، كان على ممارسي التعلم الآلي كتابة كود لتنفيذ الانتشار الخلفي. تقوم واجهات برمجة تطبيقات التعلم الآلي الحديثة مثل TensorFlow الآن بتنفيذ الانتشار الخلفي نيابة عنك.

طريقـة لتطبيـق الانتشـار الخلفي علـى الشـبكات العصبيـةالتكرارية (recurrent neural networks).

طريقة استدلال منطقي تعمل بطريقة تراجعية من الهدف لتحديد البيانات أو الإثباتات المؤيدة لذلك الهدف.

تمثيل الكلمات في عبارة أو مقطع، بغض النظر عن الترتيب. على سبيل المثال، تمثل حقيبة الكلمات العبارات الثلاث التالية بشكل متماثل:
• the dog jumps
• jumps the dog
• dog jumps the
يتم تعيين كل كلمة إلى فهرس في متجه متناثر (sparse vector)، حيث يحتوي المتجه على فهرس لكل كلمة في المفردات. على سبيل المثال، يتم تعيين العبارة "the dog jumps" في متجه ميزة (feature vector) بقيم غير صفرية في المؤشرات الثلاثة المقابلة للكلمات the ، dog ، jumps. يمكن أن تكون القيمة غير الصفرية أيًا مما يلي:
a) 1 للدلالة على وجود كلمة.
b) عدد مرات ظهور كلمة في الحقيبة. على سبيل المثال، إذا كانت العبارة " the maroon dog" هي " dog with maroon fur”، فسيتم تمثيل كل من maroon و dogبالرقم 2، بينما سيتم تمثيل الكلمات الأخرى بالرمز 1.
c) قيمة أخرى، مثل لوغاريتم عدد المرات التي تظهر فيها الكلمة في الحقيبة.

التعبئة، المعروف أيضًا باسم تجميع التمهيد (bootstrap aggregation)، هو طريقة تعلم المجموعة المستخدمة بشكل شائع لتقليل التباين (variance) داخل مجموعة البيانات الصاخبة (noisy data). في التعبئة، يتم اختيار عينة عشوائية من البيانات في مجموعة التدريب مع الاستبدال- مما يعني أنه يمكن اختيار نقاط البيانات الفردية أكثر من مرة.

المخططات الشريطية هي نوع من الرسوم البيانية التي تُستخدم لعرض ومقارنة الأرقام أو التكرار أو المقاييس الأخرى (مثل المتوسط mean) لفئات منفصلة مختلفة من البيانات. يتم استخدامها للمتغيرات الفئوية (categorical variables).

نموذج (model) يُستخدم كنقطة مرجعية لمقارنة مدى جودة أداء نموذج آخر (نموذج أكثر تعقيدًا). على سبيل المثال، قد يعمل نموذج الانحدار اللوجستي (logistic regression model) كخط أساس جيد لنموذج عميق (deep model).
بالنسبة لمشكلة معينة، يساعد خط الأساس مطوري النماذج على تحديد الحد الأدنى من الأداء المتوقع الذي يجب أن يحققه النموذج الجديد حتى يكون النموذج الجديد مفيدًا.

نموذج (model) يُستخدم كنقطة مرجعية لمقارنة مدى جودة أداء نموذج آخر (نموذج أكثر تعقيدًا). على سبيل المثال، قد يعمل نموذج الانحدار اللوجستي (logistic regression model) كخط أساس جيد لنموذج عميق (deep model).
بالنسبة لمشكلة معينة، يساعد خط الأساس مطوري النماذج على تحديد الحد الأدنى من الأداء المتوقع الذي يجب أن يحققه النموذج الجديد حتى يكون النموذج الجديد مفيدًا.

مجموعة الأمثلة (examples) المستخدمة في تكرار (iteration) واحد تدريب. يحدد حجم الدُفعة (batch size) عدد الأمثلة في الدُفعة.
راجع الحقبة (الفترة) (epoch) للحصول على شرح لكيفية ارتباط الدفعة بحقبة ما

انظر "Offline Inference"

التسوية (Normalizing) إدخال أو إخراج دوال التنشيط (activation functions) في طبقة مخفية (hidden layer). يمكن أن يوفر التسوية بالدفعات الفوائد التالية:
• جعل الشبكات العصبية (neural networks) أكثر استقرارًا من خلال الحماية من الأوزان المتطرفة (outlier).
• تمكين معدلات التعلم (learning rates) العالي، والتي يمكن أن تسرع التدريب.
• تقليل الضبط الزائد (overfitting).

معالجـة مجموعـة مـن البيانـات أو البرامـج بأقـل قـدر مـن التفاعـل البشـري.

التسوية (Normalizing) إدخال أو إخراج دوال التنشيط (activation functions) في طبقة مخفية (hidden layer). يمكن أن يوفر التسوية بالدفعات الفوائد التالية:
• جعل الشبكات العصبية (neural networks) أكثر استقرارًا من خلال الحماية من الأوزان المتطرفة (outlier).
• تمكين معدلات التعلم (learning rates) العالي، والتي يمكن أن تسرع التدريب.
• تقليل الضبط الزائد (overfitting).

تستخدم نظرية بايز لحساب الاحتمال الشرطي (Conditional probability). الاحتمال الشرطي هو احتمال وقوع حدث "ب" نظرًا لأن الحدث ذي الصلة "أ" قد حدث بالفعل.

انظر "Bayes's Theorem"

نموذج شبكي يمثل المتغيرات وتوابعها الشرطية باستخدام الاستدلال البايزي.

شبكة عصبية احتمالية (neural network) مسؤولة عن عدم اليقين في الأوزان (weights) والمخرجات. يتنبأ (predicts) نموذج الانحدار القياسي للشبكة العصبية عادةً بقيمة عددية؛ على سبيل المثال، يتوقع أحد النماذج سعر منزل يبلغ 853000. في المقابل، تتنبأ شبكة بايزي العصبية بتوزيع القيم؛ على سبيل المثال، يتوقع أحد النماذج سعر منزل يبلغ 853000 مع انحراف معياري قدره 67200. تعتمد شبكة بايزي العصبية على نظرية بايز (Bayes' Theorem) لحساب أوجه عدم اليقين في الأوزان والتنبؤات. يمكن أن تكون شبكة بايزي العصبية مفيدة عندما يكون من المهم تحديد مقدار عدم اليقين، كما هو الحال في النماذج المتعلقة بالمستحضرات الصيدلانية. يمكن لشبكات بايزي العصبية أن تساعد أيضًا في منع الضبط الزائد (overfitting).

تقنية نموذج الانحدار الاحتمالي (probabilistic regression model) لتحسين دوال الهدف (objective functions) مكلفة حسابيًا عن طريق تحسين البديل الذي يحدد مقدار عدم اليقين عبر تقنية التعلم بايزي. نظرًا لأن تحسين بايزي مكلف للغاية في حد ذاته، فإنه يتم استخدامه عادةً لتحسين المهام المكلفة للتقييم التي تحتوي على عدد صغير من المعلمات، مثل اختيار المعلمات الفائقة (hyperparameters).

طريقـة إحصائيـة لبنـاء نمـاذج احتماليـة، وحـل المشـكلات المفتوحـة ذات المعلومـات غيـر المكتملـة.

معادلة بيلمان هي معادلة أساسية في التعلم المعزز، تُعبّر عن العلاقة بين قيمة حالة أو زوج حالة-فعل والمكافآت المتوقعة من تلك الحالة. سُميت هذه المعادلة نسبةً إلى ريتشارد إي. بيلمان، الذي قدم إسهاماتٍ جليلة في البرمجة الديناميكية ونظرية التحكم.

توجد صيغتان لمعادلة بيلمان: صيغة دالة قيمة الحالة (المعروفة أيضًا بمعادلة بيلمان لدوال القيمة)، وصيغة دالة قيمة الفعل (المعروفة أيضًا بمعادلة بيلمان لدوال Q).

معمارية نموذج لتمثيل (representation) النص. يمكن أن يعمل نموذج BERT المدرب كجزء من نموذج أكبر لتصنيف النص أو مهام التعلم الآلي الأخرى.
يتميز BERT بالخصائص التالية:
• يستخدم معمارية المحول (Transformer)، وبالتالي يعتمد على الانتباه الذاتي (self-attention).
• يستخدم جزء المشفر (encoder) من المحول. وظيفة المشفر هي إنتاج تمثيلات نصية جيدة، بدلاً من أداء مهمة محددة مثل التصنيف.
• ثنائي الاتجاه (bidirectional).
• يستخدم إخفاء (masking) للتدريب غير الخاضع للأشراف (unsupervised training).
تشمل متغيرات BERT ما يلي:
• ALBERT ، وهو اختصار لـ A Light BERT.
• LaBSE.

اعتراض أو إزاحة من نقطة الأصل. التحيز هو معلمة في نماذج التعلم الآلي، والتي يرمز إليها بأي مما يلي:
• b
• w0

ما هو متوسط الفرق بين توقعاتك والقيمة الصحيحة لتلك المشاهدة (observation)؟
• قد يعني التحيز المنخفض (Low bias) أن كل تنبؤ صحيح. قد يعني أيضًا أن نصف توقعاتك أعلى من قيمها الفعلية ونصفها أقل، بنسب متساوية، مما يؤدي إلى انخفاض متوسط الفرق.
• يشير التحيز المرتفع (High bias) (مع تباين منخفض (low variance)) إلى أن نموذجك قد يكون غير ملائم وأنك تستخدم بنية خاطئة للوظيفة.

يعني خطأ التحيز المرتفع (high bias) أن لدينا نموذجًا ضعيف الأداء يحافظ على فقدان الاتجاهات المهمة. سوف يتناسب نموذج التباين العالي (high variance) مع مجتمع التدريب لديك ويؤدي بشكل سيئ في أي ملاحظة بعد التدريب. من أجل الحصول على توافق مثالي في النموذج، يجب أن يكون التحيز والتباين متوازنين وهو ما يمثل مقايضة التباين-التحيز.

مصطلح يستخدم لوصف نظام يقوم بتقييم النص الذي يسبق ويتبع القسم الهدف من النص. في المقابل، يقوم النظام أحادي (unidirectional) الاتجاه فقط بتقييم النص الذي يسبق القسم الهدف من النص.
على سبيل المثال، ضع في اعتبارك نموذج لغة مقنعة (masked language model) يجب أن يحدد احتمالات الكلمة أو الكلمات التي تمثل التسطير في السؤال التالي:
What is the _____ with you?
يجب أن يبني نموذج اللغة أحادي الاتجاه احتمالاته فقط على السياق الذي توفره الكلمات "What" و "is" و "the". في المقابل، يمكن أن يكتسب نموذج اللغة ثنائي الاتجاه أيضًا سياق من "with" و "you"، مما قد يساعد النموذج في إنشاء تنبؤات أفضل.

على سبيل المثال، ضع في اعتبارك نموذج لغة مقنعة (masked language model) يجب أن يحدد احتمالات الكلمة أو الكلمات التي تمثل التسطير في السؤال التالي:

البيانات الضخمة هي مصطلح يصف الحجم الكبير من البيانات – المهيكلة (structured) وغير المهيكلة (unstructured). لكن ليس حجم البيانات هو المهم. إنها الطريقة التي تستخدم بها المؤسسات هذا الكم الهائل من البيانات لإنشاء الإحصاءات. تستخدم الشركات أدوات وتقنيات وموارد مختلفة لفهم هذه البيانات لاشتقاق استراتيجيات عمل فعالة.

عمليـة فحـص كميـة كبيـرة مـن البيانات المتنوعة لاكتشـاف الأنمـاط والارتباطـات والاتجاهـات التـي تُقـدِّم رؤى وتدعـم اتخـاذ القرار.

Bigram هو N-gram فيه N=2.

مقياس لتقييم جودة النص المترجم آليًّا من لغة إلى أخرى.

نوع من مهام التصنيف (classification) التي تتنبأ بواحد من فئتين متعارضتين:
• الفئة الإيجابية (positive class).
• الفئة السلبية (negative class).
على سبيل المثال، يقوم كل من نموذجي التعلم الآلي التاليين بتصنيف ثنائي:
• نموذج يحدد ما إذا كانت رسائل البريد الإلكتروني هي بريد عشوائي (الفئة الإيجابية) أم ليست بريدًا عشوائيًا (الفئة السلبية).
• نموذج يقيم الأعراض الطبية لتحديد ما إذا كان الشخص مصابًا بمرض معين (الفئة الإيجابية) أو لا يعاني من هذا المرض (الفئة السلبية).
على النقيض من التصنيف متعدد الفئات (multi-class classification).
انظر أيضًا الانحدار اللوجستي (logistic regression) وعتبة التصنيف (classification threshold).

في شجرة القرار (decision tree)، شرط (condition) له نتيجتان محتملتان فقط، عادةً نعم أو لا. على سبيل المثال، ما يلي هو شرط ثنائي:
temperature >= 100

تقارن الانتروبيا المتقاطعة الثنائية بين كل من الاحتمالات المتوقعة بمخرجات الفئة الفعلية والتي يمكن أن تكون إما 0 أو 1. ثم تحسب الدرجة التي تعاقب الاحتمالات بناءً على المسافة من القيمة المتوقعة. هذا يعني مدى قرب أو بعد القيمة الفعلية.

مرادف لـ bucketing.

اسـتعارة تُسـتخدم لوصـف نظـام أو خوارزميـة ذات بُنيـة داخليـة غيـر معروفـة أو أعمـال غيـر ظاهـرة، تـؤدي إلـى عـدم فهـم كيفيـة عملهـا.

درجة بين 0.0 و1.0، شاملة، تشير إلى جودة الترجمة بين لغتين بشريتين (على سبيل المثال، بين الإنجليزية والروسية). تشير درجة BLEU البالغة 1.0 إلى ترجمة مثالية؛ درجة BLEU 0.0 تشير إلى ترجمة سيئة.
انظر (Bilingual Evaluation Understudy (BLEU

شـبكة عصبية من العُقَد المتصلة المتماثلة، وتتخذ قراراتها الخاصة بشأن التنشيط.

أسلوب التعلم الآلي الذي يجمع بشكل متكرر مجموعة من المصنفات البسيطة وغير الدقيقة للغاية (يشار إليها باسم المصنفات "الضعيفة") في مصنف بدقة عالية (مصنف "قوي") عن طريق زيادة وزن (upweighting) الأمثلة التي يخطئ النموذج حاليًا في تصنيفها.

طريقـة تعلُّـم تجميعـي تُسـتخدم لتحسـين الاسـتقرار والدقـةفـي نمـاذج التصنيـف والانحدار.

برنامج مؤتمت يقوم بمهام متكررة لمحاكاة النشاط البشري.

في صورة ما، إحداثيات (x, y) لمستطيل حول منطقة اهتمام.

يعرض النطاق الكامل للتباين (من الحد الأدنى إلى الحد الأقصى)، والنطاق المحتمل للتباين (النطاق بين الشرائح الربعية (Interquartile range))، والقيمة النموذجية (الوسيط median).
بعض الاستدلالات التي يمكن استنتاجها من مخطط الصندوق:
• الوسيط (Median): يمثل الربع الأوسط الوسيط.
• المربع الأوسط (Middle box): يمثل 50٪ من البيانات.
• الربع الأول (First quartile): 25٪ من البيانات تقع تحت هذا الخط
• الربع الثالث (Third quartile): 75٪ من البيانات تقع تحت هذا الخط.

عدد العُقَد الفرعية التي تُولِّدها العقدة.

توسيع شكل المعامل في عملية الرياضيات المصفوفة إلى أبعاد (dimensions) متوافقة لتلك العملية. على سبيل المثال، يتطلب الجبر الخطي أن المعاملين في عملية إضافة مصفوفة يجب أن يكون لهما نفس الأبعاد. وبالتالي، لا يمكنك إضافة مصفوفة من الشكل (m, n) إلى متجه طوله n. يتيح البث هذه العملية عن طريق توسيع متجه الطول n فعليًا إلى مصفوفة من الشكل (m, n) ، عن طريق تكرار نفس القيم أسفل كل عمود.
على سبيل المثال، بالنظر إلى التعريفات التالية، يحظر الجبر الخطي A + B لأن A و B لهما أبعاد مختلفة:
A = [[7, 10, 4],
[13, 5, 9]]
B = [2]
ومع ذلك، فإن البث يمكّن العملية A + B من خلال توسيع B افتراضيًا إلى:
[[2, 2, 2],
[2, 2, 2]]
وبالتالي، أصبحت A + B الآن عملية صالحة:
[[7, 10, 4], + [[2, 2, 2], = [[ 9, 12, 6],
[13, 5, 9]] [2, 2, 2]] [15, 7, 11]]

تحويل ميزة (feature) واحدة إلى ميزات ثنائية متعددة تسمى (buckets) أو (bins)، وعادةً ما تستند إلى نطاق القيمة. عادةً ما تكون ميزة التقطيع ميزة مستمرة (continuous feature).
على سبيل المثال، بدلاً من تمثيل درجة الحرارة كميزة واحدة مستمرة للفاصلة العائمة، يمكنك تقطيع نطاقات درجات الحرارة إلى حاويات (دلو) مقطعة، مثل:
• <= 10 درجات مئوية ستكون الحاوية "البارد".
• 11 - 24 درجة مئوية ستكون الحاوية "المعتدل".
• = 25 درجة مئوية ستكون الحاوية "الدافئ".
سيعامل النموذج كل قيمة في نفس المجموعة بشكل متماثل. على سبيل المثال، القيمتان 13 و22 كلاهما في حاوية درجة الحرارة المعتدلة، لذا يتعامل النموذج مع القيمتين بشكل متماثل.

نظام مبني على البيانات يشتمل على جمع البيانات وتخزينها وتحليلها وتصويرها لدعم اتخاذ القرار.

Caffe هو إطار عمل تعليمي عميق، تم تطويره في الأصل في جامعة كاليفورنيا ، بيركلي. إنه مفتوح المصدر، بموجب ترخيص BSD.تمت كتابته بلغة C ++،مع واجهة Python.

تعديل لاحق للتنبؤ، عادة لحساب تحيز التنبؤ (prediction bias). يجب أن تتطابق التوقعات والاحتمالات المعدلة مع توزيع مجموعة التسميات المرصودة.

المجموعة الأولية من التوصيات المختارة من قبل نظام التوصية (recommendation system). على سبيل المثال، ضع في اعتبارك متجر كتب يقدم 100000 عنوان. تُنشئ مرحلة توليد المرشح قائمة أصغر بكثير من الكتب المناسبة لمستخدم معين، على سبيل المثال 500 كتاب. ولكن حتى 500 كتاب تعد كثيرة جدًا بحيث لا يمكن التوصية بها للمستخدم. المراحل اللاحقة والأكثر تكلفة لنظام التوصيات (مثل تسجيل النقاط (scoring) وإعادة الترتيب (re-ranking)) تقلل من تلك 500 إلى مجموعة توصيات أصغر وأكثر فائدة.

تحسين وقت التدريب حيث يتم حساب الاحتمالية لجميع التسميات الإيجابية (positive labels)، باستخدام، على سبيل المثال، softmax، ولكن فقط لعينة عشوائية من التسميات السلبية (negative labels). على سبيل المثال، إذا كان لدينا مثال معنون بأخذ عينات من البيجل والكلاب يحسب الاحتمالات المتوقعة وشروط الخطأ المقابلة لمخرجات فئة البيجل والكلب بالإضافة إلى مجموعة فرعية عشوائية من الفئات المتبقية (القط، المصاصة، السياج). الفكرة هي أن الطبقات السلبية يمكن أن تتعلم من التعزيز السلبي الأقل تكرارًا طالما أن الطبقات الإيجابية (positive classes) تحصل دائمًا على تعزيز إيجابي مناسب، وهذا بالفعل لوحظ تجريبيًا. الدافع وراء أخذ العينات المرشح هو الفوز في الكفاءة الحسابية من عدم حساب التنبؤات لجميع السلبيات.

شـبكة عصبيـة اصطناعيـة تتكـون مـن مجموعـة مـن الخلايـا العصبيـة (كبسـولات) تُمثِّـل مُعامِـلات إنشـاء لكيـان معيـن.

تحسين وقت التدريب حيث يتم حساب الاحتمالية لجميع التسميات الإيجابية (positive labels)، باستخدام، على سبيل المثال، softmax، ولكن فقط لعينة عشوائية من التسميات السلبية (negative labels). على سبيل المثال، إذا كان لدينا مثال معنون بأخذ عينات من البيجل والكلاب يحسب الاحتمالات المتوقعة وشروط الخطأ المقابلة لمخرجات فئة البيجل والكلب بالإضافة إلى مجموعة فرعية عشوائية من الفئات المتبقية (القط، المصاصة، السياج). الفكرة هي أن الطبقات السلبية يمكن أن تتعلم من التعزيز السلبي الأقل تكرارًا طالما أن الطبقات الإيجابية (positive classes) تحصل دائمًا على تعزيز إيجابي مناسب، وهذا بالفعل لوحظ تجريبيًا. الدافع وراء أخذ العينات المرشح هو الفوز في الكفاءة الحسابية من عدم حساب التنبؤات لجميع السلبيات.

الميزات (Features) التي تحتوي على مجموعة محددة من القيم الممكنة. على سبيل المثال، ضع في اعتبارك ميزة فئوية تسمى حالة إشارة المرور، والتي يمكن أن تحتوي فقط على واحدة من القيم الثلاث المحتملة التالية:
• أحمر.
• الأصفر.
• أخضر.
من خلال تمثيل حالة إشارة المرور كميزة فئوية، يمكن للنموذج معرفة التأثيرات المختلفة للأحمر والأخضر والأصفر على سلوك السائق.
تسمى الميزات الفئوية أحيانًا ميزات متقطعة (discrete features).
على النقيض من البيانات العددية (numerical data).

انظر ""Categorical Data"

مرادف لـ (unidirectional language model).
انظر نموذج اللغة ثنائي الاتجاه (bidirectional language model) لمقارنة الأساليب الاتجاهية المختلفة في نمذجة اللغة.

في نموذج CBOW، يتم دمج تمثيلات السياق الموزعة (أو الكلمات المحيطة) للتنبؤ بالكلمة في المنتصف.

مرادف لـ (unidirectional language model).
انظر نموذج اللغة ثنائي الاتجاه (bidirectional language model) لمقارنة الأساليب الاتجاهية المختلفة في نمذجة اللغة.

مركز التكتل (cluster) كما هو محدد بواسطة خوارزمية k-mean أو k-median. على سبيل المثال، إذا كان k هو 3، فإن خوارزمية (k-mean) أو (k-median) تعثر على 3 سنترويد.

فئة من خوارزميات التكتل (clustering) التي تنظم البيانات في مجموعات غير هرمية. k-mean هي خوارزمية التكتل الأكثر استخدامًا على أساس السنترويد.
على النقيض من خوارزميات المجموعات الهرمية (hierarchical clustering).

برنامـج ذكاء اصطناعـي يسـتخدم أسـاليب معالجـة اللغـات الطبيعيـة للتفاعـل مـع المسـتخدمين عـن طريـق المحادثـات الصوتيـة أو النصيـة.

البيانات التي تلتقط حالة معلمات (parameters) النموذج في تكرار تدريب معين. تتيح نقاط الحفظ تصدير أوزان (weights) النموذج، أو إجراء تدريب (training) عبر جلسات متعددة. تتيح نقاط الحفظ أيضًا التدريب على متابعة أخطاء الماضي (على سبيل المثال، العمل الوقائي).

اختبار مربع كاي يطلق عليه أيضاً اختبار كاي المربع أو اختبار  2 ، وهو اختبار فرضيات إحصائي يكون فيه توزيع عينات إحصائيات الاختبار هو توزيع لمربع كاي، فعندما تكون فرضية العدم صحيحة، أو أي عنصر متقارب صحيحًا، بمعنى أن توزيع العينة (إذا كانت فرضية العدم صحيحة) يمكن أن تجرى وفقًا لأقرب توزيع لمربع كاي، بالقرب الأمثل لجعل حجم العينة كبيرًا بما فيه الكفاية.

فئة يمكن أن تنتمي إليها التسمية (label). فمثلا:
• في نموذج التصنيف الثنائي (binary classification) الذي يكتشف البريد العشوائي، قد تكون الفئتان عبارة عن بريد عشوائي وليست بريدًا عشوائيًا.
• في نموذج التصنيف متعدد الفئات (multi-class classification) الذي يحدد سلالات الكلاب، قد تكون الفئات هي البودل، والبيغل، والبج، وما إلى ذلك.
يتنبأ نموذج التصنيف (classification model) بفئة. في المقابل، يتنبأ نموذج الانحدار (regression model) برقم بدلاً من فئة.

مجموعة بيانات لمشكلة تصنيف يختلف فيها العدد الإجمالي لتسميات (labels) كل فئة اختلافًا كبيرًا. على سبيل المثال، ضع في اعتبارك مجموعة بيانات التصنيف الثنائية التي يتم تقسيم تسمياتها على النحو التالي:
• 1000000 تسميات سلبية.
• 10 تسميات إيجابية.
نسبة التسميات السلبية إلى الإيجابية هي 100000 إلى 1، لذا فهذه مجموعة بيانات غير متوازنة في الفئة.
في المقابل، فإن مجموعة البيانات التالية ليست غير متوازنة في الفئة لأن نسبة التسميات السلبية إلى التسميات الإيجابية قريبة نسبيًا من 1:
• 517 تسميات سلبية.
• 483 تسميات موجبة.
يمكن أيضًا أن تكون مجموعات البيانات متعددة الفئات غير متوازنة في الفئة. على سبيل المثال، تعتبر مجموعة بيانات التصنيف متعددة الفئات التالية أيضًا غير متوازنة في الفئة لأن أحد التسميات يحتوي على أمثلة أكثر بكثير من الأخريين:
• 1000000 تسمية بفئة "خضراء".
• 200 تسمية بفئة "أرجواني".
• 350 تسمية بفئة "برتقالي".
انظر أيضًا الإنتروبيا (entropy)، وطبقة الأغلبية (majority class)، وطبقة الأقلية (minority class).

التصنيف هو عملية تصنيف مجموعة معينة من البيانات إلى فئات (classes)، ويمكن إجراؤها على كل من البيانات المهيكلة (structured) أو غير المهيكلة (unstructured). تبدأ العملية بالتنبؤ بفئة نقاط البيانات المحددة. غالبًا ما يشار إلى الفئات على أنها الهدف (target) أو التسمية (label) أو الاصناف (categories).

نموذج (model) التنبؤ به فئة. على سبيل المثال، فيما يلي جميع نماذج التصنيف:
• نموذج يتنبأ بلغة جملة الإدخال (الفرنسية؟ الإسبانية؟ الإيطالية؟).
• نموذج يتنبأ بأنواع الأشجار (القيقب، البلوط، الباوباب؟).
• نموذج يتنبأ بالفئة الإيجابية أو السلبية لحالة طبية معينة.
في المقابل، تتنبأ نماذج الانحدار (regression models) بالأرقام بدلاً من الفئات.
هناك نوعان شائعان من نماذج التصنيف هما:
• تصنيف ثنائي (binary classification).
• تصنيف متعدد الفئات (multi-class classification).

في التصنيف الثنائي (binary classification)، رقم بين 0 و1 يحول الناتج الخام لنموذج الانحدار اللوجستي (logistic regression) إلى تنبؤ بالفئة الإيجابية (positive class) أو الفئة السلبية (negative class). لاحظ أن عتبة التصنيف هي قيمة يختارها الإنسان، وليست قيمة يختارها تدريب النموذج.
يُخرج نموذج الانحدار اللوجستي قيمة أولية بين 0 و1. ثم:
• إذا كانت هذه القيمة الأولية أكبر من عتبة التصنيف، فسيتم توقع الفئة الإيجابية.
• إذا كانت هذه القيمة الأولية أقل من عتبة التصنيف، فسيتم توقع الفئة السالبة.
على سبيل المثال، افترض أن حد التصنيف هو 0.8. إذا كانت القيمة الأولية 0.9، فإن النموذج يتنبأ بالفئة الإيجابية. إذا كانت القيمة الأولية 0.7، فإن النموذج يتنبأ بالفئة السلبية.
يؤثر اختيار عتبة التصنيف بشدة على عدد الإيجابيات الكاذبة (false positives) والسلبيات الكاذبة (false negatives).

تستخدم المصنفات (نماذج التصنيف classification models) للتنبؤ (prediction) بالنتائج الفئوية (categorical).

تنظيف البيانات (Data cleaning) هو عملية إصلاح أو إزالة البيانات غير الصحيحة أو التالفة أو المنسقة بشكل غير صحيح أو المكررة أو غير المكتملة ضمن مجموعة البيانات. عند الجمع بين مصادر بيانات متعددة، هناك العديد من الفرص لتكرار البيانات أو تسميتها بشكل خاطئ.

نـوع مـن تحليـلات الويـب يُسـتخدم لمراقبـة زوار المواقـع الإلكترونيـة وتحليلهـم.

تقنية للتعامل مع القيم المتطرفة (outliers) عن طريق القيام بأي من الإجراءين التاليين أو كليهما:
• تقليل قيم الميزة (feature) التي تزيد عن الحد الأقصى إلى الحد الأقصى.
• زيادة قيم الميزة التي تقل عن الحد الأدنى حتى الحد الأدنى.
على سبيل المثال، افترض أن <0.5٪ من القيم لميزة معينة تقع خارج النطاق 40-60. في هذه الحالة، يمكنك القيام بما يلي:
• قص جميع القيم التي تزيد عن 60 (الحد الأقصى) لتكون 60 بالضبط.
• قص جميع القيم التي تقل عن 40 (الحد الأدنى) لتكون 40 بالضبط.
يمكن أن تتسبب القيم المتطرفة في إتلاف النماذج، مما يؤدي أحيانًا إلى تجاوز الأوزان (weights) أثناء التدريب. يمكن أن تفسد بعض القيم المتطرفة بشكل كبير مقاييس مثل الدقة (accuracy). القص هو أسلوب شائع للحد من الضرر.
يفرض قص التدرج (Gradient clipping) قيم التدرج (gradient) ضمن نطاق معين أثناء التدريب.

مُسرع أجهزة متخصص مصمم لتسريع أعباء عمل التعلم الآلي على Google Cloud Platform.

مجموعة من الأشـياء المتشـابهة في خصائصها، والمنظّمة حسـب أوجه التشـابه بينها.

تجميع الأمثلة ذات الصلة، خاصة أثناء التعلم غير الخاضع للإشراف (unsupervised learning). بمجرد أن يتم تجميع جميع الأمثلة، يمكن للإنسان أن يقدم معنى اختياريًا لكل مجموعة.
توجد العديد من خوارزميات التجميع. على سبيل المثال، أمثلة مجموعات خوارزمية (k-mean)بناءً على قربها من النقطة الوسطى (centroid).

عندما تتنبأ الخلايا العصبية (neurons) بأنماط في بيانات التدريب من خلال الاعتماد بشكل شبه حصري على مخرجات الخلايا العصبية أخرى محددة بدلاً من الاعتماد على سلوك الشبكة ككل. عندما لا تكون الأنماط التي تسبب التكيف المشترك موجودة في بيانات التحقق من الصحة، فإن التكيف المشترك يتسبب في الضبط الزائد (overfitting). يقلل تنظيم التسرب (Dropout regularization) من التكيف المشترك لأن التسرب يضمن أن الخلايا العصبية لا يمكنها الاعتماد فقط على خلايا عصبية أخرى محددة.

يعتبر نهج التعلم شبه الخاضع للإشراف (semi-supervised learning) مفيدًا بشكل خاص عندما تكون جميع الشروط التالية صحيحة:
• نسبة الأمثلة غير المسماة (unlabeled examples) إلى الأمثلة المسماة (labeled examples) في مجموعة البيانات عالية.
• هذه مشكلة تصنيف (ثنائية (binary) أو متعددة الفئات (multi-class)).
• تحتوي مجموعة البيانات (dataset) على مجموعتين مختلفتين من الميزات التنبؤية المستقلة عن بعضها البعض والمتكاملة.
يعمل التدريب المشترك بشكل أساسي على تضخيم الإشارات المستقلة إلى إشارة أقوى. على سبيل المثال، ضع في اعتبارك نموذج تصنيف (classification model) يصنف السيارات المستعملة الفردية على أنها جيدة أو سيئة. قد تركز مجموعة واحدة من الميزات التنبؤية على الخصائص الإجمالية مثل سنة السيارة ومنتجها وطرازها؛ قد تركز مجموعة أخرى من الميزات التنبؤية على سجل قيادة المالك السابق وتاريخ صيانة السيارة.

قيمة ثابتة مضروبة بمتغير أو تعبير رياضي.

فرضيـة حـول البُنيـة الثابتـة للعقـل البشـري أو الاصطناعـي والمعرفـة والمهـارات المُجسَّـدة لإنتـاج سـلوك ذكـي.

منصات تعتمد على التخصصات العلمية للذكاء الاصطناعي لمحاكاة عمليات التفكير البشري عن طريق نموذج محوسب.

دراسـة متعـددة التخصصـات للعقـل وعملياتـه وكيف يمكن محاكاتهـا في الآلات.

انظر "Cognitive Computing"

مقيـاس إحصائـي لتقييـم درجـة الاتفـاق بيـن اثنيـن مـن المقيميـن أو لتقييـم أداء نمـوذج التصنيـف.

Colaboratory ، أو باختصار "Colab” ، منتج من Google Research يسمح Colab لأي شخص بكتابة وتنفيذ كود Python من خلال المتصفح ، وهو مناسب بشكل خاص للتعلم الآلي والعميق وتحليل البيانات. بشكل أكثر تقنيًا، Colab عبارة عن خدمة كمبيوتر محمول مستضافة من Jupyter لا تتطلب أي إعداد للاستخدام، مع توفير الوصول المجاني إلى موارد الحوسبة بما في ذلك وحدات معالجة الرسومات GPU.

تخزيـن البيانـات غيـر النشـطة التـي لا تُسـتخدم أو يوصـل إليهـا إلا نـادرًا.

روبـوت مُصمَّـم للتفاعـل المباشـر مـع الإنسـان فـي بيئـة عمـل مشـتركة.

طريقـة فـي تعلُّـم الآلـة تطبـق إسـتراتيجية "فـرق تسـد" عـن طريـق مشـاركة مهـام التعلُّم، والجمع بيـن الردود في نتيجة واحدة.

مجـال مـن مجـالات الـذكاء الاصطناعـي يركـز علـى تطويـر آلات ذات قـدرات بشـرية لعمـل افتراضـات حـول المواقـف الاعتياديـة اليوميـة.

فـرع مـن فـروع الـذكاء الاصطناعـي يهتـم بنمذجـة وتوليـد الفكاهـة.

مجـال دراسـة يركـز علـى الدافـع البيولوجـي واللغـوي لتطوير الطُّـرُق الحوسـبية، ويشـمل الشـبكات العصبيـة والأنظمـة الضبابيـة والحوسـبة التطوريـة.

مجال من مجالات الذكاء الاصطناعي يركز على جميع جوانب تصميـم خوارزميـات تعلُّـم الآلـة وتحليلها لتحديد المشـكلات التـي يمكـن تعلُّمها. ويُطلق عليه أيًضًا "نظرية التعلُّم."

تخصـص يصـف الجهـاز العصبـي باسـتخدام طُـرُق نظريـة ورياضيـة.

تخصـص يصـف الجهـاز العصبـي باسـتخدام طُـرُق نظريـة ورياضيـة.

الرؤية الحاسوبية هي أحد مجالات الذكاء الاصطناعي (artificial intelligence) التي تدرب أجهزة الكمبيوتر على تفسير وفهم العالم المرئي. باستخدام الصور الرقمية من الكاميرات ومقاطع الفيديو ونماذج التعلم العميق (deep learning models)، يمكن للآلات تحديد الأشياء وتصنيفها بدقة - ثم التفاعل مع ما "تراه".
بعض التطبيقات الرئيسية للرؤية الحاسوبية هي:
• اكتشاف المشاة والسيارات والطريق في السيارات الذكية (ذاتية القيادة self-driving).
• التعرف على الأشياء (Object recognition).
• تتبع الكائن (Object tracking).
• تحليل الحركة (Motion analysis).
• استعادة الصورة (Image restoration).

نظـام يسـاعد فـي مهـام التشـخيص السـريري عـن طريـق الاكتشـاف المؤتمـت فـي السـجلات الطبيـة.

في شجرة القرار (decision tree)، أي عقدة (node) تقوم بتقييم تعبير. على سبيل المثال، يحتوي الجزء التالي من شجرة القرار على شرطين:
الشرط تسمى أيضًا انقسام أو اختبار.
يتباين الشرط مع الورقة (leaf).

قياس لاحتمال وقوع حدث معين مسبوق بحدث آخر.

جدول NxN يلخص عدد التنبؤات الصحيحة وغير الصحيحة التي قدمها نموذج التصنيف (classification model). على سبيل المثال، ضع في اعتبارك مصفوفة الارتباك التالية لنموذج التصنيف الثنائي (binary classification):
توضح مصفوفة الارتباك السابقة ما يلي:
• من بين التنبؤات الـ 19 التي كانت الحقيقة الأساسية (ground truth) فيها هي الورم (Tumor)، صنف النموذج 18 بشكل صحيح وصنف 1 بشكل غير صحيح.
• من بين 458 تنبؤًا كانت الحقيقة الأساسية فيها غير ورم (Non-Tumor)، صنف النموذج بشكل صحيح 452 وصنف 6 بشكل غير صحيح.
يمكن أن تساعدك مصفوفة الارتباك الخاصة بمشكلة التصنيف متعدد الفئات (multi-class classification) في تحديد أنماط الأخطاء. على سبيل المثال، ضع في اعتبارك مصفوفة الارتباك التالية لنموذج تصنيف متعدد الفئات من 3 فئات يصنف ثلاثة أنواع مختلفة من زهرة iris (فيرجينيكا وفيرسيكولور وسيتوسا). عندما كانت الحقيقة الأساسية هي فيرجينيكا، تُظهر مصفوفة الارتباك أن النموذج كان أكثر عرضة للتنبؤ بفيرسيكولور بالخطأ من سيتوسا:
كمثال آخر، يمكن أن تكشف مصفوفة الارتباك أن نموذجًا تم تدريبه على التعرف على الأرقام المكتوبة بخط اليد يميل إلى التنبؤ بالخطأ 9 بدلاً من 4، أو التنبؤ بالخطأ 1 بدلاً من 7.
تحتوي مصفوفات الارتباك على معلومات كافية لحساب مجموعة متنوعة من مقاييس الأداء، بما في ذلك الدقة (precision) والاسترجاع (recall).

نـوع مـن النمذجـة الإدراكيـة يسـتخدم الشـبكات العصبيـة الاصطناعيـة لشـرح القـدرات الفكريـة.

درجة التوحيد والخلو من التباين بين أجزاء النظام أو المكوِّن.

برنامـج تعلُّـم آلـة يُولِّـد المحتـوى باسـتخدام أسـاليب معالجة اللغـات الطبيعية.

مراقبـة المحتـوى الـذي يقدمـه المسـتخدمون، وتطبيـق القواعد والإرشادات المحددة مسبقًا لتحديد مدى ملاءمته.

أسـلوب يُسـتخدم فـي أنظمـة التوصيـة لعمـل تنبـؤات حول اهتمامـات المسـتخدم بناءً علـى خصائص العنصر وإعجابات المستخدم.

ميزة فاصلة عائمة بمدى لانهائي من القيم الممكنة، مثل درجة الحرارة أو الوزن.
على النقيض من ميزة متقطعة (discrete feature).

انظر "Online Machine Learning".

انظر "Online Machine Learning".

خاصيـة نظـام ذكاء اصطناعـي تُمكّـن الكيانـات الخارجيـة مـن التدخـل فـي عمله.

استخدام مجموعة بيانات لم يتم جمعها علميًا لإجراء تجارب سريعة. في وقت لاحق، من الضروري التبديل إلى مجموعة بيانات تم جمعها علميًا.

يتم الوصول إلى حالة عندما تتغير قيم الخطأ قليلاً جدًا أو لا تتغير على الإطلاق مع كل تكرار. على سبيل المثال، يشير منحنى الخطأ التالي إلى تقارب عند حوالي 700 تكرار:

يتقارب (converges) النموذج عندما لا يؤدي التدريب الإضافي إلى تحسين النموذج.
في التعلم العميق (deep learning)، تظل قيم الخطأ في بعض الأحيان ثابتة أو تقريبًا للعديد من التكرارات قبل أن تنخفض في النهاية. خلال فترة طويلة من قيم الخطأ الثابتة، قد تحصل مؤقتًا على شعور زائف بالتقارب.
انظر أيضًا التوقف المبكر (early stopping).

دالة تكون فيها المنطقة فوق الرسم البياني للدالة عبارة عن مجموعة محدبة (convex set). تتشكل الدالة المحدبة النموذجية بشكل يشبه الحرف U. على سبيل المثال، كل ما يلي عبارة عن دوال محدبة:
في المقابل، الدالة التالية ليست محدبة. لاحظ كيف أن المنطقة الموجودة أعلى الرسم البياني ليست مجموعة محدبة:

تحتوي الدالة المحدبة بدقة (strictly convex function) على نقطة دنيا محلية واحدة، وهي أيضًا النقطة الدنيا العالمية. الدوال الكلاسيكية على شكل حرف U هي دوال محدبة بدقة. ومع ذلك، فإن بعض الدوال المحدبة (على سبيل المثال، الخطوط المستقيمة) ليست على شكل حرف U.

عملية استخدام التقنيات الرياضية مثل التدرج الاشتقاقي (gradient descent) لإيجاد الحد الأدنى للدالة المحدبة (convex function). ركز قدر كبير من البحث في التعلم الآلي على صياغة مشاكل مختلفة كمشكلات تحسين محدبة وفي حل هذه المشكلات بشكل أكثر كفاءة.

مجموعة فرعية من الفضاء الإقليدي بحيث يظل الخط المرسوم بين أي نقطتين في المجموعة الفرعية بالكامل داخل المجموعة الفرعية. على سبيل المثال، الشكلان التاليان عبارة عن مجموعات محدبة:
في المقابل، الشكلان التاليان ليسا مجموعات محدبة:

في الرياضيات، بشكل عرضي، مزيج من دالتين. في التعلم الآلي، يمزج الالتفاف بين المرشح التلافيفي (convolutional filter) ومصفوفة الإدخال من أجل تدريب الأوزان.
غالبًا ما يكون مصطلح "الالتفاف" في التعلم الآلي طريقة مختصرة للإشارة إلى العملية التلافيفية (convolutional operation) أو الطبقة التلافيفية (convolutional layer).
بدون التلافيف، سيتعين على خوارزمية التعلم الآلي أن تتعلم وزنًا منفصلاً لكل خلية في موتر (tensor) كبير. على سبيل المثال، سيتم إجبار خوارزمية التعلم الآلي التي تتدرب على صور (2K x 2K)على إيجاد 4M أوزان منفصلة. بفضل التلافيف، يتعين على خوارزمية التعلم الآلي فقط العثور على أوزان لكل خلية في المرشح (الفلتر) التلافيفي، مما يقلل بشكل كبير من الذاكرة اللازمة لتدريب النموذج. عند تطبيق المرشح التلافيفي، يتم نسخه ببساطة عبر الخلايا بحيث يتم ضرب كل منها بواسطة المرشح.

أحد الفاعلين في عملية تلافيفية (convolutional operation). (العامل الآخر هو شريحة من مصفوفة الإدخال.) المرشح التلافيفي عبارة عن مصفوفة لها نفس رتبة مصفوفة الإدخال، ولكنها ذات شكل أصغر. على سبيل المثال، بالنظر إلى مصفوفة إدخال 28 × 28، يمكن أن يكون المرشح أي مصفوفة ثنائية الأبعاد أصغر من 28 × 28.
في المعالجة الفوتوغرافية، يتم عادةً تعيين جميع الخلايا في المرشح التلافيفي على نمط ثابت من الآحاد والأصفار. في التعلم الآلي، عادةً ما يتم زرع المرشحات التلافيفية بأرقام عشوائية ثم تقوم الشبكة بتدريب (trains) القيم المثالية.

طبقة تلافيفية
طبقة من شبكة عصبية عميقة (deep neural network) يمر فيها مرشح تلافيفي (convolutional filter) عبر مصفوفة إدخال. على سبيل المثال، ضع في اعتبارك المرشح التلافيفي 3x3 التالي:

يوضح الرسم المتحرك التالي طبقة تلافيفية تتكون من 9 عمليات تلافيفية تتضمن مصفوفة إدخال 5 × 5. لاحظ أن كل عملية تلافيفية تعمل على شريحة 3x3مختلفة من مصفوفة الإدخال. تتكون المصفوفة الناتجة 3x3 (على اليمين) من نتائج 9 عمليات تلافيفية:

طبقة من شبكة عصبية عميقة (deep neural network) يمر فيها مرشح تلافيفي (convolutional filter) عبر مصفوفة إدخال. على سبيل المثال، ضع في اعتبارك المرشح التلافيفي 3x3التالي:
[Convolutional layer1.png]
يوضح الرسم المتحرك التالي طبقة تلافيفية تتكون من 9 عمليات تلافيفية تتضمن مصفوفة إدخال 5 × 5. لاحظ أن كل عملية تلافيفية تعمل على شريحة 3x3مختلفة من مصفوفة الإدخال. تتكون المصفوفة الناتجة 3x3 (على اليمين) من نتائج 9 عمليات تلافيفية:
[Convolutional layer2.png]

شبكة عصبية (neural network) تكون فيها طبقة واحدة على الأقل طبقة تلافيفية. تتكون الشبكة العصبية التلافيفية النموذجية من مزيج من الطبقات التالية:
• طبقات تلافيفية (convolutional layers).
• طبقات التجميع (pooling layers).
• طبقات كثيفة (dense layers).
حققت الشبكات العصبية التلافيفية نجاحًا كبيرًا في أنواع معينة من المشكلات، مثل التعرف على الصور (image recognition).

شبكة عصبية (neural network) تكون فيها طبقة واحدة على الأقل طبقة تلافيفية. تتكون الشبكة العصبية التلافيفية النموذجية من مزيج من الطبقات التالية:
• طبقات تلافيفية (convolutional layers).
• طبقات التجميع (pooling layers).
• طبقات كثيفة (dense layers).
حققت الشبكات العصبية التلافيفية نجاحًا كبيرًا في أنواع معينة من المشكلات، مثل التعرف على الصور (image recognition).

المجموعة عبارة عن مجموعة من النصوص الأصلية أو الصوت المنظم في مجموعات البيانات. أصيلة هنا تعني النص المكتوب أو الصوتي الذي يتحدث به مواطن من اللغة أو اللهجة. يمكن أن تتكون المجموعة من كل شيء من الصحف والروايات والوصفات والبث الإذاعي إلى البرامج التلفزيونية والأفلام والتغريدات

الارتباط هو نسبة التغاير بين متغيرين إلى منتج التباين (للمتغيرات). يأخذ قيمة بين 1+ و1_. تعني القيمة القصوى على كلا الجانبين أنهما مرتبطان ارتباطًا وثيقًا ببعضهما البعض. تشير القيمة الصفرية إلى وجود ارتباط صفري ولكن ليس عدم الاعتماد.

مصفوفة الارتباط هي ببساطة جدول يعرض معاملات الارتباط (correlation coefficients) للمتغيرات المختلفة. توضح المصفوفة الارتباط بين جميع أزواج القيم الممكنة في الجدول. إنها أداة قوية لتلخيص مجموعة بيانات كبيرة ولتحديد وتصور الأنماط في البيانات المقدمة.

مرادف للخطأ (loss).

تستخدم دالة التكلفة لتحديد وقياس خطأ النموذج.
مرادف لدالة الخسارة(الخطأ) (loss function)

التغاير هو مقياس للتغير المشترك لمتغيرين عشوائيين. إنه مشابه للتباين (variance)، ولكن عندما يخبرك التباين بكيفية اختلاف متغير واحد، فإن التباين المشترك يخبرك بكيفية اختلاف متغيرين معًا.

انظر تحيز الاختيار (selection bias).

جملة أو عبارة ذات معنى غامض. تمثل crash blossomمشكلة كبيرة في فهم اللغة الطبيعية. على سبيل المثال، العنوان Red Tape Holds Up Skyscraper هو crash blossomلأن نموذج NLU يمكن أن يفسر العنوان حرفيًا أو مجازيًا.

مرادف لـ (Deep Q-Network).

تعميم لخسارة السجل (Log Loss) على مشاكل التصنيف متعددة الفئات (multi-class classification problems). تحدد الانتروبيا الفرق بين توزيعين احتماليين. انظر أيضا الارتباك (perplexity).

آلية لتقدير مدى التعميم الجيد للنموذج (model) على البيانات الجديدة عن طريق اختبار النموذج مقابل مجموعة فرعية واحدة أو أكثر من البيانات غير المتداخلة التي تم حجبها من مجموعة التدريب (training set).

CUDA عبارة عن منصة حوسبة متوازية وواجهة برمجة تطبيقات تسمح للبرنامج باستخدام أنواع معينة من وحدات معالجة الرسومات (GPU) لمعالجة الأغراض العامة، وهو نهج يسمى الحوسبة ذات الأغراض العامة على وحدات معالجة الرسومات.

نموذج يقبل المدخلات الخاصة بمسـتخدم ويُعطي تنبؤات بنـاءً علـى تلك المدخلات.

عملية تدريب النموذج على القيام بتنبؤات معينة.

واجهـة مسـتخدم رسـومية تجمـع المعلومـات والتصويـرات لعرض المقاييس أو المعايير أو المؤشرات التي تساعد في المراقبـة واتخـاذ القرار.

تمثيـل للمعلومـات بصيغـة مناسـبة للتخزيـن أو المعالجـة أو النقـل.

الحصول على فهم للبيانات من خلال النظر في العينات والقياس والرسم. يمكن أن يكون تحليل البيانات مفيدًا بشكل خاص عند استلام مجموعة البيانات لأول مرة، قبل أن يبني المرء النموذج (model) الأول. كما أنه مهم في فهم التجارب وتصحيح الأخطاء في النظام.

الحصول على فهم للبيانات من خلال النظر في العينات والقياس والرسم. يمكن أن يكون تحليل البيانات مفيدًا بشكل خاص عند استلام مجموعة البيانات لأول مرة، قبل أن يبني المرء النموذج (model) الأول. كما أنه مهم في فهم التجارب وتصحيح الأخطاء في النظام.

مفهـوم يضـم عمليـات جمـع البيانـات والتحقـق مـن صحتها ومعالجتهـا وتصويرهـا؛ لأجـل اكتشـاف رؤى مفيـدة فـي اتخـاذ القـرار.

عمليـة إضافـة معلومـات وصفيـة إلـى مجموعـة البيانـات لاسـتخدامها مدخـلات لنمـوذج تعلُّـم الآلـة.

الزيادة المصطنعة لنطاق وعدد أمثلة التدريب (training) عن طريق تحويل الأمثلة الموجودة لإنشاء أمثلة إضافية. على سبيل المثال، افترض أن الصور هي إحدى ميزاتك (features)، لكن مجموعة البيانات الخاصة بك لا تحتوي على أمثلة صور كافية للنموذج لتعلم الارتباطات المفيدة. من الناحية المثالية، يمكنك إضافة ما يكفي من الصور المصنفة (labeled) إلى مجموعة البيانات الخاصة بك لتمكين نموذجك من التدريب بشكل صحيح. إذا لم يكن ذلك ممكنًا، يمكن أن تقوم زيادة البيانات بتدوير وتمديد وعكس كل صورة لإنتاج العديد من المتغيرات من الصورة الأصلية، مما قد ينتج عنه بيانات مصنفة كافية لتمكين التدريب الممتاز.

عمليـة متعـددة المراحـل لمراجعة البيانـات وتصحيحها للتأكد مـن أنهـا فـي صيغـة موحـدة، ويتضمـن ذلك معالجـة القيم المفقودة والبيانات المشوشة، وحل التناقضات والتكرارات.

عمليـة جمـع البيانـات وقياسـها، وتشـمل الحصـول عليهـا وتسـميتها وتحسـينها.

أي معلومات تُنتج بطريقة ثانوية من الأنشطة الرقمية.

طريقـة لتزويـد المسـتخدمين ببيانـات محدثـة مـن مصـادر البيانـات.

عمليـة دمـج البيانـات مـن مصادر مختلفـة لتوفير معلومات أكثر اتسـاقًا ودقة.

السياسات والعمليات والهياكل التنظيمية التي تحدد حقوق اتخاذ القرار والمسؤوليات لدعم إدارة البيانات.

تحديد عنصر بيانات من نوع بيانات أو مجموعة بيانات.

عمليـة دمـج البيانـات مـن مصـادر مختلفة في عـرض موحد وواضح للمسـتخدمين.

مقيـاس ثقـة للتحقـق مـن دقة البيانات واكتمالها واتسـاقها وامتثالها للوائح.

انظر "Data Annotation"

هو مستودع مركزي لتخزين كميات كبيرة جدًا من البيانات الخام بصيغها المختلفة، سواء كانت منظمة (Structured) أو شبه منظمة (Semi-structured) أو غير منظمة (Unstructured)، وذلك قبل معالجتها أو تحليلها.

دخول معلومات إلى التدريب لا تكون متاحة وقت التنبؤ الحقيقي، فيعطي تقييمًا مضللًا للنموذج.

عملية نقل البيانات من نظام إلى آخر.

التنقيب في البيانات Data Mining هو دراسة لاستخراج المعلومات المفيدة من البيانات المهيكلة / غير المهيكلة المأخوذة من مصادر مختلفة. يتم ذلك عادة من أجل:
• التنقيب لأنماط متكررة.
• التنقيب للاشتراكات.
• التنقيب للارتباطات.
• التنقيب للمجموعات.
• التنقيب للتحليل التنبئي.
يتم التنقيب عن البيانات لأغراض مثل تحليل السوق، وتحديد نمط شراء العملاء، والتخطيط المالي، واكتشاف الاحتيال، وما إلى ذلك

مجموعة من الطُّرُق المفاهيمية لوصف البيانات، ودلالاتها ،والعلاقات بينها، وقيود الاتساق.

عمليـة إنشـاء تمثيـل مفاهيمـي للبيانـات وعلاقاتهـا؛ لأجـل تخزينهـا فـي قاعـدة البيانـات.

أسـلوب يُسـتخدم لتسـريع التدريب أو الاسـتدلال عن طريق تكـرار النمـوذج علـى عـدة أجهـزة، ثم تقسـيم بيانـات الإدخال علـى هـذه الأجهزة.

مسار تدفق البيانات هو عملية أتمتة سير العمل لمهمة التعلم الآلي الكاملة. يمكن القيام بذلك عن طريق تمكين تحويل سلسلة من البيانات وربطها معًا في نموذج يمكن تحليله للحصول على المخرجات.

جـزء منفصـل مـن المعلومـات المشـتقة مـن مجموعـة بيانـات أكبـر.

مجموعـة واسـعة مـن العمليـات التـي يمكـن إجراؤهـا علـى البيانـات بوسـائل يدويـة أو مؤتمتـة.

عملية فحص البيانات وعمل ملخصات وافية عنها.

مقياس لمدى فائدة البيانات وملاءمتها للغرض المقصود ،ويشمل الاكتمال والاتساق والدقة.

تكرار البيانات على عدد من أجهزة الحاسب داخل نظام موَّزَّع لضمان مستوى الاتساق في الوصول إلى المعلومات.

الشكل الذي يمثل كيفية تخزين البيانات ومعالجتها ونقلها.

عمليـة اختيـار مجموعـة فرعيـة مـن عينـات البيانـات تُمثِّـل مجموعـة بيانـات أكبـر؛ لأجـل تحليـل الأنمـاط والاتجاهـات.

مجـال متعـدد التخصصـات يركـز علـى اسـتخراج معلومـات مفيـدة ورؤى مـن البيانـات عـن طريـق عمليـة الاكتشـاف أو اختبـار الفرضيـات.

المتخصـص فـي تحليـلات البيانات ولديه مهـارات فنية لحل المشكلات المعقدة باستخدام أدوات علم البيانات وأساليبها.

مستودع من مجموعة بيانات أو مجموعة بيانات وصفية أو قاعدة بيانات أو بيانات وصفية، يمكن عن طريقه الوصول إلى البيانات أو البيانات الوصفية لأغراض التحليل.

طريقة لتنظيم البيانات وتخزينها في ذاكرة الحاسب للوصول إليها ومعالجتها بكفاءة.

تحويل البيانات هو عملية تحويل البيانات من نموذج إلى آخر. يتم ذلك عادة في خطوة معالجة مسبقة.

التغيّـرات فـي مجموعـات البيانات من جانب معدل الإرسـال أو الصيغـة أو الـدلالات أو الجودة.

اختـلاف أنـواع البيانـات وصيَغهـا، مثـل: البيانـات المهيكلـة وشـبه المهيكلـة وغيـر المهيكلـة.

معدل سـرعة إنشـاء البيانات أو إرسـالها أو تخزينها أو تحليلها أو تصويرها.

تمثيـل رسـومي للمعلومـات يسـلط الضـوء علـى الأنمـاط والاتجاهـات فـي البيانـات، ويسـاعد القـارئ علـى اكتسـاب رؤى سـريعة.

خصائص البيانات المتعلقة بمعدل تغيرها بمرور الوقت.

كميـة البيانـات التـي تؤثر في مـوارد المعالجة والتخزين وفي إدارتها أيًضًا.

مسـتودع بيانـات جُمعـت مـن مصـادر متعـددة فـي مخـزن بيانـات مركـزي ومتسـق لدعـم تحليـل البيانـات.

عمليـة اتخـاذ القـرارات بنـاءً علـى البيانـات بـدلاً مـن مجـرد الحـدس أو الملاحظـة.

مجموعة من البيانات المنظمة وفقًا لبُنية مفاهيمية بغرض دعم التطبيقات في مجال معين.

نوع بيانات شائع من Pandas لتمثيل مجموعات البيانات في الذاكرة.
يعتبر DataFrame مماثلاً لجدول أو جدول بيانات. كل عمود في DataFrame له اسم (رأس)، ويتم تحديد كل صف برقم فريد.
يتم تنظيم كل عمود في DataFrame مثل مصفوفة ثنائية الأبعاد، باستثناء أنه يمكن تعيين نوع البيانات الخاص به لكل عمود.

مجموعة من البيانات الأولية، يتم تنظيمها بشكل شائع (ولكن ليس حصريًا) بأحد التنسيقات التالية:
• جدول بيانات (spreadsheet).
• ملف بتنسيق CSV (قيم مفصولة بفواصل comma-separated values).

مجموعة من البيانات الأولية، يتم تنظيمها بشكل شائع (ولكن ليس حصريًا) بأحد التنسيقات التالية:
• جدول بيانات (spreadsheet).
• ملف بتنسيق CSV (قيم مفصولة بفواصل comma-separated values).

مجموعة محددة من البيانات التي لها بُنية محددة ومجموعة من العمليات المُتاحة.

إنها خوارزمية تجميع غير بارامترية قائمة على الكثافة (density-based clustering): بالنظر إلى مجموعة من النقاط في مساحة ما، فإنها تجمع معًا النقاط التي يتم تجميعها معًا بشكل وثيق (نقاط مع العديد من الجيران القريبين)، ووضع علامة على أنها نقاط متطرفة تقع بمفردها في المناطق منخفضة الكثافة (أقرب جيرانهم بعيدون جدًا). DBSCAN هي واحدة من أكثر خوارزميات التجميع شيوعًا وأكثرها اقتباسًا أيضًا في الأدبيات العلمية.

انظر "ذDistributed Artificial Intelligence "

طريقـة معياريـة لاتخـاذ الخيـارات المثلـى فـي ظـل ظـروف غيـر مؤكـدة.

الفاصل بين الفئات (classes) التي تعلمها نموذج (model) في فئة ثنائية (binary class) أو مشاكل تصنيف متعددة الفئات (multi-class classification).

نموذج تم إنشاؤه من عدة أشجار قرار (decision trees). تقوم غابة القرار بعمل تنبؤ من خلال تجميع تنبؤات أشجار القرار الخاصة بها. تشمل الأنواع الشائعة من غابات القرار الغابات العشوائية (random forests) والأشجار المعززة بالتدرج (gradient boosted trees).

قاعدة القرار هي عبارة IF-THEN بسيطة تتكون من شرط (condition) وتوقع (prediction). على سبيل المثال: إذا أمطرت اليوم وإذا كانت أبريل (شرط)، فسوف تمطر غدًا (التنبؤ). يمكن استخدام قاعدة قرار واحدة أو مجموعة من عدة قواعد لعمل تنبؤات.

مرادف لعتبة التصنيف (classification threshold).

نموذج تعلم خاضع للإشراف يتكون من مجموعة من الشروط (conditions) والأوراق (leaves) المنظمة بشكل هرمي.

عمليـة بنـاء شـجرة قـرار مـن البيانـات لأداء مهـام التصنيـف أو الانحـدار.

مفككبشكل عام، أي نظام تعلم آلي يتحول من تمثيل معالج أو كثيف أو داخلي إلى تمثيل أكثر خامًا أو متفرقة أو خارجيًا.
غالبًا ما تكون مفككات الشفرة أحد مكونات نموذج أكبر، حيث يتم إقرانها في كثير من الأحيان بمشفر (encoder).
في مهام التسلسل إلى التسلسل (sequence-to-sequence tasks)، يبدأ مفكك الشفرة بالحالة الداخلية التي يولدها المشفر للتنبؤ بالتسلسل التالي.
راجع المحول (Transformer) لتعريف مفكك الشفرة داخل بنية المحولات.
الشفرة

انظر "Transposed Convolution"

شبكة عصبية التفافية تعمل بطريقة عكسية.

انظر "اDeductive Reasoning"

شبكة عصبية التفافية تعمل بطريقة عكسية.

عمليـة اسـتنتاج نتائـج بنـاءً علـى بيانـات أو حقائـق مقبولـة عمومًـا. ويُطلـق عليهـا أيًضًـا "اسـتنباط Deduction"

نـوع مـن أنـواع شـبكات التعلُّـم العميـق مُكـوَن مـن تكديس عـدة آلات بولتزمـان المقيـدة.

حاسـب عمـلاق فـاز علـى بطـل العالـم فـي لعبـة الشـطرنج "جـاري كاسـباروف" عـام 1997.

التعلم العميق هو مجموعة فرعية من التعلم الآلي (machine learning)، وهو في الأساس شبكة عصبية ذات ثلاث طبقات أو أكثر. تحاول هذه الشبكات العصبية محاكاة سلوك الدماغ البشري- وإن كان بعيدًا عن مطابقة قدرته - مما يسمح له "بالتعلم" من كميات كبيرة من البيانات. بينما لا يزال بإمكان الشبكة العصبية ذات الطبقة الواحدة إجراء تنبؤات تقريبية، يمكن أن تساعد الطبقات المخفية (hidden layer) الإضافية في تحسين الدقة وتحسينها.

شبكة عصبية (neural network) تحتوي على أكثر من طبقة مخفية (hidden layer).
يُطلق على النموذج العميق أيضًا اسم الشبكة العصبية العميقة (deep neural network).
على النقيض من النموذج الواسع (wide model).

مرادف للنموذج العميق (deep model).

نـوع مـن الشـبكات العصبيـة الاصطناعيـة يشـتمل على عدة طبقـات بيـن طبقتـي الإدخـال والإخـراج. ويُطلـق عليـه أيًضًـا "نمـوذج عميق."
مرادف للنموذج العميق (deep model).

في (Q-Learning)، شبكة عصبية (neural network) عميقة تتنبأ بدوال Q (Q-functions).
الناقد (Critic) هو مرادف لـ(Deep Q-Network).

نوع من الوسائط المصطنعة التي يوضع فيها صورة شخص أو صوته بدلاً من صورة شخص آخر أو صوته.

بيانـات اجتماعيـة واقتصاديـة حـول السـكان، مثـل: الجنـس والعمـر والتعليـم والدخـل والعمـل.

نهج شائع للتعلم تحت الإشراف الذاتي (self-supervised learning) حيث:
• يتم إضافة الضوضاء (Noise) بشكل مصطنع إلى مجموعة البيانات.
• يحاول النموذج (model) إزالة الضوضاء.
يتيح تقليل الضوضاء التعلم من الأمثلة غير المسماة (unlabeled examples). تعمل مجموعة البيانات (dataset) الأصلية كهدف أو تسمية (label) والبيانات الصاخبة (noisy data) كإدخال.
تستخدم بعض نماذج اللغة المقنعة (masked language models) تقليل الضوضاء على النحو التالي:
• يتم إضافة الضوضاء بشكل مصطنع إلى جملة غير مسماة بإخفاء بعض الرموز.
• يحاول النموذج توقع الرموز المميزة (الوحدة اللفظية) (tokens) الأصلية.

ميزة (feature) تكون معظم القيم فيها أو كلها غير صفرية، عادةً ما تكون موترًا (Tensor) لقيم الفاصلة العائمة.
على النقيض من ميزة متفرقة (sparse feature).

مرادف للطبقة المتصلة بالكامل (fully connected layer).

الشبكة الكثيفة هي شبكة يكون فيها عدد الروابط لكل عقدة قريبًا من العدد الأقصى للعقد. ترتبط كل عقدة بجميع العقد الأخرى تقريبًا. تسمى الحالة الإجمالية المتصلة التي ترتبط فيها كل عقدة ببعضها البعض بشبكة متصلة تمامًا (fully connected network).

المتغير التابع هو ما تقيسه والذي يتأثر بالمتغير (المتغيرات) المستقلة (independent variable) / الإدخال. يطلق عليه "تابع" لأنه "يعتمد" على المتغير المستقل. على سبيل المثال، لنفترض أننا نريد توقع عادات التدخين لدى الأشخاص. ثم يدخن الشخص "نعم" أو "لا" هو المتغير التابع.

مجموع ما يلي في الشبكة العصبية (neural network):
• عدد الطبقات المخفية (hidden layers).
• عدد طبقات الإخراج (output layers)، والذي يكون عادةً 1.
• عدد أي طبقات تضمين (embedding layers).
على سبيل المثال، يبلغ عمق الشبكة العصبية المكونة من خمس طبقات مخفية وطبقة إخراج واحدة 6.
لاحظ أن طبقة الإدخال (input layer) لا تؤثر على العمق.

بُنية شبكة عصبية تلافيفية (convolutional neural network) مبنية على (Inception)، ولكن حيث يتم استبدال وحدات Inception بتلافيفات قابلة للفصل بعمق. يُعرف أيضًا باسم(Xception).
التفاف قابل للفصل بعمق (يُختصر أيضًا باسم التفاف قابل للفصل separable convolution) يعمل على تحويل التفاف قياسي ثلاثي الأبعاد إلى عمليتي التفاف منفصلتين أكثر كفاءة من الناحية الحسابية: أولاً، التفاف عميق بعمق 1 (n ✕ n ✕ 1)، ثم الثانية، الالتفاف النقطي، بطول وعرض 1 (1 ✕ 1 ✕ n).

مرادف لتسمية الوكيل (proxy label).

فئة من الأجهزة يمكنها تشغيل جلسة TensorFlow، بما في ذلك CPUs وGPUs و(TPUs).

نظام حاسب يمكنه التحدث مع الإنسان بلغة طبيعية.

تمثيل افتراضي لكيان أو عملية حقيقية يُستخدم للتصميم والمحاكاة والتشغيل.

مصطلح مثقل به أي من التعريفات التالية:
• عدد مستويات الإحداثيات في الموتر (Tensor). فمثلا:
• العددية له أبعاد صفرية؛ على سبيل المثال، ["Hello"].
• المتجه له بعد واحد؛ على سبيل المثال، [3 ، 5 ، 7 ، 11].
• المصفوفة لها بعدين؛ على سبيل المثال، [[2 ، 4 ، 18] ، [5 ، 7 ، 14]].
• يمكنك تحديد خلية معينة بشكل فريد في متجه أحادي البعد بإحداثيات واحدة؛ أنت بحاجة إلى إحداثيين لتحديد خلية معينة بشكل فريد في مصفوفة ثنائية الأبعاد.
• عدد الإدخالات في متجه الميزة (feature vector).
• عدد العناصر في طبقة التضمين (embedding layer).

تقليل عدد الأبعاد المستخدمة لتمثيل ميزة معينة في متجه المعالم، عادةً عن طريق التحويل إلى متجه تضمين (embedding vector).

ميزة (feature) ذات مجموعة محدودة من القيم الممكنة. على سبيل المثال، الميزة التي قد تكون قيمها حيوانية أو نباتية أو معدنية هي ميزة منفصلة discrete (أو فئوية categorical).
على النقيض من الميزة المستمرة (continuous feature).

نموذج (model) يتنبأ بالتسميات (labels) من مجموعة من المعالم (features) أو أكثر. بشكل أكثر رسمية، تحدد النماذج التمييزية الاحتمال الشرطي لمخرجات بالنظر إلى الميزات والأوزان (weights)؛ هذا هو:
p(output | features, weights)
على سبيل المثال، النموذج الذي يتنبأ بما إذا كانت رسالة البريد الإلكتروني هي بريد عشوائي من الميزات والأوزان هو نموذج تمييزي.
الغالبية العظمى من نماذج التعلم تحت الإشراف، بما في ذلك نماذج التصنيف والانحدار، هي نماذج تمييزية.
على النقيض من النموذج التوليدي (generative model).

نظام يحدد ما إذا كانت الأمثلة حقيقية أم مزيفة.
بدلاً من ذلك، النظام الفرعي داخل شبكة الخصومة التوليدية (generative adversarial network (GAN)) يحدد ما إذا كانت الأمثلة التي تم إنشاؤها بواسطة المولد (generator) حقيقية أم مزيفة.

مجال من مجالات الذكاء الاصطناعي يركز على حل المشكلات باسـتخدام عمليـات منسـقة ومتزامنـة. ويُطلـق عليـه أيًضًـا "ذكاء اصطناعي لامركزي."

نظـام مـوَّزَّع يتضمـن عـدة مُكوِّنـات برمجيـة تعمـل كنظـام واحـد فـي عـدة أجهـزة حاسـب.

انظر التكتلات الهرمية (hierarchical clustering).

مجـال فرعـي مـن مجـالات تعلُّـم الآلـة يهـدف إلـى تطبيـق خوارزميـة سـبق تدريبهـا فـي مجـال معيـن علـى مجـال آخـر مختلـف، ولكـن لـه ارتبـاط بالمجـال الأول.

هو الشخص الذي يمتلك معرفة عميقة وتخصصية في قطاع محدد (مثل الطب، القانون، الهندسة النفطية، أو الشؤون المالية) بعيداً عن علوم الحاسوب البحتة. في سياق الذكاء الاصطناعي، يعمل خبير المجال كمرجع لتحديد "المشكلة الصحيحة" المطلوب حلها، وتفسير النتائج التي تخرج بها النماذج للتأكد من منطقيتها العلمية. هو المسؤول عن تحديد "الميزات" (Features) الجوهرية التي يجب أن يركز عليها النموذج، وبدونه قد يقع عالم البيانات في فخ "الارتباط الزائف" (Spurious Correlation)، حيث يجد النموذج علاقة إحصائية قوية بين متغيرين لا علاقة لهما ببعضهما في الواقع العملي.

انظر "Autonomous Vehicle"

مصطلح الاختزال (Downsampling) أن يعني أيًا مما يلي:
• تقليل كمية المعلومات في الميزة (feature) لتدريب (train) نموذج بشكل أكثر كفاءة. على سبيل المثال، قبل تدريب نموذج التعرف على الصور، اختزل الصور عالية الدقة إلى تنسيق أقل دقة.
• التدريب على نسبة منخفضة بشكل غير متناسب من امثله الفئة (class) ذات التمثيل الزائد من أجل تحسين التدريب النموذجي في الفئات ذات التمثيل المنخفض. على سبيل المثال، في مجموعة بيانات غير متوازنة في الفئة، تميل النماذج إلى تعلم الكثير عن فئة الأغلبية (majority class) وليس ما يكفي عن فئة الأقلية (minority class). يساعد الاختزال في تحقيق التوازن بين مقدار التدريب على فئتي الأغلبية والأقلية.

اختصار لـشبكة Q العميقة (Deep Q-Network).

التسرب (الحذف العشوائي) هو تقنية يتم فيها تجاهل الخلايا العصبية المختارة عشوائيًا أثناء التدريب. هم "تسربوا" بشكل عشوائي. هذا يعني أن مساهمتها في تنشيط الخلايا العصبية المصب يتم إزالتها مؤقتًا عند المرور الأمامي (forward pass)، ولا يتم تطبيق أي تحديثات للوزن على الخلايا العصبية الموجودة في المرور الخلفي (backward pass).

شكل من أشكال التنظيم (regularization) مفيد في تدريب الشبكات العصبية (neural networks). يزيل تنظيم التسرب تحديدًا عشوائيًا لعدد ثابت من الوحدات في طبقة الشبكة لخطوة واحدة من التدرج الاشتقاقي (gradient descent). وكلما زاد عدد الوحدات المسربة، كان التنظيم أقوى. هذا مشابه لتدريب الشبكة لمحاكاة مجموعة كبيرة بشكل كبير من الشبكات الأصغر.

المتغير الوهمي هو اسم آخر للمتغير المنطقي. مثال على المتغير الوهمي هو أنه يأخذ القيمة 0 أو 1. 0 يعني أن القيمة صحيحة (أي العمر = 25).

شيء يتم القيام به بشكل متكرر أو مستمر. المصطلحان ديناميكي (dynamic) واونلاين (online) مترادفان في التعلم الآلي. فيما يلي الاستخدامات الشائعة للديناميكية والاونلاين في التعلم الآلي:
• النموذج الديناميكي dynamic model (أو النموذج الاونلاين online model) هو نموذج يتم إعادة تدريبه بشكل متكرر أو مستمر.
• التدريب الديناميكي Dynamic training (أو التدريب الاونلاين online training) هو عملية التدريب بشكل متكرر أو مستمر.
• الاستدلال الديناميكي Dynamic inference (أو الاستدلال الاونلاين online inference) هو عملية توليد التنبؤات عند الطلب.

نموذج (model) يتم إعادة تدريبه بشكل متكرر (ربما بشكل مستمر). النموذج الديناميكي هو "المتعلم مدى الحياة lifelong learner " الذي يتكيف باستمرار مع البيانات المتطورة. يُعرف النموذج الديناميكي أيضًا بالنموذج الاونلاين (online model).
على النقيض من النموذج الثابت (static model).

طريقة للتنظيم (regularization) تتضمن إنهاء التدريب قبل أن ينتهي خطأ التدريب في التناقص. في التوقف المبكر، تتوقف عمدًا عن تدريب النموذج عندما يبدأ الخطأ في مجموعة بيانات التحقق (validation dataset) في الزيادة؛ أي عندما يسوء أداء التعميم (generalization).

طريقـة حوسـبية تُنفَّـذ فيهـا عمليـات الحوسـبة فـي طـرف الشـبكة، مثـل: أجهـزة استشـعار إنترنـت الأشـياء أو الأجهـزة المحليـة، بـدلاً مـن مراكـز البيانـات.

يعد اكتشاف الحواف تقنية لمعالجة الصور لإيجاد حدود الكائنات داخل الصور. إنه يعمل عن طريق الكشف عن الانقطاعات في السطوع. يُستخدم اكتشاف الحواف لتجزئة الصور واستخراج البيانات في مجالات مثل معالجة الصور والرؤية الحاسوبية (computer vision) ورؤية الآلة.

القيم الذاتية هي مجموعة خاصة من القيم العددية المرتبطة بمجموعة المعادلات الخطية على الأرجح في معادلات المصفوفة. يُطلق على المتجهات الذاتية (eigenvectors) أيضًا جذور مميزة. إنه متجه غير صفري يمكن تغييره على الأكثر من خلال عامله القياسي بعد تطبيق التحويلات الخطية.

القيم الذاتية هي مجموعة خاصة من القيم العددية المرتبطة بمجموعة المعادلات الخطية على الأرجح في معادلات المصفوفة. يُطلق على المتجهات الذاتية (eigenvectors) أيضًا جذور مميزة. إنه متجه غير صفري يمكن تغييره على الأكثر من خلال عامله القياسي بعد تطبيق التحويلات الخطية.

طبقة مخفية (hidden layer) خاصة تتدرب على ميزة فئوية (categorical feature) عالية الأبعاد لتتعلم تدريجياً متجه تضمين بُعد أقل. تمكّن طبقة التضمين الشبكة العصبية من التدريب بكفاءة أكبر بكثير من التدريب فقط على الميزة الفئوية عالية الأبعاد.
على سبيل المثال، تدعم الأرض حاليًا حوالي 73000 نوع من الأشجار. افترض أن أنواع الأشجار هي ميزة في نموذجك، لذا تتضمن طبقة الإدخال في نموذجك متجهًا واحدًا ساخنًا (one-hot vector) بطول 73000 عنصر.
في حالات معينة، تعد التجزئة (hashing) بديلاً معقولاً لطبقة التضمين.

المتجه العددي نفسه الذي يمثل نصًا أو صورة أو صوتًا

وكيل يتفاعل مع بيئة عبر جسم مادي أو افتراضي.

مجــال يركــز علــى دمــج قــدرات الــذكاء الاصطناعــي فــي الروبوتــات وتمكينهــا مــن التعلُّــم عــن طريــق التفاعــل مــع البيئــة المحيطــة.

مجـال يهـدف إلـى دراسـة آليـات تطويـر العمليـات الإدراكيـة ،وتأكيـد دور التفاعـل مـع البيئـة.

انظر "Affective Computing".

التعرف على المشاعر هو عملية التعرف على المشاعر البشرية. يختلف الناس بشكل كبير في دقتهم في التعرف على مشاعر الآخرين. يعد استخدام التكنولوجيا لمساعدة الأشخاص في التعرف على المشاعر مجال بحث حديث العهد نسبيًا. بشكل عام، تعمل التقنية بشكل أفضل إذا كانت تستخدم طرائق متعددة في السياق.

إنه مبدأ في نظرية التعلم الإحصائي الذي يعرف عائلة خوارزميات التعلم وتستخدم لإعطاء حدود نظرية على أدائها.

بشكل عام، أي نظام تعلم آلي (machine learning) يتحول من تمثيل خام أو متناثر أو خارجي إلى تمثيل داخلي أكثر معالجة أو كثافة أو أكثر.
غالبًا ما تكون المشفرات أحد مكونات نموذج أكبر، حيث يتم إقرانها في كثير من الأحيان مع مفككات الشفرة (decoders). تقوم بعض المحولات (transformers) بإقران المشفرات مع مفككات الشفرة، على الرغم من أن المحولات الأخرى تستخدم فقط المشفر أو مفكك الشفرة فقط.
تستخدم بعض الأنظمة إخراج المشفر كمدخل إلى شبكة تصنيف أو انحدار.
في مهام التسلسل إلى التسلسل (sequence-to-sequence tasks)، يأخذ المشفر تسلسل إدخال ويعيد حالة داخلية (متجه). بعد ذلك، يستخدم مفكك الشفرة تلك الحالة الداخلية للتنبؤ بالتسلسل التالي.
راجع المحولات (Transformer) لتعريف المشفر في بُنية المحولات.

مجموعة من النماذج (models) المدربة بشكل مستقل والتي يتم حساب متوسط أو تجميع تنبؤاتها. في كثير من الحالات، تنتج المجموعة تنبؤات أفضل من نموذج واحد. على سبيل المثال، الغابة العشوائية (random forest) هي مجموعة مبنية من عدة أشجار قرار (description trees). لاحظ أنه ليست كل غابات القرار (decision forests) عبارة عن تجمعات (Ensembles).

Ensemble Learning هو أسلوب في التعلم الآلي يعتمد على دمج عدة نماذج معًا بدل استخدام نموذج واحد فقط، وذلك لتحسين دقة التنبؤ وزيادة استقرار الأداء. تقوم الفكرة على أن كل نموذج قد يلتقط جانبًا مختلفًا من البيانات، وعند جمع مخرجات هذه النماذج بطريقة مثل التصويت أو المتوسط أو التعلم المتتابع، تكون النتيجة النهائية غالبًا أفضل وأكثر موثوقية من نتيجة أي نموذج منفرد. ومن أشهر أمثلته Random Forest وXGBoost، لذلك يُعد هذا الأسلوب من التقنيات المهمة في بناء الأنظمة الذكية عالية الكفاءة.

شيء مادي أو غير مادي يمكن التعرُّف عليه وتمييزه بوضوح.

عمليـة تحديـد الكيانـات واسـتخراجها ووسْـمها فـي النـص لمسـاعدة الآلـة علـى فهـم الجمـل غيـر المهيكلـة.

في نظرية المعلومات (information theory)، وصف لمدى عدم إمكانية التنبؤ بتوزيع الاحتمالات. بدلاً من ذلك، يتم تعريف الانتروبيا أيضًا على أنها مقدار المعلومات التي يحتوي عليها كل مثال. يحتوي التوزيع على أعلى إنتروبيا ممكنة عندما تكون جميع قيم المتغير العشوائي متساوية في الاحتمال.
إنتروبيا مجموعة ذات قيمتين محتملتين "0" و "1" (على سبيل المثال، التسميات في مشكلة تصنيف ثنائي (binary classification)) لها الصيغة التالية:
H = -p log p - q log q = -p log p - (1-p) * log (1-p)
حيث:
• H هو الانتروبيا.
• p هو جزء من الأمثلة "1".
• q هو جزء من "0" أمثلة. لاحظ أن q = (1 - p)
• log بشكل عام هو log2. في هذه الحالة، تكون وحدة الإنتروبيا قليلة.
على سبيل المثال، افترض ما يلي:
• يحتوي 100 مثال على القيمة "1"
• 300 مثال تحتوي على القيمة "0"
لذلك، فإن قيمة الانتروبيا هي:
• p = 0.25
• q = 0.75
• H = (-0.25)log2(0.25) - (0.75)log2(0.75) = 0.81 بت لكل مثال
المجموعة المتوازنة تمامًا (على سبيل المثال، 200 "0" ثانية و200 "1" ثانية) سيكون لها إنتروبيا 1.0 بت لكل مثال. عندما تصبح المجموعة غير متوازنة (imbalanced) أكثر، تتحرك الانتروبيا نحو 0.0.
في أشجار القرار (decision trees)، تساعد الأنتروبيا في تكوين اكتساب المعلومات (information gain) لمساعدة المُقسِّم (splitter) على تحديد الشروط (conditions) أثناء نمو شجرة قرار التصنيف.
قارن الانتروبيا بـ:
• gini impurity.
• دالة خطأ cross-entropy.
غالبًا ما يُطلق على الانتروبيا اسم إنتروبيا شانون (Shannon's entropy).

في التعلم المعزز (reinforcement learning)، العالم الذي يحتوي على الوكيل (agent) ويسمح له بمراقبة حالة (state) هذا العالم. على سبيل المثال، يمكن أن يكون العالم الممثل لعبة مثل الشطرنج، أو عالمًا ماديًا مثل المتاهة. عندما يطبق الوكيل إجراءً (action) على البيئة، فإن البيئة تنتقل بين الحالات.

في التعلم المعزز (reinforcement learning)، كل من المحاولات المتكررة من قبل الوكيل لتعلم بيئة.

تمريرة تدريب كاملة على مجموعة التدريب بأكملها بحيث تمت معالجة كل مثال مرة واحدة.
تمثل الحقبة تكرارات التدريب بتقسيم N على حجم الدفعة (batch size)، حيث N هو العدد الإجمالي للأمثلة.
على سبيل المثال، افترض ما يلي:
• تتكون مجموعة البيانات من 1000 مثال.
• حجم الدُفعة هو 50 مثالاً.
لذلك، تتطلب الحقبة الواحدة 20 تكرارًا:
1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

في التعلم المعزز (reinforcement learning)، وهي سياسة إما تتبع سياسة عشوائية (random policy) مع احتمال إبسيلون أو سياسة الجشع (greedy policy) خلاف ذلك. على سبيل المثال، إذا كانت قيمة ابسليون تساوي 0.9، فإن السياسة تتبع سياسة عشوائية بنسبة 90٪ من الوقت وسياسة جشع بنسبة 10٪ من الوقت.
على مدار الحلقات المتتالية، تقلل الخوارزمية من قيمة إبسيلون من أجل التحول من اتباع سياسة عشوائية إلى اتباع سياسة الجشع. من خلال تغيير السياسة، يستكشف الوكيل أولاً بشكل عشوائي البيئة ثم يستغل نتائج الاستكشاف العشوائي بجشع.

نـوع مـن التعلُّـم يسـتخدم فيـه الوكيـل معلومـات حـول الاختلاف بين السلوك الحالي والمستهدف لتعديل سلوكه.

معادلة في تعلُّم الآلة تُستخدم لاختيار أفضل نموذج بيانات بناءً على المشاهدات الحقيقية.

الغرض من مقياس التقييم هو قياس جودة نموذج التعلم الإحصائي / الآلي. على سبيل المثال، فيما يلي بعض مقاييس التقييم:
1. AUC
2. ROC score
3. F-Score
4. Log-Loss

خوارزميـة مسـتوحاة مـن التطـور الطبيعـي لتقديـم حلـول لمشـكلات البحـث والتحسـين.

انظر "Evolutionary Algorithm "

قيم صف واحد من المعالم (features) وربما تسمية (label). تنقسم الأمثلة في التعلم الخاضع للإشراف (supervised learning) إلى فئتين عامتين:
• يتكون المثال المسمى (labeled example) من واحد أو أكثر من المعالم والتسمية. تستخدم الأمثلة المصنفة أثناء التدريب.
• يتكون المثال غير المصنف (unlabeled example) من ميزة واحدة أو أكثر ولكن بدون تسمية. تستخدم الأمثلة غير المصنفة أثناء الاستدلال.

في التعلم المعزز (reinforcement learning)، تستخدم تقنية (DQN) لتقليل الارتباطات الزمنية في بيانات التدريب. يخزن الوكيل (agent) انتقالات الحالة في مخزن مؤقت للإعادة (replay buffer)، ثم يأخذ عينات من الانتقالات من المخزن المؤقت للإعادة لإنشاء بيانات التدريب.

انظر تحيز التأكيد (confirmation bias).

نظام حاسب يحاكي قدرة الخبير البشري على اتخاذ القرارات فـي مجـال معيـن بنـاءً علـى قاعـدة معرفـة تتضمـن حقائـق وقواعد.

القدرة على شرح العوامل المهمة التي تؤثر في نتائج نظام الذكاء الاصطناعي بعبارات مفهومة للإنسان. ويُطلق عليها أيًضًا "ذكاء اصطناعي قابل للتفسير."

مؤشر أو مقياس يُستخدم لتقدير مدى فهم الإنسان لقرارات النموذج أو قابلية تفسيرها. لا يوجد معيار وحيد له، لكنه مهم في تقييم حلول XAI.

انظر "Explainability"

الميل إلى التدرجات (gradients) في الشبكات العصبية العميقة (deep neural networks) (خاصة الشبكات العصبية المتكررة (recurrent neural networks)) لتصبح شديدة الانحدار (عالية) بشكل مدهش. غالبًا ما تسبب التدرجات الحادة تحديثات كبيرة جدًا لأوزان (weights) كل عقدة (node) في شبكة عصبية عميقة.
تصبح النماذج التي تعاني من مشكلة انفجار التدرج صعبة أو مستحيلة التدريب. يمكن أن يؤدي قص التدرج (Gradient clipping) إلى تخفيف هذه المشكلة.
قارن مع مشكلة تلاشي التدرج (vanishing gradient problem).

تحليل البيانات الاستكشافية (EDA)
تحليل البيانات الاستكشافية (EDA) هي مرحلة تستخدم لخط أنابيب علوم البيانات حيث يكون التركيز على فهم رؤى البيانات من خلال الرسم أو عن طريق التحليل الإحصائي
خطوات المشاركة في تحليل البيانات الاستكشافية (EDA) هي:
1. تعريف المتغير في هذه الخطوة، نحدد نوع البيانات وفئة المتغيرات.
2. تحليل أحادي المتغير (Univariate analysis).
3. تحليل متعدد المتغيرات (Multivariate analysis).

توزيع احتمالي يقيس الوقت بين الأحداث.

دمج الذكاء الاصطناعي مع تقنية الواقع الافتراضي والمعزز والمختلط لإضافة إمكانات متقدمة.

يجمع مقياس التقييم درجة F بين الدقة (precision) والاسترجاع (recall) كمقياس لفعالية التصنيف. يتم حسابه من حيث نسبة الأهمية الموزونة على الاسترجاع أو الدقة كما هو محدد بواسطة معامل β. ويسمى أيضا (F measure).
F measure = 2 x (Recall × Precision) / ( β² × Recall + Precision )

مقيـاس لدقـة النمـوذج فـي التصنيـف الثنائـي عـن طريـق حسـاب المتوسـط التوافقـي للإحـكام والاسـتدعاء.

نظـام حاسوب قـادر علـى التعـرُّف علـى شـخص مـن صـورة أو فيديـو.

انظر "False Positive Rate "

مثال يتنبأ فيه النموذج بطريق الخطأ بالفئة السلبية (negative class). على سبيل المثال، يتنبأ النموذج بأن رسالة بريد إلكتروني معينة ليست بريدًا عشوائيًا (الفئة السلبية)، ولكن رسالة البريد الإلكتروني هذه هي في الواقع بريد عشوائي.

نسبة الأمثلة الإيجابية الفعلية التي تنبأ بها النموذج عن طريق الخطأ بالفئة السلبية(negative class).

مثال يتنبأ فيه النموذج عن طريق الخطأ بالفئة الإيجابية (positive class). على سبيل المثال، يتنبأ النموذج بأن رسالة بريد إلكتروني معينة هي بريد عشوائي (الفئة الإيجابية)، لكن رسالة البريد الإلكتروني هذه ليست في الواقع بريدًا عشوائيًا.

المعدل الإيجابي الخاطئ (FPR).
المعدل الإيجابي الخاطئ هو المحور x في منحنى ROC (ROC curve).

قـدرة النظـام علـى الاسـتمرار فـي أداء الوظيفـة المطلوبـة حتـى مـع وجـود أخطـاء.

متغير إدخال لنموذج التعلم الآلي. يتكون المثال (example) من ميزة واحدة أو أكثر. على سبيل المثال، افترض أنك تقوم بتدريب نموذج لتحديد تأثير الظروف الجوية على درجات اختبار الطالب.
على النقيض من التسمية (label).

ميزة تركيبية (synthetic feature) تتشكل من خلال "تقاطع" السمات الفئوية (categorical) أو المجمعة (bucketed).
على سبيل المثال، ضع في اعتبارك نموذج "التنبؤ بالحالة المزاجية" الذي يمثل درجة الحرارة في أحد المجموعات الأربعة التالية:
• freezing
• chilly
• temperate
• warm
ويمثل سرعة الرياح في أحد المجموعات التالية:
• still
• light
• windy
بدون ميزات متقاطعة، يتدرب النموذج الخطي بشكل مستقل على كل من المجموعات السبع المختلفة السابقة. لذلك، يتدرب النموذج، على سبيل المثال، على freezing بشكل مستقل عن التدريب، على سبيل المثال، windy.
بدلاً من ذلك، يمكنك إنشاء ميزة متقاطعة لدرجة الحرارة وسرعة الرياح. ستحتوي هذه الميزة التركيبية على القيم المحتملة الـ 12 التالية:
• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy
بفضل الميزات المتقاطعة، يمكن للنموذج معرفة الاختلافات المزاجية بين يوم freezing-windy ويوم freezing-still.
إذا قمت بإنشاء ميزة تركيبية من ميزتين يحتوي كل منهما على الكثير من المجموعات المختلفة، فستحتوي الميزة المتقاطعة الناتج على عدد كبير من التركيبات الممكنة. على سبيل المثال، إذا كانت إحدى الميزات تحتوي على 1000 مجموعة والميزة الأخرى بها 2000 مجموعة، فإن الميزة المتقاطعة الناتج يحتوي على 2000000 مجموعة.
بشكل رسمي، التقاطع (cross) هو ضرب ديكارتي (Cartesian product).
تُستخدم الميزات المتقاطعة في الغالب مع النماذج الخطية ونادرًا ما تُستخدم مع الشبكات العصبية.

انظر "Convolutional Filter"

عملية تتضمن الخطوات التالية:
1. تحديد الميزات (features) التي قد تكون مفيدة في تدريب النموذج.
2. تحويل البيانات الأولية من مجموعة البيانات إلى إصدارات فعالة من تلك الميزات.
على سبيل المثال، قد تحدد أن درجة الحرارة قد تكون ميزة مفيدة. بعد ذلك، يمكنك تجربة استخدام (bucketing)لتحسين ما يمكن أن يتعلمه النموذج من نطاقات درجات الحرارة المختلفة.

تسمى هندسة الميزات أحيانًا استخراج الميزات (feature extraction).

مصطلح مثقل به أي من التعريفين التاليين:
• استرداد تمثيلات الميزات الوسيطة المحسوبة بواسطة نموذج غير خاضع للإشراف (unsupervised) أو تم اختباره مسبقًا (على سبيل المثال، قيم الطبقة المخفية (hidden layer) في شبكة عصبية) لاستخدامها في نموذج آخر كمدخلات.
• مرادف لهندسة الميزات (feature engineering).

مرادف لأهمية المتغيرات (variable importance).

خريطة الميزات هي مصفوفة ثنائية الأبعاد من الخلايا العصبية. تستقبل الطبقة التلافيفية (convolutional layer) كتلة من خرائط ميزات الإدخال وتقوم بإنشاء كتلة من خرائط ميزات المخرجات.

تقليل الميزات هو عملية تقليل عدد الميزات للعمل على مهمة حسابية مكثفة دون فقدان الكثير من المعلومات.
تعد تقنية تحليل المكونات الرئيسية (PCA) واحدة من أكثر تقنيات تقليل الميزات شيوعًا، حيث نقوم بدمج المتغيرات المترابطة لتقليل الميزات.

طريقة لتغيير نطاق قيم خاصية لمطابقة نطاق الميزات الأخرى في مجموعة البيانات.

اختيار الميزة هو عملية تحديد الميزات ذات الصلة من مجموعة بيانات لإنشاء نموذج التعلم الآلي.

مجموعة الميزات (features) التي يتم تدريب نموذج (model) التعلم الآلي عليها. على سبيل المثال، قد يشتمل الرمز البريدي وحجم العقار وحالة العقار على مجموعة ميزات بسيطة لنموذج يتنبأ بأسعار المساكن.

مجموعة من الخصائص ذات الصلة بميزات معينة لشـيء ،أو حدث قيد الدراسـة.

مصفوفة قيم السمة (feature) تشتمل على مثال (example). يتم إدخال متجه الميزة أثناء التدريب (training) وأثناء الاستدلال (inference). على سبيل المثال، قد يكون متجه الميزة لنموذج بميزتين منفصلتين:
[0.92, 0.56]

يوفر كل مثال قيمًا مختلفة لمتجه الميزة، لذلك يمكن أن يكون متجه الميزة للمثال التالي شيئًا مثل:
[0.73, 0.49]
تحدد هندسة الميزات (Feature engineering) كيفية تمثيل الميزات في متجه الميزات. على سبيل المثال، قد يتم تمثيل ميزة فئوية ثنائية بخمس قيم محتملة بترميز واحد ساخن (one-hot encoding). في هذه الحالة، سيتكون جزء متجه الميزة لمثال معين من أربعة أصفار و1.0 واحد في الموضع الثالث، على النحو التالي:
[0.0, 0.0, 1.0, 0.0, 0.0]
كمثال آخر، افترض أن نموذجك يتكون من ثلاث ميزات:
• ميزة فئوية ثنائية مع خمس قيم محتملة ممثلة بترميز واحد ساخن؛ على سبيل المثال: [0.0 ، 1.0 ، 0.0 ، 0.0 ، 0.0]
• ميزة فئوية ثنائية أخرى بثلاث قيم محتملة ممثلة بترميز واحد ساخن؛ على سبيل المثال: [0.0، 0.0، 1.0]
• ميزة النقطة العائمة؛ على سبيل المثال: 8.3.
في هذه الحالة، سيتم تمثيل متجه الميزة لكل مثال بتسع قيم. نظرًا لقيم المثال في القائمة السابقة، سيكون متجه الميزة:
0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

نهج التعلم الآلي الموزع الذي يدرب (trains) نماذج (models) التعلم الآلي باستخدام الأمثلة اللامركزية الموجودة على الأجهزة مثل الهواتف الذكية. في التعلم الموحد، تقوم مجموعة فرعية من الأجهزة بتنزيل النموذج الحالي من خادم تنسيق مركزي. تستخدم الأجهزة الأمثلة المخزنة على الأجهزة لإجراء تحسينات على النموذج. تقوم الأجهزة بعد ذلك بتحميل تحسينات النموذج (ولكن ليس أمثلة التدريب) إلى الخادم المنسق، حيث يتم تجميعها مع تحديثات أخرى لإنتاج نموذج عالمي محسن. بعد التجميع، لم تعد هناك حاجة لتحديثات النموذج المحسوبة بواسطة الأجهزة، ويمكن تجاهلها.
نظرًا لأنه لا يتم تحميل أمثلة التدريب مطلقًا، فإن التعلم الموحد يتبع مبادئ الخصوصية الخاصة بجمع البيانات المركزة وتقليل البيانات.

في التعلم الآلي، الموقف الذي تؤثر فيه تنبؤات النموذج على بيانات التدريب لنفس النموذج أو نموذج آخر. على سبيل المثال، سيؤثر النموذج الذي يوصي بالأفلام على الأفلام التي يشاهدها الأشخاص، والتي ستؤثر بعد ذلك على نماذج توصية الأفلام اللاحقة.

FNN هي نوع من الشبكات العصبية الاصطناعية التي تنتقل فيها المعلومات في اتجاه واحد فقط، من طبقة الإدخال (Input Layer) عبر الطبقات المخفية (Hidden Layers) وصولاً إلى طبقة المخرج (Output Layer)، دون وجود أي دورات أو حلقات رجعية (Loops). في هذه الشبكة، يتم ضرب المدخلات في أوزان (Weights)، وإضافة انحياز (Bias)، ثم تمرير النتيجة عبر "دالة تنشيط" (Activation Function) غير خطية لإنتاج المخرج. تُستخدم هذه المعمارية بشكل أساسي في مهام التصنيف والتنبؤ البسيط، وتعتمد في تدريبها على خوارزمية "الانتشار العكسي" لتعديل الأوزان بناءً على الخطأ المرصود عند المخرج النهائي.

شبكة عصبية بدون اتصالات دورية أو متكررة. على سبيل المثال، الشبكات العصبية العميقة (deep neural networks) التقليدية هي شبكات عصبية امامية التغذية. على النقيض من الشبكات العصبية المتكررة (recurrent neural networks) التي تكون دورية.

نهج التعلم الآلي، الذي يستخدم غالبًا لتصنيف الكائنات، مصمم لتدريب المصنفات الفعالة من عدد قليل فقط من أمثلة التدريب.
انظر أيضًا التعلم بلقطة واحدة (one-shot learning).

هي تقنية هندسة أوامر (Prompt Engineering) تعتمد على تزويد النموذج اللغوي بعدد قليل من الأمثلة التوضيحية (غالباً من 2 إلى 5 أمثلة) داخل سياق الأمر (Context) قبل طلب الإجابة على المهمة المطلوبة. تهدف هذه العملية إلى استغلال قدرة النموذج على "التعلم داخل السياق" (In-Context Learning) لفهم النمط المطلوب، سواء كان ذلك في صياغة المخرجات، أو اتباع أسلوب لغوي معين، أو حل مسألة منطقية معقدة. رياضياً، لا تقوم هذه التقنية بتغيير أوزان النموذج الثابتة، بل تقوم بتوجيه مسار "الانتباه" (Attention) نحو الأنماط المذكورة في الأمثلة لإنتاج مخرج متوافق معها بدقة عالية.

هو التابع او المصفوفة التي تستخدم في عملية الالتفاف (convolution operation) مع مصفوفة الادخال. يتم تمثيل الفلتر (المرشح) بواسطة متجه للأوزان نقوم بلف المدخلات. تعمل كل طبقة شبكة كمرشح لوجود ميزات أو أنماط محددة موجودة في الصورة الأصلية. لاكتشاف مرشح، من غير المناسب مكان وجود هذه الميزة أو النمط المحدد في الصورة الأصلية. تم تصميم هذه المرشحات خصيصًا لاكتشاف ما إذا كانت الصورة تحتوي على أي من هذه الخصائص أم لا. يتم إزاحة هذا المرشح عدة مرات ويتم تطبيقه في مواضع مختلفة للصورة حتى تتم تغطية الصورة بأكملها بالتفصيل.

إجراء تحسين ثانوي لضبط معلمات نموذج (model) تم تدريبه بالفعل ليناسب مشكلة جديدة. غالبًا ما يشير الضبط الدقيق إلى إعادة ضبط أوزان نموذج مدرب غير خاضع للإشراف (unsupervised) إلى نموذج خاضع للإشراف (supervised).

تُستخدم الطبقة المسطحة (flatten year) لجعل الإدخال متعدد الأبعاد أحادي البعد، ويشيع استخدامه في الانتقال من طبقة الالتفاف (convolution layer) إلى الطبقة المتصلة بالكامل (full connected layer).

بوت محادثة قائم على قواعد، ويشتمل على سلسلة من المحادثات المعدة مسبقًا. ويُطلق عليه أيًضًا "بوت محادثة قائم على قواعد"، أو "بوت محادثة قائم على كلمات مفتاحية."

جزء من خلية الذاكرة طويلة قصيرة المدى (Long Short-Term Memory(LSTM)) التي تنظم تدفق المعلومات عبر الخلية. بوابة النسيان تحافظ على السياق من خلال تحديد المعلومات التي يجب تجاهلها من حالة الخلية.

طريقـة اسـتدلال منطقـي يبـدأ بالحقائـق المعروفـة ويطبـق القواعد بطريقة تكرارية للحصول على حقائق ونتائج جديدة.

الانتشار الأمامي هو طريقة الانتقال من طبقة الإدخال (يسارًا) إلى طبقة الإخراج (يمينًا) في الشبكة العصبية. تسمى عملية الانتقال من اليمين إلى اليسار، أي للخلف من المخرجات إلى طبقة الإدخال، بالانتشار الخلفي (backward propagation).

انظر "Transposed Convolution"

بُنيـة بيانـات تُمثِّـل الحـالات النمطيـة لتقسـيم المعرفـة إلـى بُنـى فرعيـة.

ذكاء اصطناعـي عـام افتراضـي يدعم القيم الإنسـانية وله أثر إيجابي في البشـرية.

مرادف لـ softmax.
على النقيض من أخذ العينات المرشح (candidate sampling).

طبقة مخفية (hidden layer) تتصل فيها كل عقدة (node) بكل عقدة في الطبقة المخفية اللاحقة.
تُعرف الطبقة المتصلة بالكامل أيضًا بطبقة كثيفة (dense layer).

نوع من أنواع النُظُم المنطقية يُتيح التعبير بطريقة موسعة عـن البيانـات المنطقيـة عن طريق توفيـر تمييز متعدد القيم بين الصواب والخطأ.

فـرع مـن فـروع النمذجـة الرياضيـة يهتـم بدراسـة الصـراع والتعـاون بيـن صنـاع القـرار العقلانييـن.

تعد وحدة البوابات المتكررة (GRU) جزءًا من نموذج محدد للشبكة العصبية المتكررة (recurrent neural network) التي تهدف إلى استخدام الاتصالات من خلال سلسلة من العقد لأداء مهام التعلم الآلي المرتبطة بالذاكرة والتكتل. لها مزايا تفوق الذاكرة طويلة قصيرة المدى (LSTM). تستخدم GRU ذاكرة أقل وأسرع من LSTM، ومع ذلك، فإن LSTM أكثر دقة عند استخدام مجموعات البيانات ذات التسلسلات الأطول.

انظر "Normal Distribution"

قدرة النموذج على عمل تنبؤات صحيحة على بيانات جديدة غير مرئية من قبل. النموذج الذي يمكن أن يعمم هو عكس النموذج الذي يعاني من الضبط الزائد(overfitting).
تقوم بتدريب نموذج على الأمثلة الموجودة في مجموعة التدريب. وبالتالي، يتعلم النموذج خصائص البيانات في مجموعة التدريب. يسأل التعميم بشكل أساسي عما إذا كان نموذجك يمكنه عمل تنبؤات جيدة بشأن الأمثلة غير الموجودة في مجموعة التدريب.
لتشجيع التعميم، يساعد التنظيم (regularization) النموذج على تدريب النموذج بشكل أقل دقة على خصوصيات البيانات في مجموعة التدريب.

رسم بياني لكل من خطأ التدريب (training loss) وخطأ التحقق من الصحة (validation loss) كدالة لعدد التكرارات (iterations).
يمكن أن يساعدك منحنى التعميم في اكتشاف الضبط الزائد (overfitting) المحتمل. على سبيل المثال، يشير منحنى التعميم التالي إلى الضبط الزائد لأن خطأ التحقق من الصحة يصبح في النهاية أعلى بكثير من خطأ التدريب.

تعميم لنماذج انحدار المربعات الصغرى (least squares regression)، والتي تعتمد على الضوضاء الغاوسية (Gaussian noise)، على أنواع أخرى من النماذج بناءً على أنواع أخرى من الضوضاء، مثل ضوضاء بواسون (Poisson noise) أو الضوضاء الفئوية. تتضمن أمثلة النماذج الخطية المعممة ما يلي:
• الانحدار اللوجستي (logistic regression).
• الانحدار متعدد الطبقات (multi-class regression).
• انحدار المربعات الأقل (least squares regression).
يمكن العثور على معلمات النموذج الخطي المعمم من خلال التحسين المحدب (convex optimization).
تعرض النماذج الخطية المعممة الخصائص التالية:
• متوسط التنبؤ لنموذج انحدار المربعات الصغرى الأمثل يساوي متوسط التسمية في بيانات التدريب.
• متوسط الاحتمال الذي تنبأ به نموذج الانحدار اللوجستي الأمثل يساوي متوسط التسمية في بيانات التدريب.
إن قوة النموذج الخطي المعمم محدودة بميزاته. على عكس النموذج العميق، لا يمكن للنموذج الخطي المعمم "تعلم ميزات جديدة".

تعميم لنماذج انحدار المربعات الصغرى (least squares regression)، والتي تعتمد على الضوضاء الغاوسية (Gaussian noise)، على أنواع أخرى من النماذج بناءً على أنواع أخرى من الضوضاء، مثل ضوضاء بواسون (Poisson noise) أو الضوضاء الفئوية. تتضمن أمثلة النماذج الخطية المعممة ما يلي:
• الانحدار اللوجستي (logistic regression).
• الانحدار متعدد الطبقات (multi-class regression).
• انحدار المربعات الأقل (least squares regression).
يمكن العثور على معلمات النموذج الخطي المعمم من خلال التحسين المحدب (convex optimization).
تعرض النماذج الخطية المعممة الخصائص التالية:
• متوسط التنبؤ لنموذج انحدار المربعات الصغرى الأمثل يساوي متوسط التسمية في بيانات التدريب.
• متوسط الاحتمال الذي تنبأ به نموذج الانحدار اللوجستي الأمثل يساوي متوسط التسمية في بيانات التدريب.
إن قوة النموذج الخطي المعمم محدودة بميزاته. على عكس النموذج العميق، لا يمكن للنموذج الخطي المعمم "تعلم ميزات جديدة".

نظام لإنشاء بيانات جديدة يقوم فيها المولد (generator) بإنشاء بيانات ويحدد المميز (discriminator) ما إذا كانت البيانات التي تم إنشاؤها صالحة أم غير صالحة.

نماذج قادرة على إنشاء محتوى جديد مثل النصوص والصور والصوت والكود.

من الناحية العملية، نموذج يقوم بأي مما يلي:
• ينشئ (يولد) أمثلة جديدة من مجموعة بيانات التدريب. على سبيل المثال، يمكن للنموذج التوليدي إنشاء الشعر بعد التدريب على مجموعة بيانات من القصائد. يندرج جزء المولد (generator) لشبكة الخصومة التوليدية (generative adversarial network(GAN)) في هذه الفئة.
• يحدد احتمال أن يأتي مثال جديد من مجموعة التدريب، أو أنه تم إنشاؤه من نفس الآلية التي أنشأت مجموعة التدريب. على سبيل المثال، بعد التدريب على مجموعة بيانات تتكون من جمل إنجليزية، يمكن للنموذج التوليدي تحديد احتمال أن يكون الإدخال الجديد جملة إنجليزية صالحة.
يمكن للنموذج التوليدي أن يميز نظريًا توزيع الأمثلة أو ميزات معينة في مجموعة البيانات. هذا هو:
p(examples)
تعد نماذج التعلم غير الخاضعة للإشراف منتجة.
على النقيض من النماذج التمييزية (discriminative models).

عائلة من نماذج اللغات الكبيرة المستندة إلى المحولات (Transformer) والتي طورتها شركة OpenAI.
يمكن أن تنطبق متغيرات GPT على طرائق متعددة، بما في ذلك:
• توليد الصور (على سبيل المثال، ImageGPT)
• إنشاء نص إلى صورة (على سبيل المثال، DALL-E).

النظام الفرعي ضمن شبكة خصومة توليدية (generative adversarial network) تخلق أمثلة (examples) جديدة.
على النقيض من النموذج التمييزي (discriminative model).

نوع من الخوارزميات التطورية الذي يستخدم مبادئ الانتقاء الطبيعي لإيجاد حلول مناسبة لمشكلات التحسين.

توزيـع احتمالـي يوضـح عـدد التجـارب اللازمـة لتحقيـق أول نجـاح فـي تجربـة برنولـي.

مقياس مشابه للإنتروبيا (entropy). تستخدم المقسمات (Splitters) قيمًا مشتقة من شوائب جيني أو إنتروبيا لتكوين شروط لأشجار قرار (decision trees) التصنيف. اكتساب المعلومات (Information gain) مشتق من الانتروبيا. لا يوجد مصطلح مكافئ مقبول عالميًا للمقياس المشتق من شوائب جيني؛ ومع ذلك، فإن هذا المقياس غير المسمى لا يقل أهمية عن اكتساب المعلومات.
تسمى شوائب جيني أيضًا بمؤشر جيني (gini index)، أو ببساطة جيني (gini).

يصف مدى ملاءمة نموذج ما مدى ملاءمته لمجموعة من المشاهدات (observations). عادةً ما تلخص مقاييس جودة الملاءمة التناقض بين القيم المرصودة (observed values) والقيم المتوقعة (expected values) في ظل النموذج.

GoogLeNet عبارة عن شبكة عصبية تلافيفية (convolutional neural network) يبلغ عمقها 22 طبقة. يمكنك تحميل نسخة محددة مسبقًا من الشبكة المدربة على مجموعات بيانات ImageNet أو Places365. تصنف الشبكة المدربة على ImageNet الصور إلى 1000 فئة كائن، مثل لوحة المفاتيح والماوس والقلم الرصاص والعديد من الحيوانات.

متجه المشتقات الجزئية (partial derivatives) بالنسبة لجميع المتغيرات المستقلة. في التعلم الآلي، التدرج الاشتقاقي هو متجه المشتقات الجزئية لدالة النموذج. يشير التدرج إلى اتجاه الصعود الأكثر انحدارًا.

نوع من غابة القرار (decision forest) حيث:
• يعتمد التدريب (Training) على تعزيز التدرج (gradient boosting).
• النموذج الضعيف هو شجرة قرار (decision tree).

خوارزمية تدريب حيث يتم تدريب النماذج الضعيفة لتحسين الجودة (تقليل الخطأ) بشكل متكرر لنموذج قوي. على سبيل المثال، يمكن أن يكون النموذج الضعيف نموذج شجرة قرار خطيًا أو صغيرًا. يصبح النموذج القوي مجموع كل النماذج الضعيفة التي تم تدريبها مسبقًا.
في أبسط أشكال تعزيز التدرج، في كل تكرار، يتم تدريب نموذج ضعيف للتنبؤ بتدرج الخطأ للنموذج القوي. بعد ذلك، يتم تحديث ناتج النموذج القوي بطرح التدرج المتوقع، على غرار التدرج الاشتقاقي (gradient descent).
تشمل الانواع الحديثة لتعزيز التدرج أيضًا المشتق الثاني (Hessian) للخسارة في حساباتهم.
تُستخدم أشجار القرار (Decision trees) بشكل شائع كنماذج ضعيفة في تعزيز التدرج.

آلية شائعة الاستخدام للتخفيف من مشكلة انفجار التدرج (exploding gradient problem) عن طريق تحديد (قص) القيمة القصوى للتدرجات بشكل مصطنع عند استخدام التدرج الاشتقاقي (gradient descent) لتدريب نموذج.

تقنية رياضية لتقليل الخطأ (loss). يعمل التدرج الاشتقاقي على تعديل الأوزان والتحيزات بشكل متكرر، وإيجاد أفضل مزيج تدريجيًا لتقليل الخطأ.

في (TensorFlow)، مواصفات حسابية. تمثل العقد في الرسم البياني العمليات. يتم توجيه الحواف وتمثل تمرير نتيجة عملية (Tensor) كمعامل لعملية أخرى. استخدم (TensorBoard) لتصور رسم بياني.

نـوع مـن طُـرُق التعلُّـم العميـق يعالـج البيانـات الممثلـة على شكل رسم بياني.

دائرة إلكترونية تقوم بحوسـبة متوازية لتسـريع إنشاء الصور لعرضهـا على جهاز إلكتروني.

خوارزميـة تختـار أفضـل حـل فـوري لمشـكلة مّـا أثنـاء إيجـاد الحـل الأمثـل الشـامل.

في التعلم المعزز (reinforcement learning)، سياسة (policy) تختار دائمًا الإجراء الذي يحقق أعلى عائد (return) متوقع.

مجموعـة مـن أجهـزة الحاسـب المتصلـة بالشـبكة، وتعمـل كأنهـا جهـاز حاسـب عمـلاق افتراضـي لتنفيذ المهـام الكبيرة.

هو خوارزمية استمثال تُستخدم لضبط "المعلمات الفائقة" (Hyperparameters) للنماذج عبر إجراء بحث شامل (Exhaustive Search) داخل مجموعة فرعية محددة يدوياً من فضاء المعلمات. تعمل الخوارزمية من خلال بناء شبكة من الاحتمالات تضم كافة التبديلات الممكنة للقيم المقترحة (مثل تجربة عدة قيم لمعدل التعلم مع عدة قيم لعمق الشجرة)، ثم تقوم بتدريب وتقييم النموذج لكل دمج من هذه القيم باستخدام "التحقق المتقاطع" (Cross-Validation). النتيجة النهائية هي تحديد التركيبة التي تحقق أقل قدر من الخطأ أو أعلى دقة، مما يضمن أن النموذج يعمل بأقصى كفاءة ممكنة بعيداً عن التخمين العشوائي.

الواقع.
الشيء الذي حدث بالفعل.
على سبيل المثال، ضع في اعتبارك نموذج تصنيف ثنائي (binary classification) يتنبأ بما إذا كان الطالب في سنته الجامعية الأولى سيتخرج في غضون ست سنوات. الحقيقة الأساسية لهذا النموذج هي ما إذا كان هذا الطالب قد تخرج بالفعل في غضون ست سنوات أم لا.

Hadoop هو إطار معالجة مفتوح المصدر موزع يستخدم عندما يتعين علينا التعامل مع بيانات هائلة. يسمح لنا باستخدام قدرة المعالجة المتوازية للتعامل مع البيانات الضخمة (big data).

إنتاج مخرجات تبدو معقولة ولكنها غير صحيحة من الناحية الواقعية من خلال نموذج توليدي (generative model) يزعم أنه يقوم بتأكيد حول العالم الحقيقي. على سبيل المثال، إذا ادعى وكيل (agent) الحوار أن باراك أوباما توفي عام 1865 ، فإن الوكيل يهلوس.

الهوامش الصلبة في (SVMs) تعالج مشكلة التعميم للمدركين من خلال تعظيم الهامش، المحدد رسميًا على أنه الحد الأدنى للمسافة من حدود القرار (decision boundary) إلى نقاط التدريب.

في التعلم الآلي، توجد آلية لجمع البيانات الفئوية (categorical data)، لا سيما عندما يكون عدد الفئات كبيرًا، لكن عدد الفئات التي تظهر فعليًا في مجموعة البيانات صغير نسبيًا.
على سبيل المثال، الأرض هي موطن لحوالي 73000 نوع من الأشجار. يمكنك تمثيل كل نوع من أنواع الأشجار البالغ عددها 73000 نوعًا في 73000 مجموعة فئوية منفصلة. بدلاً من ذلك، إذا ظهر 200 نوع من هذه الأشجار فعليًا في مجموعة بيانات، فيمكنك استخدام التجزئة لتقسيم أنواع الأشجار إلى 500 مجموعة ربما.
يمكن أن تحتوي مجموعة واحدة على أنواع متعددة من الأشجار. على سبيل المثال، يمكن للتجزئة وضع الباوباب والقيقب الأحمر - وهما نوعان مختلفان وراثيًا - في نفس المجموعة. بغض النظر، لا تزال التجزئة طريقة جيدة لتعيين مجموعات فئوية كبيرة في العدد المطلوب من المجموعات. يحول التجزئة ميزة فئوية لها عدد كبير من القيم الممكنة إلى عدد أقل بكثير من القيم عن طريق تجميع القيم بطريقة حتمية.

حل بسيط وسريع التنفيذ لمشكلة ما. على سبيل المثال، "من خلال الكشف عن مجريات الأمور، حققنا دقة تبلغ 86٪. عندما تحولنا إلى شبكة عصبية عميقة، ارتفعت الدقة إلى 98٪."

أسـلوب لإيجـاد حـل جيـد، ليـس بالضـرورة الحـل الأمثل، في غضـون فترة زمنيـة معقولة.

طبقة في الشبكة العصبية (neural network) بين طبقة الإدخال (input layer) (الميزات) وطبقة الإخراج (output layer) (التنبؤ). تتكون كل طبقة مخفية من خلية عصبية (neurons) واحدة أو أكثر. على سبيل المثال، تحتوي الشبكة العصبية التالية على طبقتين مخفيتين، الأولى بها ثلاث خلايا عصبية والثانية بها خليتان:
تحتوي الشبكة العصبية العميقة (deep neural network) على أكثر من طبقة مخفية. على سبيل المثال، الرسم التوضيحي السابق عبارة عن شبكة عصبية عميقة لأن النموذج يحتوي على طبقتين مخفيتين.

فئة من خوارزميات التكتل (clustering) التي تنشئ شجرة عناقيد. التجميع الهرمي مناسب تمامًا للبيانات الهرمية، مثل التصنيفات النباتية. هناك نوعان من خوارزميات المجموعات الهرمية:
• يقوم التجميع التجميعي (Agglomerative clustering) أولاً بتعيين كل مثال إلى المجموعة الخاصة به، ويقوم بدمج المجموعات الأقرب بشكل متكرر لإنشاء شجرة هرمية.
• يجمع التجميع الانقسامي (Divisive clustering) أولاً جميع الأمثلة في مجموعة واحدة ثم يقسم المجموعة بشكل متكرر إلى شجرة هرمية.
على النقيض من التجميع القائم على النقطة الوسطى (centroid-based clustering).

هو نهج في تصميم الشبكات العصبية يعتمد على تنظيم الطبقات في هيكل تراتبي لمعالجة البيانات بمستويات مختلفة من التجريد (Abstraction). في هذا النموذج، تقوم الطبقات الدنيا باستخراج الميزات الأولية (مثل الحواف أو الأنماط البسيطة)، بينما تقوم الطبقات العليا بدمج هذه الميزات لتشكيل مفاهيم أكثر تعقيداً (مثل الأجسام أو السياقات الكاملة). يُستخدم هذا النوع بكثافة في التصنيف الهرمي، حيث يتم تصنيف البيانات أولاً إلى فئات رئيسية (مثل "حيوان") ثم التدرج إلى فئات فرعية (مثل "ثدييات" ثم "كلب")، مما يزيد من كفاءة النموذج وقدرته على فهم العلاقات البنيوية داخل البيانات الضخمة.

تم تصميم مجموعة دوال الخطأ (loss) للتصنيف (classification) لإيجاد حدود القرار (decision boundary) بعيدة قدر الإمكان عن كل مثال تدريبي، وبالتالي تعظيم الهامش بين الأمثلة والحدود. تستخدم KSVMs خطأ هينج (أو داله ذات صلة، مثل خطأ هينج التربيعية).

المدرج التكراري هو أحد طرق رسم توزيع البيانات للمتغيرات المستمرة. على سبيل المثال، يوضح الشكل أدناه مدرجًا تكراريًا مع العمر على طول المحور السيني وتردد المتغير (عدد الركاب) على طول المحور الصادي.

أمثلة لم يتم استخدامها عن قصد (held out) أثناء التدريب. تعد مجموعة بيانات التحقق من الصحة (validation dataset) ومجموعة بيانات الاختبار (test dataset) أمثلة على بيانات الانتظار. تساعد بيانات الانتظار في تقييم قدرة النموذج الخاص بك على التعميم على بيانات أخرى غير البيانات التي تم التدريب عليها. يوفر الخطا في مجموعة الانتظار تقديرًا أفضل للخطأ في مجموعة بيانات غير مرئية مقارنة بالخطأ في مجموعة التدريب.

بيانات مخزنة يمكن الوصول إليها بسرعة للاستخدام الفوري.

دراسة تصميم وتنفيذ التفاعل بين المستخدمين وأجهزة الحاسوب

تكامل التفاعل البشري وقدرات ذكاء الآلة.

مجال يركز على تبادل المعلومات والأفعال بين الإنسان والروبوت لأداء المهام عن طريق واجهة المستخدم.

المتغيرات التي تقوم أنت أو خدمة ضبط المعلمة الفائقة بضبطها أثناء عمليات التدريب المتتالية للنموذج. على سبيل المثال، معدل التعلم (learning rate) هو معلمة فائقة. يمكنك ضبط معدل التعلم على 0.01 قبل جلسة تدريب واحدة. إذا حددت أن 0.01 مرتفع جدًا، فربما يمكنك ضبط معدل التعلم على 0.003 لجلسة التدريب التالية.
في المقابل (parameters)، المعلمات هي الأوزان (weights) المختلفة والتحيز (bias) الذي يتعلمه النموذج أثناء التدريب.

عملية ضبط المعاملات الفائقة عن طريق التجربة والخطأ للعثور على مجموعة المُعامِ الت التي تُعطي النموذج الأكثر دقة.

الحد الذي يفصل الفضاء إلى مساحتين فرعيين. على سبيل المثال، الخط هو مستوي فائق في بعدين والمستوى هو مستوي فائق في ثلاثة أبعاد. بشكل أكثر شيوعًا في التعلم الآلي، المستوى الفائق هو الحد الفاصل بين الفضاء عالي الأبعاد. يستخدم كيرنل آلات المتجهات الداعمة (Kernel Support Vector Machines) المستويات الفائقة لفصل الفئات الإيجابية عن الفئات السلبية، غالبًا في مساحة عالية الأبعاد.

هو عملية توليد وصف نصي دقيق ومترابط لغوياً يعبر عن محتوى صورة رقمية بشكل آلي. تعتمد هذه التقنية على معمارية "المشفر والمفكك" (Encoder-Decoder)؛ حيث يقوم المشفر (غالباً شبكة CNN أو Vision Transformer) باستخراج الميزات البصرية وتحويلها إلى متجهات رياضية، بينما يقوم المفكك (غالباً شبكة RNN أو Transformer) بتحويل هذه المتجهات إلى جملة مفيدة. لا تقتصر المهمة على التعرف على الأشياء فحسب، بل تمتد لفهم العلاقات المكانية والمنطقية بين العناصر داخل المشهد (مثل: "قطة تجلس فوق طاولة خشبية").

انظر "Image Recognition".

استخدام خوارزمية لمعالجة الصور أو استخراج معلومات مفيدة منها. ويُطلق عليه أيضًا "معالجة الصور الرقمية".

عملية تصنف كائنًا (كائنات)، أو نمطًا (أنماطًا)، أو مفهومًا (مفاهيم) في صورة. يُعرف التعرف على الصور أيضًا باسم تصنيف الصور (image classification).

عملية تقسيم الصورة الرقمية إلى مجموعات من البكسلات.

قاعـدة بيانـات كبيـرة للصـور تتكـون مـن أكثر مـن 14 مليون صـورة مُسـمّاة ومصنَّفـة فـي 20 ألـف فئـة، معـدة لأبحـاث الرؤية الحاسوبية.

مرادف لمجموعة البيانات غير المتوازنة في الفئة (class-imbalanced dataset).

تكوين ارتباط أو افتراض تلقائيًا بناءً على النماذج الذهنية والذكريات. يمكن أن يؤثر التحيز الضمني على ما يلي:
• كيف يتم جمع البيانات وتصنيفها.
• كيف يتم تصميم أنظمة التعلم الآلي وتطويرها.
على سبيل المثال، عند إنشاء مصنف للتعرف على صور الزفاف، قد يستخدم المهندس وجود فستان أبيض في الصورة كميزة. ومع ذلك، كانت الفساتين البيضاء مألوفة فقط خلال عصور معينة وفي ثقافات معينة.
انظر أيضا التحيز التأكيدي (confirmation bias).

التضمين هو تقنية تستخدم لمعالجة القيم المفقودة في البيانات. يتم ذلك إما عن طريق المقاييس الإحصائية مثل التضمين المتوسط / المنوال أو عن طريق تقنيات التعلم الآلي مثل احتساب خوارزمية أقرب الجيران (KNN).

نـوع مـن التحيُّـز يكـون فيـه التفضيـل لمجموعة الشـخص أو خصائصه.

شبكة الاستهلال هي شبكة عصبية عميقة (deep neural network) ذات تصميم معماري يتكون من تكرار المكونات المشار إليها باسم وحدات الاستهلال (Inception modules).

طريقـة مـن طُـرُق تعلُّـم الآلـة يكـون التدريـب والتعلُّـم فيهـا مسـتمرًا كلمـا ظهـرت أمثلـة جديـدة.

البيانات المستمدة من توزيع لا يتغير، وحيث لا تعتمد كل قيمة مرسومة على القيم التي تم رسمها سابقًا. i.i.d.هو الغاز المثالي للتعلم الآلي - بناء رياضي مفيد ولكنه تقريبًا لم يتم العثور عليه تمامًا في العالم الحقيقي. على سبيل المثال، قد يكون توزيع الزوار على صفحة الويب هو i.i.d. خلال فترة وجيزة من الوقت؛ أي أن التوزيع لا يتغير خلال تلك الفترة القصيرة وتكون زيارة شخص ما مستقلة بشكل عام عن زيارة شخص آخر. ومع ذلك، إذا قمت بتوسيع تلك الفترة الزمنية، فقد تظهر الاختلافات الموسمية في زوار صفحة الويب.
انظر أيضا (nonstationarity).

انظر "اInductive Reasoning"

مجال يهتم بتصميم خوارزميات لبرامج حاسـب، ذات تحكم معقـد مـن مواصفات غير كاملة.

عمليـة اسـتنتاج نتائـج عامـة بنـاءً على حالات معينـة. ويُطلق عليها أيًضًا "اسـتقراء."

في التعلم الآلي، عملية صنع التنبؤات من خلال تطبيق نموذج مدرب على أمثلة غير مسماة (unlabeled examples).
الاستدلال له معنى مختلف إلى حد ما في الإحصاء.

في شجرة القرار (decision tree)، أثناء الاستدلال (inference)، المسار الذي يتخذه مثال معين من الجذر (root) إلى الشروط (conditions) الأخرى، وينتهي بورقة (leaf). على سبيل المثال، في شجرة القرار التالية، تُظهر الأسهم السميكة مسار الاستدلال لمثال بقيم الميزة التالية:
• x = 7
• y = 12
• z = -3
ينتقل مسار الاستدلال في الرسم التوضيحي التالي عبر ثلاثة شروط قبل الوصول إلى الورقة (Zeta).

تظهر الأسهم الثلاثة السميكة مسار الاستدلال.

بيانات معالجة لها معنى في سياق معين.

عملية الحصول على المعرفة عن طريق استعراض النصوص بحثًا عن أصناف لأشياء محددة وعلاقاتها.

في غابات القرار (decision forests)، الفرق بين إنتروبيا العقدة والمجموع الموزون (بعدد الأمثلة) لانتروبيا العقد التابعة لها. إنتروبيا العقدة هي إنتروبيا الأمثلة في تلك العقدة.
على سبيل المثال، ضع في اعتبارك قيم الانتروبيا التالية:
• إنتروبيا العقدة الأم = 0.6.
• إنتروبيا عقدة فرعية واحدة مع 16 مثالاً ذا صلة = 0.2.
• إنتروبيا عقدة فرعية أخرى مع 24 مثالاً ذا صلة = 0.1.
إذن 40٪ من الأمثلة موجودة في عقدة فرعية واحدة و60٪ في العقدة الفرعية الأخرى. وبالتالي:
• مجموع الانتروبيا الموزون للعقد الفرعية = (0.4 * 0.2) + (0.6 * 0.1) = 0.14
إذن، اكتساب المعلومات هو:
• اكتساب المعلومات = إنتروبيا العقدة الأصل - مجموع الانتروبيا المرجحة للعقد الفرعية.
• اكتساب المعلومات = 0.6 - 0.14 = 0.46.
يسعى معظم المقسمين (splitters) إلى خلق ظروف تزيد من اكتساب المعلومات إلى أقصى حد.

مجال من مجالات علوم الحاسوب يهتم بالبحث عن المعلومات أو المستندات ذات الصلة من مصادر مختلفة.

دراسة العمليات التي تُجرى على المعلومات الرقمية، مثل: النقل والتخزين والضغط.

هي نقاط البيانات التي تقع ضمن النطاق المتوقع للتوزيع الإحصائي لمجموعة البيانات، وتتبع النمط العام أو النموذج الرياضي الذي يصف الظاهرة المدروسة. من الناحية العلمية، هي البيانات التي تمتلك "بقايا" (Residuals) صغيرة عند مطابقتها مع نموذج تنبئي، مما يعني أنها تدعم الفرضية الإحصائية ولا تسبب انحرافاً في المعلمات (Parameters) أثناء التدريب. تُعتبر هذه القيم هي "الضجيج الحميد" أو الإشارات الصحيحة التي تعتمد عليها الخوارزميات لبناء تعميمات دقيقة قادرة على التنبؤ بالمستقبل.

أي شـكل مـن أشـكال البيانـات المدخلـة إلـى نظـام معالجـة معلومـات أو أي مـن مُكوِّناتـه لغـرض التخزيـن أو المعالجـة.

طبقة (layer) الشبكة العصبية (neural network) التي تحمل متجه الميزة (feature vector). أي أن طبقة الإدخال توفر أمثلة للتدريب (training) أو الاستدلال (inference).

نقطة بيانات أو صف أو عينة في مجموعة بيانات.
مرادف لمثال (example) ولـ(observation).

هي تقنية متقدمة في الذكاء الاصطناعي تهدف إلى تحديد وتحديد ملامح كل كائن فردي في الصورة بدقة تصل إلى مستوى البكسل (Pixel-level). على عكس التجزئة الدلالية التي تصنف جميع "الأشخاص" في الصورة ككتلة واحدة بلون واحد، تقوم تجزئة المثيلات بتمييز كل شخص بحد ذاته (مثلاً: "شخص 1" بلون أحمر، و"شخص 2" بلون أزرق). تعتمد هذه العملية رياضياً على التنبؤ بقناع ثنائي (Binary Mask) لكل كائن مكتشف، مما يسمح للآلة بفهم الحدود الدقيقة للأجسام المتداخلة أو المتزاحمة في المشهد الواحد.

استخدام التقنية لزيادة الذكاء البشري.

انظر "Augmented Intelligence"

كيـان ذاتـي التحكـم يـدرك بيئتـه ويقـوم بأفعـال لتحقيـق أهـداف محـددة.

اسـتخدام الذكاء الاصطناعي والتقنيات الأخرى لأداء المهام والعمليات دون تدخل بشـري.

نـوع مـن آليـات التحكـم التـي تسـتخدم أسـاليب الـذكاء الاصطناعـي المختلفـة لمحـاكاة خصائـص الـذكاء البشـري.

وكيـل برمجيـات يسـتخدم الـذكاء الاصطناعـي لمسـاعدة الأشـخاص فـي المهـام الأساسـية.

شبكة من الأجهزة الإلكترونية والبرمجيات وأجهزة الاستشعار التي تُتيح للآلات التفاعل مع بعضها.

القدرة على شرح أو تقديم منطق نموذج تعلم الي بعبارات مفهومة للإنسان.
معظم نماذج الانحدار الخطي، على سبيل المثال، قابلة للتفسير بدرجة كبيرة. (ما عليك سوى إلقاء نظرة على الأوزان المدربة لكل ميزة.) كما يمكن تفسير غابات القرار بشكل كبير. ومع ذلك، تتطلب بعض النماذج تصورًا متطورًا لتصبح قابلة للتفسير.

تقاطع مجموعتين مقسومة على اتحادهم. في مهام اكتشاف الصور بالتعلم الآلي، يتم استخدام IoU لقياس دقة مربع الإحاطة (bounding box) المتوقع للنموذج فيما يتعلق بمربع إحاطة الحقيقة الأساسية (ground-truth). في هذه الحالة، IoU للمربعين هي النسبة بين المساحة المتداخلة والمساحة الإجمالية، وتتراوح قيمتها من 0 (لا يوجد تداخل بين المربع المحيط المتوقع ومربع إحاطة الحقيقة الاساسية) إلى 1 (المربع المحيط المتوقع والاساسي -صندوق إحاطة الحقيقة له نفس الإحداثيات بالضبط).

IRIS (قاعدة بيانات لتصنيف شكل ثلاثة أنواع من الزهور).

في أنظمة التوصية (recommendation systems)، مصفوفة من متجهات التضمين (embedding vectors) الناتجة عن عامل المصفوفة (Matrix factorization) الذي يحمل إشارات كامنة حول كل عنصر. يحتوي كل صف في مصفوفة العنصر على قيمة ميزة كامنة واحدة لجميع العناصر. على سبيل المثال، ضع في اعتبارك نظام توصية للأفلام. يمثل كل عمود في مصفوفة العنصر فيلمًا واحدًا. قد تمثل الإشارات الكامنة الأنواع، أو قد يكون من الصعب تفسير الإشارات التي تنطوي على تفاعلات معقدة بين النوع أو النجوم أو عمر الفيلم أو عوامل أخرى.
تحتوي مصفوفة العنصر على نفس عدد الأعمدة مثل المصفوفة المستهدفة التي يتم تحليلها. على سبيل المثال، نظرًا لنظام توصية الفيلم الذي يقيم 10000 عنوان فيلم، فإن مصفوفة العناصر ستحتوي على 10000 عمود.

في نظام التوصيات (recommendation systems)، الكيانات التي يوصي بها النظام. على سبيل المثال، مقاطع الفيديو هي العناصر التي يوصي بها متجر الفيديو، بينما الكتب هي العناصر التي يوصي بها متجر الكتب.

تحديث واحد لمعلمات النموذج – أوزان (weights) النموذج وتحيزاته (biases) - أثناء التدريب. يحدد حجم الدُفعة (batch size) عدد الأمثلة التي يعالجها النموذج في تكرار واحد. على سبيل المثال، إذا كان حجم الدُفعة هو 20، فإن النموذج يعالج 20 مثالًا قبل ضبط المعلمات.
عند تدريب شبكة عصبية (neural network)، يتضمن التكرار الفردي التمريرين التاليين:
• تمريرة أمامية لتقييم الخطأ على دفعة واحدة.
• الانتشار الخلفي(backpropagation) لضبط معلمات النموذج بناءً على الخطأ ومعدل التعلم.

Jupyter Notebook هو تطبيق الويب الأصلي لإنشاء المستندات الحسابية ومشاركتها. إنه يوفر تجربة بسيطة ومبسطة تتمحور حول المستندات.

أسـلوب مـن أسـاليب التحقـق المتقاطـع يُقسِّـم عشـوائيًّا مجموعـة بيانـات معينـة إلـى مجموعـات فرعيـة متسـاوية تُسـتخدم لتدريـب نمـوذج تعلُّـم الآلـة وتقييمـه.

خوارزمية تجميع (clustering) شائعة تجمع الأمثلة في التعلم غير الخاضع للإشراف. تقوم خوارزمية (k-mean) بشكل أساسي بما يلي:
• يحدد بشكل تكراري أفضل k نقاط مركز (المعروفة باسم النقط الوسطى (centroids)).
• يعين كل مثال لأقرب النقطة الوسطى. هذه الأمثلة الأقرب إلى النقطة الوسطى نفسها تنتمي إلى نفس المجموعة.
تختار خوارزمية k-mean مواقع النقطة الوسطى لتقليل المربع التراكمي للمسافات من كل مثال إلى أقرب النقطة الوسطى.
على سبيل المثال، ضع في اعتبارك المخطط التالية من الارتفاع إلى العرض:

إذا كانت k = 3، فإن خوارزمية k-mean ستحدد ثلاثة نقاط وسطى. يتم تعيين كل مثال لأقرب النقطة الوسطى، مما ينتج عنه ثلاث مجموعات:

تخيل أن الشركة المصنعة تريد تحديد الأحجام المثالية للسترات الصغيرة والمتوسطة والكبيرة للكلاب. تحدد النقط الوسطى الثلاثة متوسط الطول والعرض المتوسط لكل كلب في تلك المجموعة. لذلك، ربما ينبغي على الشركة المصنعة أن تبني أحجام السترات على تلك النقط الثلاثية. لاحظ أن النقطة الوسطى للكتلة عادة ليست مثالا في الكتلة.
توضح الرسوم التوضيحية السابقة k-mean للأمثلة مع ميزتين فقط (الطول والعرض). لاحظ أن k-mean يمكنها تجميع الأمثلة عبر العديد من الميزات.

خوارزمية التجميع ترتبط ارتباطًا وثيقًا بـ (k-means). الفرق العملي بين الاثنين هو كما يلي:
• في k-mean، يتم تحديد النقطة الوسطى عن طريق تقليل مجموع مربعات المسافة بين مرشح النقطة الوسطى وكل من الأمثلة الخاصة به.
• في k-median، يتم تحديد النقط الوسطى عن طريق تقليل مجموع المسافة بين مرشح النقطة الوسطى وكل من الأمثلة الخاصة به.

هو مصنف تعليمي غير معلمي خاضع للإشراف (supervised)، يستخدم التقارب (convergence) لعمل تصنيفات أو تنبؤات حول تجميع نقطة بيانات فردية. تفترض خوارزمية K-NN التشابه بين الحالة / البيانات الجديدة والحالات المتاحة وتضع الحالة الجديدة في الفئة الأكثر تشابهًا مع الفئات المتاحة.

واجهة برمجة تطبيقات شائعة لتعلم الآلة بلغة Python. تعمل Keras على العديد من أطر التعلم العميق، بما في ذلك TensorFlow، حيث يتم توفيرها كـ tf.keras.

هي المصفوفة التي تستخدم في عملية الالتفاف (convolution operation)

دالة لقياس التشابه بين مثالين وتحويل البيانات إلى فضاء مُتَّجه عالي الأبعاد.

خوارزمية تصنيف تسعى إلى تعظيم الهامش بين الفئات الموجبة (posetive classes) والفئات السالبة (negative classes) عن طريق تعيين متجهات بيانات الإدخال إلى مساحة بُعد أعلى. على سبيل المثال، ضع في اعتبارك مشكلة تصنيف تحتوي فيها مجموعة بيانات الإدخال على مئات الميزات. لتعظيم الهامش بين الفئات الإيجابية والسلبية، يمكن لـ KSVM تعيين هذه الميزات داخليًا في مساحة مليون بُعد. تستخدم KSVMs دالة خسارة تسمى خطأ هينج (hinge loss).

طريقـة لإسـقاط البيانـات غيـر الخطيـة إلـى فضـاء ذي بُعـد أعلـى لتسـهيل تصنيـف البيانـات.

هي مستودع مركزي منظم للبيانات والمعلومات والخبرات، مصمم ليتم استرجاعه واستخدامه بواسطة أنظمة الحاسوب لحل المشكلات المعقدة. تختلف عن قواعد البيانات التقليدية بأنها لا تخزن بيانات "خام" فقط، بل تخزن "علاقات منطقية" وقواعد استنتاجية تسمح للآلة بفهم السياق. تُعد المكون الأساسي في "الأنظمة الخبيرة" (Expert Systems) وتلعب دوراً محورياً في تقنيات "توليد النصوص المعزز بالاسترداد" (RAG) التي تستخدمها النماذج اللغوية الكبيرة حالياً.

نقل معرفة نموذج كبير إلى نموذج أصغر أو أسرع.

هو متخصص في الذكاء الاصطناعي يركز على استخراج المعرفة من الخبراء البشريين أو مصادر البيانات غير المهيكلة وتحويلها إلى صيغ منطقية وقواعد برمجية يمكن للآلة فهمها ومعالجتها. يتضمن دوره تصميم "الأنطولوجيات" (Ontologies) وبناء "المحركات الاستدلالية" (Inference Engines) لضمان أن النظام لا يخزن المعلومات فحسب، بل يستطيع "التفكير" واستنتاج حلول للمشكلات بناءً عليها. برزت أهمية هذا الدور مؤخراً مع صعود تقنيات "توليد النصوص المعزز بالاسترداد" (RAG)، حيث يتولى هندسة تدفق البيانات لضمان دقة إجابات النماذج اللغوية الكبيرة.

نوع من التنظيم (regularization) يعاقب على العدد الإجمالي للأوزان (weights) غير الصفرية في النموذج. على سبيل المثال، النموذج الذي يحتوي على 11 أوزانًا غير صفرية سيتم معاقبة أكثر من نموذج مشابه له 10 أوزان غير صفرية.
نادرا ما يتم استخدام تنظيم L0.
يتم استخدام تنظيم L1 (L1 regularization) وتنظيم L2 (L2 regularization) بشكل أكبر بكثير من تنظيم L0. ذلك لأن تنظيم L1 و L2 هي دوال محدبة (convex functions)، لكن تنظيم L0 ليس دالة محدبة.

دالة خطأ (loss function) تحسب القيمة المطلقة للفرق بين قيم التسمية (label) الفعلية والقيم التي يتوقعها النموذج (model).
تعتبر خطأ L1 أقل حساسية للقيم المتطرفة (outliers) من خطأ L2 (L2 loss).
متوسط الخطأ المطلق (Mean Absolute Error) هو متوسط الخطأ L1 لكل مثال.

نوع من التنظيم (regularization) يعاقب على الأوزان بما يتناسب مع مجموع القيمة المطلقة للأوزان. يساعد تنظيم L1 في دفع أوزان الميزات غير الملائمة أو ذات الصلة بالكاد إلى الصفر بالضبط. تتم إزالة الميزة (feature) التي يبلغ وزنها 0 بشكل فعال من النموذج.
على النقيض من تنظيم L2 (L2 regularization).

دالة خطأ (loss function) تحسب مربع الاختلاف بين قيم التسمية الفعلية والقيم التي يتوقعها النموذج (model).
بسبب التربيع، تضخم خطأ L2 تأثير القيم المتطرفة (outliers). أي أن خطأ L2 تتفاعل بشكل أقوى مع التنبؤات السيئة من خطأ L1. على سبيل المثال، ستكون خطأ L1 للدفعة السابقة 8 بدلاً من 16. لاحظ أن قيمة خارجية واحدة تمثل 9 من أصل 16.
تستخدم نماذج الانحدار (Regression models) عادةً خسارة L2 كدالة خطأ.
متوسط الخطأ التربيعي (Mean Squared Error) هو متوسط خطأ L2 لكل مثال. الخطأ التربيعي (Squared loss) هي اسم آخر لخطأ L2.

نوع من التنظيم (regularization) يعاقب على الأوزان (weights) بما يتناسب مع مجموع مربعات الأوزان. يساعد تنظيم L2 على دفع الأوزان المتطرفة (outlier) (تلك ذات القيم الإيجابية العالية أو المنخفضة) الأقرب إلى 0 ولكن ليس تمامًا إلى 0. تظل الميزات ذات القيم القريبة جدًا من 0 في النموذج ولكنها لا تؤثر على تنبؤ النموذج كثيرًا.
يعمل تنظيم L2 دائمًا على تحسين التعميم في النماذج الخطية (linear models).
على النقيض من تنظيم L1 (L1 regularization).

في التعلم الآلي الخاضع للإشراف (supervised machine learning)، جزء "الإجابة" أو "النتيجة" من أحد الأمثلة (example).
يتكون كل مثال مسماة من واحد أو أكثر من الميزات (features) والتسمية (label). على سبيل المثال، في مجموعة بيانات اكتشاف الرسائل غير المرغوب فيها، من المحتمل أن يكون التصنيف إما "بريد عشوائي" أو "ليس بريدًا عشوائيًا". في مجموعة بيانات هطول الأمطار، قد تكون التسمية هو كمية المطر التي سقطت خلال فترة معينة.

مثال يشتمل على اسم.

انظر ''Annotator"

انظر "Data Annotation"

مرادف لمعدل التنظيم (regularization rate).
Lambda هو مصطلح زائد. نحن هنا نركز على تعريف المصطلح ضمن التنظيم (regularization).

نموذج لغة كبير قائم (large language model) على المحولات (Transformer) طورته Google وتم تدريبه على مجموعة بيانات حوار كبيرة يمكنها توليد استجابات محادثة واقعية.

مرادف للنقاط المفتاحية (keypoints).

نموذج (model) يقدر احتمالية وجود رمز أو تسلسل من الرموز المميزة (token) في تسلسل أطول من الرموز المميزة.

مصطلح غير رسمي بدون تعريف صارم يعني عادةً نموذج لغة (language model) يحتوي على عدد كبير من المعلمات. تحتوي بعض نماذج اللغات الكبيرة على أكثر من 100 مليار معلمة.
تعتمد معظم نماذج اللغات الكبيرة الحالية (على سبيل المثال، GPT) على بنية المحولات (Transformer).

انحدار لاسو هي طريقة لتحليل الانحدار تقوم بالاختيار المتغير والتنظيم (regularization) من أجل تعزيز دقة التنبؤ وإمكانية تفسير النموذج الإحصائي الناتج.
يُطلق على نموذج الانحدار الذي يستخدم تقنية تنظيم L1 (L1 regularization) اسم انحدار لاسو والنموذج الذي يستخدم L2 يسمى انحدار ريدج (ridge regression). الفرق الرئيسي بين هذين هو مصطلح العقوبة.

هو تمثيل رياضي مضغوط للبيانات في أبعاد أقل، حيث تظهر الميزات المتشابهة قريبة من بعضها البعض هندسياً. عندما يقوم "المشفر" (Encoder) بضغط صورة، فإنه ينقلها من فضاء البكسلات الضخم إلى هذا الفضاء الكامن الذي يحتوي على الخصائص الجوهرية فقط. يُعد فهم هذا الفضاء مفتاحاً لعمل النماذج التوليدية مثل VAEs وGANs للتحكم في المخرجات.

مجموعة من الخلايا العصبية (neurons) في شبكة عصبية (neural network). ثلاثة أنواع شائعة من الطبقات هي كما يلي:
• طبقة الإدخال (input layer)، والتي توفر قيمًا لجميع الميزات (features).
• طبقة مخفية (hidden layers) واحدة أو أكثر، والتي تجد العلاقات غير الخطية بين الميزات والتسمية.
• طبقة المخرجات (output layer) التي توفر التنبؤ.
في TensorFlow، تعد الطبقات أيضًا دوال Python التي تأخذ خيارات الموترات (tensors) والتكوين كمدخلات وتنتج موترات أخرى كمخرجات.

عدد الخلايا العصبية في طبقة معينة من الشبكة العصبية.

طريقــة تعلُّــم تؤجــل معالجــة بيانــات التدريــب حتــى تَلقِّــيعمليــة اســتعلام.

أي نقطة نهاية في شجرة القرار (decision tree). على عكس الشرط (condition)، لا تقوم الورقة بإجراء اختبار. بدلا من ذلك، ورقة هي توقع محتمل. الورقة هي أيضًا العقدة (node) الطرفية لمسار الاستدلال (inference path).

نوع من دوال التنشيط يعتمد على الوحدة الخطية المصححة ،ولكن له ميل صغير للقيم السالبة.

رقم النقطة العائمة الذي يخبر خوارزمية التدرج الاشتقاقي (gradient descent) مدى قوة تعديل الأوزان والتحيزات في كل تكرار (iteration). على سبيل المثال، معدل التعلم 0.3 يضبط الأوزان والتحيزات أقوى بثلاث مرات من معدل التعلم 0.1.
معدل التعلم هو معلم فائق (hyperparameter). إذا قمت بتعيين معدل التعلم منخفضًا جدًا، فسيستغرق التدريب وقتًا طويلاً. إذا قمت بتعيين معدل التعلم مرتفعًا جدًا، فغالبًا ما يواجه التدرج الاشتقاقي صعوبة في الوصول إلى التقارب (convergence).
خلال كل تكرار، تقوم خوارزمية التدرج الاشتقاقي (gradient descent) بضرب معدل التعلم في التدرج (gradient). المنتج الناتج يسمى خطوة التدرج (gradient step).

انظر "Computational Learning Theory"

طريقـة للعثـور علـى أفضـل ملاءمـة للبيانـات لتقليـل مربـع الأخطـاء بيـن البيانـات الفعليـة وخـط الملاءمـة.

نموذج انحدار خطي تم تدريبه عن طريق تقليل خطأ L2 (L2 Loss).

حالـة خاصـة مـن التحقـق المتقاطـع علـى مجموعـات يكـون فيهـا عـدد المجموعـات مسـاويًا لعـدد المشـاهدات.

Lemmatization في اللغويات هي عملية تجميع الأشكال المنعكسة للكلمة معًا بحيث يمكن تحليلها كعنصر واحد ، محدد بواسطة lemma للكلمة ، أو نموذج القاموس.

احتمال حدوث حدث ما ضمن فئة أو صنف معين.

تُستخدم المخططات الخطية لعرض المعلومات كسلسلة من النقاط المتصلة بواسطة مقطع خط مستقيم. تُستخدم هذه المخططات لتوصيل المعلومات بصريًا، مثل إظهار زيادة أو نقصان في الاتجاه في البيانات عبر فترات زمنية.
هذا المخطط لحالة واحدة. يمكن أيضًا استخدام المخططات الخطية لمقارنة التغييرات على مدار نفس الفترة الزمنية لحالات متعددة، مثل رسم سرعة الدراجة والسيارة والقطار بمرور الوقت في نفس المخطط.

علاقة بين متغيرين أو أكثر يمكن تمثيلها فقط من خلال الجمع والضرب.
مخطط العلاقة الخطية عبارة عن خط.
على النقيض من غير الخطي (nonlinear).

فرع من فروع الرياضيات يختص بمعالجة المعادلات الخطية.

نموذج (model) يعين وزنًا (weight) واحدًا لكل ميزة لعمل تنبؤات (predictions). (تتضمن النماذج الخطية أيضًا تحيزًا (bias)). وعلى النقيض من ذلك، فإن علاقة السمات بالتنبؤات في النماذج العميقة (deep models) تكون بشكل عام غير خطية (nonlinear).
عادة ما تكون النماذج الخطية أسهل في التدريب وأكثر قابلية للتفسير (interpretable) من النماذج العميقة. ومع ذلك، يمكن للنماذج العميقة تعلم العلاقات المعقدة بين الميزات.
الانحدار الخطي (Linear regression) والانحدار اللوجستي (logistic regression) نوعان من النماذج الخطية.

نوع من نماذج التعلم الآلي يكون فيه كلا الأمرين التاليين صحيحًا:
• النموذج هو نموذج خطي (linear model).
• التوقع هو قيمة النقطة العائمة. (هذا هو جزء الانحدار (regression) من الانحدار الخطي.)
يتعارض الانحدار الخطي مع الانحدار اللوجستي (logistic regression). أيضا، مقارنة الانحدار (regression) مع التصنيف (classification).

يعتبر LLaMA (اختصار لـ Large Language Model Meta AI) نقطة تحول جوهرية في عالم الذكاء الاصطناعي مفتوح المصدر. أطلقته شركة Meta (فيسبوك سابقاً) ليكون نموذجاً لغوياً ضخماً يتميز بكفاءة عالية مقارنة بحجمه، مما سمح للباحثين والمطورين بتشغيل نماذج قوية على أجهزة ذات قدرات متوسطة.

الحل الأمثل المحلي هو الحد الأقصى (الحد الأدنى أو الأقصى) لدالة الهدف (objective function) لمنطقة معينة من مساحة الإدخال، على سبيل المثال حوض في مشكلة التصغير (minimization).

دالة الخطأ المستخدمة في الانحدار اللوجستي (logistic regression) الثنائي.

عادةً ما تُستخدم دالة أرجحية لوغاريثمية لاشتقاق الحد الأقصى لمقدر الاحتمالية للمعامل. يتم الحصول على المقدر من خلال إيجاد المعلمة التي تزيد من أرجحية لوغاريثمية العينة المرصودة. هذا هو نفس تعظيم دالة الأرجحية likelihood function.

نوع من نموذج الانحدار (regression model) يتنبأ باحتمالية. تتميز نماذج الانحدار اللوجستي بالخصائص التالية:
• التسمية فئوية (categorical). يشير مصطلح الانحدار اللوجستي عادةً إلى الانحدار اللوجستي الثنائي (binary logistic regression)، أي إلى نموذج يحسب الاحتمالات للتسميات ذات القيمتين المحتملتين. المتغير الأقل شيوعًا، الانحدار اللوجستي متعدد الحدود (multinomial logistic regression)، يحسب الاحتمالات للتسميات التي تحتوي على أكثر من قيمتين محتملتين.
• دالة الخطأ أثناء التدريب هي الخطأ اللوجيستي (Log Loss). (يمكن وضع وحدات الخطأ اللوجيستي المتعددة بالتوازي للتسميات التي تحتوي على أكثر من قيمتين محتملتين.)
• النموذج له بُنية خطية، وليس شبكة عصبية عميقة. ومع ذلك، فإن ما تبقى من هذا التعريف ينطبق أيضًا على النماذج العميقة (deep models) التي تتنبأ باحتمالات التسميات الفئوية.
على سبيل المثال، ضع في اعتبارك نموذج الانحدار اللوجستي الذي يحسب احتمالية أن يكون البريد الإلكتروني المدخل بريدًا عشوائيًا أو ليس بريدًا عشوائيًا. أثناء الاستدلال، افترض أن النموذج يتوقع 0.72. لذلك، فإن النموذج يقدر:
• احتمال 72٪ أن يكون البريد الإلكتروني بريدًا عشوائيًا.
• فرصة بنسبة 28٪ ألا يكون البريد الإلكتروني بريدًا عشوائيًا.
يستخدم نموذج الانحدار اللوجستي البُنية التالية المكونة من خطوتين:
1. يولد النموذج تنبؤًا أوليًا (y') من خلال تطبيق دالة خطية لميزات الإدخال.
2. يستخدم النموذج هذا التنبؤ الأولي كمدخل لدالة سيكمويد (sigmoid function)، والتي تحول التنبؤ الأولي إلى قيمة بين 0 و 1، حصريًا.
مثل أي نموذج انحدار، يتنبأ نموذج الانحدار اللوجستي بعدد. ومع ذلك، يصبح هذا الرقم عادةً جزءًا من نموذج التصنيف الثنائي على النحو التالي:
• إذا كان الرقم المتوقع أكبر من عتبة التصنيف (classification threshold)، فإن نموذج التصنيف الثنائي يتنبأ بالفئة الإيجابية.
• إذا كان الرقم المتوقع أقل من عتبة التصنيف، فإن نموذج التصنيف الثنائي يتنبأ بالفئة السلبية.