المرمّز التلقائي
Autoencoder
التعريف
شبكة تتعلم ضغط المدخل إلى تمثيل صغير (المرمّز Encoder) ثم إعادة بنائه (فاك الترميز Decoder).
الفكرة الأساسية
لأن الشبكة مجبرة على المرور بعنق زجاجة، تتعلم أهم خصائص البيانات. خطأ إعادة البناء الكبير يشير إلى مثال غير مألوف، لذلك تستخدم في كشف الشذوذ.
آلية العمل
- المرمّز يضغط المدخل إلى بعد أصغر
- فاك الترميز يعيد البناء
- نقلل خطأ إعادة البناء
- نستخدم التمثيل المضغوط أو خطأ إعادة البناء
نوع البيانات ونوع المشكلة
| نوع البيانات | رقمية، صور، إشارات |
|---|---|
| نوع المشكلة | تقليل أبعاد وكشف شذوذ وإزالة ضوضاء |
المزايا
- يتعلم دون تسميات
- غير خطي (أعم من PCA)
القيود
- يحتاج ضبطاً وبيانات
- قد يتعلم النسخ الحرفي إن كان عنق الزجاجة كبيراً
المعاملات المهمة
- حجم عنق الزجاجة
- عدد الطبقات
- عتبة خطأ إعادة البناء للشذوذ
مقاييس التقييم
- خطأ إعادة البناء MSE
- Precision وRecall عند استخدامه لكشف الشذوذ
الأدوات التي تدعمها
| KNIME | عقد Keras في إضافة KNIME Deep Learning (تحتاج بيئة Python) |
|---|---|
| Orange | لا يوجد عنصر Autoencoder في التثبيت الأساسي (البديل الخطي: PCA) |
أمثلة تطبيقية
- كشف المعاملات الاحتيالية
- كشف أعطال الآلات من الحساسات
- إزالة الضوضاء من الصور
