كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

المرمّز التلقائي

Autoencoder

التعلم العميق Deep Learning

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.

مرمّزفاكz
المرمّز يضغط المدخل إلى عنق زجاجة ثم يعيد فاك الترميز بناءه.

آلية العمل

  1. المرمّز يضغط المدخل إلى بعد أصغر
  2. فاك الترميز يعيد البناء
  3. نقلل خطأ إعادة البناء
  4. نستخدم التمثيل المضغوط أو خطأ إعادة البناء

نوع البيانات ونوع المشكلة

نوع البياناترقمية، صور، إشارات
نوع المشكلةتقليل 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

KNIMEعقد Keras في إضافة KNIME Deep Learning (تحتاج بيئة Python)
Orangeلا يوجد عنصر Autoencoder في التثبيت الأساسي (البديل الخطي: PCA)

أمثلة تطبيقية

  • كشف المعاملات الاحتيالية
  • كشف أعطال الآلات من الحساسات
  • إزالة الضوضاء من الصور

مشاريع مرتبطة

خوارزميات بديلة

جرّبها في المختبر