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 العلميةمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

معجم مصطلحات السلاسل الزمنية

المصطلح بالعربية والإنجليزية مع تعريف مختصر ورابط إلى الدرس المرتبط.

AIC وAICc وBIC

معايير معلومات توازن بين جودة التوفيق وعدد المعاملات. الأصغر أفضل. AICc يصحح للعينات الصغيرة، وتستخدمه Auto ARIMA وETS في المختبر. لا تقارن AIC بين نماذج بدرجات تفاضل مختلفة.

الدرس: نماذج ARIMA ومنهجية Box-Jenkins

MAPE متوسط الخطأ النسبي المطلق

نسبة مئوية. غير معرّف عند y=0؛ المختبر يتجاهل هذه النقاط ويذكر عددها، وإذا كانت كل القيم صفرية لا يعرض MAPE.

الدرس: مقاييس تقييم التنبؤ

MASE الخطأ المطلق المقيس

MAE مقسوماً على متوسط خطأ Seasonal Naive داخل التدريب. أقل من 1 = أفضل من خط الأساس. مقياس مستقل عن الوحدة.

الدرس: مقاييس تقييم التنبؤ

RMSE جذر متوسط مربع الخطأ

الجذر التربيعي لمتوسط مربعات الأخطاء. يعاقب الأخطاء الكبيرة، ويساوي MAE فقط إذا تساوت الأخطاء.

الدرس: مقاييس تقييم التنبؤ

R² معامل التحديد

نسبة التباين المفسر في الاختبار. قد يكون سالباً، ومضلل في السلاسل ذات الاتجاه لأن المتوسط مرجع ضعيف.

الدرس: مقاييس تقييم التنبؤ

اختبار ديكي-فولر الموسّع (ADF)

H0: جذر وحدة (غير مستقرة). p<0.05 تعني رفض H0. يعرض المختبر الإحصاءة وقيمة p والقيم الحرجة 1% و5% و10% وعدد التأخيرات المختار بـ AIC، بمعاملات MacKinnon كما في statsmodels.

الدرس: الاستقرارية واختبارا ADF وKPSS

الإفراط في التعلم (Overfitting)

نموذج يحفظ التدريب ويفشل في الاختبار. علاماته: خطأ تدريب منخفض جداً وخطأ اختبار مرتفع. العلاج: نموذج أبسط، تنظيم، إيقاف مبكر، بيانات أكثر.

الدرس: التعلم العميق: RNN وLSTM وGRU

الإيقاف المبكر (Early Stopping)

إيقاف التدريب حين لا تتحسن خسارة التحقق لعدد من الحقب (patience) واستعادة أفضل الأوزان. يقلل الإفراط في التعلم.

الدرس: التعلم العميق: RNN وLSTM وGRU

الانتباه الذاتي (Self-Attention)

آلية تزن أهمية كل خطوة في النافذة بالنسبة لكل خطوة أخرى؛ أساس Transformer وTFT.

الدرس: Transformer وN-BEATS وTFT

البذرة العشوائية (Seed)

رقم يثبت العشوائية لتكرار النتائج نفسها. نماذج الغابة وXGBoost والشبكات في المختبر تقبل بذرة.

الترميز الموضعي

إضافة موجات جيبية تعطي كل موقع بصمة فريدة، لأن الانتباه لا يعرف الترتيب بذاته.

الدرس: Transformer وN-BEATS وTFT

التغير البنيوي

تغير مفاجئ في سلوك السلسلة مثل الجائحة أو تغير سياسة. يضلل اختبارات الاستقرارية ويضعف النماذج المدربة على الفترة السابقة.

الدرس: الاستقرارية واختبارا ADF وKPSS

التفاضل (Differencing)

الفرق الأول y_t − y_{t−1} يزيل الاتجاه، والموسمي y_t − y_{t−m} يزيل الموسمية. في المختبر عملية «التفاضل» قابلة للتراجع، وتحدد Auto ARIMA عدد الفروق تلقائياً.

الدرس: الاستقرارية واختبارا ADF وKPSS

التفكيك (Decomposition)

فصل السلسلة إلى اتجاه وموسمية وباقٍ، جمعياً أو مضاعفاً. المختبر يطبق التفكيك الكلاسيكي مثل seasonal_decompose في statsmodels ويحسب قوة الاتجاه والموسمية.

الدرس: تفكيك السلسلة الزمنية

الجمعي مقابل المضاعف

جمعي حين يبقى مدى الموسمية ثابتاً، ومضاعف حين يتسع مع المستوى. المضاعف يحتاج قيماً موجبة، واللوغاريتم يحوله إلى جمعي.

الدرس: تفكيك السلسلة الزمنية

المتغيرات الخارجية (Exogenous)

متغيرات أخرى تؤثر في الهدف مثل الحرارة والعطل. في المتصفح تدعمها نماذج ML؛ وSARIMAX في محرك Python. التنبؤ بالمستقبل يحتاج قيمها المستقبلية.

الدرس: SARIMA والمتغيرات الخارجية

مجموع المربعات الشرطي (CSS)

طريقة تقدير لـ ARIMA تقلل مجموع مربعات أخطاء التنبؤ خطوة واحدة مشروطة بالقيم الأولى. يستخدمها المختبر في المتصفح.

الدرس: نماذج ARIMA ومنهجية Box-Jenkins