التحقق من صحة النموذج هو عملية تقييم أداء نموذج التعلم الآلي (ML) على مجموعة بيانات منفصلة عن مجموعة بيانات التدريب. تُعد هذه خطوة مهمة في عملية تطوير نموذج التعلم الآلي لأنها تساعد في ضمان تعميم النموذج على البيانات الجديدة غير المرئية وعدم ملاءمته بشكل مفرط لبيانات التدريب.

إن أخذ العينات المبني على التجميع هو أسلوب تعليمي نشط شائع يختار أمثلة إعلامية للتصنيف. يتم إنشاء مجموعة من البيانات غير المصنفة، ويختار النموذج الأمثلة الأكثر إفادة للتعليق عليها من قبل الإنسان. يتم استخدام هذه الأمثلة المصنفة لإعادة تدريب النموذج، ويتم تكرار العملية.

يتم استخدام Bot Frame لإنشاء الروبوتات وتحديد سلوكياتها.

معلمات النموذج هي متغيرات تتحكم في سلوك نموذج التعلم الآلي (ML). غالبًا ما يتم تدريبهم على البيانات ويقومون بالتنبؤات أو الاختيارات بناءً على حقائق جديدة وغير متوقعة. تشكل معلمات النموذج جزءًا مهمًا من نموذج التعلم الآلي لأنها تؤثر بشكل كبير على دقة وأداء النموذج.

الضوضاء هو مصطلح يستخدم لوصف المعلومات غير المرغوب فيها أو غير ذات الصلة في صورة أو مقطع فيديو. يمكن أن يحدث ذلك بسبب مجموعة متنوعة من العوامل، بما في ذلك ضوضاء المستشعر، وآثار الضغط، والعوامل البيئية مثل ظروف الإضاءة والانعكاسات. يمكن للضوضاء أن تؤدي إلى تدهور جودة ووضوح الصورة أو الفيديو بشكل كبير، وقد تجعل من الصعب تحليل محتوى الصورة أو تفسيره بدقة.

التجزئة البانورامية هي مهمة رؤية حاسوبية تتضمن تقسيم صورة أو مقطع فيديو إلى كائنات مختلفة وأجزائها الخاصة ووضع علامة على كل بكسل بالفئة المقابلة.

في التعلم الآلي، تحدث أخطاء النوع 2 (وتسمى أيضًا النتائج السلبية الخاطئة) عندما يتنبأ النموذج بشكل غير صحيح بأن حالة أو سمة معينة غير موجودة بينما توجد بالفعل.

في التعلم الآلي، تحدث أخطاء النوع الأول، والمعروفة أيضًا باسم الإيجابيات الكاذبة (FP)، عندما يتنبأ النموذج بشكل غير صحيح بوجود حالة أو سمة عندما لا يكون موجودًا في الواقع.

النموذج المدرب مسبقًا هو نموذج التعلم الآلي (ML) الذي تم تدريبه على مجموعة بيانات كبيرة ويمكن ضبطه بدقة لمهمة محددة. غالبًا ما يتم استخدام النماذج المدربة مسبقًا كنقطة بداية لتطوير نماذج التعلم الآلي؛ إنها توفر مجموعة أولية من الأوزان والتحيزات التي يمكن ضبطها بدقة لمهمة محددة.

دقة النموذج، والتي تسمى أيضًا دقة النموذج، هي مقياس لقدرة نموذج التعلم الآلي (ML) على تقديم تنبؤات أو اتخاذ قرارات بناءً على البيانات. إنه مقياس شائع لتقييم أداء نماذج التعلم الآلي ويمكن استخدامه لمقارنة أداء نماذج مختلفة أو لتقييم فعالية نموذج معين لمهمة معينة.

في فرع الرياضيات المعروف بالتحليل العددي، فإن الاستيفاء متعدد الحدود هو عملية استيفاء مجموعة معينة من البيانات باستخدام متعدد الحدود. بعبارة أخرى، بالنسبة لمجموعة معينة من البيانات (مثل البيانات من العينات)، فإن الهدف هو العثور على كثير حدود يمر عبر نقاط البيانات هذه.

في مجال التعلم الآلي (ML)، الاستيفاء هو عملية تقدير قيمة دالة أو مجموعة بيانات عند نقاط بين نقاط البيانات المعروفة. غالبًا ما يتم استخدام الاستيفاء لملء القيم المفقودة في مجموعة البيانات أو لإزالة الضوضاء أو المخالفات في البيانات.

في التعلم الآلي (ML)، معدل التعلم هو معلمة فائقة تحدد حجم الخطوة لتحديث معلمات النموذج أثناء التدريب.

تعتبر النقطة الرئيسية مفهومًا شائعًا جدًا في مجال الرؤية الحاسوبية. النقاط الرئيسية هي نقاط فريدة أو بارزة في صورة أو مقطع فيديو يمكن استخدامها لتحديد أو وصف أو مطابقة الكائنات أو الميزات في مشهد ما.

متوسط الدقة المتوسطة (mAP) هو مقياس أداء يستخدم على نطاق واسع في مهام اكتشاف الكائنات في التعلم الآلي.

دورة الحياة في التعلم الآلي (ML) هي عملية تطوير ونشر نماذج التعلم الآلي لحل المشكلات الواقعية. يتضمن ذلك عادةً سلسلة من الخطوات بما في ذلك إعداد البيانات، وتدريب النموذج وتقييمه، ونشر النموذج، ومراقبته، وصيانته.

في مجال التعلم الآلي (ML)، تشير أخطاء التسمية إلى تسميات غير صحيحة أو غير دقيقة تم تعيينها لأمثلة في مجموعة بيانات.

العلامات في الرؤية الحاسوبية هي تعليقات نصية أو رقمية مخصصة للأشياء أو المناطق ذات الاهتمام في الصور أو مقاطع الفيديو.

تقاطع الاتحاد (IOU) هو مقياس أداء يستخدم لتقييم دقة خوارزميات التوضيح والتجزئة واكتشاف الكائنات. يقوم بقياس التداخل بين المربعات الحدودية المتوقعة أو المناطق المجزأة والمربعات الحدودية الحقيقية أو المناطق الموضحة في مجموعة البيانات.

تقسيم المثيلات هو أحد تقنيات الرؤية الحاسوبية التي تحدد وتقسم الكائنات الفردية في الصورة؛ على عكس التجزئة الدلالية، والتي تقوم بتجميع وحدات البكسل على أساس المعنى الدلالي (على سبيل المثال، الطريق، السماء، الشخص)، فإن تجزئة المثيلات تميز بين مثيلات متعددة من نفس فئة الكائن.

في مجال الرؤية الحاسوبية، تستخدم الصور ذات التدرج الرمادي مجموعة من ظلال التدرج الرمادي بدلاً من الطيف الكامل لتمثيل مشهد أو كائن. يتم إنشاء الصور ذات التدرجات الرمادية عادةً عن طريق تحويل صورة كاملة الألوان إلى صورة أحادية القناة، حيث يتم تمثيل شدة كل بكسل بقيمة واحدة بين 0 (أسود) و255 (أبيض).

في التعلم الآلي، الميزات هي المتغيرات أو السمات المدخلة المستخدمة لتدريب النموذج. تمثل هذه الميزات خصائص أو خصائص البيانات التي يتم تحليلها ويستخدمها النموذج لإجراء التنبؤات أو التصنيفات.

الإطارات في الثانية (fps) هو مقياس لعدد الصور الثابتة أو الإطارات التي يتم عرضها في ثانية واحدة من مقطع فيديو أو رسوم متحركة.

HITL هي عملية ردود فعل تكرارية يتفاعل من خلالها الشخص (أو الفريق) مع نظام تم إنشاؤه خوارزميًا (على سبيل المثال، الرؤية الحاسوبية، أو التعلم الآلي، أو الذكاء الاصطناعي).

التحقق من صحة النموذج هو عملية تقييم أداء نموذج التعلم الآلي (ML) على مجموعة بيانات منفصلة عن مجموعة بيانات التدريب. تُعد هذه خطوة مهمة في عملية تطوير نموذج التعلم الآلي لأنها تساعد في ضمان تعميم النموذج على البيانات الجديدة غير المرئية وعدم ملاءمته بشكل مفرط لبيانات التدريب.

إن أخذ العينات المبني على التجميع هو أسلوب تعليمي نشط شائع يختار أمثلة إعلامية للتصنيف. يتم إنشاء مجموعة من البيانات غير المصنفة، ويختار النموذج الأمثلة الأكثر إفادة للتعليق عليها من قبل الإنسان. يتم استخدام هذه الأمثلة المصنفة لإعادة تدريب النموذج، ويتم تكرار العملية.

يتم استخدام Bot Frame لإنشاء الروبوتات وتحديد سلوكياتها.

معلمات النموذج هي متغيرات تتحكم في سلوك نموذج التعلم الآلي (ML). غالبًا ما يتم تدريبهم على البيانات ويقومون بالتنبؤات أو الاختيارات بناءً على حقائق جديدة وغير متوقعة. تشكل معلمات النموذج جزءًا مهمًا من نموذج التعلم الآلي لأنها تؤثر بشكل كبير على دقة وأداء النموذج.

الضوضاء هو مصطلح يستخدم لوصف المعلومات غير المرغوب فيها أو غير ذات الصلة في صورة أو مقطع فيديو. يمكن أن يحدث ذلك بسبب مجموعة متنوعة من العوامل، بما في ذلك ضوضاء المستشعر، وآثار الضغط، والعوامل البيئية مثل ظروف الإضاءة والانعكاسات. يمكن للضوضاء أن تؤدي إلى تدهور جودة ووضوح الصورة أو الفيديو بشكل كبير، وقد تجعل من الصعب تحليل محتوى الصورة أو تفسيره بدقة.

التجزئة البانورامية هي مهمة رؤية حاسوبية تتضمن تقسيم صورة أو مقطع فيديو إلى كائنات مختلفة وأجزائها الخاصة ووضع علامة على كل بكسل بالفئة المقابلة.

في التعلم الآلي، تحدث أخطاء النوع 2 (وتسمى أيضًا النتائج السلبية الخاطئة) عندما يتنبأ النموذج بشكل غير صحيح بأن حالة أو سمة معينة غير موجودة بينما توجد بالفعل.

في التعلم الآلي، تحدث أخطاء النوع الأول، والمعروفة أيضًا باسم الإيجابيات الكاذبة (FP)، عندما يتنبأ النموذج بشكل غير صحيح بوجود حالة أو سمة عندما لا يكون موجودًا في الواقع.

النموذج المدرب مسبقًا هو نموذج التعلم الآلي (ML) الذي تم تدريبه على مجموعة بيانات كبيرة ويمكن ضبطه بدقة لمهمة محددة. غالبًا ما يتم استخدام النماذج المدربة مسبقًا كنقطة بداية لتطوير نماذج التعلم الآلي؛ إنها توفر مجموعة أولية من الأوزان والتحيزات التي يمكن ضبطها بدقة لمهمة محددة.

دقة النموذج، والتي تسمى أيضًا دقة النموذج، هي مقياس لقدرة نموذج التعلم الآلي (ML) على تقديم تنبؤات أو اتخاذ قرارات بناءً على البيانات. إنه مقياس شائع لتقييم أداء نماذج التعلم الآلي ويمكن استخدامه لمقارنة أداء نماذج مختلفة أو لتقييم فعالية نموذج معين لمهمة معينة.

في فرع الرياضيات المعروف بالتحليل العددي، فإن الاستيفاء متعدد الحدود هو عملية استيفاء مجموعة معينة من البيانات باستخدام متعدد الحدود. بعبارة أخرى، بالنسبة لمجموعة معينة من البيانات (مثل البيانات من العينات)، فإن الهدف هو العثور على كثير حدود يمر عبر نقاط البيانات هذه.

في مجال التعلم الآلي (ML)، الاستيفاء هو عملية تقدير قيمة دالة أو مجموعة بيانات عند نقاط بين نقاط البيانات المعروفة. غالبًا ما يتم استخدام الاستيفاء لملء القيم المفقودة في مجموعة البيانات أو لإزالة الضوضاء أو المخالفات في البيانات.

في التعلم الآلي (ML)، معدل التعلم هو معلمة فائقة تحدد حجم الخطوة لتحديث معلمات النموذج أثناء التدريب.

تعتبر النقطة الرئيسية مفهومًا شائعًا جدًا في مجال الرؤية الحاسوبية. النقاط الرئيسية هي نقاط فريدة أو بارزة في صورة أو مقطع فيديو يمكن استخدامها لتحديد أو وصف أو مطابقة الكائنات أو الميزات في مشهد ما.

متوسط الدقة المتوسطة (mAP) هو مقياس أداء يستخدم على نطاق واسع في مهام اكتشاف الكائنات في التعلم الآلي.

دورة الحياة في التعلم الآلي (ML) هي عملية تطوير ونشر نماذج التعلم الآلي لحل المشكلات الواقعية. يتضمن ذلك عادةً سلسلة من الخطوات بما في ذلك إعداد البيانات، وتدريب النموذج وتقييمه، ونشر النموذج، ومراقبته، وصيانته.

في مجال التعلم الآلي (ML)، تشير أخطاء التسمية إلى تسميات غير صحيحة أو غير دقيقة تم تعيينها لأمثلة في مجموعة بيانات.

العلامات في الرؤية الحاسوبية هي تعليقات نصية أو رقمية مخصصة للأشياء أو المناطق ذات الاهتمام في الصور أو مقاطع الفيديو.

تقاطع الاتحاد (IOU) هو مقياس أداء يستخدم لتقييم دقة خوارزميات التوضيح والتجزئة واكتشاف الكائنات. يقوم بقياس التداخل بين المربعات الحدودية المتوقعة أو المناطق المجزأة والمربعات الحدودية الحقيقية أو المناطق الموضحة في مجموعة البيانات.

تقسيم المثيلات هو أحد تقنيات الرؤية الحاسوبية التي تحدد وتقسم الكائنات الفردية في الصورة؛ على عكس التجزئة الدلالية، والتي تقوم بتجميع وحدات البكسل على أساس المعنى الدلالي (على سبيل المثال، الطريق، السماء، الشخص)، فإن تجزئة المثيلات تميز بين مثيلات متعددة من نفس فئة الكائن.

في مجال الرؤية الحاسوبية، تستخدم الصور ذات التدرج الرمادي مجموعة من ظلال التدرج الرمادي بدلاً من الطيف الكامل لتمثيل مشهد أو كائن. يتم إنشاء الصور ذات التدرجات الرمادية عادةً عن طريق تحويل صورة كاملة الألوان إلى صورة أحادية القناة، حيث يتم تمثيل شدة كل بكسل بقيمة واحدة بين 0 (أسود) و255 (أبيض).

في التعلم الآلي، الميزات هي المتغيرات أو السمات المدخلة المستخدمة لتدريب النموذج. تمثل هذه الميزات خصائص أو خصائص البيانات التي يتم تحليلها ويستخدمها النموذج لإجراء التنبؤات أو التصنيفات.

الإطارات في الثانية (fps) هو مقياس لعدد الصور الثابتة أو الإطارات التي يتم عرضها في ثانية واحدة من مقطع فيديو أو رسوم متحركة.

HITL هي عملية ردود فعل تكرارية يتفاعل من خلالها الشخص (أو الفريق) مع نظام تم إنشاؤه خوارزميًا (على سبيل المثال، الرؤية الحاسوبية، أو التعلم الآلي، أو الذكاء الاصطناعي).