الموسوعة

خطأ التدريب هو الخطأ الذي يحدث في بيانات التدريب. هو متوسط خسارة النموذج في بيانات التدريب.

التوقع الأقصى هو خوارزمية للعثور على أقصى تقديرات الاحتمالية، أو أقصى تقديرات لاحقة، للمعلمات في نموذج الاحتمال حيث يعتمد نموذج الاحتمال على متغير تابع غير قابل للملاحظة. تُستخدم خوارزمية التوقع الأقصى بشكل شائع في مجال تجميع البيانات في التعلم الآلي ورؤية الكمبيوتر. يتم حسابه في خطوتين: حساب التوقع E: استخدام التقديرات الموجودة للمتغيرات المخفية […]

الإفراط في التجهيز هو ظاهرة في التعلم الآلي. يشير إلى الموقف الذي يتم فيه تعلم بعض السمات الموجودة في العينة والتي ليست ضرورية للتصنيف. في هذا الوقت، نموذج شجرة القرار المستفاد ليس هو النموذج الأمثل وسيؤدي إلى انخفاض في أداء التعميم.

الخسارة المتوقعة هي القدرة التنبؤية لجميع العينات وهي مفهوم عالمي؛ المخاطر التجريبية هي مفهوم محلي يمثل فقط القدرة التنبؤية لوظيفة القرار للعينات الموجودة في مجموعة بيانات التدريب. المخاطر التجريبية والمخاطر المتوقعة المخاطر التجريبية هي مخاطر محلية. وبناءً على تقليل دالة الخسارة لجميع نقاط العينة في مجموعة التدريب، فإن المخاطر التجريبية تكون مثالية محليًا ويمكن الحصول عليها بشكل واقعي. […]

تصنيف بايز الساذج (NBC) هو تصنيف احتمالي مشروط يعتمد على بايز الساذج.

يشير مصطلح بايز الساذج إلى التنبؤ بالتصنيف بناءً على احتمال ظهور كل فئة فقط. هي خوارزمية تصنيف تعتمد على نظرية الاحتمالات. تعتمد الخوارزمية على الصيغة البايزية.

اختبار t المقترن هو اختبار t شائع الاستخدام. يشير إلى الحصول على مجموعتين من العينات في ظل ظروف مختلفة من نفس السكان للتحليل من أجل تقييم ما إذا كانت الظروف المختلفة لها تأثير كبير. قد تشير الظروف المختلفة إلى بيئات تخزين مختلفة، وأنظمة قياس مختلفة، وما إلى ذلك.

يشير عدم الملاءمة إلى الموقف الذي لا يتناسب فيه النموذج مع بيانات التدريب بشكل جيد. يتم استخدامه عادة لتقييم قدرة التعلم النموذجي والتعميم.

إن تعريف المصنف هو إنشاء نموذج تصنيف يعتمد على البيانات الموجودة. يمكن لهذا النموذج ربط سجلات البيانات في قاعدة البيانات بإحدى الفئات المحددة، بحيث يمكن تطبيقها على التنبؤ بالبيانات. بناء وتنفيذ المصنف يمر بناء وتنفيذ المصنف عمومًا بالخطوات التالية: اختيار العينات (بما في ذلك العينات الإيجابية والعينات السلبية […]

الوزن هو مفهوم نسبي ويشير إلى مؤشر معين. يشير وزن المؤشر إلى الأهمية النسبية للمؤشر في التقييم الشامل.

إن التقليل من العينات هو طريقة للتخلص من بعض العينات لتخفيف اختلال التوازن الطبقي. وهذا يعني تقليل العينات بشكل مناسب من الفئات التي تحتوي على عدد كبير من العينات (فئات الأغلبية) في مجموعة التدريب.

الهامش الناعم هو أسلوب يستخدم للتعامل مع المشاكل الخطية غير القابلة للفصل وتقليل تأثير الضوضاء. الهامش الناعم هو ممارسة تسمح ببعض نقاط الخطأ في التصنيف.

الدالة الأساسية الشعاعية (RBF) هي دالة قياسية متماثلة شعاعيًا. يتم تعريفه عادة على أنه المسافة من أي نقطة X في الفضاء إلى مركز X_ج دالة رتيبة للمسافة بينهما. يمكن كتابتها على النحو التالي: K ( || X – X _ج || ), غالبًا ما يكون تأثيره محليًا، أي عندما يكون X بعيدًا عن X_ج قيمة الوظيفة صغيرة جدًا.

الحوسبة الكمومية هي نوع جديد من طرق الحوسبة تعتمد على التأثيرات الكمومية. المبدأ الأساسي هو استخدام البتات الكمومية كوحدات ترميز وتخزين للمعلومات، وإكمال مهام الحوسبة من خلال التطور المتحكم فيه لعدد كبير من البتات الكمومية. مقارنة بين الحوسبة الكمومية والحوسبة التقليدية (1) التعبير عن المعلومات في الحوسبة التقليدية، وحدة تشغيل الحاسوب هي نسبة 0 أو 1 […]

الكمبيوتر الكمومي هو جهاز يستخدم المنطق الكمومي لإجراء عمليات حسابية عامة. إنه شكل تنفيذي محدد للحوسبة الكمومية.

الشبكة العصبية الكمومية (QNN) هي شبكة مكونة من عدة خلايا عصبية كمومية وفقًا لبنية طوبولوجي معينة.

تشير المتانة إلى قدرة نظام الكمبيوتر على التعامل مع الأخطاء أثناء التنفيذ وقدرة الخوارزمية على الاستمرار في العمل بشكل طبيعي عند مواجهة الشذوذ مثل الإدخال والحساب.

التعلم الخاضع للإشراف هو أسلوب تعلم آلي حيث يكون الناتج مرتبطًا بالمدخلات. يمكن تعلم نمط أو إنشائه من بيانات التدريب ويمكن استنتاج حالات جديدة استنادًا إلى هذا النمط.

المخاطر الهيكلية هي حل وسط بين المخاطر التجريبية والمخاطر المتوقعة. يتم إضافة مصطلح التنظيم (مصطلح العقوبة) بعد دالة المخاطر التجريبية للحصول على المخاطر الهيكلية.

يعد تقليل المخاطر الهيكلية (SRM) مبدأ استقرائيًا في التعلم الآلي. يتم استخدامه غالبًا كاستراتيجية لمنع الإفراط في التجهيز.

دالة الضغط هي دالة تقوم بضغط نطاق أكبر من المدخلات إلى نطاق أصغر. تُستخدم غالبًا كوظيفة تنشيط.

التصويت المرجح هو أسلوب تصويت يأخذ الأوزان في الاعتبار.

تحليل المكونات الأقرب (NCA) هي طريقة تعلم قياس المسافة المرتبطة بـ KNN (أقرب جيران K) وهي طريقة تعلم خاضعة للإشراف. وقد تم اقتراحه لأول مرة من قبل جولدبرجر وآخرون. في عام 2004.

تمثل مصفوفة التشتت داخل الفئة تشتت كل نقطة عينة حول المتوسط.