أنواع تعلم الآلة والتدريب
| English | العربية |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | تعلم الآلة |
| backpropagation/ˌbækprəpəˈɡeɪʃn/ | انتشار الخلل العكسي |
| supervised learning/ˈsuːpəvaɪzd ˈlɜːnɪŋ/ | تعلم مشرف |
| classification/ˌklæsɪfɪˈkeɪʃn/ | التصنيف |
| unsupervised learning/ʌnˈsuːpəvaɪzd ˈlɜːnɪŋ/ | تعلم غير مشرف |
| clusters/ˈklʌstəz/ | تجمعات |
| reinforcement learning/ˌriːɪnˈfɔːsmənt ˈlɜːnɪŋ/ | تعلم بالتعزيز |
| agent/ˈeɪdʒənt/ | وكيل |
| reward/rɪˈwɔːd/ | مكافأة |
| policy/ˈpɒlɪsi/ | سياسة |
| gradient descent/ˈɡreɪdɪənt dɪˈsent/ | descent التدرج |
| loss function/lɒs ˈfʌŋkʃn/ | دالة الخسارة |
| epoch/ˈiːpɒk/ | حقبة |
البرنامج الذي تعلّم نفسه فتحة لم يلعبها أي إنسان
- مُنح AlphaGo Zero قواعد لعبة الغو ولا شيء آخر. لا ألعاب بشرية، لا كتاب فتحات، لا نصائح. لعب ضد نفسه، بدءًا من حركات عشوائية.
- خلال ثلاثة أيام تفوق على النسخة التي هزمت بطل العالم. وخلال ذلك أعاد اكتشاف قرون من نظريات الفتحات البشرية، ثم تخلص من أجزائها باعتبارها أدنى جودة.
- تعلم من رقم واحد بعد كل لعبة: الفوز أو الخسارة. هذا نوع مختلف تمامًا من التعلم عن عرض مليون صورة مصنّفة.
- هذه الدرس هو النماذج الثلاثة لـ تعلم الآلة، والبيانات التي يحتاجها كل نموذج، وكيف تتغير أوزان الشبكة فعليًا بواسطة انتشار التراجع.
التعلم الإشرافي
- التعلم الإشرافي يتدرب على بيانات تحمل تسميات: صور مصنّفة "قط" أو "كلب"، رسائل بريد إلكتروني محددة كرسائل مزعجة أو غير ذلك، منازل بأسعار بيعها.
- يتعلم النموذج العلاقة من المدخل إلى التسمية، ثم تُعطى له مدخلات لم يرَ من قبل ويُطلب منه إنتاج التسمية.
- ينقسم إلى تصنيف، حيث يكون المخرج فئة، وانحدار، حيث يكون المخرج رقمًا.
- تكلفته هي التسميات: يجب على شخص ما إنتاجها، وهو عمل بشري ضخم بالنسبة لمليون صورة.
أمثلة مصنّفة الداخلة، نموذج الخارج، ثم مدخلات غير مصنّفة
يستخدم التعلم المشرف:
يتعلم المشرف على أمثلة مُصنَّفة (مثل صور مُعلَّمة قطة/كلب).
التعلم غير الإشرافي
- التعلم غير الإشرافي يُعطى بيانات بدون تسميات ويُطلب منه إيجاد البنية فيها.
- الاستخدام الأكثر شيوعًا هو التجميع: تجميع العناصر المتشابهة في مجموعات، مثل العملاء الذين يشترون أشياء متشابهة، دون أن يقرر أحد مسبقًا ماهية المجموعات.
- هذه هي قوته وعيبه: يمكنه اكتشاف تجميع لم يشك به أحد، ولا يستطيع أن يخبرك بماذا يعني التجميع.
يُستخدم التعلم غير المشرف لـ:
بدون تصنيفات، يكتشف التعلم غير المشرف أنماطاً/تجمعات في البيانات.
التعلم المعزز
- التعلم المعزز لديه وكيل يتصرف في بيئة. كل إجراء يغير الحالة ويعيد مكافأة، قد تكون صفرًا لفترة طويلة.
- يتعلم الوكيل سياسة، وهي استراتيجية لاختيار الإجراءات، لتعظيم إجمالي مكافأته بمرور الوقت. يتعلم عن طريق التجربة والخطأ، بدون أي أمثلة مصنّفة على الإطلاق.
- يناسب المشكلات التي تكون تسلسلًا من القرارات حيث يظهر الخيار الصحيح فقط من خلال النتيجة النهائية: الألعاب، التحكم في الروبوت، السيارات ذاتية القيادة. هذه بالضبط حالة AlphaGo Zero.
في التعلم بالتعزيز، يتعلم الوكيل عن طريق:
يحاول الوكيل إجراءات، ويستقبل مكافآت، ويتعلم سياسة تعظم المكافأة طويلة المدى.
في التعلم بالتعزيز، يتعلم الوكيل ____ يعظم إجمالي مكافأته بمرور الوقت.
يتعلم عن طريق التجربة والخطأ من المكافآت، دون أي أمثلة مصنَّفة على الإطلاق، ولهذا فهو مناسب لسلاسل القرارات.
مثال محلول: اختر النموذج
- عشرة آلاف فحص طبي، كل منها مصنف من قبل طبيب بأنه يظهر ورمًا أو لا، تُستخدم لتدريب نظام على تحديد الفحوصات الجديدة. إشرافي: البيانات تحتوي على تسميات والمهمة هي تعلم المدخل إلى التسمية، وتحديدًا التصنيف.
- متجر يريد معرفة ما إذا كان عملاؤه ينتمون إلى مجموعات طبيعية، دون تحديد المجموعات مسبقًا. غير إشرافي: لا توجد تسميات، والمهمة هي إيجاد البنية، تحديدًا التجميع.
- ذراع روبوتية يجب أن تتعلم وضع المكونات، يُحكم عليها فقط بنجاح كل محاولة. معزز: وكيل، تسلسل من الإجراءات، ومكافأة بدلاً من تسمية.
- سمِّ النموذج، ثم برر من البيانات: مصنّفة، غير مصنّفة، أو إشارة مكافأة.
مختبر نوع تعلم الذكاء الاصطناعي
صنف أمثلة الذكاء الاصطناعي حسب نوع التعلم أو Concern المعني.
صل كل نموذج من نماذج تعلم الآلة ببيانه.
المشرف = تصنيفات؛ غير المشرف = لا تصنيفات؛ التعزيز = تغذية راجعة بالمكافأة.
صل كل موقف بنموذج تعلم الآلة الذي يحتاجه.
تسميات، لا تسميات، أو مكافأة. البيانات تحدد النموذج، وليس صعوبة المهمة.
التدريب بانتشار التراجع
- Training يعني ضبط الأوزان بحيث تطابق مخرجات الشبكة الأهداف. الطريقة هي انتشار التراجع مع ** descent التدرج**.
- التمرير الأمامي: إدخال مدخل عبر الشبكة والحصول على مخرجاتها. حساب الخطأ باستخدام دالة الخسارة، التي تقاس مدى تباعد المخرجات عن الهدف.
- التمرير العكسي: انتشار هذا الخطأ للخلف عبر الطبقات لإيجاد التدرج لكل وزن، أي مقدار مساهمة ذلك الوزن في الخطأ.
- التحديث: تغيير كل وزن بخطوة صغيرة عكس اتجاه تدرجه. حجم الخطوة هو معدل التعلم.
نزولاً للأسفل، خطوة صغيرة واحدة في كل مرة
يتم تدريب الشبكة بالانتشار العكسي من خلال:
يتدفق الخطأ من المخرجات عائداً عبر الشبكة (قاعدة السلسلة) ليتم إيجاد ميل كل وزن، ثم تتحرك الأوزان هبوطاً.
رتب دورة واحدة من التدريب بالانتشار العكسي.
أمامي، خطأ، عكسي، تحديث، متكرر عبر عدة دورات حتى يتوقف الخطأ عن الانخفاض.
epochs، ولماذا يُعد معدل التعلم مهمًا
- تمر واحد عبر مجموعة التدريب بأكملها يُسمى epoch. تتكرر عملية التدريب لعدة epochs حتى يتوقف الانخفاض في الخطأ.
- إذا كان كبيرًا جدًا، يتجاوز معدل التعلم الحد الأدنى ويقفز الخطأ حول؛ وإذا كان صغيرًا جدًا، تستغرق عملية التدريب وقتًا أطول بكثير مما يجب أن تستغرقه.
- بعد التدريب، استخدام النموذج هو مجرد مرور أمامي، ولهذا السبب يجيب الشبكة المدربة فورًا على الرغم من أن التدريب استغرق أيامًا.
في الهبوط التدرجي، يحدد معدل التعلم حجم خطوة تحديث كل وزن — إذا كان كبيراً جداً يتجاوز الحد الأدنى، وإذا كان صغيراً يجعل التدريب بطيئاً.
يوجد الانتشار العكسي ميل كل وزن؛ ومعدل التعلم يقيس مدى تحرك الوزن هبوطاً على هذا الميل.
أي العبارات حول التدريب صحيحة؟ حدد كل ما ينطبق.
معدل التعلم هو حجم كل تحديث للوزن. ولهذا قد يستغرق التدريب أياماً بينما تستغرق التنبؤات جزءاً من الثانية.
علامات ضائعة
- برر النماذج من خلال البيانات: البيانات الموصوفة تعني تعلمًا مشرفًا، والبيانات غير الموصوفة تعني تعلمًا غير مشرف، والإشارة التعويضية تعني التعلم المعزز.
- لا يوجد للتعلم المعزز أي تصنيفات. تسمية مكافأته بتصنيف هي ارتباك كلاسيكي.
- الانتشار العكسي هو أمامي، خطأ، عكسي، تحديث، مكرر. تسميته فقط "يعدّل الأوزان" هو نصف إجابة.
- معدل التعلم هو حجم كل خطوة، وليس سرعة التدريب أو عدد الepochs.
لقد فهمت الأمر
- المشرف يتعلم الإدخال إلى التصنيف من بيانات موصوفة، للتصنيف أو الانحدار · غير المشرف يكتشف البنية مثل العناقيد في بيانات غير موصوفة · المعزز له عامل يتعلم سياسة من مكافآت عن طريق التجربة والخطأ
- اختر النموذج من ما توفره البيانات، وليس من صعوبة المهمة
- الانتشار العكسي: مرور أمامي، خطأ من دالة الخسارة، مرور عكسي يعطي تدرج كل وزن، ثم تحديث بحجم تحدد بواسطة معدل التعلم
- تتكرر عملية التدريب لعدة epochs؛ استخدام النموذج المدرب هو مرور أمامي واحد