11 خوارزميات تعلم الآلة الأكثر شيوعًا 2022: ما هي أنواع خوارزميات التعلم الآلي؟

نشرت: 2022-08-31

في هذا المنشور ، سنلقي نظرة على أكثر خوارزميات التعلم الآلي شيوعًا وشرحها باختصار. سيساعدك هذا على فهم كيفية عملها ومتى تستخدمها.

تُستخدم خوارزميات التعلم الآلي على نطاق واسع في الأعمال والعلوم لعمل تنبؤات أو توصيات.

إذا كنت تعمل مع البيانات ، أو تخطط للعمل مع البيانات في المستقبل ، فأنت بحاجة إلى معرفة خوارزميات التعلم الآلي. لكن لا تقلق ، فأنت لست بحاجة إلى أن تكون عالم رياضيات عبقريًا لفهمها!

في منشور المدونة هذا ، سنقوم بتفصيل 11 من أكثر خوارزميات التعلم الآلي شيوعًا وشرحها باختصار. لذا ، سواء كنت قد بدأت للتو في علم البيانات أو كنت مهندسًا متمرسًا ، تابع القراءة للحصول على دورة مكثفة في خوارزميات التعلم الآلي.

إذا كنت مثل معظم المتخصصين في علوم البيانات ، فأنت دائمًا تبحث عن طرق جديدة ومبتكرة لتحسين نماذج التعلم الآلي الخاصة بك. ولكن مع وجود العديد من الخوارزميات المختلفة للاختيار من بينها ، قد يكون من الصعب معرفة من أين تبدأ.

Machine Learning Algorithms

في منشور المدونة هذا ، سنلقي نظرة على أحد عشر خوارزمية من أكثر خوارزميات التعلم الآلي شيوعًا ، ونوضح كيفية عملها باختصار.

مسلحًا بهذه المعرفة ، ستتمكن من اختيار الخوارزمية المناسبة للمهمة المطروحة والبدء في بناء نماذج أفضل بشكل أسرع.

جدول المحتويات

11 خوارزميات تعلم الآلة الأكثر شيوعًا في عام 2022

1. الانحدار الخطي

هي خوارزمية التعلم الآلي الأكثر شيوعًا. يتم استخدامه لنمذجة العلاقة بين متغير تابع (ص) ومتغير واحد أو أكثر من المتغيرات المستقلة (س). الهدف هو العثور على الخط الأنسب الذي يقلل الخطأ بين القيم المتوقعة والقيم الفعلية.

الانحدار الخطي هو طريقة تعلم إحصائي بسيطة ومستخدمة على نطاق واسع. تُستخدم نماذج الانحدار الخطي لوصف العلاقات بين المتغيرات من خلال ملاءمة خط للبيانات. هذه النماذج شائعة لأنها سهلة الفهم والتفسير ، ويمكن تطبيقها على مجموعة واسعة من البيانات.

يعد الانحدار الخطي أداة قوية لفهم العلاقات بين المتغيرات ، ولكن له حدود. تضع النماذج الخطية افتراضات حول البيانات التي قد لا تكون صحيحة ، ويمكن أن تكون متحيزة من قبل القيم المتطرفة. بالإضافة إلى ذلك ، لا يمكن للنماذج الخطية التقاط العلاقات غير الخطية بين المتغيرات.

على الرغم من هذه القيود ، لا يزال الانحدار الخطي أداة قيمة لفهم البيانات. في هذا البرنامج التعليمي ، سوف نتعلم المزيد عن الانحدار الخطي وكيفية بناء نماذج خطية في R. وسنتعرف أيضًا على بعض قيود الانحدار الخطي وكيفية التغلب عليها.

2. الانحدار اللوجستي

يشبه الانحدار الخطي ، ولكنه يستخدم عندما يكون المتغير التابع ثنائيًا (1 أو 0). الهدف هو العثور على الخط الأنسب الذي يزيد من احتمالية التنبؤ الصحيح.

يشبه الانحدار اللوجستي الانحدار الخطي ، لكن التنبؤات التي يتم إجراؤها بواسطة الانحدار اللوجستي ليست مستمرة. بدلاً من ذلك ، فهي ثنائية التفرع ، مما يعني أنه لا يوجد سوى نتيجتين محتملتين .

على سبيل المثال ، يمكن استخدام نموذج الانحدار اللوجستي للتنبؤ بما إذا كان البريد الإلكتروني هو بريد عشوائي أم لا ، بناءً على كلمات معينة تظهر في البريد الإلكتروني.

الانحدار اللوجستي أداة قوية ، لكنها لا تخلو من قيودها. أحد أكبر القيود هو أنه لا يمكن استخدامه إلا للتنبؤ بالنتائج ثنائية التفرع. بمعنى آخر ، يمكنه فقط التنبؤ بما إذا كان حدث ما سيحدث أم لا ، وليس مدى احتمالية حدوثه.

يتمثل أحد القيود الأخرى للانحدار اللوجستي في أنه يفترض أن جميع المتغيرات مستقلة عن بعضها البعض.

هذا ليس هو الحال دائمًا في مجموعات البيانات الواقعية. على الرغم من قيودها ، فإن الانحدار اللوجستي هو أسلوب إحصائي مستخدَم على نطاق واسع ، ويمكن أن يكون مفيدًا جدًا في التنبؤ بالأحداث.

3. دعم آلات المتجهات

هي نوع من خوارزمية تعلم الآلة الخطية. يتم استخدامها لكل من التصنيف والانحدار. الهدف هو العثور على المستوى الفائق الذي يزيد الهامش بين الفئتين.

آلات المتجهات الداعمة (SVMs) هي نوع من خوارزمية التعلم الخاضع للإشراف التي يمكن استخدامها لكل من مهام التصنيف والانحدار. تعد SVMs خيارًا شائعًا لمهام التعلم الآلي نظرًا لقدرتها على إنتاج نتائج دقيقة ببيانات قليلة نسبيًا.

تعمل SVMs عن طريق تعيين البيانات في مساحة عالية الأبعاد ثم العثور على المستوى الفائق الذي يفصل البيانات بشكل أفضل إلى فئات. ثم يتم استخدام هذا المستوى الفائق لعمل تنبؤات بشأن البيانات الجديدة.

تعد SVMs فعالة أيضًا في الحالات التي لا يمكن فيها فصل البيانات خطيًا. في هذه الحالات ، يمكن أن تستخدم SVM خدعة kernel لتحويل البيانات بحيث تصبح قابلة للفصل خطيًا. تتضمن النواة الشائعة المستخدمة مع SVMs نواة دالة الأساس الشعاعي (RBF) ونواة متعددة الحدود.

تتمتع SVMs بعدد من المزايا مقارنة بخوارزميات التعلم الآلي الأخرى ، بما في ذلك:

- القدرة على الحصول على نتائج دقيقة ببيانات قليلة نسبيًا

- القدرة على العمل مع البيانات غير القابلة للفصل خطيًا

- القدرة على استخدام النواة لتحويل البيانات بحيث تصبح قابلة للفصل خطيًا

تحتوي SVMs أيضًا على بعض العيوب ، بما في ذلك:

- الحاجة إلى ضبط دقيق للمعلمات الفائقة

- احتمالية التجهيز الزائد إذا لم تكن البيانات كبيرة بما فيه الكفاية

اقرأ أيضا:

  • جاسبر آي نسخة تجريبية مجانية
  • كوبون جاسبر AI
  • LeadPages مقابل Instapage
  • Leadpages مقابل Unbounce
  • أفضل كتاب الذكاء الاصطناعي ، برنامج كتابة المحتوى
  • أفضل أدوات AI Copywriting
  • أفضل أدوات الذكاء الاصطناعي لأتمتة إعلانات Facebook الخاصة بك
  • تسعير Content Studio
  • مراجعة جاسبر AI
  • ما هي أفضل أدوات الغزل المادة

4. المصنفات الساذجة بايز

هي نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. وهي تستند إلى نظرية بايز وتقوم بالتنبؤات باستخدام نهج احتمالي.

كما رأينا ، فإن مصنف Bayes البسيط هو أداة تصنيف بسيطة جدًا وقوية. الفكرة الأساسية وراء المصنف هي العثور على مجموعة من الأوزان التي يمكن استخدامها للتمييز بين فئتين.

للقيام بذلك ، نحتاج أولاً إلى إيجاد مجموعة من الميزات المفيدة للتمييز بين الفئتين.

بمجرد العثور على هذه الميزات ، يمكننا بعد ذلك استخدامها لتدريب المصنف. يعتبر مصنف Bayes الساذج أداة شائعة جدًا للتصنيف ، وغالبًا ما يستخدم في تطبيقات التعلم الآلي.

الميزة الرئيسية لمصنف Bayes الساذج هو أنه سهل التنفيذ وسريع جدًا في التدريب. المصنف أيضًا قوي جدًا للضوضاء والقيم المتطرفة. ومع ذلك ، فإن المصنف له عيوب قليلة.

أولاً ، يقوم المصنف بافتراض قوي حول استقلالية الميزات. غالبًا ما يكون هذا الافتراض غير صحيح من الناحية العملية ، ويمكن أن يؤدي إلى ضعف الأداء. ثانيًا ، لا يتناسب مصنف Bayes الساذج جيدًا مع مجموعات البيانات الكبيرة.

هذا لأن المصنف يجب أن يحسب الاحتمالات لجميع الميزات في مجموعة البيانات ، والتي يمكن أن تستغرق وقتًا طويلاً. أخيرًا ، يمكن أن يكون مصنف Bayes الساذج متحيزًا إذا كانت بيانات التدريب لا تمثل بيانات الاختبار.

5. أشجار القرار

هي نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو العثور على شجرة القرار التي تقلل الخطأ.

تُستخدم أشجار التصنيف للتنبؤ بعلامة التصنيف (مثل نوع الحيوان ونوع السيارة).

تُستخدم أشجار الانحدار للتنبؤ بقيمة رقمية (مثل السعر ودرجة الحرارة).

يتم إنشاء أشجار التصنيف والانحدار من خلال تدريب خوارزمية على مجموعة بيانات. تبحث الخوارزمية عن الأنماط في البيانات وتستخدم تلك الأنماط لإنشاء شجرة.

ثم يتم استخدام الشجرة لعمل تنبؤات بشأن البيانات الجديدة. على سبيل المثال ، إذا كان لديك شجرة تصنيف تتنبأ بنوع الحيوان بناءً على ميزاته ، فيمكنك استخدام الشجرة للتنبؤ بنوع الحيوان لنقطة بيانات جديدة (مثل حيوان غير معروف).

لعمل تنبؤات ، تتبع الخوارزمية ببساطة مسار الشجرة من الجذر إلى الأوراق. يتم إجراء التنبؤ النهائي بأخذ تصويت الأغلبية للأوراق (لأشجار التصنيف) أو حساب متوسط ​​قيم الأوراق (لأشجار الانحدار).

تعتبر أشجار القرار أداة قوية لحل المشكلات ، لكنها ليست مثالية. أحد الجوانب السلبية لأشجار القرار هو أنها يمكن أن تفرط في بيانات التدريب.

هذا يعني أن الشجرة قد لا تعمم جيدًا على البيانات الجديدة ، وقد لا تكون دقيقة. لتجنب الإفراط في التجهيز ، من المهم استخدام إستراتيجية جيدة للتحقق من الصحة عند تدريب شجرة قرارك.

6. غابات عشوائية

هي نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو العثور على الغابة التي تقلل الخطأ.

الغابات العشوائية هي نوع من خوارزمية التعلم الآلي التي يتم استخدامها لكل من مهام التصنيف والانحدار. تعمل هذه الخوارزمية عن طريق إنشاء مجموعة من أشجار القرار ، يتم تدريب كل منها على مجموعة فرعية عشوائية من البيانات.

ثم يتم إجراء التنبؤ النهائي عن طريق حساب متوسط ​​تنبؤات جميع أشجار القرار الفردية. يتمتع هذا النهج بالعديد من المزايا مقارنة بخوارزميات التعلم الآلي الأخرى ، بما في ذلك الدقة المحسنة وتقليل التجهيز الزائد.

تعد الغابات العشوائية أداة قوية لكل من مهام التصنيف والانحدار. لديهم القدرة على التعامل مع مجموعات البيانات الكبيرة مع العديد من الميزات ، ويمكن أيضًا استخدامها لتحسين دقة خوارزميات التعلم الآلي الأخرى.

بالإضافة إلى ذلك ، تعد الغابات العشوائية سهلة الاستخدام والتفسير نسبيًا ، مما يجعلها خيارًا جيدًا للعديد من التطبيقات.

7. آلات تعزيز التدرج

هي نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو العثور على الجهاز الذي يقلل من الخطأ.

آلات تعزيز التدرج هي نوع من خوارزمية التعلم الآلي التي يمكن استخدامها لإنشاء نماذج تنبؤية. تعمل الخوارزمية عن طريق بناء النماذج بالتسلسل ثم دمجها لإنشاء نموذج نهائي.

تتمثل ميزة هذا النهج في أنه يمكن أن يساعد في تقليل فرط التخصيص لأن كل نموذج فردي أقل احتمالا لتزويد البيانات.

مقاطع فيديو ذات صلة بخوارزميات التعلم الآلي:

8. الشبكات العصبية

هي نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو العثور على الشبكة العصبية التي تقلل الخطأ.

الشبكات العصبية هي نوع من خوارزمية التعلم الآلي التي تُستخدم لنمذجة أنماط معقدة في البيانات. تشبه الشبكات العصبية خوارزميات التعلم الآلي الأخرى ، لكنها تتكون من عدد كبير من عقد المعالجة المترابطة ، أو الخلايا العصبية ، التي يمكنها التعرف على أنماط بيانات الإدخال.

تُستخدم الشبكات العصبية بشكل شائع في مهام مثل التعرف على الصور والتعرف على الكلام والترجمة الآلية.

تعد الشبكات العصبية أداة قوية للتعلم الآلي ، ولكنها أيضًا خوارزميات معقدة يصعب فهمها وضبطها. في هذا المنشور ، سوف نقدم بعض أساسيات الشبكات العصبية وكيفية عملها.

9. K- وسائل التجميع

هو نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو إيجاد الوسيلة k التي تقلل الخطأ.

K- يعني التجميع هو نوع من التعلم غير الخاضع للإشراف ، والذي يتم استخدامه عندما يكون لديك بيانات غير مسماة (أي بيانات بدون فئات أو مجموعات محددة). الهدف من هذه الخوارزمية هو العثور على مجموعات في البيانات ، مع تمثيل عدد المجموعات بالمتغير K.

تعمل الخوارزمية عن طريق تعيين كل نقطة بيانات إلى مجموعة ، ثم البحث بشكل متكرر عن النقطه الوسطى لكل مجموعة. تتكرر هذه العملية حتى تتوقف المجموعات عن التغيير.

10. تخفيض الأبعاد

هو نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو العثور على البعد المصغر الذي يقلل من الخطأ.

هناك طرق عديدة لأداء تقليل الأبعاد. الطريقة الأكثر شيوعًا هي تحليل المكونات الرئيسية (PCA).

PCA هو تحويل خطي يحول البيانات إلى نظام إحداثيات جديد بحيث يأتي أكبر تباين من خلال بعض الإسقاط للبيانات ليقع على المحور الأول ، وثاني أكبر تباين على المحور الثاني ، وهكذا.

تشمل الطرق الشائعة الأخرى لتقليل الأبعاد التحليل الخطي التمييزي (LDA) ورسم خرائط Sammon وعامل المصفوفة غير السالب (NMF) والتحجيم متعدد الأبعاد (MDS) و Isomap والتضمين الخطي محليًا (LLE) والمشفرات التلقائية.

غالبًا ما يتم استخدام تقليل الأبعاد كخطوة معالجة مسبقة لخوارزميات التعلم الآلي. يمكن أن يساعد في تحسين أداء هذه الخوارزميات عن طريق تقليل الضوضاء في البيانات وتسهيل اكتشاف الأنماط.

مقاطع فيديو ذات صلة بخوارزميات التعلم الآلي:

11. تعزيز التعلم

هو نوع من خوارزمية التعلم الآلي المستخدمة لكل من التصنيف والانحدار. الهدف هو إيجاد التعزيز الذي يقلل الخطأ.

التعلم المعزز هو نوع من التعلم الآلي يمكّن الوكلاء من التعلم من بيئتهم عن طريق التجربة والخطأ. يتلقى الوكلاء مكافآت مقابل إكمال مهام معينة ، مما يحفزهم على تعلم كيفية إكمال تلك المهام بكفاءة.

تم تطبيق التعلم المعزز على مجموعة متنوعة من مجالات المشكلات ، بما في ذلك الروبوتات ولعب الألعاب وأنظمة التحكم.

روابط سريعة:

  • ما هو التعلم الآلي؟ كيف يعمل التعلم الآلي؟
  • الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق: ما هي الاختلافات الرئيسية؟
  • ما هو الفرق بين الذكاء الاصطناعي (AI) والتعلم الآلي
  • ما هو التعلم الإلكتروني؟ تعرف على أهمية التعلم في التعليم

الخلاصة: خوارزميات التعلم الآلي 2022

في الختام ، تعد خوارزميات التعلم الآلي دراسة رائعة ولها العديد من التطبيقات العملية. على الرغم من أن هذا المقال قد خدش فقط سطح هذه الخوارزميات المعقدة ، نأمل أن يكون لديك الآن فهم أساسي لكيفية عملها.

إذا كنت ترغب في معرفة المزيد عن التعلم الآلي أو أي مجال آخر من مجالات علوم الكمبيوتر ، فلا تتردد في التواصل معنا.

يسعدنا دائمًا مساعدة علماء البيانات الناشئين في معرفة المزيد عن هذا المجال المثير!