التعلم الآلي ورقة الغش خوارزمية لمصمم التعلم الآلي Azure
تساعدك ورقة الغش في خوارزمية Azure التعلم الآلي على اختيار الخوارزمية المناسبة من المصمم لنموذج التحليلات التنبؤية.
يحتوي Azure التعلم الآلي على مكتبة كبيرة من الخوارزميات من عائلات التصنيفوأنظمة التوصيةوالتجميعوالكشف عن الشذوذوالانحداروتحليلات النص. تم تصميم كل منها لمعالجة نوع مختلف من مشاكل التعلم الآلي.
لمزيد من المعلومات، راجع كيفية تحديد الخوارزميات.
تحميل: التعلم الآلي خوارزمية ورقة الغش
قم بتنزيل ورقة الغش هنا: ورقة الغش في خوارزمية التعلم الآلي (11 × 17 بوصة)
قم بتنزيل ورقة الغش في خوارزمية التعلم الآلي وطباعتها بحجم صحيفة التابلويد لإبقائها في متناول اليد والحصول على مساعدة في اختيار الخوارزمية.
كيفية استخدام ورقة الغش خوارزمية التعلم الآلي
الاقتراحات المقدمة في ورقة الغش الخوارزمية هذه هي قواعد تقريبية للإبهام. يمكن ثني بعضها ، ويمكن انتهاك بعضها بشكل صارخ. تهدف ورقة الغش هذه إلى اقتراح نقطة بداية. لا تخف من إجراء منافسة مباشرة بين العديد من الخوارزميات على بياناتك. ببساطة لا يوجد بديل لفهم مبادئ كل خوارزمية والنظام الذي أنشأ بياناتك.
كل خوارزمية تعلم آلي لها أسلوبها الخاص أو تحيزها الاستقرائي. بالنسبة لمشكلة معينة ، قد تكون العديد من الخوارزميات مناسبة ، وقد تكون خوارزمية واحدة مناسبة بشكل أفضل من غيرها. ولكن ليس من الممكن دائما معرفة ذلك مسبقا ، وهو الأنسب. في مثل هذه الحالات ، يتم سرد العديد من الخوارزميات معا في ورقة الغش. تتمثل الاستراتيجية المناسبة في تجربة خوارزمية واحدة ، وإذا لم تكن النتائج مرضية بعد ، فجرب الخوارزميات الأخرى.
لمعرفة المزيد حول الخوارزميات في Azure التعلم الآلي مصمم، انتقل إلى مرجع الخوارزمية والمكونات.
أنواع التعلم الآلي
هناك ثلاث فئات رئيسية من التعلم الآلي: التعلم تحت الإشراف ، والتعلم غير الخاضع للإشراف ، والتعلم التعزيزي.
الخاضع للإشراف
في التعلم تحت الإشراف، يتم تصنيف كل نقطة بيانات أو ربطها بفئة أو قيمة ذات أهمية. مثال على التسمية الفئوية هو تعيين صورة إما على أنها قطة أو. مثال على ملصق القيمة هو سعر البيع المرتبط بسيارة مستعملة. الهدف من التعلم تحت الإشراف هو دراسة العديد من الأمثلة المصنفة مثل هذه ، ومن ثم تكون قادرة على إجراء تنبؤات حول نقاط البيانات المستقبلية. على سبيل المثال ، تحديد صور جديدة مع الحيوان الصحيح أو تعيين أسعار بيع دقيقة للسيارات المستعملة الأخرى. هذا هو نوع شائع ومفيد من التعلم الآلي.
التعلم غير الخاضع للإشراف
في التعلم غير الخاضع للإشراف، لا تحتوي نقاط البيانات على تسميات مرتبطة بها. بدلا من ذلك ، فإن الهدف من خوارزمية التعلم غير الخاضعة للإشراف هو تنظيم البيانات بطريقة ما أو وصف هيكلها. يقوم التعلم غير الخاضع للإشراف بتجميع البيانات في مجموعات ، كما تفعل K-means ، أو يجد طرقا مختلفة للنظر إلى البيانات المعقدة بحيث تبدو أبسط.
تعزيز التعلم
في التعلم المعزز ، تحصل الخوارزمية على اختيار إجراء استجابة لكل نقطة بيانات. إنه نهج شائع في الروبوتات ، حيث تكون مجموعة قراءات أجهزة الاستشعار في وقت ما نقطة بيانات ، ويجب على الخوارزمية اختيار الإجراء التالي للروبوت. كما أنها مناسبة بشكل طبيعي لتطبيقات إنترنت الأشياء. تتلقى خوارزمية التعلم أيضا إشارة مكافأة بعد وقت قصير ، مما يشير إلى مدى جودة القرار. بناء على هذه الإشارة ، تقوم الخوارزمية بتعديل استراتيجيتها من أجل تحقيق أعلى مكافأة.