التعلم الآلي

📅 آخر تحديث: ١٨ يوليو ٢٠٢٦
✍️ نُشر في: ١٨ يوليو ٢٠٢٦
📷 يحتوي على 12 صور
الموسوعة الحرة

يُعدّ التعلّم الآلي ( ML ) مجالًا من مجالات الذكاء الاصطناعي يهتم بتطوير ودراسة الخوارزميات الإحصائية القادرة على التعلّم من البيانات وتعميمها على بيانات غير مرئية، وبالتالي أداء المهام دون الحاجة إلى برمجتها بشكل صريح . [ 1 ] وقد مكّنت التطورات في مجال التعلّم العميق الشبكات العصبية ، وهي فئة من الخوارزميات الإحصائية، من التفوق على العديد من مناهج التعلّم الآلي السابقة من حيث الأداء.

تُشكّل الإحصاءات وأساليب التحسين الرياضي أساس التعلّم الآلي. ويُعدّ استخراج البيانات مجالًا دراسيًا ذا صلة، يركز على تحليل البيانات الاستكشافي (EDA) من خلال التعلّم غير الموجّه . [ 3 ] [ 4 ]

من وجهة نظر نظرية، يُقدّم التعلّم الصحيح تقريبًا إطارًا رياضيًا وإحصائيًا لوصف التعلّم الآلي. ويمكن وصف معظم خوارزميات التعلّم الآلي والتعلّم العميق التقليدية بأنها تقليل تجريبي للمخاطر في ظل هذا الإطار.

تاريخ

صاغ مصطلح " التعلم الآلي" عام 1959 آرثر صموئيل ، وهو موظف في شركة IBM ورائد في مجال ألعاب الكمبيوتر والذكاء الاصطناعي . [ 5 ] [ 6 ] كما استُخدم مصطلح " الحواسيب ذاتية التعليم" كمرادف له خلال تلك الفترة. [ 7 ] [ 8 ]

ظهر أول برنامج للتعلم الآلي في خمسينيات القرن العشرين، عندما ابتكر صموئيل برنامجًا حاسوبيًا لحساب احتمالية الفوز في لعبة الداما لكل جانب، إلا أن تاريخ التعلم الآلي متجذر في عقود من الجهود المبذولة لدراسة العمليات المعرفية البشرية. [ 9 ] في عام 1949، نشر عالم النفس الكندي دونالد هيب كتاب "تنظيم السلوك" ، الذي قدم فيه بنية عصبية نظرية تتشكل من خلال تفاعلات معينة بين الخلايا العصبية . [ 10 ] أرست نظرية هيب لتفاعل الخلايا العصبية الأساس لكيفية عمل العديد من خوارزميات التعلم الآلي، حيث تُغير الخلايا العصبية الاصطناعية المتصلة قوة روابطها بناءً على البيانات. [ 9 ] كما ساهم باحثون آخرون درسوا الأنظمة المعرفية البشرية في تقنيات التعلم الآلي الحديثة، بمن فيهم والتر بيتس ووارن ماكولوتش ، اللذان اقترحا أول نموذج رياضي للشبكات العصبية يتضمن خوارزميات تحاكي عمليات التفكير البشري. [ 9 ]

بحلول أوائل الستينيات، طورت شركة رايثيون "آلة تعلم" تجريبية مزودة بذاكرة شريطية مثقبة ، تُسمى سايبرترون، لتحليل إشارات السونار ، وتخطيطات القلب الكهربائية ، وأنماط الكلام باستخدام التعلم المعزز البدائي . وكان يتم "تدريبها" بشكل متكرر من قبل مُشغل/معلم بشري للتعرف على الأنماط، وزُودت بزر " تصحيح " لإعادة تقييم القرارات الخاطئة. [ 11 ] ومن الكتب الرائدة في مجال أبحاث التعلم الآلي خلال الستينيات كتاب نيلز نيلسون "آلات التعلم"، الذي تناول بشكل أساسي التعلم الآلي لتصنيف الأنماط . [ 12 ] استمر الاهتمام بالتعرف على الأنماط حتى سبعينيات القرن العشرين، كما وصفه دودا وهارت في عام 1973. [ 13 ] في عام 1981، قُدِّم تقريرٌ حول استخدام استراتيجيات تعليمية لتمكين الشبكة العصبية الاصطناعية من التعرف على 40 حرفًا (26 حرفًا، و10 أرقام، و4 رموز خاصة) من طرفية حاسوب. [ 14 ]

قدّم توم م. ميتشل تعريفًا رسميًا واسع الانتشار للخوارزميات المدروسة في مجال التعلّم الآلي: "يُقال إن برنامج الحاسوب يتعلّم من التجربة E فيما يتعلق بفئة معينة من المهام T ومقياس الأداء P إذا تحسّن أداؤه في المهام ضمن T ، كما يُقاس بواسطة P ، مع التجربة E. " [ 15 ] هذا التعريف للمهام التي يهتم بها التعلّم الآلي هو تعريف عملي في جوهره ، وليس تعريفًا للمجال من الناحية المعرفية. ويتبع هذا اقتراح آلان تورينج في ورقته البحثية " آلات الحوسبة والذكاء "، حيث استُبدل السؤال "هل تستطيع الآلات التفكير؟" بالسؤال عما إذا كانت الآلات قادرة على محاكاة الإنسان بشكل مقنع في استجاباتها للأسئلة التي يطرحها الإنسان. [ 16 ] [ 17 ]

في عام 2014، قدّم إيان غودفيلو وآخرون الشبكات التوليدية التنافسية (GANs) التي يمكنها إنتاج بيانات اصطناعية واقعية. [ 18 ] وبحلول عام 2016 ، فاز برنامج ألفا غو على أفضل اللاعبين البشريين في لعبة غو باستخدام تقنيات التعلم المعزز . [ 19 ]

العلاقات مع المجالات الأخرى

الذكاء الاصطناعي

التعلم العميق هو مجموعة فرعية من التعلم الآلي، والذي هو بدوره مجموعة فرعية من الذكاء الاصطناعي . [ 20 ]

كمجال علمي، نشأ التعلّم الآلي من رحم السعي نحو الذكاء الاصطناعي . في بدايات الذكاء الاصطناعي كتخصص أكاديمي ، انصبّ اهتمام بعض الباحثين على جعل الآلات تتعلم من البيانات. حاولوا معالجة هذه المشكلة باستخدام أساليب رمزية متنوعة، بالإضافة إلى ما كان يُعرف آنذاك بـ" الشبكات العصبية "؛ وكانت هذه في معظمها نماذج البيرسيبترون وغيرها من النماذج التي تبيّن لاحقًا أنها إعادة ابتكار للنماذج الخطية المعممة للإحصاء. [ 21 ] كما استُخدم الاستدلال الاحتمالي ، لا سيما في التشخيص الطبي الآلي . [ 22 ] : 488

مع ذلك، أدى التركيز المتزايد على المنهج المنطقي القائم على المعرفة إلى انفصال بين الذكاء الاصطناعي والتعلم الآلي. فقد عانت الأنظمة الاحتمالية من مشاكل نظرية وعملية في جمع البيانات وتمثيلها. [ 22 ] : 488. وبحلول عام 1980، هيمنت أنظمة الخبراء على الذكاء الاصطناعي، وتراجعت شعبية الإحصاء. [ 23 ] استمر العمل على التعلم الرمزي/القائم على المعرفة ضمن مجال الذكاء الاصطناعي، مما أدى إلى ظهور البرمجة المنطقية الاستقرائية (ILP)، لكن خط البحث الإحصائي أصبح خارج نطاق الذكاء الاصطناعي، وتحديدًا في مجال التعرف على الأنماط واسترجاع المعلومات . [ 22 ] : 708-710، 755. وفي نفس الفترة تقريبًا، تخلى الذكاء الاصطناعي وعلوم الحاسوب عن أبحاث الشبكات العصبية. واستمر هذا المجال الفرعي، المسمى " الترابطية "، على يد باحثين من تخصصات أخرى، من بينهم جون هوبفيلد ، وديفيد روميلهارت ، وجيفري هينتون . وحققوا نجاحهم الأبرز في منتصف الثمانينيات مع إعادة ابتكار خوارزمية الانتشار العكسي . [ 22 ] : 25

بدأ مجال التعلم الآلي، الذي أعيد تنظيمه واعتُرف به كمجال مستقل، بالازدهار في تسعينيات القرن الماضي. وقد غيّر هذا المجال هدفه من تحقيق الذكاء الاصطناعي إلى معالجة المشكلات العملية القابلة للحل. كما حوّل تركيزه بعيدًا عن المناهج الرمزية التي ورثها من الذكاء الاصطناعي، نحو أساليب ونماذج مستعارة من الإحصاء والمنطق الضبابي ونظرية الاحتمالات . [ 23 ]

ضغط البيانات

ثمة ارتباط وثيق بين التعلم الآلي والضغط. يمكن استخدام نظام يتنبأ بالاحتمالات اللاحقة لتسلسل ما، بناءً على تاريخه الكامل، لتحقيق ضغط البيانات الأمثل (باستخدام الترميز الحسابي على توزيع المخرجات). في المقابل، يمكن استخدام ضاغط أمثل للتنبؤ (بإيجاد الرمز الذي يُضغط على أفضل وجه، بالنظر إلى التاريخ السابق). وقد استُخدم هذا التكافؤ كمبرر لاستخدام ضغط البيانات كمعيار لـ"الذكاء العام". [ 24 ] [ 25 ] [ 26 ]

يمكن لوجهة نظر بديلة أن تُظهر أن خوارزميات الضغط تُحوّل السلاسل النصية ضمنيًا إلى متجهات في فضاء الميزات الضمني ، وأن مقاييس التشابه القائمة على الضغط تحسب التشابه داخل فضاءات الميزات هذه. لكل ضاغط C(.)، نُعرّف فضاء متجه مرتبطًا به ℵ، بحيث يُحوّل C(.) سلسلة الإدخال x، بما يتوافق مع معيار المتجه ||~x||. ونظرًا لضيق المساحة، لا يُمكننا إجراء فحص شامل لفضاءات الميزات التي تقوم عليها جميع خوارزميات الضغط؛ لذا، يختار هذا البحث دراسة ثلاث طرق ضغط غير ضائعة نموذجية، وهي LZW وLZ77 وPPM. [ 27 ]

وفقًا لنظرية AIXI ، وهي علاقة تم شرحها بشكل مباشر في جائزة هوتر ، فإن أفضل ضغط ممكن لـ x هو أصغر برنامج ممكن يقوم بإنشاء x. على سبيل المثال، في هذا النموذج، يشمل الحجم المضغوط لملف zip كلاً من ملف zip وبرنامج فك الضغط، حيث لا يمكنك فك ضغطه بدون كليهما، ولكن قد يكون هناك شكل مدمج أصغر.

من أمثلة برامج ضغط الصوت والفيديو المدعومة بالذكاء الاصطناعي: NVIDIA Maxine وAIVC. [ 28 ] ومن أمثلة البرامج التي يمكنها إجراء ضغط الصور المدعوم بالذكاء الاصطناعي: OpenCV و TensorFlow وأداة معالجة الصور في MATLAB (IPT) وتقنية ضغط الصور التوليدي عالي الدقة. [ 29 ]

في مجال التعلم الآلي غير الخاضع للإشراف ، يمكن استخدام خوارزمية التجميع k-means لضغط البيانات عن طريق تجميع نقاط البيانات المتشابهة في مجموعات. تُسهّل هذه التقنية التعامل مع مجموعات البيانات الضخمة التي تفتقر إلى تصنيفات مُحددة مسبقًا، وتُستخدم على نطاق واسع في مجالات مثل ضغط الصور . [ 30 ]

يهدف ضغط البيانات إلى تقليل حجم ملفات البيانات، مما يُحسّن كفاءة التخزين ويُسرّع نقل البيانات. تُستخدم خوارزمية التجميع K-means، وهي خوارزمية تعلّم آلي غير مُشرف عليها، لتقسيم مجموعة البيانات إلى عدد مُحدد من المجموعات، k، حيث تُمثل كل مجموعة بمركز نقاطها. تُكثّف هذه العملية مجموعات البيانات الكبيرة إلى مجموعة أكثر إحكامًا من النقاط التمثيلية. يُعدّ التجميع K-means مفيدًا بشكل خاص في معالجة الصور والإشارات ، حيث يُساعد في تقليل حجم البيانات عن طريق استبدال مجموعات نقاط البيانات بمراكزها، وبالتالي الحفاظ على المعلومات الأساسية للبيانات الأصلية مع تقليل مساحة التخزين المطلوبة بشكل كبير. [ 31 ]

تُعدّ نماذج اللغة الكبيرة (LLMs) أيضًا أدوات ضغط بيانات فعّالة بدون فقدان للبيانات في بعض مجموعات البيانات، كما أظهرت أبحاث DeepMind باستخدام نموذج Chinchilla 70B. وقد نجح هذا النموذج، الذي طورته DeepMind، في ضغط البيانات بكفاءة عالية، متفوقًا على الطرق التقليدية مثل PNG للصور و FLAC للصوت. وحقق ضغطًا لبيانات الصور والصوت بنسبة 43.4% و16.4% من حجمها الأصلي على التوالي. ومع ذلك، ثمة ما يدعو للقلق من أن مجموعة البيانات المستخدمة للاختبار تتداخل مع مجموعة بيانات تدريب نماذج اللغة الكبيرة، مما يجعل نموذج Chinchilla 70B أداة ضغط فعّالة فقط على البيانات التي تم تدريبه عليها مسبقًا. [ 32 ] [ 33 ]

استخراج البيانات

غالبًا ما يستخدم كل من التعلم الآلي واستخراج البيانات نفس الأساليب ويتداخلان بشكل كبير، ولكن بينما يركز التعلم الآلي على التنبؤ بناءً على الخصائص المعروفة المستخلصة من بيانات التدريب، يركز استخراج البيانات على اكتشاف خصائص غير معروفة سابقًا في البيانات (وهذه هي خطوة التحليل في اكتشاف المعرفة في قواعد البيانات). يستخدم استخراج البيانات العديد من أساليب التعلم الآلي، ولكن بأهداف مختلفة؛ من ناحية أخرى، يستخدم التعلم الآلي أيضًا أساليب استخراج البيانات كـ" تعلم غير مُشرف " أو كخطوة معالجة مسبقة لتحسين دقة المتعلم. ينشأ جزء كبير من الالتباس بين هذين المجالين البحثيين من الافتراضات الأساسية التي يعملان بها: في التعلم الآلي، يُقيّم الأداء عادةً بناءً على القدرة على إعادة إنتاج المعرفة المعروفة ، بينما في اكتشاف المعرفة واستخراج البيانات (KDD)، تتمثل المهمة الرئيسية في اكتشاف المعرفة غير المعروفة سابقًا . عند التقييم بناءً على المعرفة المعروفة، سيتفوق أداء الأساليب الخاضعة للإشراف بسهولة على الأساليب غير المُطلعة (غير المُشرفة)، بينما في مهمة KDD نموذجية، لا يمكن استخدام الأساليب الخاضعة للإشراف بسبب عدم توفر بيانات التدريب.

يرتبط التعلم الآلي ارتباطًا وثيقًا بالتحسين : تُصاغ العديد من مسائل التعلم على شكل تقليل دالة خسارة معينة على مجموعة تدريبية من الأمثلة. تعبر دوال الخسارة عن التباين بين تنبؤات النموذج قيد التدريب وحالات المشكلة الفعلية (على سبيل المثال، في التصنيف، يُراد إسناد تصنيف للحالات ، ويتم تدريب النماذج على التنبؤ بشكل صحيح بالتصنيفات المُسندة مسبقًا لمجموعة من الأمثلة). [ 34 ]

تعميم

يُعد توصيف تعميم خوارزميات التعلم المختلفة موضوعًا نشطًا للبحث الحالي، وخاصة بالنسبة لخوارزميات التعلم العميق .

إحصائيات

يُعدّ كلٌّ من التعلّم الآلي والإحصاء مجالين مترابطين بشكل وثيق من حيث الأساليب، ولكنهما يختلفان في هدفهما الرئيسي: فالإحصاء يستخلص استنتاجات عامة من عينة ، بينما يجد التعلّم الآلي أنماطًا تنبؤية قابلة للتعميم. [ 35 ]

تتطلب التحليلات الإحصائية التقليدية اختيار نموذج مُسبقًا يُناسب مجموعة بيانات الدراسة. إضافةً إلى ذلك، لا تُدرج في التحليل إلا المتغيرات المهمة أو ذات الصلة النظرية بناءً على الخبرة السابقة. في المقابل، لا يعتمد التعلّم الآلي على نموذج مُهيكل مُسبقًا؛ بل تُشكّل البيانات النموذج من خلال الكشف عن الأنماط الكامنة. وكلما زاد عدد المتغيرات (المدخلات) المُستخدمة لتدريب النموذج، زادت دقة النموذج النهائي. [ 36 ]

ميز ليو بريمان بين نموذجين للنمذجة الإحصائية: نموذج البيانات والنموذج الخوارزمي، [ 37 ] حيث يعني "النموذج الخوارزمي" إلى حد كبير خوارزميات التعلم الآلي مثل الغابة العشوائية .

وقد اعتمد بعض الإحصائيين أساليب من التعلم الآلي، مما أدى إلى ظهور مجال التعلم الإحصائي . [ 38 ]

الفيزياء الإحصائية

يمكن توسيع نطاق التقنيات التحليلية والحسابية المستمدة من الفيزياء الراسخة للأنظمة غير المنتظمة لتشمل المشكلات واسعة النطاق، بما في ذلك التعلم الآلي، على سبيل المثال، لتحليل فضاء الأوزان للشبكات العصبية العميقة . [ 39 ] وبالتالي، تجد الفيزياء الإحصائية تطبيقات في مجال التشخيص الطبي . [ 40 ]

نظرية

يتمثل أحد الأهداف الأساسية للمتعلم في التعميم انطلاقًا من خبرته. [ 2 ] [ 41 ] ويُقصد بالتعميم في هذا السياق قدرة آلة التعلم على الأداء بدقة على أمثلة/مهام جديدة غير مألوفة بعد خوضها تجربة مجموعة بيانات تدريبية. تأتي أمثلة التدريب من توزيع احتمالي غير معروف عمومًا (يُعتبر ممثلًا لمساحة الظواهر)، ويتعين على المتعلم بناء نموذج عام حول هذه المساحة يمكّنه من إنتاج تنبؤات دقيقة بما يكفي في الحالات الجديدة.

يُعدّ التحليل الحسابي لخوارزميات التعلّم الآلي وأدائها فرعًا من علوم الحاسوب النظرية يُعرف بنظرية التعلّم الحسابي . ومن أهمّ أطرها نموذج التعلّم الصحيح تقريبًا . ولأنّ مجموعات التدريب محدودة والمستقبل غير مؤكد، فإنّ نظرية التعلّم لا تُقدّم عادةً ضمانات لأداء الخوارزميات، بل تُقدّم حدودًا احتمالية للأداء. ويُعدّ تحليل التحيز والتباين أحد طرق قياس خطأ التعميم .

لتحقيق أفضل أداء في سياق التعميم، ينبغي أن تتطابق درجة تعقيد الفرضية مع درجة تعقيد الدالة التي تقوم عليها البيانات. فإذا كانت الفرضية أقل تعقيدًا من الدالة، فإن النموذج يكون غير ملائم للبيانات. وإذا زاد تعقيد النموذج استجابةً لذلك، فإن خطأ التدريب يقل. أما إذا كانت الفرضية معقدة للغاية، فإن النموذج يكون عرضة للتجاوز ، وبالتالي يكون التعميم أضعف. [ 42 ]

إلى جانب حدود الأداء، يدرس علماء نظرية التعلم تعقيد الوقت وجدوى التعلم. في نظرية التعلم الحسابي، تُعتبر العملية الحسابية مجدية إذا أمكن إنجازها في وقت متعدد الحدود . وهناك نوعان من نتائج تعقيد الوقت : نتائج إيجابية تُشير إلى إمكانية تعلم فئة معينة من الدوال في وقت متعدد الحدود، ونتائج سلبية تُشير إلى عدم إمكانية تعلم فئات معينة في وقت متعدد الحدود.

الأساليب

في التعلم الخاضع للإشراف ، يتم تصنيف بيانات التدريب بالإجابات المتوقعة، بينما في التعلم غير الخاضع للإشراف ، يحدد النموذج الأنماط أو الهياكل في البيانات غير المصنفة.

تنقسم أساليب التعلم الآلي تقليديًا إلى ثلاث فئات واسعة، والتي تتوافق مع نماذج التعلم، اعتمادًا على طبيعة "الإشارة" أو "التغذية الراجعة" المتاحة لنظام التعلم:

  • التعلم الخاضع للإشراف : يتم تزويد الكمبيوتر بمدخلات نموذجية ومخرجاتها المطلوبة، والتي يقدمها "معلم"، والهدف هو تعلم قاعدة عامة تربط المدخلات بالمخرجات.
  • التعلم غير الخاضع للإشراف : لا تُعطى أي تصنيفات لخوارزمية التعلم، مما يتركها لتكتشف البنية في مدخلاتها بنفسها. يمكن أن يكون التعلم غير الخاضع للإشراف هدفًا في حد ذاته (اكتشاف الأنماط الخفية في البيانات) أو وسيلة لتحقيق غاية ( تعلم الميزات ).
  • التعلم المعزز : يتفاعل برنامج حاسوبي مع بيئة ديناميكية حيث يتعين عليه تحقيق هدف معين (مثل قيادة مركبة أو لعب لعبة ضد خصم). أثناء تنقله في مساحة المشكلة، يتلقى البرنامج مكافآت كمعلومات مرتدة، يسعى إلى تعظيمها، مما يؤدي إلى تعلم البرنامج من التجربة. [ 2 ]

على الرغم من أن لكل خوارزمية مزاياها وقيودها، إلا أنه لا توجد خوارزمية واحدة تصلح لجميع المشاكل. [ 43 ] [ 44 ] [ 45 ]

التعلم الخاضع للإشراف

آلة المتجهات الداعمة هي نموذج تعلم خاضع للإشراف يقسم البيانات إلى مناطق مفصولة بحدود خطية . هنا، يفصل الحد الخطي الدوائر السوداء عن الدوائر البيضاء.

تبني خوارزميات التعلم الخاضع للإشراف نموذجًا رياضيًا لمجموعة بيانات تحتوي على كلٍ من المدخلات والمخرجات المطلوبة. [ 46 ] تتكون البيانات، المعروفة باسم بيانات التدريب ، من مجموعة من أمثلة التدريب. يحتوي كل مثال تدريبي على مدخل واحد أو أكثر، بالإضافة إلى المخرج المطلوب، المعروف أيضًا باسم إشارة الإشراف. في النموذج الرياضي، يُمثَّل كل مثال تدريبي بمصفوفة أو متجه، يُسمى أحيانًا متجه الميزات ، بينما تُمثَّل بيانات التدريب بمصفوفة . من خلال التحسين التكراري لدالة الهدف ، تتعلم خوارزميات التعلم الخاضع للإشراف دالة يمكن استخدامها للتنبؤ بالمخرجات المرتبطة بالمدخلات الجديدة. [ 47 ] تسمح الدالة المثلى للخوارزمية بتحديد المخرجات بدقة للمدخلات التي لم تكن جزءًا من بيانات التدريب. يُقال إن الخوارزمية التي تُحسِّن دقة مخرجاتها أو تنبؤاتها بمرور الوقت قد تعلمت أداء تلك المهمة. [ 15 ]

تشمل أنواع خوارزميات التعلم الخاضع للإشراف التعلم النشط والتصنيف والانحدار . [ 48 ] تُستخدم خوارزميات التصنيف عندما تكون المخرجات محصورة في مجموعة محدودة من القيم، بينما تُستخدم خوارزميات الانحدار عندما يمكن أن تأخذ المخرجات أي قيمة عددية ضمن نطاق معين. على سبيل المثال، في خوارزمية تصنيف تقوم بتصفية رسائل البريد الإلكتروني، يكون المدخل هو رسالة بريد إلكتروني واردة، والمخرج هو المجلد الذي تُصنف فيه الرسالة. في المقابل، يُستخدم الانحدار في مهام مثل التنبؤ بطول الشخص بناءً على عوامل مثل العمر والوراثة، أو التنبؤ بدرجات الحرارة المستقبلية بناءً على البيانات التاريخية. [ 49 ]

يُعدّ تعلّم التشابه أحد مجالات التعلّم الآلي الخاضع للإشراف، وهو وثيق الصلة بالانحدار والتصنيف، لكن هدفه هو التعلّم من الأمثلة باستخدام دالة تشابه تقيس مدى تشابه أو ترابط كائنين. وله تطبيقات في الترتيب ، وأنظمة التوصية ، وتتبّع الهوية المرئية، والتحقّق من الوجوه، والتحقّق من هوية المتحدث.

التعلم غير الخاضع للإشراف

تستكشف خوارزميات التعلم غير الخاضع للإشراف البنى الموجودة في البيانات غير المصنفة أو الموسومة. وبدلاً من الاستجابة للتغذية الراجعة، تحدد هذه الخوارزميات أوجه التشابه في البيانات وتتفاعل بناءً على وجود أو غياب هذه التشابهات في كل معلومة جديدة. تشمل التطبيقات الرئيسية للتعلم الآلي غير الخاضع للإشراف التجميع، وتقليل الأبعاد ، [ 4 ] وتقدير الكثافة . [ 50 ]

تحليل التجميع هو عملية تصنيف مجموعة من الملاحظات إلى مجموعات فرعية (تُسمى مجموعات ) بحيث تتشابه الملاحظات داخل المجموعة الواحدة وفقًا لمعيار واحد أو أكثر من المعايير المحددة مسبقًا، بينما تختلف الملاحظات المأخوذة من مجموعات مختلفة. وتعتمد تقنيات التجميع المختلفة على افتراضات متباينة بشأن بنية البيانات، والتي غالبًا ما تُحدد بمقياس تشابه ما ، ويتم تقييمها، على سبيل المثال، من خلال التماسك الداخلي ، أي التشابه بين أعضاء المجموعة الواحدة، والفصل ، أي الفرق بين المجموعات. وتعتمد طرق أخرى على الكثافة المُقدَّرة وترابط الرسم البياني .

يتضمن نوع خاص من التعلم غير الخاضع للإشراف يُسمى التعلم الذاتي الخاضع للإشراف تدريب نموذج من خلال توليد إشارة الإشراف من البيانات نفسها. [ 51 ] [ 52 ]

تقليل الأبعاد

يُعدّ اختزال الأبعاد عمليةً لتقليل عدد المتغيرات العشوائية قيد الدراسة من خلال الحصول على مجموعة من المتغيرات الرئيسية. [ 53 ] بعبارة أخرى، هي عملية تقليل بُعد مجموعة الميزات ، والتي تُسمى أيضًا "عدد الميزات". يمكن اعتبار معظم تقنيات اختزال الأبعاد إما حذفًا للميزات أو استخراجًا لها . ومن الطرق الشائعة لاختزال الأبعاد تحليل المكونات الرئيسية (PCA). يتضمن تحليل المكونات الرئيسية تحويل البيانات ذات الأبعاد العالية (مثل البيانات ثلاثية الأبعاد) إلى فضاء أصغر (مثل البيانات ثنائية الأبعاد). تفترض فرضية التشعب أن مجموعات البيانات عالية الأبعاد تقع على طول تشعبات منخفضة الأبعاد ، وتعتمد العديد من تقنيات اختزال الأبعاد على هذا الافتراض، مما أدى إلى ظهور مجالي تعلم التشعب وتنظيم التشعب .

التعلم شبه الموجه

يقع التعلم شبه الموجه بين التعلم غير الموجه (بدون بيانات تدريب مصنفة) والتعلم الموجه (مع بيانات تدريب مصنفة بالكامل). على الرغم من أن بعض أمثلة التدريب تفتقر إلى التصنيفات، فقد وجد العديد من باحثي التعلم الآلي أن البيانات غير المصنفة، عند استخدامها مع كمية قليلة من البيانات المصنفة، يمكن أن تُحسّن دقة التعلم بشكل ملحوظ.

في التعلم الخاضع للإشراف الضعيف ، تكون بيانات التدريب مشوشة أو محدودة أو غير دقيقة؛ ومع ذلك، غالبًا ما يكون الحصول على هذه البيانات أرخص، مما يؤدي إلى مجموعات تدريب فعالة أكبر. [ 54 ]

التعلم المعزز

في التعلم المعزز، يقوم العامل باتخاذ إجراءات في بيئة ما: ينتج عن هذه الإجراءات مكافأة أو تمثيل للحالة، والتي يتم تغذيتها مرة أخرى إلى العامل.

التعلم المعزز هو فرع من فروع التعلم الآلي يهتم بكيفية اتخاذ البرامج الذكية إجراءات في بيئة معينة لتحقيق أقصى قدر من المكافأة التراكمية. ونظرًا لعموميته، يُدرس هذا المجال في العديد من التخصصات الأخرى، مثل نظرية الألعاب ، ونظرية التحكم ، وبحوث العمليات ، ونظرية المعلومات ، والتحسين القائم على المحاكاة ، وأنظمة الوكلاء المتعددين ، وذكاء الأسراب ، والإحصاء ، والخوارزميات الجينية . في التعلم المعزز، تُمثل البيئة عادةً بعملية ماركوف لاتخاذ القرار (MDP). وتستخدم العديد من خوارزميات التعلم المعزز تقنيات البرمجة الديناميكية . [ 55 ] لا تفترض خوارزميات التعلم المعزز معرفة نموذج رياضي دقيق لعملية ماركوف لاتخاذ القرار، وتُستخدم عندما تكون النماذج الدقيقة غير ممكنة. تُستخدم خوارزميات التعلم المعزز في المركبات ذاتية القيادة أو في تعلم لعب لعبة ضد خصم بشري.

أنواع أخرى

طُوِّرت مناهج أخرى لا تندرج ضمن هذا التصنيف الثلاثي، وأحيانًا يستخدم نظام التعلم الآلي نفسه أكثر من منهج. على سبيل المثال، نمذجة المواضيع ، والتعلم الفائق . [ 56 ]

التعلم الذاتي

طُرح التعلم الذاتي، كنموذج من نماذج التعلم الآلي، عام ١٩٨٢ مع شبكة عصبية قادرة على التعلم الذاتي، تُسمى مصفوفة التكيف المتقاطعة (CAA). [ ٥٧ ] [ ٥٨ ] يُقدم هذا النموذج حلاً لمشكلة التعلم دون أي مكافأة خارجية، وذلك بإدخال العاطفة كمكافأة داخلية. تُستخدم العاطفة كتقييم لحالة العامل المتعلم ذاتيًا. تحسب خوارزمية التعلم الذاتي CAA، بطريقة متقاطعة، كلاً من القرارات المتعلقة بالأفعال والمشاعر (الأحاسيس) تجاه عواقب المواقف. يستمد النظام قوته من التفاعل بين الإدراك والعاطفة. [ ٥٩ ] تُحدّث خوارزمية التعلم الذاتي مصفوفة الذاكرة W = ||w(a,s)|| بحيث تُنفذ في كل تكرار روتين التعلم الآلي التالي:

  1. في حالة الفعل أ
  2. تلقي تبعات الموقف s
  3. حساب الشعور الناتج عن التواجد في الموقف اللاحق v(s')
  4. تحديث ذاكرة المصفوفة المتقاطعة w'(a,s) = w(a,s) + v(s')

هو نظام ذو مدخل واحد فقط، وهو الموقف، ومخرج واحد فقط، وهو الفعل (أو السلوك). لا يوجد مدخل تعزيز منفصل ولا مدخل نصيحة من البيئة. القيمة المُعاد نشرها (التعزيز الثانوي) هي العاطفة تجاه الموقف الناتج. يوجد نظام CAA في بيئتين، الأولى هي البيئة السلوكية التي يتصرف فيها، والأخرى هي البيئة الجينية، التي يتلقى منها مبدئيًا ومرة ​​واحدة فقط المشاعر الأولية حول المواقف التي سيواجهها في البيئة السلوكية. بعد تلقي متجه الجينوم (النوع) من البيئة الجينية، يتعلم نظام CAA سلوكًا ساعيًا لتحقيق هدف في بيئة تحتوي على مواقف مرغوبة وغير مرغوبة. [ 60 ]

تعلم الميزات

تهدف العديد من خوارزميات التعلم إلى اكتشاف تمثيلات أفضل للمدخلات المُقدمة أثناء التدريب. [ 61 ] ومن الأمثلة الكلاسيكية تحليل المكونات الرئيسية وتحليل التجميع. غالبًا ما تحاول خوارزميات تعلم الميزات، والتي تُسمى أيضًا خوارزميات تعلم التمثيل، الحفاظ على المعلومات في مدخلاتها، ولكن أيضًا تحويلها بطريقة تجعلها مفيدة، غالبًا كخطوة معالجة مسبقة قبل إجراء التصنيف أو التنبؤات. تسمح هذه التقنية بإعادة بناء المدخلات القادمة من توزيع توليد البيانات غير المعروف، مع عدم الالتزام بالضرورة بالتكوينات غير المعقولة في ظل هذا التوزيع. هذا يحل محل هندسة الميزات اليدوية ، ويسمح للآلة بتعلم الميزات واستخدامها لأداء مهمة محددة.

يمكن أن يكون تعلم الميزات إما خاضعًا للإشراف أو غير خاضع للإشراف. في التعلم الخاضع للإشراف، تُستخلص الميزات باستخدام بيانات إدخال مصنفة. ومن الأمثلة على ذلك الشبكات العصبية الاصطناعية ، والشبكات العصبية متعددة الطبقات ، وتعلم القواميس الخاضع للإشراف . أما في التعلم غير الخاضع للإشراف، فتُستخلص الميزات باستخدام بيانات إدخال غير مصنفة. ومن الأمثلة على ذلك تعلم القواميس، وتحليل المكونات المستقلة ، والمشفرات التلقائية ، وتحليل المصفوفات [ 62 ] ، وأنواع مختلفة من التجميع [ 63 ] [ 64 ] [ 65 ] .

تحاول خوارزميات تعلم التنوع تحقيق ذلك في ظل قيد أن يكون التمثيل المُتعلم منخفض الأبعاد. وتحاول خوارزميات الترميز المتفرق تحقيق ذلك في ظل قيد أن يكون التمثيل المُتعلم متفرقًا، أي أن النموذج الرياضي يحتوي على العديد من الأصفار. وتهدف خوارزميات تعلم الفضاء الجزئي متعدد الخطوط إلى تعلم تمثيلات منخفضة الأبعاد مباشرةً من تمثيلات الموترات للبيانات متعددة الأبعاد، دون إعادة تشكيلها إلى متجهات ذات أبعاد أعلى. [ 66 ] تكتشف خوارزميات التعلم العميق مستويات متعددة من التمثيل، أو تسلسلًا هرميًا للميزات، حيث تُعرَّف الميزات ذات المستوى الأعلى والأكثر تجريدًا بدلالة (أو تُولِّد) ميزات المستوى الأدنى. وقد طُرحت فكرة أن الآلة الذكية تتعلم تمثيلًا يُفكِّك العوامل الكامنة وراء التباين التي تُفسِّر البيانات المرصودة. [ 67 ]

ينبع تعلّم الميزات من حقيقة أن مهام التعلّم الآلي، كالتصنيف، تتطلب غالبًا مدخلات يسهل معالجتها رياضيًا وحسابيًا. مع ذلك، لم تُسفر البيانات الواقعية، كالصور والفيديوهات والبيانات الحسية، عن محاولات لتحديد ميزات محددة خوارزميًا. يتمثل البديل في اكتشاف هذه الميزات أو تمثيلاتها من خلال الفحص، دون الاعتماد على خوارزميات صريحة.

تعلم القاموس المتفرق

يُعدّ تعلّم القاموس المتفرق أسلوبًا لتعلم الميزات، حيث يُمثّل مثال التدريب كمزيج خطي من دوال أساسية ، ويُفترض أنه مصفوفة متفرقة . يُصنّف هذا الأسلوب ضمن المسائل الصعبة حسابيًا (NP-hard) ، ويصعب حلّه تقريبًا. [ 68 ] تُعدّ خوارزمية k -SVD من الأساليب الاستدلالية الشائعة لتعلّم القاموس المتفرق . وقد طُبّق تعلّم القاموس المتفرق في سياقات عديدة. ففي مجال التصنيف، تكمن المشكلة في تحديد الفئة التي ينتمي إليها مثال تدريبي لم يُرَ من قبل. بالنسبة لقاموس تمّ فيه بناء كل فئة مسبقًا، يُربط مثال التدريب الجديد بالفئة التي يُمثّلها القاموس المقابل بأفضل تمثيل متفرق. كما طُبّق تعلّم القاموس المتفرق في إزالة التشويش من الصور . وتتمثّل الفكرة الأساسية في إمكانية تمثيل رقعة الصورة النظيفة تمثيلًا متفرقًا بواسطة قاموس الصور، بينما لا يُمكن تمثيل التشويش بهذه الطريقة. [ 69 ]

الكشف عن الحالات الشاذة

في مجال استخراج البيانات ، يُعرف اكتشاف الشذوذ، أو اكتشاف القيم المتطرفة، بأنه تحديد العناصر أو الأحداث أو الملاحظات النادرة التي تثير الشكوك لاختلافها الكبير عن غالبية البيانات. [ 70 ] عادةً ما تمثل العناصر الشاذة مشكلةً ما، مثل الاحتيال المصرفي ، أو عيب هيكلي، أو مشاكل طبية، أو أخطاء في نص. ويُشار إلى الشذوذ بمصطلحات مثل القيم المتطرفة ، والجديدة، والضوضاء، والانحرافات، والاستثناءات. [ 71 ]

على وجه الخصوص، في سياق كشف إساءة استخدام الشبكات واختراقها، غالبًا ما لا تكون العناصر المهمة نادرة، بل هي فترات غير متوقعة من الخمول. لا يتوافق هذا النمط مع التعريف الإحصائي الشائع للقيمة الشاذة باعتبارها عنصرًا نادرًا. ستفشل العديد من طرق كشف القيم الشاذة (وخاصة الخوارزميات غير الخاضعة للإشراف) في التعامل مع هذه البيانات ما لم يتم تجميعها بشكل مناسب. في المقابل، قد تتمكن خوارزمية تحليل التجميع من كشف التجمعات الصغيرة التي تشكلها هذه الأنماط. [ 72 ]

توجد ثلاث فئات رئيسية لتقنيات كشف الشذوذ. [ 73 ] تكشف تقنيات كشف الشذوذ غير الخاضعة للإشراف عن الشذوذ في مجموعة بيانات اختبار غير مصنفة، بافتراض أن غالبية الحالات في مجموعة البيانات طبيعية، وذلك بالبحث عن الحالات التي تبدو الأقل توافقًا مع بقية مجموعة البيانات. تتطلب تقنيات كشف الشذوذ الخاضعة للإشراف مجموعة بيانات مصنفة على أنها "طبيعية" و"غير طبيعية"، وتتضمن تدريب مصنف (الفرق الرئيسي عن العديد من مشاكل التصنيف الإحصائي الأخرى هو الطبيعة غير المتوازنة المتأصلة في كشف القيم الشاذة). تبني تقنيات كشف الشذوذ شبه الخاضعة للإشراف نموذجًا يمثل السلوك الطبيعي من مجموعة بيانات تدريب طبيعية معينة، ثم تختبر احتمالية توليد حالة اختبار بواسطة النموذج.

تعلم الروبوت

يستلهم تعلم الروبوت من العديد من أساليب التعلم الآلي، بدءًا من التعلم الخاضع للإشراف، والتعلم المعزز، [ 74 ] [ 75 ] وأخيرًا التعلم الفائق (مثل MAML).

قواعد الجمعية

يُعدّ تعلّم قواعد الارتباط أسلوبًا من أساليب التعلّم الآلي القائمة على القواعد لاكتشاف العلاقات بين المتغيرات في قواعد البيانات الكبيرة. ويهدف إلى تحديد القواعد القوية المكتشفة في قواعد البيانات باستخدام مقياس ما لـ "الأهمية". [ 76 ]

يُعدّ التعلّم الآلي القائم على القواعد مصطلحًا عامًا لأي أسلوب من أساليب التعلّم الآلي الذي يُحدّد أو يتعلّم أو يُطوّر "قواعد" لتخزين المعرفة أو معالجتها أو تطبيقها. وتتمثّل السمة المميزة لخوارزمية التعلّم الآلي القائمة على القواعد في تحديد واستخدام مجموعة من القواعد العلائقية التي تُمثّل مجتمعةً المعرفة التي يكتسبها النظام. وهذا على عكس خوارزميات التعلّم الآلي الأخرى التي تُحدّد عادةً نموذجًا واحدًا يُمكن تطبيقه عالميًا على أي حالة للتنبؤ. [ 77 ] تشمل أساليب التعلّم الآلي القائمة على القواعد أنظمة تصنيف التعلّم ، وتعلّم قواعد الارتباط، وأنظمة المناعة الاصطناعية .

استنادًا إلى مفهوم القواعد القوية، قدّم راكيش أغراوال وتوماس إيميلينسكي وأرون سوامي قواعد ارتباط لاكتشاف الأنماط المنتظمة بين المنتجات في بيانات المعاملات واسعة النطاق المسجلة بواسطة أنظمة نقاط البيع في محلات السوبر ماركت. [ 78 ] على سبيل المثال، القاعدة{oنأناoنs،صoتأتoهـs}⇒{بuرزهـر}{\displaystyle \{\mathrm {البصل والبطاطس} \}\Rightarrow \{\mathrm {برجر} \}}تشير البيانات الموجودة في بيانات مبيعات أحد المتاجر الكبرى إلى أنه إذا اشترى العميل البصل والبطاطس معًا، فمن المرجح أن يشتري أيضًا لحم الهامبرغر. يمكن استخدام هذه المعلومات كأساس لاتخاذ قرارات بشأن الأنشطة التسويقية، مثل التسعير الترويجي أو عرض المنتجات . بالإضافة إلى تحليل سلة التسوق ، تُستخدم قواعد الارتباط اليوم في مجالات تطبيقية تشمل استخراج بيانات استخدام الويب ، وكشف الاختراقات ، والإنتاج المستمر ، والمعلوماتية الحيوية . على عكس استخراج التسلسلات ، لا يأخذ تعلم قواعد الارتباط عادةً ترتيب العناصر في الاعتبار، سواء داخل المعاملة الواحدة أو بين المعاملات المختلفة.

أنظمة تصنيف التعلم (LCS) هي مجموعة من خوارزميات التعلم الآلي القائمة على القواعد، والتي تجمع بين عنصر اكتشاف، عادةً ما يكون خوارزمية جينية ، وعنصر تعلم، حيث تقوم إما بالتعلم الخاضع للإشراف ، أو التعلم المعزز ، أو التعلم غير الخاضع للإشراف . وتسعى هذه الأنظمة إلى تحديد مجموعة من القواعد المعتمدة على السياق، والتي تخزن المعرفة وتطبقها بشكل تدريجي للتنبؤ. [ 79 ]

البرمجة المنطقية الاستقرائية (ILP) هي منهجية لتعلم القواعد باستخدام البرمجة المنطقية كتمثيل موحد لأمثلة الإدخال والمعرفة الأساسية والفرضيات. بافتراض ترميز للمعرفة الأساسية المعروفة ومجموعة من الأمثلة المُمثلة كقاعدة بيانات منطقية للحقائق، يستنتج نظام ILP برنامجًا منطقيًا افتراضيًا يتضمن جميع الأمثلة الإيجابية ولا يتضمن أي أمثلة سلبية. البرمجة الاستقرائية مجال ذو صلة يُعنى بأي نوع من لغات البرمجة لتمثيل الفرضيات (وليس البرمجة المنطقية فقط)، مثل البرامج الوظيفية .

يُعدّ البرمجة المنطقية الاستقرائية مفيدةً للغاية في المعلوماتية الحيوية ومعالجة اللغات الطبيعية . وقد وضع غوردون بلوتكين وإيهود شابيرو الأساس النظري الأولي للتعلم الآلي الاستقرائي في إطار منطقي. [ 80 ] [ 81 ] [ 82 ] وقد بنى شابيرو أول تطبيق لهما (نظام استدلال النموذج) عام 1981: وهو برنامج مكتوب بلغة برولوج يستنتج البرامج المنطقية استقرائيًا من أمثلة إيجابية وسلبية. [ 83 ] ويشير مصطلح "الاستقرائي" هنا إلى الاستقراء الفلسفي ، الذي يقترح نظريةً لتفسير الحقائق المرصودة، وليس إلى الاستقراء الرياضي ، الذي يثبت خاصيةً لجميع عناصر مجموعة مرتبة ترتيبًا جيدًا.

نماذج

أنموذج التعلم الآلي هو نوع منالنماذج الرياضيةالتي، بمجرد تدريبها على مجموعة بيانات معينة، يمكن استخدامها للتنبؤ أو التصنيف على بيانات جديدة. أثناء التدريب، تقوم خوارزمية التعلم بتعديل المعلمات الداخلية للنموذج بشكل متكرر لتقليل أخطاء التنبؤات. [ 84 ] وبالمثل، يمكن أن يشير مصطلح "النموذج" إلى مستويات متعددة من التحديد، بدءًا من فئة عامة من النماذج وخوارزميات التعلم المرتبطة بها، وصولًا إلى نموذج مُدرَّب بالكامل مع ضبط جميع معلماته الداخلية. [ 85 ]

تم استخدام أنواع مختلفة من النماذج وإجراء البحوث عليها لأنظمة التعلم الآلي، ويطلق على اختيار أفضل نموذج لمهمة ما اسم اختيار النموذج .

الشبكات العصبية الاصطناعية

الشبكة العصبية الاصطناعية هي مجموعة مترابطة من العقد، تشبه الشبكة الواسعة من الخلايا العصبية في الدماغ . هنا، تمثل كل عقدة دائرية خلية عصبية اصطناعية ، ويمثل السهم اتصالاً من مخرج خلية عصبية اصطناعية إلى مدخل خلية أخرى.

الشبكات العصبية الاصطناعية، أو الأنظمة الترابطية ، هي أنظمة حاسوبية مستوحاة بشكل غامض من الشبكات العصبية البيولوجية التي تشكل أدمغة الحيوانات . تتعلم هذه الأنظمة أداء المهام من خلال النظر في الأمثلة، وعادةً دون برمجتها بأي قواعد خاصة بالمهمة.

الشبكة العصبية الاصطناعية (ANN) هي نموذج قائم على مجموعة من الوحدات أو العقد المتصلة، تُسمى " الخلايا العصبية الاصطناعية "، والتي تُحاكي بشكلٍ تقريبي الخلايا العصبية في الدماغ البيولوجي. كل اتصال، كالمشابك العصبية في الدماغ البيولوجي، ينقل المعلومات، أو "الإشارة"، من خلية عصبية اصطناعية إلى أخرى. تستقبل الخلية العصبية الاصطناعية إشارةً ما، فتُعالجها ثم تُرسل إشارةً إلى خلايا عصبية اصطناعية أخرى متصلة بها. في تطبيقات الشبكات العصبية الاصطناعية الشائعة، تكون الإشارة عند اتصال بين الخلايا العصبية الاصطناعية عددًا حقيقيًا ، ويُحسب خرج كل خلية عصبية اصطناعية بواسطة دالة غير خطية لمجموع مدخلاتها. تُسمى الاتصالات بين الخلايا العصبية الاصطناعية "الحواف". عادةً ما يكون للخلايا العصبية الاصطناعية والحواف وزنٌ يتغير مع تقدم عملية التعلم. يزيد هذا الوزن أو يُنقص من قوة الإشارة عند الاتصال. قد تحتوي الخلايا العصبية الاصطناعية على عتبة، بحيث لا تُرسل الإشارة إلا إذا تجاوزت الإشارة المُجمعة تلك العتبة. عادةً ما تُجمع الخلايا العصبية الاصطناعية في طبقات. قد تُجري الطبقات المختلفة أنواعًا مختلفة من التحويلات على مدخلاتها. تنتقل الإشارات من الطبقة الأولى (طبقة الإدخال) إلى الطبقة الأخيرة (طبقة الإخراج)، وربما بعد اجتياز الطبقات عدة مرات.

كان الهدف الأصلي لنهج الشبكات العصبية الاصطناعية هو حل المشكلات بنفس طريقة عمل الدماغ البشري . مع ذلك، ومع مرور الوقت، تحول التركيز إلى أداء مهام محددة، مما أدى إلى انحرافات عن العمليات البيولوجية . وقد استُخدمت الشبكات العصبية الاصطناعية في مجموعة متنوعة من المهام، بما في ذلك رؤية الحاسوب ، والتعرف على الكلام ، والترجمة الآلية ، وتصفية الشبكات الاجتماعية ، ولعب ألعاب الطاولة والفيديو، والتشخيص الطبي .

يتألف التعلم العميق من طبقات مخفية متعددة في شبكة عصبية اصطناعية. يحاول هذا النهج محاكاة طريقة معالجة الدماغ البشري للضوء والصوت وتحويلهما إلى رؤية وسمع. من التطبيقات الناجحة للتعلم العميق: رؤية الحاسوب والتعرف على الكلام. [ 86 ]

أشجار القرار

شجرة قرارات توضح احتمالية نجاة ركاب سفينة تايتانيك

يستخدم تعلّم شجرة القرار شجرة القرار كنموذج تنبؤي للانتقال من الملاحظات حول عنصر ما (الممثلة بالفروع) إلى استنتاجات حول القيمة المستهدفة لهذا العنصر (الممثلة بالأوراق). وهو أحد أساليب النمذجة التنبؤية المستخدمة في الإحصاء، واستخراج البيانات، والتعلم الآلي. تُسمى نماذج الأشجار التي يمكن أن يأخذ فيها المتغير المستهدف مجموعة منفصلة من القيم بأشجار التصنيف؛ في هذه الهياكل الشجرية، تمثل الأوراق تصنيفات الفئات، وتمثل الفروع اقترانات السمات التي تؤدي إلى تلك التصنيفات. أما أشجار القرار التي يمكن أن يأخذ فيها المتغير المستهدف قيمًا متصلة (عادةً أعداد حقيقية ) فتُسمى بأشجار الانحدار. في تحليل القرار، يمكن استخدام شجرة القرار لتمثيل القرارات وعملية اتخاذ القرار بصريًا وبشكل واضح . في استخراج البيانات، تصف شجرة القرار البيانات، ولكن يمكن أن تكون شجرة التصنيف الناتجة مدخلًا لعملية اتخاذ القرار.

انحدار الغابة العشوائية

يُصنَّف انحدار الغابات العشوائية (RFR) ضمن نماذج أشجار القرار . وهو أسلوب تعلّم جماعي يُنشئ أشجار قرار متعددة ويُحسب متوسط ​​تنبؤاتها لتحسين الدقة وتجنب التجاوز. يستخدم RFR أسلوب إعادة التوزيع العشوائي (Bootstrap) لبناء أشجار القرار؛ حيث تُدرَّب كل شجرة قرار على بيانات عشوائية من مجموعة التدريب. يُمكّن هذا الاختيار العشوائي لبيانات RFR للتدريب النموذج من تقليل التنبؤات المتحيزة وتحقيق دقة أعلى. يُولِّد RFR أشجار قرار مستقلة، ويمكنه العمل على بيانات ذات مُخرَج واحد، بالإضافة إلى مهام الانحدار المتعددة. وهذا ما يجعله مناسبًا للاستخدام في تطبيقات متنوعة. [ 87 ] [ 88 ]

آلات ناقل الدعم

آلات المتجهات الداعمة (SVMs)، والمعروفة أيضًا بشبكات المتجهات الداعمة، هي مجموعة من أساليب التعلم الخاضع للإشراف ذات الصلة ، وتُستخدم في التصنيف والانحدار. فعند إعطاء مجموعة من أمثلة التدريب، يُصنف كل منها ضمن إحدى فئتين، تقوم خوارزمية تدريب SVM ببناء نموذج يتنبأ بما إذا كان مثال جديد يندرج ضمن إحدى الفئتين. [ 89 ] تُعد خوارزمية تدريب SVM مصنفًا خطيًا ثنائيًا غير احتمالي ، على الرغم من وجود طرق أخرى، مثل مقياس بلات، لاستخدام SVM في بيئة تصنيف احتمالية. إضافةً إلى التصنيف الخطي، تستطيع آلات المتجهات الداعمة إجراء تصنيف غير خطي بكفاءة باستخدام ما يُعرف بحيلة النواة ، حيث تقوم ضمنيًا بربط مدخلاتها بمساحات ميزات عالية الأبعاد.

تحليل الانحدار

توضيح للانحدار الخطي على مجموعة بيانات

يشمل تحليل الانحدار مجموعة واسعة من الأساليب الإحصائية لتقدير العلاقة بين المتغيرات المدخلة وخصائصها المرتبطة بها. وأكثر أشكاله شيوعًا هو الانحدار الخطي ، حيث يُرسم خط واحد ليمثل البيانات المعطاة على أفضل وجه وفقًا لمعيار رياضي مثل طريقة المربعات الصغرى العادية . وغالبًا ما يُوسّع هذا الأخير باستخدام أساليب التنظيم للتخفيف من فرط التخصيص والتحيز، كما هو الحال في انحدار ريدج . عند التعامل مع المشكلات غير الخطية، تشمل النماذج الشائعة الانحدار متعدد الحدود (على سبيل المثال، المستخدم لتركيب خط الاتجاه في مايكروسوفت إكسل [ 90 ] )، والانحدار اللوجستي (المستخدم غالبًا في التصنيف الإحصائي )، أو حتى انحدار النواة ، الذي يُدخل اللاخطية من خلال الاستفادة من حيلة النواة لرسم المتغيرات المدخلة ضمنيًا إلى فضاء ذي أبعاد أعلى.

يُوسّع الانحدار الخطي متعدد المتغيرات مفهوم الانحدار الخطي ليشمل التعامل مع عدة متغيرات تابعة في آنٍ واحد. يُقدّر هذا النهج العلاقات بين مجموعة من متغيرات الإدخال وعدة متغيرات إخراج من خلال ملاءمة نموذج خطي متعدد الأبعاد . وهو مفيدٌ بشكلٍ خاص في الحالات التي تكون فيها المخرجات مترابطة أو تشترك في أنماط أساسية، مثل التنبؤ بمؤشرات اقتصادية متعددة أو إعادة بناء الصور، [ 91 ] وهي بطبيعتها متعددة الأبعاد.

الشبكات البايزية

شبكة بايزية بسيطة. يؤثر المطر على ما إذا كان سيتم تشغيل الرشاش، ويؤثر كل من المطر والرشاش على ما إذا كان العشب مبللاً.

الشبكة البايزية، أو شبكة الاعتقاد، أو النموذج البياني الموجه غير الدوري، هي نموذج بياني احتمالي يُمثل مجموعة من المتغيرات العشوائية واستقلالها الشرطي باستخدام رسم بياني موجه غير دوري (DAG). على سبيل المثال، يمكن للشبكة البايزية تمثيل العلاقات الاحتمالية بين الأمراض والأعراض. ​​وبمعرفة الأعراض، يمكن استخدام الشبكة لحساب احتمالات الإصابة بأمراض مختلفة. توجد خوارزميات فعالة لإجراء الاستدلال والتعلم. تُسمى الشبكات البايزية التي تُنمذج تسلسلات المتغيرات، مثل إشارات الكلام أو تسلسلات البروتين ، بالشبكات البايزية الديناميكية . أما تعميمات الشبكات البايزية التي يمكنها تمثيل وحل مشاكل اتخاذ القرار في ظل عدم اليقين فتُسمى مخططات التأثير .

العمليات الغاوسية

مثال على انحدار العملية الغاوسية (التنبؤ) مقارنة بنماذج الانحدار الأخرى [ 92 ]

العملية الغاوسية هي عملية عشوائية يكون فيها لكل مجموعة محدودة من المتغيرات العشوائية في العملية توزيع طبيعي متعدد المتغيرات ، وتعتمد على دالة تباين محددة مسبقًا ، أو نواة، والتي تحدد كيفية ارتباط أزواج النقاط ببعضها البعض اعتمادًا على مواقعها.

بالنظر إلى مجموعة من النقاط المرصودة، أو أمثلة الإدخال والإخراج، يمكن حساب توزيع الإخراج (غير المرصود) لنقطة جديدة كدالة لبيانات الإدخال الخاصة بها بشكل مباشر من خلال النظر إلى النقاط المرصودة والتباينات بين تلك النقاط والنقطة الجديدة غير المرصودة.

تُعد العمليات الغاوسية نماذج بديلة شائعة في التحسين البايزي، وتستخدم لإجراء تحسين المعلمات الفائقة .

الخوارزميات الجينية

الخوارزمية الجينية هي خوارزمية بحث وتقنية استدلالية تحاكي عملية الانتقاء الطبيعي ، باستخدام أساليب مثل الطفرة والتهجين لتوليد أنماط جينية جديدة بهدف إيجاد حلول جيدة لمشكلة معينة. في مجال تعلم الآلة، استُخدمت الخوارزميات الجينية في ثمانينيات وتسعينيات القرن الماضي. [ 93 ] [ 94 ] في المقابل، استُخدمت تقنيات تعلم الآلة لتحسين أداء الخوارزميات الجينية والتطورية . [ 95 ]

وظائف الاعتقاد

تُعدّ نظرية دوال الاعتقاد، والمعروفة أيضًا بنظرية الأدلة أو نظرية دمبستر-شيفر، إطارًا عامًا للاستدلال في ظل عدم اليقين، ولها صلات مفهومة بأطر أخرى مثل نظريات الاحتمال والإمكانية والاحتمال غير الدقيق . يمكن اعتبار هذه الأطر النظرية بمثابة نوع من المتعلمين، ولها خصائص مماثلة في كيفية دمج الأدلة (مثل قاعدة دمبستر للدمج)، تمامًا كما هو الحال في دمج الاحتمالات في المنهج البايزي القائم على دالة كتلة الاحتمال. [ 96 ] مع ذلك، توجد العديد من المحاذير المتعلقة بدوال الاعتقاد هذه عند مقارنتها بالمناهج البايزية في دمج الجهل وتحديد كمية عدم اليقين . عادةً ما تستفيد مناهج دوال الاعتقاد هذه، المُطبقة في مجال التعلم الآلي، من أسلوب دمج طرق التجميع المختلفة لتحسين التعامل مع حدود قرار المتعلم ، وقلة العينات، ومشكلات الفئات الغامضة التي يصعب على مناهج التعلم الآلي القياسية حلها. [ 97 ] [ 6 ] ومع ذلك، فإن التعقيد الحسابي لهذه الخوارزميات يعتمد على عدد الافتراضات (الفئات)، ويمكن أن يؤدي إلى وقت حساب أعلى بكثير عند مقارنته بأساليب التعلم الآلي الأخرى.

النماذج القائمة على القواعد

يُعدّ التعلّم الآلي القائم على القواعد (RBML) فرعًا من فروع التعلّم الآلي، حيث يقوم تلقائيًا باكتشاف وتعلم "القواعد" من البيانات. وهو يوفر نماذج قابلة للتفسير، مما يجعله مفيدًا في اتخاذ القرارات في مجالات مثل الرعاية الصحية، وكشف الاحتيال، والأمن السيبراني. تشمل التقنيات الرئيسية للتعلّم الآلي القائم على القواعد أنظمة تصنيف التعلم ، [ 98 ] وتعلم قواعد الارتباط ، [ 99 ] وأنظمة المناعة الاصطناعية ، [ 100 ] وغيرها من النماذج المشابهة. تستخلص هذه الأساليب الأنماط من البيانات وتُطوّر القواعد بمرور الوقت.

نماذج التدريب

تتطلب نماذج التعلم الآلي عادةً كمية كبيرة من البيانات الموثوقة لإجراء تنبؤات دقيقة. عند تدريب نموذج التعلم الآلي، يحتاج مهندسو التعلم الآلي إلى استهداف وجمع عينة بيانات كبيرة وممثلة. يمكن أن تكون بيانات مجموعة التدريب متنوعة، مثل مجموعة نصوص ، أو مجموعة صور، أو بيانات مستشعرات ، أو بيانات مجمعة من مستخدمين فرديين لخدمة ما. يُعدّ التجاوز في التدريب (Overfitting) أمرًا يجب الانتباه إليه عند تدريب نموذج التعلم الآلي. قد تؤدي النماذج المدربة والمستمدة من بيانات متحيزة أو غير مُقَيَّمة إلى تنبؤات منحرفة أو غير مرغوب فيها. قد تُؤدي النماذج المتحيزة إلى نتائج ضارة، مما يُفاقم الآثار السلبية على المجتمع أو الأهداف. يُعدّ التحيز الخوارزمي نتيجة محتملة لعدم إعداد البيانات بشكل كامل للتدريب. أصبحت أخلاقيات التعلم الآلي مجالًا للدراسة، ويتم دمجها بشكل ملحوظ ضمن فرق هندسة التعلم الآلي.

التعلم الموحد

التعلم الموحد هو شكل مُعدَّل من الذكاء الاصطناعي الموزع لتدريب نماذج التعلم الآلي، حيث يُوزِّع عملية التدريب، مما يسمح بالحفاظ على خصوصية المستخدمين لعدم الحاجة إلى إرسال بياناتهم إلى خادم مركزي. كما يُحسِّن هذا من الكفاءة من خلال توزيع عملية التدريب على العديد من الأجهزة. على سبيل المثال، يستخدم Gboard التعلم الآلي الموحد لتدريب نماذج التنبؤ باستعلامات البحث على هواتف المستخدمين المحمولة دون الحاجة إلى إرسال عمليات البحث الفردية إلى جوجل . [ 101 ]

التطبيقات

توجد العديد من تطبيقات التعلم الآلي، بما في ذلك:

في عام 2006، أطلقت شركة نتفليكس، المزودة لخدمات البث، أول مسابقة " جائزة نتفليكس " لاختيار برنامج يُحسّن من دقة التنبؤ بتفضيلات المستخدمين ورفع دقة خوارزمية توصيات الأفلام الحالية "سينماتش" بنسبة 10% على الأقل. وقد فاز فريق مشترك من باحثين من مختبرات AT&T للأبحاث ، بالتعاون مع فريقي "بيغ كاوس" و"براغماتيك ثيوري"، بالجائزة الكبرى عام 2009 وقيمتها مليون دولار. [ 105 ] بعد فترة وجيزة من منح الجائزة، أدركت نتفليكس أن تقييمات المشاهدين لم تكن مؤشرًا دقيقًا لأنماط مشاهدتهم ("كل شيء يُعتبر توصية")، فعدّلت محرك التوصيات الخاص بها وفقًا لذلك. [ 106 ] وفي عام 2010، أشارت مقالة في صحيفة وول ستريت جورنال إلى استخدام شركة "ريبيليون ريسيرش" للتعلم الآلي للتنبؤ بالأزمة المالية لعام 2008 . [ 107 ] في عام 2012، توقع فينود خوسلا ، المؤسس المشارك لشركة صن مايكروسيستمز ، أن 80% من وظائف الأطباء ستُفقد خلال العقدين التاليين لصالح برامج التشخيص الطبي الآلية القائمة على التعلم الآلي. [ 108 ] في عام 2014، أفيد بتطبيق خوارزمية التعلم الآلي في مجال تاريخ الفن لدراسة لوحات الفنون الجميلة، وأنها ربما كشفت عن تأثيرات غير معروفة سابقًا لدى الفنانين. [ 109 ] في عام 2019، نشرت دار سبرينغر نيتشر أول كتاب بحثي تم إنشاؤه باستخدام التعلم الآلي. [ 110 ] في عام 2020، استُخدمت تقنية التعلم الآلي للمساعدة في التشخيص ودعم الباحثين في تطوير علاج لفيروس كوفيد-19. [ 111 ] طُبقت تقنية التعلم الآلي مؤخرًا للتنبؤ بالسلوكيات الصديقة للبيئة للمسافرين. [ 112 ] كما طُبقت مؤخرًا لتحسين أداء الهواتف الذكية وسلوكها الحراري بناءً على تفاعل المستخدم معها. [ 113 ] [ 114 ] [ 115 ] عند تطبيقها بشكل صحيح، يمكن لخوارزميات التعلم الآلي (MLAs) الاستفادة من مجموعة واسعة من خصائص الشركات للتنبؤ بعوائد الأسهم دون الإفراط في التخصيص . من خلال توظيف هندسة الميزات الفعالة ودمج التنبؤات، يمكن لخوارزميات التعلم الآلي توليد نتائج تتجاوز بكثير تلك التي يتم الحصول عليها من التقنيات الخطية الأساسية مثل المربعات الصغرى العادية (OLS) . [ 116 ]

امتدت التطورات الحديثة في مجال التعلم الآلي إلى مجال الكيمياء الكمومية، حيث تُمكّن الخوارزميات الجديدة الآن من التنبؤ بتأثيرات المذيبات على التفاعلات الكيميائية، مما يوفر أدوات جديدة للكيميائيين لتكييف الظروف التجريبية للحصول على أفضل النتائج. [ 117 ]

أصبحت تقنيات التعلّم الآلي أداةً فعّالة لدراسة قرارات الإخلاء والتنبؤ بها في الكوارث واسعة النطاق وصغيرة النطاق. وقد جُرّبت حلولٌ مختلفة للتنبؤ بما إذا كان أصحاب المنازل سيقررون الإخلاء ومتى سيقررون ذلك أثناء حرائق الغابات والأعاصير. [ 118 ] [ 119 ] [ 120 ] كما ركّزت تطبيقاتٌ أخرى على قرارات ما قبل الإخلاء في حرائق المباني. [ 121 ] [ 122 ]

القيود

على الرغم من أن التعلم الآلي قد أحدث نقلة نوعية في بعض المجالات، إلا أن برامج التعلم الآلي غالباً ما تفشل في تحقيق النتائج المرجوة. [ 123 ] [ 124 ] [ 125 ] وتتعدد أسباب ذلك، منها: نقص البيانات (المناسبة)، وصعوبة الوصول إليها، وتحيز البيانات، ومشاكل الخصوصية، وسوء اختيار المهام والخوارزميات، وعدم ملاءمة الأدوات والأفراد، ونقص الموارد، ومشاكل التقييم. [ 126 ]

تُشكّل " نظرية الصندوق الأسود " تحديًا آخر بالغ الأهمية. يُشير الصندوق الأسود إلى حالة يكون فيها الخوارزمية التي تُنتج مُخرجات مُبهمة تمامًا، ما يعني أنه حتى مُصممي التطبيق لا يستطيعون مُراجعة النمط الذي استخلصه الجهاز من البيانات. [ 127 ] وقد زعمت لجنة مجلس اللوردات المُختارة أن مثل هذا "النظام الذكي" الذي يُمكن أن يكون له "تأثير كبير على حياة الفرد" لن يُعتبر مقبولًا ما لم يُقدّم "تفسيرًا كاملًا ومُرضيًا للقرارات" التي يتخذها. [ 127 ]

في عام ٢٠١٨، فشلت سيارة ذاتية القيادة تابعة لشركة أوبر في رصد أحد المشاة، مما أدى إلى وفاته إثر حادث تصادم. [ ١٢٨ ] كما فشلت محاولات استخدام التعلم الآلي في مجال الرعاية الصحية مع نظام IBM Watson حتى بعد سنوات من العمل واستثمار مليارات الدولارات. [ ١٢٩ ] [ ١٣٠ ] وأُفيد بأن برنامج الدردشة الآلي Bing Chat التابع لشركة مايكروسوفت يُصدر ردودًا عدائية ومسيئة تجاه مستخدميه. [ ١٣١ ]

استُخدم التعلّم الآلي كاستراتيجية لتحديث الأدلة المتعلقة بالمراجعات المنهجية، ولزيادة عبء المراجعين نتيجةً لتزايد حجم الأدبيات الطبية الحيوية. ورغم تحسّنه مع مجموعات التدريب، إلا أنه لم يتطور بعدُ بالقدر الكافي لتقليل عبء العمل دون المساس بالحساسية اللازمة لنتائج البحث نفسه. [ 132 ]

شرح

الذكاء الاصطناعي القابل للتفسير (XAI)، أو الذكاء الاصطناعي القابل للتأويل، أو التعلم الآلي القابل للتفسير (XML)، هو نوع من الذكاء الاصطناعي يُمكّن البشر من فهم القرارات أو التنبؤات التي يتخذها. [ 133 ] وهو يختلف عن مفهوم "الصندوق الأسود" في التعلم الآلي، حيث لا يستطيع حتى مصمموه تفسير سبب وصول الذكاء الاصطناعي إلى قرار معين. [ 134 ] من خلال تحسين النماذج الذهنية لمستخدمي الأنظمة المدعومة بالذكاء الاصطناعي وتصحيح مفاهيمهم الخاطئة، يُتوقع أن يُساعد الذكاء الاصطناعي القابل للتفسير المستخدمين على الأداء بفعالية أكبر. وقد يكون هذا الذكاء تطبيقًا للحق الاجتماعي في التفسير.

الإفراط في التخصيص

قد يكون الخط الأزرق مثالاً على الإفراط في ملاءمة دالة خطية بسبب الضوضاء العشوائية.

يُعرف اعتماد نظرية سيئة ومعقدة للغاية، مصممة بشكل غير مناسب لتناسب جميع بيانات التدريب السابقة، باسم "التدريب الزائد". تحاول العديد من الأنظمة الحد من التدريب الزائد من خلال مكافأة النظرية وفقًا لمدى ملاءمتها للبيانات، ومعاقبتها وفقًا لمدى تعقيدها. [ 135 ]

انهيار النموذج

في مجال الذكاء الاصطناعي ، يُعرف انهيار النموذج ، أو ما يُسمى أيضًا بـ " التزاوج الداخلي للذكاء الاصطناعي " [ 136 ] [ 137 ] ، و" التهام الذاتي للذكاء الاصطناعي " [ 138 ] [ 139 ] ، و"ذكاء هابسبورغ الاصطناعي" [140]، و"اضطراب الالتهام الذاتي للنموذج " أو " MAD " [ 141 ] [ 142 ] [ 143 ] ، بأنه تدهور نماذج التعلم الآلي نتيجة استخدام بيانات اصطناعية غير مُدققة ، أو نتيجة التدريب على مخرجات نموذج آخر، مثل نسخة سابقة منه. ولا يزال من غير الواضح إلى أي مدى يُهدد انهيار النموذج التطور طويل الأمد لنماذج الذكاء الاصطناعي، وقد طُرحت تقنيات للتخفيف من آثاره.

الهلوسة

فيديو لجسر جلينفينان في اسكتلندا تم إنشاؤه بواسطة سورا ، ويظهر بشكل غير صحيح: مسار ثان ، قطارات تسير على اليمين بدلاً من اليسار ، مدخنة ثانية في تفسيره لقطار اليعقوبي ، أطوال عربات غير متناسقة، كميات غير طبيعية من التشويش البصري، وعربة تنحني على طولها أثناء دورانها حول المنعطف.
جسر غلينفينان الحقيقي الذي يحمل صورة اليعقوبي

في مجال الذكاء الاصطناعي ، تُعرف الهلوسة أو الهلوسة الاصطناعية (وتُسمى أيضاً التضليل، [ 144 ] [ 145 ] أو التلفيق، [ 146 ] أو الوهم [ 147 ] ) بأنها استجابة يُولدها الذكاء الاصطناعي تحتوي على معلومات خاطئة أو مُضللة تُقدم على أنها حقائق . [ 148 ] تُشابه هذه المصطلحات إلى حدٍ ما علم النفس البشري، حيث تنطوي الهلوسة عادةً على إدراكات خاطئة .

على سبيل المثال، قد يُضمّن برنامج دردشة آليّ مُزوّد ​​بنماذج لغوية ضخمة ، مثل ChatGPT ، معلوماتٍ خاطئة عشوائية تبدو معقولة ضمن محتواه المُولّد. ويُمثّل اكتشاف الأخطاء والهلوسات وتخفيفها تحدياتٍ كبيرة أمام النشر العملي لنماذج اللغة الضخمة وموثوقيتها في سيناريوهات بالغة الأهمية، مثل تصميم الرقائق الإلكترونية، ولوجستيات سلسلة التوريد، والتشخيص الطبي. [ 149 ] [ 150 ] [ 151 ] وقد انتقد بعض مهندسي البرمجيات والإحصائيين مصطلح "هلوسة الذكاء الاصطناعي" تحديدًا، لما فيه من إضفاء صفات بشرية غير منطقية على أجهزة الحاسوب . [ 152 ] [ 153 ] وعلى عكس نماذج اللغة الضخمة، لا تُنتج نماذج الذكاء الاصطناعي الرمزية عادةً هلوسات. [ 154 ]

قيود ونقاط ضعف أخرى

قد يُصاب المتعلمون بالإحباط أيضًا نتيجة "تعلم الدرس الخاطئ". على سبيل المثال، قد يستنتج مصنف صور مُدرَّب فقط على صور خيول بنية وقطط سوداء أن جميع البقع البنية هي على الأرجح خيول. [ 155 ] أما في الواقع، فعلى عكس البشر، لا تعتمد مصنفات الصور الحالية في الغالب على العلاقة المكانية بين مكونات الصورة كأساس لحكمها، بل تتعلم علاقات بين البكسلات لا يدركها البشر، ولكنها مع ذلك ترتبط بصور أنواع معينة من الأشياء الحقيقية. وقد يؤدي تعديل هذه الأنماط على صورة صحيحة إلى ظهور صور "مُضلِّلة" يُصنِّفها النظام بشكل خاطئ. [ 156 ] [ 157 ]

قد تؤدي نقاط الضعف الناتجة عن الهجمات إلى أنظمة غير خطية أو إلى اضطرابات غير نمطية. في بعض الأنظمة، من الممكن تغيير المخرجات بمجرد تغيير بكسل واحد تم اختياره بشكل عدائي. [ 158 ] غالبًا ما تكون نماذج التعلم الآلي عرضة للتلاعب أو التحايل عبر التعلم الآلي العدائي . [ 159 ]

أظهر الباحثون كيف يمكن زرع ثغرات خفية في نماذج التعلم الآلي لتصنيف المنشورات (مثل تصنيفها إلى "بريد مزعج" و"غير مزعج")، والتي غالبًا ما تُطوّر أو تُدرّب بواسطة جهات خارجية. ويمكن لهذه الجهات تغيير تصنيف أي مُدخل، حتى في الحالات التي تُوفّر فيها شفافية للبيانات/البرمجيات ، بما في ذلك إمكانية الوصول المفتوح . [ 160 ] [ 161 ] [ 162 ]

تقييمات النماذج

يمكن التحقق من تصنيف نماذج التعلم الآلي باستخدام تقنيات تقدير الدقة، مثل طريقة التقسيم العشوائي (Blockout method)، التي تقسم البيانات إلى مجموعتي تدريب واختبار (عادةً ما تكون ثلثي البيانات للتدريب وثلثها للاختبار)، ثم تقيّم أداء نموذج التدريب على مجموعة الاختبار. في المقابل، تقوم طريقة التحقق المتقاطع K-fold بتقسيم البيانات عشوائيًا إلى K مجموعة فرعية، ثم تُجرى K تجربة، حيث تُخصص كل تجربة مجموعة فرعية واحدة للتقييم، بينما تُستخدم المجموعات الفرعية المتبقية K-1 لتدريب النموذج. إضافةً إلى طريقتي التقسيم العشوائي والتحقق المتقاطع، يمكن استخدام طريقة إعادة التوزيع (Bootstrap method )، التي تأخذ عينة عشوائية n من البيانات مع الإحلال، لتقييم دقة النموذج. [ 163 ]

بالإضافة إلى الدقة الإجمالية، يُبلغ الباحثون عادةً عن الحساسية والنوعية ، أي معدل الإيجابية الحقيقية (TPR) ومعدل السلبية الحقيقية (TNR) على التوالي. وبالمثل، يُبلغ الباحثون أحيانًا عن معدل الإيجابية الكاذبة (FPR) ومعدل السلبية الكاذبة (FNR). مع ذلك، فإن هذه المعدلات نسبٌ لا تُظهر بسطها ومقامها. يوفر منحنى خصائص التشغيل للمستقبل (ROC)، إلى جانب المساحة المصاحبة له تحت منحنى ROC (AUC)، أدواتٍ إضافية لتقييم نموذج التصنيف. ترتبط قيمة AUC الأعلى بنموذج ذي أداء أفضل. [ 164 ]

أخلاق مهنية

تشمل أخلاقيات الذكاء الاصطناعي نطاقًا واسعًا من المواضيع ضمن هذا المجال ، والتي تُعتبر ذات أهمية أخلاقية خاصة. [ 165 ] ويشمل ذلك التحيزات الخوارزمية ، والإنصاف ، والمساءلة ، والشفافية، والخصوصية، والتنظيم ، لا سيما عندما تؤثر الأنظمة على عملية صنع القرار البشري أو تُؤتمتها. كما تتناول تحديات ناشئة أو محتملة في المستقبل، مثل أخلاقيات الآلات (كيفية صنع آلات تتصرف بشكل أخلاقي)، وأنظمة الأسلحة الفتاكة ذاتية التشغيل ، وديناميكيات سباق التسلح ، وسلامة الذكاء الاصطناعي وتوافقه ، والبطالة التكنولوجية ، والمعلومات المضللة التي يُتيحها الذكاء الاصطناعي ، [ 166 ] وكيفية التعامل مع بعض أنظمة الذكاء الاصطناعي إذا كانت تتمتع بوضع أخلاقي (رفاهية الذكاء الاصطناعي وحقوقه)، والذكاء الاصطناعي الفائق ، والمخاطر الوجودية . [ 165 ]

قد يكون لبعض مجالات التطبيق أيضًا آثار أخلاقية مهمة بشكل خاص، مثل الرعاية الصحية والتعليم والعدالة الجنائية أو الجيش.

تحيز

قد تعاني مناهج التعلم الآلي المختلفة من تحيزات بيانات متباينة. فنظام التعلم الآلي المُدرَّب خصيصًا على بيانات العملاء الحاليين قد لا يتمكن من التنبؤ باحتياجات فئات العملاء الجديدة غير المُمثَّلة في بيانات التدريب. وعند تدريبه على بيانات من صنع الإنسان، فمن المرجح أن يلتقط التعلم الآلي التحيزات الفطرية واللاواعية الموجودة بالفعل في المجتمع. [ 167 ]

قد تُظهر الأنظمة التي تُدرَّب على مجموعات بيانات جُمعت مع وجود تحيزات، هذه التحيزات عند استخدامها (التحيز الخوارزمي)، مما يُرسخ الأحكام المسبقة الثقافية. [ 168 ] على سبيل المثال، في عام 1988، وجدت لجنة المساواة العرقية في المملكة المتحدة أن كلية سانت جورج الطبية كانت تستخدم برنامج حاسوب مُدرَّبًا على بيانات موظفي القبول السابقين، وقد رفض هذا البرنامج ما يقرب من 60 مرشحًا تبيّن أنهم إما نساء أو يحملون أسماءً غير أوروبية. [ 167 ] قد يؤدي استخدام بيانات التوظيف من شركة ذات سياسات توظيف عنصرية إلى قيام نظام التعلم الآلي بتكرار التحيز من خلال تقييم المتقدمين للوظائف بناءً على مدى تشابههم مع المتقدمين الناجحين السابقين. [ 169 ] [ 170 ] مثال آخر هو خوارزمية التنبؤ الخاصة بشركة جيوليتيكا المتخصصة في الشرطة التنبؤية ، والتي أسفرت عن "مستويات عالية بشكل غير متناسب من المراقبة الأمنية المفرطة في المجتمعات ذات الدخل المنخفض والأقليات" بعد تدريبها على بيانات الجريمة التاريخية. [ 171 ]

على الرغم من أن جمع البيانات بشكل مسؤول وتوثيق القواعد الخوارزمية التي يستخدمها النظام يُعد جزءًا أساسيًا من التعلم الآلي، إلا أن بعض الباحثين يُرجعون ضعف التعلم الآلي أمام التحيزات إلى نقص مشاركة وتمثيل الأقليات في مجال الذكاء الاصطناعي. [ 172 ] في الواقع، وفقًا لبحث أجرته جمعية أبحاث الحوسبة عام 2021، فإن "أعضاء هيئة التدريس من الإناث يشكلن 16.1% فقط" من إجمالي أعضاء هيئة التدريس المتخصصين في الذكاء الاصطناعي في العديد من الجامعات حول العالم. [ 173 ] علاوة على ذلك، ضمن مجموعة "خريجي الدكتوراه الجدد في الذكاء الاصطناعي المقيمين في الولايات المتحدة"، عرّف 45% أنفسهم بأنهم من البيض، و22.4% بأنهم من الآسيويين، و3.2% بأنهم من أصول لاتينية، و2.4% بأنهم من الأمريكيين من أصل أفريقي، مما يُظهر بوضوح نقص التنوع في مجال الذكاء الاصطناعي. [ 173 ]

أظهرت الدراسات أن نماذج اللغة المُستخلصة من البيانات تحتوي على تحيزات شبيهة بالتحيزات البشرية. [ 174 ] [ 175 ] ولأن اللغات البشرية تتضمن تحيزات، فإن الآلات المُدرَّبة على مجموعات النصوص اللغوية ستتعلم هذه التحيزات بالضرورة. [ 176 ] [ 177 ] في عام 2016، اختبرت مايكروسوفت برنامج الدردشة الآلي "تاي" (Tay ) الذي تعلم من تويتر، وسرعان ما اكتسب لغة عنصرية وجنسية. [ 178 ]

في تجربة أجرتها مؤسسة ProPublica ، وهي منظمة صحافة استقصائية ، أظهرت خوارزمية التعلم الآلي، عند تحليلها لمعدلات العودة إلى الإجرام بين السجناء، تصنيفًا خاطئًا للمتهمين السود على أنهم "عاليي الخطورة" بمعدل ضعف معدل تصنيف المتهمين البيض. [ 171 ] وفي عام 2015، صنّفت خدمة صور جوجل شخصين من ذوي البشرة السوداء على أنهما غوريلا، مما أثار جدلًا واسعًا. وقد أُزيل هذا التصنيف لاحقًا، ولكن حتى عام 2023، لا تزال الخدمة غير قادرة على التعرّف على الغوريلا. [ 179 ] وقد وُجدت مشكلات مماثلة في التعرّف على الأشخاص غير البيض في العديد من الأنظمة الأخرى. [ 180 ]

بسبب هذه التحديات، قد يستغرق تبني استخدام التعلم الآلي بفعالية في مجالات أخرى وقتًا أطول. [ 181 ] ويتزايد قلق علماء الذكاء الاصطناعي، بمن فيهم فاي فاي لي ، بشأن العدالة في التعلم الآلي، أي الحد من التحيز فيه ودفع استخدامه لما فيه خير البشرية، حيث قالت: "لا شيء اصطناعي في الذكاء الاصطناعي. إنه مستوحى من البشر، ومُبتكر من قِبلهم، والأهم من ذلك، أنه يؤثر فيهم. إنه أداة قوية بدأنا للتو في فهمها، وهذه مسؤولية جسيمة." [ 182 ]

الحوافز المالية

تُساور العاملين في مجال الرعاية الصحية مخاوف من أن هذه الأنظمة قد لا تُصمَّم لمصلحة الجمهور، بل كأدواتٍ لتوليد الدخل. ويتجلى هذا الأمر بوضوح في الولايات المتحدة، حيث توجد معضلة أخلاقية قائمة منذ زمن طويل، تتمثل في تحسين الرعاية الصحية مع زيادة الأرباح في الوقت نفسه. فعلى سبيل المثال، قد تُصمَّم الخوارزميات لتزويد المرضى بفحوصات أو أدوية غير ضرورية، يمتلك أصحاب حقوق الملكية الفكرية لهذه الخوارزميات حصصًا فيها. يُحتمل أن يُتيح التعلّم الآلي في مجال الرعاية الصحية للعاملين أداةً إضافيةً لتشخيص المرضى، ووصف الأدوية لهم، ووضع خطط علاجية لهم، ولكن هذا يتطلب الحد من هذه التحيزات. [ 183 ]

الأجهزة

منذ العقد الثاني من الألفية، أدت التطورات في كلٍ من خوارزميات التعلم الآلي ومكونات الحاسوب إلى ظهور أساليب أكثر كفاءة لتدريب الشبكات العصبية العميقة (وهي فرع متخصص من التعلم الآلي) التي تحتوي على طبقات عديدة من الوحدات المخفية غير الخطية. [ 184 ] وبحلول عام 2019، حلت وحدات معالجة الرسومات ( GPUs )، التي غالبًا ما تتضمن تحسينات خاصة بالذكاء الاصطناعي، محل وحدات المعالجة المركزية (CPUs) لتصبح الطريقة السائدة لتدريب أنظمة الذكاء الاصطناعي السحابية التجارية واسعة النطاق. [ 185 ] وقدّرت OpenAI قدرة الحوسبة المستخدمة في أكبر مشاريع التعلم العميق، بدءًا من AlexNet (2012) وصولًا إلى AlphaZero (2017)، ووجدت زيادة قدرها 300,000 ضعف في كمية الحوسبة المطلوبة، مع معدل تضاعف كل 3.4 أشهر. [ 186 ] [ 187 ]

وحدات معالجة الموترات (TPUs)

وحدات معالجة الموترات (TPUs) هي مُسرّعات أجهزة متخصصة طورتها جوجل خصيصًا لأحمال عمل التعلّم الآلي. على عكس وحدات معالجة الرسومات (GPUs ) ووحدات FPGAs للأغراض العامة ، فإن وحدات معالجة الموترات مُحسّنة لحسابات الموترات، مما يجعلها فعّالة للغاية في مهام التعلّم العميق مثل التدريب والاستدلال. تُستخدم هذه الوحدات على نطاق واسع في خدمات الذكاء الاصطناعي السحابية من جوجل ونماذج التعلّم الآلي واسعة النطاق مثل نموذج DeepMind AlphaFold من جوجل ونماذج اللغة الكبيرة. تستفيد وحدات معالجة الموترات من وحدات ضرب المصفوفات وذاكرة النطاق الترددي العالي لتسريع العمليات الحسابية مع الحفاظ على كفاءة استهلاك الطاقة. [ 188 ] منذ طرحها في عام 2016، أصبحت وحدات معالجة الموترات عنصرًا أساسيًا في بنية الذكاء الاصطناعي، لا سيما في البيئات السحابية.

الحوسبة العصبية الشكلية

يشير مصطلح الحوسبة العصبية الشكلية إلى فئة من أنظمة الحوسبة المصممة لمحاكاة بنية ووظائف الشبكات العصبية البيولوجية. ويمكن تنفيذ هذه الأنظمة من خلال عمليات محاكاة برمجية على أجهزة تقليدية أو من خلال بنى أجهزة متخصصة. [ 189 ]

الشبكات العصبية الفيزيائية

الشبكة العصبية الفيزيائية هي نوع محدد من الأجهزة العصبية الاصطناعية التي تعتمد على مواد قابلة للتعديل كهربائيًا، مثل الميمريستورات، لمحاكاة وظيفة المشابك العصبية . يُبرز مصطلح "الشبكة العصبية الفيزيائية" استخدام الأجهزة الفيزيائية في الحوسبة، على عكس التطبيقات البرمجية. ويشير بشكل عام إلى الشبكات العصبية الاصطناعية التي تستخدم مواد ذات مقاومة قابلة للتعديل لمحاكاة المشابك العصبية. [ 190 ] [ 191 ]

التعلم الآلي المدمج

يُعدّ التعلّم الآلي المُدمج فرعًا من فروع التعلّم الآلي، حيث تُنشر النماذج على أنظمة مُدمجة ذات موارد حاسوبية محدودة، مثل الحواسيب القابلة للارتداء ، وأجهزة الحوسبة الطرفية ، ووحدات التحكم الدقيقة . [ 192 ] [ 193 ] [ 194 ] [ 195 ] يُغني تشغيل النماذج مباشرةً على هذه الأجهزة عن الحاجة إلى نقل البيانات وتخزينها على خوادم سحابية لمزيد من المعالجة، مما يُقلل من مخاطر اختراق البيانات، وتسريب البيانات الشخصية، وسرقة الملكية الفكرية، والبيانات الشخصية، وأسرار العمل. يُمكن تحقيق التعلّم الآلي المُدمج من خلال تقنيات مُتنوعة، مثل تسريع الأجهزة ، [ 196 ] [ 197 ] والحوسبة التقريبية ، [ 198 ] وتحسين النماذج. [ 199 ] [ 200 ] تشمل تقنيات التحسين الشائعة التقليم ، والتكميم ، وتقطير المعرفة ، وتحليل العوامل منخفضة الرتبة، والبحث عن بنية الشبكة، ومشاركة المعلمات.

برمجة

برامج مجانية ومفتوحة المصدر

برامج احتكارية بإصدارات مجانية ومفتوحة المصدر

برامج احتكارية

المجلات

المؤتمرات

انظر أيضاً

مراجع

  1. ↑ يُنسب تعريف "بدون برمجة صريحة" غالبًا إلى آرثر صموئيل ، الذي صاغ مصطلح "التعلم الآلي" عام 1959، ولكن هذه العبارة غير موجودة حرفيًا في هذا المنشور، وقد تكون إعادة صياغة ظهرت لاحقًا. راجع "إعادة صياغة آرثر صموئيل (1959)، السؤال هو: كيف يمكن لأجهزة الكمبيوتر أن تتعلم حل المشكلات دون برمجة صريحة؟" في: كوزا، جون ر.؛ بينيت، فورست هـ.؛ أندريه، ديفيد؛ كين، مارتن أ. (1996). "التصميم الآلي لكل من بنية وحجم الدوائر الكهربائية التناظرية باستخدام البرمجة الجينية". الذكاء الاصطناعي في التصميم 96. الذكاء الاصطناعي في التصميم 96. دوردريخت، هولندا: سبرينغر هولندا. ص 151-170 . doi : 10.1007/978-94-009-0279-4_9 . ISBN  978-94-010-6610-5.
  2. 1 2 3 بيشوب، سي إم (2006)، التعرف على الأنماط والتعلم الآلي ، سبرينغر، رقم ISBN 978-0-387-31073-2
  3. ↑ يمكن اعتبار التعلم الآلي والتعرف على الأنماط "وجهين لنفس المجال". [ 2 ] : 7
  4. 1 2 فريدمان، جيروم هـ. (1998). "استخراج البيانات والإحصاء: ما هي العلاقة؟". علوم الحاسوب والإحصاء . 29 (1): 3-9 .
  5. ↑ صموئيل، آرثر (1959). "بعض الدراسات في التعلم الآلي باستخدام لعبة الداما". مجلة آي بي إم للبحوث والتطوير . 3 (3): 210-229 . CiteSeerX 10.1.1.368.2254 . doi : 10.1147/rd.33.0210 . S2CID 2126705 .  
  6. 1 2 R. Kohavi and F. Provost, "Glossary of terms", Machine Learning, vol. 30, no. 2–3, pp. 271–274, 1998.
  7. ↑ جيروفيتش، سلافا (9 أبريل 2015). "كيف انتقم الحاسوب من الاتحاد السوفيتي" . نوتيلوس . مؤرشف من الأصل في 22 سبتمبر 2021. تم الاطلاع عليه في 19 سبتمبر 2021 .
  8. ↑ ليندسي، ريتشارد ب. (سبتمبر 1964). "أثر الأتمتة على الإدارة العامة". المجلة السياسية الغربية الفصلية . 17 (3): 78-81 . doi : 10.1177/106591296401700364 .
  9. ١ ٢ ٣ "تاريخ وتطور التعلم الآلي: جدول زمني" . WhatIs . مؤرشف من الأصل في ٨ ديسمبر ٢٠٢٣. تم الاطلاع عليه في ٨ ديسمبر ٢٠٢٣ .
  10. ↑ ميلنر، بيتر م. (1993). "العقل ودونالد أو. هيب" (ملف PDF) . مجلة ساينتفك أمريكان . 268 (1): 124-129 . Bibcode : 1993SciAm.268a.124M . doi : 10.1038/scientificamerican0193-124 . ISSN 0036-8733 . JSTOR 24941344. PMID 8418480 .   
  11. ↑ "العلم: زر الخطأ"، مجلة تايم ، 18 أغسطس 1961.
  12. ↑ نيلسون، نيلز ج. (1965). آلات التعلم . ماكجرو هيل.
  13. ↑ دودا، ريتشارد أو.؛ ​​هارت، بيتر إي. (1973). التعرف على الأنماط وتحليل المشاهد . وايلي إنترساينس.
  14. ↑ س. بوزينوفسكي، "مساحة التدريس: مفهوم تمثيلي لتصنيف الأنماط التكيفي"، التقرير الفني رقم 81-28، قسم علوم الحاسوب والمعلومات، جامعة ماساتشوستس في أمهيرست، ماساتشوستس، 1981. https://web.cs.umass.edu/publication/docs/1981/UM-CS-1981-028.pdf مؤرشف في 25 فبراير 2021 على موقع Wayback Machine
  15. 1 2 ميتشل ، ت. (1997). تعلم الآلة . ماكجرو هيل. ص 2. ISBN  978-0-07-042807-2.
  16. ↑ تورينج، آلان (أكتوبر 1950). "آلات الحوسبة والذكاء" (ملف PDF) . العقل . 59 (236).
  17. ↑ هارناد، ستيفان (2008)، "لعبة التعليق: حول تورينج (1950) في الحوسبة والآلات والذكاء" ، في إبستين، روبرت؛ بيترز، جريس (محرران)، كتاب مصادر اختبار تورينج: قضايا فلسفية ومنهجية في البحث عن الحاسوب المفكر ، كلوير، ص 23-66 ، ISBN  978-1-4020-6708-2تمت أرشفة هذا النص من المصدر الأصلي في 9 مارس 2012 ، وتم استرجاعه في 11 ديسمبر 2012.
  18. ↑ غودفيلو، إيان؛ بوجيه-أبادي، جان؛ ميرزا، مهدي (2014). الشبكات التوليدية التنافسية (PDF) . التقدم في أنظمة معالجة المعلومات العصبية 27 (2014).
  19. ↑ سيلفر، ديفيد؛ هوانغ، آجا؛ ماديسون، كريستوفر جيه. (2016). "إتقان لعبة غو باستخدام الشبكات العصبية العميقة وبحث الشجرة". مجلة نيتشر . 529 (7587): 484-489 . Bibcode : 2016Natur.529..484S . doi : 10.1038/nature16961 . PMID: 26819042 . 
  20. ↑ سيندو ف، نيفيدا س، براكاش م (فبراير 2020). "بحث علمي تجريبي حول المعلوماتية الحيوية في التعلم الآلي" . مجلة ميكانيكا الأوساط المتصلة والعلوم الرياضية (7). doi : 10.26782/jmcms.spl.7/2020.02.00006 .
  21. ↑ سارل، وارن س. (1994). "الشبكات العصبية والنماذج الإحصائية". وقائع المؤتمر الدولي السنوي التاسع عشر لمجموعة مستخدمي SAS ، معهد SAS. الصفحات 1538-1550 . ISBN  978-1-55544-611-6. OCLC 35546178 . 
  22. 1 2 3 4 راسل، ستيوارت ؛ نورفيج، بيتر (2003) [1995]. الذكاء الاصطناعي: منهج حديث ( الطبعة الثانية). برنتيس هول. ISBN  978-0137903955.
  23. 1 2 لانغلي، بات (2011). "العلم المتغير للتعلم الآلي" . التعلم الآلي . 82 (3): 275-279 . doi : 10.1007/s10994-011-5242-y .
  24. ↑ ماهوني، مات. "أساس منطقي لمعيار ضغط النصوص الكبيرة" . معهد فلوريدا للتكنولوجيا. مؤرشف من الأصل في 18 أغسطس 2006. تم الاطلاع عليه في 5 مارس 2013 .
  25. ↑ شميلوفيتشي أ.؛ كاهيري ي.؛ بن غال إ.؛ هاوزر س. (2009). "قياس كفاءة سوق الفوركس اليومي باستخدام خوارزمية ضغط بيانات شاملة" ( ملف PDF) . الاقتصاد الحسابي . 33 (2): 131-154 . CiteSeerX 10.1.1.627.3751 . doi : 10.1007/s10614-008-9153-3 . S2CID 17234503. مؤرشف (ملف PDF) من الأصل في 9 يوليو 2009.  
  26. ↑ بن غال، إ. (2008). "حول استخدام مقاييس ضغط البيانات لتحليل التصاميم القوية" (ملف PDF) . معاملات IEEE في الموثوقية . 54 (3): 381-388 . doi : 10.1109/TR.2005.853280 . S2CID 9376086. مؤرشف من الأصل (ملف PDF) في 26 سبتمبر 2020. تم الاسترجاع في 6 أبريل 2016 . 
  27. ↑ د. سكولي؛ كارلا إي. برودلي (2006). "الضغط والتعلم الآلي: منظور جديد لمتجهات فضاء الميزات". مؤتمر ضغط البيانات (DCC'06) . ص 332. doi : 10.1109/DCC.2006.13 . ISBN  0-7695-2545-8. S2CID 12311412 . 
  28. ↑ غاري أدكوك (5 يناير 2023). "ما هو ضغط الفيديو بالذكاء الاصطناعي؟" . massive.io . مؤرشف من الأصل في 6 أبريل 2023. تم الاطلاع عليه في 6 أبريل 2023 .
  29. ^ منتزر، فابيان. توديريسي، جورج؛ تشانين، مايكل. أغوستسون ، إيريكور (2020). “ضغط الصور التوليدي عالي الدقة”. أرخايف : 2006.09965 [ eess.IV ].
  30. ↑ "ما هو التعلّم غير الموجّه؟ | آي بي إم" . www.ibm.com . 23 سبتمبر 2021. مؤرشف من الأصل في 5 فبراير 2024. تم الاطلاع عليه في 5 فبراير 2024 .
  31. ↑ "التجميع التفاضلي الخاص لمجموعات البيانات واسعة النطاق" . blog.research.google . 25 مايو 2023. مؤرشف من الأصل في 16 مارس 2024. تم الاسترجاع في 16 مارس 2024 .
  32. ↑ إدواردز، بنج (28 سبتمبر 2023). "دراسة: نماذج اللغة المدعومة بالذكاء الاصطناعي تتفوق على PNG وFLAC في الضغط غير الفاقد للبيانات" . آرس تكنيكا . مؤرشف من الأصل في 7 مارس 2024. تم الاطلاع عليه في 7 مارس 2024 .
  33. ^ ديليتانج، جريجوار. روس، أنيان. دوكوين، بول أمبرواز؛ كات، إليوت. جينيوين، تيم؛ ماترن، كريستوفر؛ جراو مويا، جوردي؛ لي كيفن وينليانغ؛ أيتشيسون، ماثيو. أورسو، لوران؛ هوتر، ماركوس. فينيس، جويل (2023). “نمذجة اللغة هي الضغط”. أرخايف : 2309.10668 [ cs.LG ].
  34. ↑ لو رو، نيكولاس؛ بينجيو، يوشوا؛ فيتزجيبون، أندرو (2012). "تحسين طرق الرتبة الأولى والثانية من خلال نمذجة عدم اليقين" . في: سرا، سوفريت؛ نوفوزين، سيباستيان؛ رايت، ستيفن جيه (محررون). التحسين للتعلم الآلي . مطبعة معهد ماساتشوستس للتكنولوجيا. ص 404. ISBN  978-0-262-01646-9أُرشف من الأصل في 17 يناير 2023. تم الاطلاع عليه في 12 نوفمبر 2020 .
  35. ↑ بزدوك، دانيلو؛ ألتمان، نعومي ؛ كرزيونسكي، مارتن (2018). "الإحصاء مقابل التعلم الآلي" . مجلة نيتشر ميثودز . 15 (4): 233-234 . doi : 10.1038/nmeth.4642 . PMC 6082636. PMID 30100822 .  
  36. ↑ هونغ وآخرون. خوارزميات لقياس أداء الجراح والتنبؤ بالنتائج السريرية في الجراحة الروبوتية. مجلة الجمعية الطبية الأمريكية للجراحة. 2018
  37. ↑ مكتبة جامعة كورنيل (أغسطس 2001). " بريمان: النمذجة الإحصائية: الثقافتان (مع تعليقات ورد من المؤلف)" . العلوم الإحصائية . 16 (3). doi : 10.1214/ss/1009213726 . S2CID 62729017. مؤرشف من الأصل في 26 يونيو 2017. تم الاطلاع عليه في 8 أغسطس 2015 . 
  38. ↑ غاريث جيمس؛ دانييلا ويتن؛ تريفور هاستي؛ روبرت تيبشيراني (2013). مقدمة في التعلم الإحصائي . سبرينغر. ص. 7. مؤرشف من الأصل في 23 يونيو 2019. تم الاطلاع عليه في 25 أكتوبر 2014 . 
  39. ↑ رامزانبور، أ.؛ بيم، أ.ل.؛ تشين، ج.هـ.؛ مشاغي، أ. (17 نوفمبر 2020). "الفيزياء الإحصائية للتشخيص الطبي: خوارزميات التعلم والاستدلال والتحسين" . التشخيص . 10 ( 11): 972. doi : 10.3390/diagnostics10110972 . PMC 7699346. PMID 33228143 .  
  40. ↑ مشاغي، أ.؛ رمضانبور، أ. (16 مارس 2018). "الفيزياء الإحصائية للتشخيص الطبي: دراسة نموذج احتمالي". مجلة Physical Review E. 97 ( 3-1 ) 032118. arXiv : 1803.10019 . Bibcode : 2018PhRvE..97c2118M . doi : 10.1103/PhysRevE.97.032118 . PMID 29776109. S2CID 4955393 .  
  41. ↑ مهري، مهريار ؛ رستمي زاده، أفشين؛ تالوالكار، أميت (2012). أسس التعلم الآلي . الولايات المتحدة، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 9780262018258.
  42. ↑ ألبيدين، إيثم (2010). مقدمة في تعلم الآلة . لندن: مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 978-0-262-01243-0تم الاطلاع عليه بتاريخ 4 فبراير 2017 .
  43. ↑ جوردان، إم آي؛ ميتشل، تي إم (17 يوليو 2015). "التعلم الآلي: الاتجاهات، والآفاق، والتوقعات" . مجلة ساينس . 349 (6245): 255-260 . Bibcode : 2015Sci...349..255J . doi : 10.1126/science.aaa8415 . PMID: 26185243. S2CID : 677218 .  
  44. ↑ الناقة، عصام؛ مورفي، مارتن ج. (2015). "ما هو التعلّم الآلي؟". التعلّم الآلي في علاج الأورام بالإشعاع . ص 3-11 . doi : 10.1007/978-3-319-18305-3_1 . ISBN  978-3-319-18304-6. S2CID 178586107 . 
  45. ↑ أوكولي، جود أ.؛ سافاج، شونا؛ أوغباجا، تشوكوما س.؛ غونيش، بوركو (يونيو 2022). "تقييم إمكانات أساليب التعلم الآلي لدراسة إزالة المستحضرات الصيدلانية من مياه الصرف الصحي باستخدام الفحم الحيوي أو الكربون المنشط" . موضوعات بحثية في البيئة الشاملة . 1-2 100001. Bibcode : 2022TERT....100001O . doi : 10.1016/j.totert.2022.100001 . S2CID 249022386 . 
  46. ↑ راسل، ستيوارت جيه؛ نورفيج، بيتر (2010). الذكاء الاصطناعي: منهج حديث ( الطبعة الثالثة). برنتيس هول. ISBN  978-0-13-604259-4.
  47. ↑ مهري، مهريار؛ رستمي زاده، أفشين؛ تالوالكار، أميت (2012). أسس التعلم الآلي . مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 978-0-262-01825-8.
  48. ↑ ألبيدين، إيثم (2010). مقدمة في تعلم الآلة . مطبعة معهد ماساتشوستس للتكنولوجيا. ص 9. ISBN  978-0-262-01243-0أُرشف من الأصل في 17 يناير 2023. تم الاطلاع عليه في 25 نوفمبر 2018 .
  49. ↑ دي سا، كريستوفر (ربيع 2022). "ملاحظات المحاضرة 2: التعلم الخاضع للإشراف" . كورنيل: علوم الحاسوب . تم الاطلاع عليه في 1 يوليو 2024 .
  50. ↑ جوردان، مايكل آي.؛ بيشوب، كريستوفر إم. (2004). "الشبكات العصبية". في ألين ب. تاكر (محرر). دليل علوم الحاسوب، الطبعة الثانية (القسم السابع: الأنظمة الذكية) . بوكا راتون، فلوريدا: تشابمان آند هول/سي آر سي برس إل إل سي. ISBN 978-1-58488-360-9.
  51. ↑ ميسرا، إيشان؛ ماتن، لورينز فان دير (2020). التعلم الذاتي الموجه للتمثيلات الثابتة للسياق . مؤتمر IEEE/CVF لعام 2020 حول رؤية الحاسوب والتعرف على الأنماط. سياتل، واشنطن، الولايات المتحدة الأمريكية: IEEE . الصفحات 6707-6717 . arXiv : 1912.01991 . doi : 10.1109/CVPR42600.2020.00674 . 
  52. ↑ جايسوال، أشيش؛ بابو، أشوين راميش؛ زاده، محمد زكي؛ بانيرجي، ديبابريا؛ ماكيدون، فيليا (مارس 2021). "دراسة استقصائية حول التعلم الذاتي المقارن" . التقنيات . 9 (1): 2. arXiv : 2011.00362 . doi : 10.3390/technologies9010002 . ISSN 2227-7080 . 
  53. ↑ رويس، سام ت.؛ سول، لورانس ك. (22 ديسمبر 2000). "تقليل الأبعاد غير الخطي عن طريق التضمين الخطي المحلي". مجلة ساينس . 290 (5500): 2323-2326 . رمز Bibcode : 2000Sci...290.2323R . doi : 10.1126/science.290.5500.2323 . PMID 11125150 . 
  54. ↑ أليكس راتنر؛ ستيفن باخ؛ باروما فارما؛ كريس. "الإشراف الضعيف: نموذج البرمجة الجديد للتعلم الآلي" . hazyresearch.github.io . بالإشارة إلى أعمال العديد من أعضاء Hazy Research الآخرين. مؤرشف من الأصل في 6 يونيو 2019. تم الاطلاع عليه في 6 يونيو 2019 .
  55. ↑ فان أوتيرلو، م.؛ ويرينغ، م. (2012). "التعلم المعزز وعمليات اتخاذ القرار ماركوف". التعلم المعزز . التكيف والتعلم والتحسين. المجلد 12. الصفحات 3-42 . doi : 10.1007/978-3-642-27645-3_1 . ISBN   978-3-642-27644-6.
  56. ↑ بافيل برازديل؛ كريستوف جيرو كارييه؛ كارلوس سواريس؛ ريكاردو فيلالتا (2009). التعلم الفائق: تطبيقات في استخراج البيانات (الطبعة الرابعة ). سبرينغر ساينس + بيزنس ميديا . الصفحات 10-14 ، وما بعدها . ISBN   978-3-540-73262-4.
  57. ↑ بوزينوفسكي، س. (1982). "نظام تعلم ذاتي باستخدام التعزيز الثانوي". في ترابل، روبرت (محرر). أبحاث علم التحكم الآلي والأنظمة: وقائع الاجتماع الأوروبي السادس حول أبحاث علم التحكم الآلي والأنظمة . نورث هولاند. ص 397-402 . ISBN  978-0-444-86488-8.
  58. ↑ بوزينوفسكي، س. (1999). "مصفوفة كروسبار التكيفية: أول شبكة اتصال حلت مشكلة التعلم المعزز المؤجل". الشبكات العصبية الاصطناعية والخوارزميات الجينية . ص 320-325 . doi : 10.1007/978-3-7091-6384-9_54 . ISBN  978-3-211-83364-3.
  59. ↑ بوزينوفسكي، ستيفو (2014). "نمذجة آليات التفاعل بين الإدراك والعاطفة في الشبكات العصبية الاصطناعية، منذ عام 1981" . وقائع علوم الحاسوب . 41 : 255-263 . doi : 10.1016/j.procs.2014.11.111 .
  60. ↑ بوزينوفسكي، ستيفو؛ بوزينوفسكا، ليليانا (2001). "الوكلاء المتعلمون ذاتيًا: نظرية اتصالية للعاطفة قائمة على حكم القيمة المتقاطع". علم التحكم الآلي والأنظمة . 32 (6): 637-669 . doi : 10.1080/01969720118145 .
  61. ↑ ي. بينجيو؛ أ. كورفيل؛ ب. فنسنت (2013). "تعلم التمثيل: مراجعة ووجهات نظر جديدة". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 35 (8): 1798-1828 . arXiv : 1206.5538 . Bibcode : 2013ITPAM..35.1798B . doi : 10.1109/tpami.2013.50 . PMID: 23787338. S2CID : 393948 .  
  62. ^ ناثان سريبرو. جايسون دي إم ريني؛ تومي س. جاكولا (2004). تحليل مصفوفة الحد الأقصى للهامش . خطط التنفيذ الوطنية .
  63. ↑ كوتس، آدم؛ لي، هونغلاك؛ نغ، أندرو واي. (2011). تحليل الشبكات أحادية الطبقة في تعلم الميزات غير الخاضع للإشراف (ملف PDF) . المؤتمر الدولي للذكاء الاصطناعي والإحصاء (AISTATS). مؤرشف من الأصل (ملف PDF) بتاريخ 13 أغسطس 2017. تم الاطلاع عليه بتاريخ 25 نوفمبر 2018 .
  64. ↑ تشوركا، غابرييلا؛ دانس، كريستوفر سي؛ فان، ليكسين؛ ويلاموفسكي، جوتا؛ براي، سيدريك (2004). التصنيف البصري باستخدام مجموعات النقاط الرئيسية (ملف PDF) . ورشة عمل ECCV حول التعلم الإحصائي في رؤية الحاسوب. مؤرشف (ملف PDF) من الأصل بتاريخ 13 يوليو 2019. تم الاطلاع عليه بتاريخ 29 أغسطس 2019 .
  65. ↑ دانيال جورافسكي؛ جيمس هـ. مارتن (2009). معالجة الكلام واللغة . بيرسون إديوكيشن إنترناشونال. ص 145-146 . 
  66. ↑ لو، هايبينغ؛ بلاتانيوتيس، ك.ن؛ فينيتسانوبولوس، أ.ن (2011). "دراسة استقصائية لتعلم الفضاء الفرعي متعدد الخطوط لبيانات الموترات" (ملف PDF) . التعرف على الأنماط . 44 (7): 1540-1551 . رمز Bibcode : 2011PatRe..44.1540L . doi : 10.1016/j.patcog.2011.01.004 . مؤرشف (ملف PDF) من الأصل في 10 يوليو 2019. تم الاسترجاع في 4 سبتمبر 2015 .
  67. ↑ يوشوا بنجيو (2009). تعلم البنى العميقة للذكاء الاصطناعي . دار نشر ناو. الصفحات 1-3 . ISBN  978-1-60198-294-0أُرشف من الأصل في 17 يناير 2023. تم الاطلاع عليه في 15 فبراير 2016 .
  68. ↑ تيلمان، أ.م. (2015). "حول صعوبة الحساب في تعلم القاموس الدقيق والتقريبي". رسائل معالجة الإشارات IEEE . 22 (1): 45-49 . arXiv : 1405.6664 . Bibcode : 2015ISPL...22...45T . doi : 10.1109/LSP.2014.2345761 . S2CID 13342762 . 
  69. ↑ أهارون، م ، وإيلاد، م، وبروكشتاين، أ. 2006. " خوارزمية K-SVD: خوارزمية لتصميم قواميس مكتملة للتمثيل المتفرق. مؤرشفة بتاريخ 23-11-2018 على موقع Wayback Machine ." معالجة الإشارات، معاملات IEEE، 54 (11): 4311-4322
  70. ↑ زيمك، آرثر؛ شوبرت، إريك (2017)، "الكشف عن القيم الشاذة"، موسوعة أنظمة قواعد البيانات ، سبرينغر نيويورك، ص 1-5 ، doi : 10.1007/978-1-4899-7993-3_80719-1 ، ISBN  978-1-4899-7993-3
  71. ↑ هودج، في جيه؛ أوستن، جيه. (2004). "دراسة استقصائية لمنهجيات الكشف عن القيم الشاذة" ( ملف PDF) . مراجعة الذكاء الاصطناعي . 22 (2): 85-126 . CiteSeerX 10.1.1.318.4023 . doi : 10.1007/s10462-004-4304-y . S2CID 59941878. مؤرشف (ملف PDF) من الأصل في 22 يونيو 2015. تم الاطلاع عليه في 25 نوفمبر 2018 .  
  72. ↑ دوكاس، بول؛ إرتوز، ليفنت؛ كومار، فيبين؛ لازاريفيتش، ألكسندر؛ سريفاستافا، جايديب؛ تان، بانغ نينغ (2002). "استخراج البيانات لكشف اختراقات الشبكة" (ملف PDF) . وقائع ورشة عمل مؤسسة العلوم الوطنية حول الجيل القادم من استخراج البيانات . مؤرشف (ملف PDF) من الأصل في 23 سبتمبر 2015. تم الاطلاع عليه في 26 مارس 2023 .
  73. ↑ تشاندولا، ف.؛ بانيرجي، أ.؛ كومار، ف. (2009). "الكشف عن الشذوذ: دراسة استقصائية". مجلة ACM Computing Surveys . 41 (3): 1–58 . doi : 10.1145/1541880.1541882 . S2CID 207172599 . 
  74. ↑ فلير، س.؛ مورينجن، أ.؛ كلاتزكي، ر. ل.؛ ريتر، هـ. (2020). "تعلم استكشاف الأشكال اللمسية بكفاءة باستخدام مصفوفة مستشعرات لمسية صلبة، س. فلير، أ. مورينجن، ر. كلاتزكي، هـ. ريتر" . PLOS ONE . 15 (1) e0226880. arXiv : 1902.07501 . doi : 10.1371/journal.pone.0226880 . PMC 6940144. PMID 31896135 .  
  75. ^ مورينجن ، الكسندرا. فلير، ساشا؛ والك، غيوم. ريتر، هيلج (2020)، نيسكي، إيلانا؛ هارتشر أوبراين، جيس؛ ويرتلفسكي، مايكل؛ سميتس، جيروين (محرران)، “تعلم الروبوت القائم على الاهتمام للتفاعل اللمسي”، اللمس: العلوم والتكنولوجيا والتطبيقات ، ملاحظات المحاضرات في علوم الكمبيوتر، المجلد. 12272، شام: سبرينغر إنترناشيونال للنشر، الصفحات من 462 إلى 470، دوى : 10.1007/978-3-030-58147-3_51 ، ISBN   978-3-030-58146-6، S2CID 220069113 {{citation}}: CS1 maint: work parameter with ISBN ( link )
  76. ↑ Piatetsky-Shapiro, Gregory (1991), Discovery, analysis, and presentation of strong rules , in Piatetsky-Shapiro, Gregory; and Frawley, William J.; eds., Knowledge Discovery in Databases , AAAI/MIT Press, Cambridge, MA.
  77. ↑ باسيل، جورج و.؛ غلاب، إنريكو؛ ماركيز، جولييتا؛ هولدسوورث، مايكل ج.؛ باكارديت، جاومي (1 سبتمبر 2011). " بناء الشبكة الوظيفية في نبات الأرابيدوبسيس باستخدام التعلم الآلي القائم على القواعد على مجموعات بيانات واسعة النطاق" . خلية النبات . 23 (9): 3101-3116 . Bibcode : 2011PlanC..23.3101B . doi : 10.1105/tpc.111.088153 . ISSN 1532-298X . PMC 3203449. PMID 21896882 .   
  78. ↑ أغراوال، ر.؛ إيميلينسكي، ت.؛ سوامي، أ. (1993). "استخراج قواعد الارتباط بين مجموعات العناصر في قواعد البيانات الكبيرة". وقائع مؤتمر ACM SIGMOD الدولي لإدارة البيانات لعام 1993 - SIGMOD '93 . ص 207. CiteSeerX 10.1.1.40.6984 . doi : 10.1145/170035.170072 . ISBN   978-0-89791-592-2. S2CID 490415 . 
  79. ↑ أوربانوفيتش، رايان جيه؛ مور، جيسون إتش. (22 سبتمبر 2009). "أنظمة تصنيف التعلم: مقدمة شاملة، ومراجعة، وخارطة طريق" . مجلة التطور الاصطناعي وتطبيقاته . 2009 : 1-25 . doi : 10.1155/2009/736398 . ISSN 1687-6229 . 
  80. ↑ بلوتكين جي دي، الأساليب الآلية للاستدلال الاستقرائي، مؤرشف في 22 ديسمبر 2017 في آلة Wayback ، أطروحة دكتوراه، جامعة إدنبرة، 1970.
  81. ↑ شابيرو، إيهود ي. الاستدلال الاستقرائي للنظريات من الحقائق. مؤرشف في 21 أغسطس 2021 في آلة Wayback ، تقرير بحثي 192، جامعة ييل، قسم علوم الحاسوب، 1981. أعيد طبعه في جيه-إل. لاسيز، جي. بلوتكين (محرران)، المنطق الحسابي، مطبعة معهد ماساتشوستس للتكنولوجيا، كامبريدج، ماساتشوستس، 1991، الصفحات 199-254.
  82. ↑ شابيرو، إيهود ي. (1983). تصحيح أخطاء البرامج الخوارزمية . كامبريدج، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 0-262-19218-7
  83. ↑ شابيرو، إيهود ي. " نظام استدلال النموذج " مؤرشف في 2023-04-06 على Wayback Machine . وقائع المؤتمر الدولي المشترك السابع حول الذكاء الاصطناعي - المجلد 2. دار نشر مورغان كوفمان، 1981.
  84. ↑ بوركوف، أندري (2019). كتاب التعلم الآلي ذو المئة صفحة . بولندا: أندري بوركوف. ISBN 978-1-9995795-0-0.
  85. ↑ راسل، ستيوارت جيه؛ نورفيج، بيتر (2021). الذكاء الاصطناعي: منهج حديث . سلسلة بيرسون في الذكاء الاصطناعي ( الطبعة الرابعة). هوبوكين: بيرسون. ISBN  978-0-13-461099-3.
  86. ↑ هونغلاك لي، روجر غروس، راجيش رانغاناث، أندرو واي. نغ. " شبكات الاعتقاد العميق التلافيفية للتعلم غير الخاضع للإشراف القابل للتطوير للتمثيلات الهرمية" مؤرشفة في 2017-10-18 في Wayback Machine " وقائع المؤتمر الدولي السنوي السادس والعشرين للتعلم الآلي، 2009.
  87. ↑ "RandomForestRegressor" . scikit-learn . تم الاسترجاع في 12 فبراير 2025 .
  88. ↑ "ما هي الغابة العشوائية؟ | آي بي إم" . www.ibm.com . 20 أكتوبر 2021. تم الاطلاع عليه بتاريخ 12 فبراير 2025 .
  89. ↑ كورتيس، كورينا ؛ فابنيك، فلاديمير ن. (1995). "شبكات المتجهات الداعمة" . تعلم الآلة . 20 (3): 273-297 . doi : 10.1007/BF00994018 .
  90. ↑ ستيفنسون، كريستوفر. "دليل تعليمي: الانحدار متعدد الحدود في إكسل" . facultystaff.richmond.edu . مؤرشف من الأصل في 2 يونيو 2013. تم الاطلاع عليه في 22 يناير 2017 .
  91. ^ وانتا، داميان. سموليك، الكسندر. سموليك، فالديمار T .؛ ميدورا، ماتيوس؛ فروبليوسكي، برزيميسلاف (2025). "إعادة بناء الصور باستخدام المعكوس الكاذب المتعلم آليًا في التصوير المقطعي بالسعة الكهربائية" . التطبيقات الهندسية للذكاء الاصطناعي . 142 109888. دوى : 10.1016/j.engappai.2024.109888 .
  92. ↑ تحتوي وثائق scikit-learn أيضًا على أمثلة مماثلة. مؤرشفة في 2 نوفمبر 2022 في Wayback Machine .
  93. ↑ غولدبيرغ، ديفيد إي.؛ هولاند، جون إتش. (1988). "الخوارزميات الجينية والتعلم الآلي" ( ملف PDF) . التعلم الآلي . 3 (2): 95-99 . doi : 10.1007/bf00113892 . S2CID 35506513. مؤرشف (ملف PDF) من الأصل في 16 مايو 2011. تم الاطلاع عليه في 3 سبتمبر 2019 . 
  94. ↑ ميتشي، د.؛ شبيغلهالتر، د.ج.؛ تايلور، س.س. (1994). "التعلم الآلي، والتصنيف العصبي والإحصائي" . سلسلة إليس هوروود في الذكاء الاصطناعي . Bibcode : 1994mlns.book.....M .
  95. ^ تشانغ، يونيو؛ زان، تشي هوي؛ لين، ينغ؛ تشن، ني. غونغ، يو جياو؛ تشونغ، جينغ هوي؛ تشونغ ، هنري ش. لي، يون؛ شي، يو هوي (2011). “الحساب التطوري يلتقي بالتعلم الآلي: دراسة استقصائية”. مجلة IEEE للذكاء الحسابي . 6 (4): 68– 75. بيب كود : 2011ICIM....6d..68Z . دوى : 10.1109/mci.2011.942584 . S2CID 6760276 . 
  96. ↑ فيربيرت، ك.؛ بابوشكا، ر.؛ دي شوتر، ب. (أبريل 2017). "الاستدلال البايزي واستدلال دمبستر-شافر لتشخيص الأعطال القائم على المعرفة - دراسة مقارنة" . تطبيقات الهندسة للذكاء الاصطناعي . 60 : 136-150 . doi : 10.1016/j.engappai.2017.01.011 .
  97. ↑ يوسف زاده نجف آبادي، محسن؛ هيو، إيرل؛ تولبان، دان؛ سوليك، جون؛ إسكندري، ميلاد (2021). " تطبيق خوارزميات التعلم الآلي في تربية النبات: التنبؤ بالمحصول من الانعكاس الطيفي الفائق في فول الصويا؟" . فرونت. بلانت ساينس . 11 624273. Bibcode : 2021FrPS...1124273Y . doi : 10.3389/fpls.2020.624273 . PMC 7835636. PMID 33510761 .  
  98. ↑ أوربانوفيتش، رايان جيه؛ مور، جيسون إتش. (22 سبتمبر 2009). "أنظمة تصنيف التعلم: مقدمة شاملة، ومراجعة، وخارطة طريق" . مجلة التطور الاصطناعي وتطبيقاته . 2009 : 1-25 . doi : 10.1155/2009/736398 . ISSN 1687-6229 . 
  99. ↑ Zhang, C. and Zhang, S., 2002. Association rule mining: models and algorithms . Springer-Verlag.
  100. ↑ دي كاسترو، لياندرو نونيس، وجوناثان تيميس. أنظمة المناعة الاصطناعية: نهج جديد للذكاء الحسابي . سبرينغر ساينس آند بيزنس ميديا، 2002.
  101. ↑ "التعلم الموحد: التعلم الآلي التعاوني بدون بيانات تدريب مركزية" . مدونة جوجل للذكاء الاصطناعي . 6 أبريل 2017. مؤرشف من الأصل في 7 يونيو 2019. تم الاطلاع عليه في 8 يونيو 2019 .
  102. ↑ يتم تضمين التعلم الآلي في منهج شهادة المحلل المالي المعتمد (CFA) ؛ انظر:{{Webarchive|url= https://www.cfainstitute.org/
  103. ↑ ماركوس م. لوبيز دي برادو (2010). التعلم الآلي لمديري الأصول . مطبعة جامعة كامبريدج . ISBN 9781108883658
  104. ^ ايفانينكو، ميخائيل. سموليك، فالديمار T .؛ وانتا، داميان؛ ميدورا، ماتيوس؛ فروبليوسكي، برزيميسواف؛ هو، شياوهان؛ يان، شياو هينج (2023). "إعادة بناء الصورة باستخدام التعلم الخاضع للإشراف في التصوير المقطعي للمقاومة الكهربائية القابلة للارتداء للصدر" . أجهزة الاستشعار . 23 (18): 7774. بيب كود : 2023Senso..23.7774I . دوى : 10.3390/s23187774 . بمك 10538128 . بميد 37765831 .  
  105. ↑ "الصفحة الرئيسية لشركة BelKor" research.att.com
  106. ↑ "مدونة نتفليكس التقنية: توصيات نتفليكس: ما وراء الخمس نجوم (الجزء الأول)" . 6 أبريل 2012. مؤرشف من الأصل في 31 مايو 2016. تم الاطلاع عليه في 8 أغسطس 2015 .
  107. ↑ سكوت باترسون (13 يوليو 2010). "ترك القرار للآلات" . صحيفة وول ستريت جورنال . مؤرشف من الأصل في 24 يونيو 2018. تم الاطلاع عليه في 24 يونيو 2018 .
  108. ↑ فينود خوسلا (10 يناير 2012). "هل نحتاج إلى أطباء أم خوارزميات؟" . تك كرانش. مؤرشف من الأصل في 18 يونيو 2018. تم الاطلاع عليه في 20 أكتوبر 2016 .
  109. ↑ عندما درست خوارزمية التعلم الآلي لوحات فنية راقية، رأت أشياء لم يلاحظها مؤرخو الفن قط. مؤرشف في 4 يونيو 2016 على موقع Wayback Machine ، مدونة الفيزياء على ArXiv
  110. ↑ فينسنت، جيمس (10 أبريل 2019). "أول كتاب مدرسي مُولّد بالذكاء الاصطناعي يُظهر ما يُجيده الكُتّاب الآليون فعلاً" . ذا فيرج . مؤرشف من الأصل في 5 مايو 2019. تم الاطلاع عليه في 5 مايو 2019 .
  111. ^ فايشيا، راجو. جافيد، محمد. خان، ابراهيم حليم؛ حليم، عابد (1 يوليو 2020). "تطبيقات الذكاء الاصطناعي لجائحة كوفيد-19" . مرض السكري ومتلازمة التمثيل الغذائي: الأبحاث والمراجعات السريرية . 14 (4): 337-339 . دوى : 10.1016/j.dsx.2020.04.012 . بمك 7195043 . بميد 32305024 .  
  112. ↑ رضا بور أغدام، حامد؛ أخشيك، أراش؛ رامكيسون، هايوانتي (10 مارس 2021). "تطبيق التعلم الآلي للتنبؤ بالسلوك البيئي للزوار في المناطق البحرية المحمية: أدلة من قبرص" . مجلة السياحة المستدامة . 31 (11): 2479-2505 . doi : 10.1080/09669582.2021.1887878 . hdl : 10037/24073 .
  113. ↑ داي، سومديب؛ سينغ، أميت كومار؛ وانغ، شياوهانغ؛ ماكدونالد-ماير، كلاوس (15 يونيو 2020). "التعلم المعزز الواعي بتفاعل المستخدم لتحسين كفاءة الطاقة والحرارة لأنظمة المعالجة المتعددة على شريحة واحدة (MPSoC) المحمولة المزودة بوحدة معالجة مركزية ووحدة معالجة رسومية" . مؤتمر ومعرض التصميم والأتمتة والاختبار في أوروبا 2020 (DATE) (ملف PDF) . الصفحات 1728-1733 . doi : 10.23919/DATE48585.2020.9116294 . ISBN  978-3-9819263-4-7S2CID 219858480. مؤرشف من الأصل بتاريخ 13 ديسمبر 2021. تم الاطلاع عليه بتاريخ 20 يناير 2022 . 
  114. ↑ كويستد، توني. "الهواتف الذكية تصبح أكثر ذكاءً بفضل ابتكارات إسيكس" . مجلة الأعمال الأسبوعية . مؤرشف من الأصل في 24 يونيو 2021. تم الاطلاع عليه في 17 يونيو 2021 .
  115. ↑ ويليامز، ريانون (21 يوليو 2020). "ستطيل الهواتف الذكية المستقبلية عمر بطاريتها من خلال مراقبة سلوك المستخدمين"تمت أرشفة هذا النص من المصدر الأصلي بتاريخ 24 يونيو 2021. وتم الاطلاع عليه بتاريخ 17 يونيو 2021 .
  116. ↑ راسيكشاف، كيوان كريستيان؛ جونز، روبرت سي. (يوليو 2019). "التعلم الآلي لاختيار الأسهم". مجلة المحللين الماليين . 75 (3): 70-88 . doi : 10.1080/0015198X.2019.1596678 .
  117. ↑ تشونغ، يونسي؛ غرين، ويليام هـ. (2024). "التعلم الآلي من الكيمياء الكمومية للتنبؤ بتأثيرات المذيبات التجريبية على معدلات التفاعل" . العلوم الكيميائية . 15 (7): 2410-2424 . doi : 10.1039/D3SC05353A . ISSN 2041-6520 . PMC 10866337. PMID 38362410 .   
  118. ↑ صن، يوران؛ هوانغ، شيه-كاي؛ تشاو، شيلي (1 فبراير 2024). "التنبؤ بقرارات الإخلاء أثناء الأعاصير باستخدام أساليب التعلم الآلي القابلة للتفسير" . المجلة الدولية لعلوم مخاطر الكوارث . 15 (1): 134-148 . arXiv : 2303.06557 . Bibcode : 2024IJDRS..15..134S . doi : 10.1007/s13753-024-00541-1 . ISSN 2192-6395 . 
  119. ↑ صن، يوران؛ تشاو، شيلي؛ لوفريجليو، روجيرو؛ كوليجوفسكي، إريكا (2024). "الذكاء الاصطناعي لنمذجة الإخلاء واسع النطاق: الوعود والتحديات". التعلم الآلي القابل للتفسير لتحليل وتصميم وتقييم واتخاذ القرارات المستنيرة للبنية التحتية المدنية . الصفحات 185-204 . doi : 10.1016/B978-0-12-824073-1.00014-9 . ISBN  978-0-12-824073-1.
  120. ↑ شو، نينغتشي؛ لوفريجليو، روجيرو؛ كوليجوفسكي، إريكا د.؛ كوفا، توماس ج.؛ نيلسون، دانيال؛ تشاو، شيلي (1 مارس 2023). "التنبؤ بعملية اتخاذ قرارات الإخلاء في حرائق الغابات وتقييمها باستخدام التعلم الآلي: نتائج من حريق كينكيد 2019". تكنولوجيا الحرائق . 59 (2): 793-825 . doi : 10.1007/s10694-023-01363-1 . ISSN 1572-8099 . 
  121. ↑ وانغ، كي؛ شي، شيوبينغ؛ غوه، ألجينا باي شوان؛ تشيان، شونزي (يونيو 2019). "دراسة قائمة على التعلم الآلي لديناميكيات حركة المشاة أثناء الإخلاء في حالات الطوارئ". مجلة السلامة من الحرائق . 106 : 163-176 . Bibcode : 2019FirSJ.106..163W . doi : 10.1016/j.firesaf.2019.04.008 . hdl : 10356/143390 .
  122. ↑ تشاو، شيلي؛ لوفرجليو، روجيرو؛ نيلسون، دانيال (مايو 2020). "نمذجة وتفسير عملية اتخاذ القرار قبل الإخلاء باستخدام التعلم الآلي". الأتمتة في البناء . 113 103140. doi : 10.1016/j.autcon.2020.103140 . hdl : 10179/17315 .
  123. ↑ "لماذا تفشل نماذج التعلم الآلي غالبًا في التعلم: أسئلة وأجوبة سريعة" . Bloomberg.com . 10 نوفمبر 2016. مؤرشف من الأصل في 20 مارس 2017. تم الاطلاع عليه في 10 أبريل 2017 .
  124. ↑ "الموجة الأولى من الذكاء الاصطناعي في الشركات محكوم عليها بالفشل" . مجلة هارفارد بزنس ريفيو . ١٨ أبريل ٢٠١٧. مؤرشف من الأصل في ٢١ أغسطس ٢٠١٨. تم الاطلاع عليه في ٢٠ أغسطس ٢٠١٨ .
  125. ↑ "لماذا يُحكم على نشوة الذكاء الاصطناعي بالفشل؟" . فينشر بيت . ١٨ سبتمبر ٢٠١٦. مؤرشف من الأصل في ١٩ أغسطس ٢٠١٨. تم الاطلاع عليه في ٢٠ أغسطس ٢٠١٨ .
  126. ↑ "9 أسباب لفشل مشروعك في مجال تعلم الآلة" . www.kdnuggets.com . مؤرشف من الأصل بتاريخ 21 أغسطس 2018. تم الاطلاع عليه بتاريخ 20 أغسطس 2018 .
  127. 1 2 بابوتا، ألكسندر؛ أوزوالد، ماريون؛ رينيك، كريستين (2018). الشفافية والوضوح (تقرير). المعهد الملكي للخدمات المتحدة (RUSI). الصفحات 17-22 . مؤرشف من الأصل في 9 ديسمبر 2023. تم الاطلاع عليه في 9 ديسمبر 2023 . 
  128. ↑ "لماذا تسببت سيارة أوبر ذاتية القيادة في مقتل أحد المشاة؟" . مجلة الإيكونوميست . مؤرشف من الأصل بتاريخ 21 أغسطس 2018. تم الاطلاع عليه بتاريخ 20 أغسطس 2018 .
  129. ↑ «واتسون من آي بي إم يوصي بعلاجات للسرطان "غير آمنة وغير صحيحة" - STAT» . STAT . 25 يوليو 2018. مؤرشف من الأصل في 21 أغسطس 2018. تم الاطلاع عليه في 21 أغسطس 2018 .
  130. ↑ هيرنانديز، دانييلا؛ غرينوالد، تيد (11 أغسطس 2018). "آي بي إم تواجه معضلة واتسون" . صحيفة وول ستريت جورنال . الرقم الدولي الموحد للدوريات 0099-9660 . مؤرشف من الأصل في 21 أغسطس 2018. تم الاطلاع عليه في 21 أغسطس 2018 . 
  131. ↑ ألين، بوبي (27 فبراير 2023). "كيف أتت تجربة مايكروسوفت في تكنولوجيا الذكاء الاصطناعي بنتائج عكسية" . الإذاعة الوطنية العامة . مؤرشف من الأصل في 8 ديسمبر 2023. تم الاطلاع عليه في 8 ديسمبر 2023 .
  132. ↑ ريدي، شيفاني م.؛ باتيل، شيلا؛ ويريتش، ميغان؛ فينتون، جوشوا؛ فيسواناثان، ميرا (2020). " مقارنة بين منهجية المراجعة المنهجية التقليدية ومراجعة المراجعات والأتمتة الجزئية كاستراتيجيات لتحديث الأدلة" . المراجعات المنهجية . 9 (1): 243. doi : 10.1186/s13643-020-01450-2 . ISSN 2046-4053 . PMC 7574591. PMID 33076975 .   
  133. ↑ رودين، سينثيا (2019). "توقفوا عن شرح نماذج التعلم الآلي المبهمة لاتخاذ القرارات المصيرية، واستخدموا بدلاً منها نماذج قابلة للتفسير" . مجلة نيتشر للذكاء الآلي . 1 (5): 206-215 . doi : 10.1038/s42256-019-0048-x . PMC 9122117. PMID 35603010 .  
  134. ↑ هو، تونغشي؛ تشانغ، شويسونغ؛ بوهرر، غيل؛ ليو، يانلان؛ تشو، يويو؛ مارتن، جاي؛ لي، يانغ؛ تشاو، كايغوانغ (2023). "التنبؤ بمحصول المحاصيل باستخدام الذكاء الاصطناعي القابل للتفسير والتعلم الآلي القابل للتفسير: مخاطر نماذج الصندوق الأسود لتقييم تأثيرات تغير المناخ على محصول المحاصيل" . مجلة الأرصاد الجوية الزراعية والحرجية . 336 109458. Bibcode : 2023AgFM..33609458H . doi : 10.1016/j.agrformet.2023.109458 . S2CID 258552400 . 
  135. ^ دومينغوس 2015 ، الفصل 6، الفصل 7.
  136. ↑ ""التزاوج الداخلي بين الأجيال" وخطره على الثقافة الإنسانية" . 26 أغسطس 2023.
  137. ↑ "قد يختنق الذكاء الاصطناعي بعوادمه الخاصة وهو يملأ الشبكة" . 28 أغسطس 2023.
  138. ↑ "أكل لحوم البشر في الذكاء الاصطناعي والقانون - مجلة قانون التكنولوجيا في كولورادو" .
  139. ↑ "الحالة الغريبة لأكل الذكاء الاصطناعي للحوم البشر والحلول الممكنة" . 26 يوليو 2023.،
  140. ↑ "هل هي نماذج ذكاء اصطناعي ناتجة عن التزاوج الداخلي، أم هراء، أم مجرد جنون؟ تحذيرات متزايدة بشأنها" . فرانس 24. 5 أغسطس 2024. تاريخ الاطلاع: 31 ديسمبر 2024 .
  141. ↑ "نموذج اضطراب الالتهام الذاتي - مبادرة لايفسكو حول علم الأعصاب والسرد والذكاء الاصطناعي" .
  142. ↑ "الذكاء الاصطناعي التوليدي يصاب بالجنون عند تدريبه على بيانات أنشأها الذكاء الاصطناعي لأكثر من خمس مرات" . 12 يوليو 2023.
  143. ↑ أليمحمد، سينا؛ كاسكو-رودريغيز، خوسيه؛ لوزي، لورينزو؛ أحمد امتياز همايون؛ بابائي، حسين؛ ليجون، دانيال؛ سياكوهي، علي؛ بارانيوك، ريتشارد ج. (2023). "النماذج التوليدية المستهلكة ذاتيًا تتجه نحو الجنون". arXiv : 2307.01850 [ cs.LG ].
  144. ↑ هيكس، مايكل تاونسن؛ همفريز، جيمس؛ سلاتر، جو (يونيو 2024). "ChatGPT هراء" (ملف PDF) . الأخلاقيات وتكنولوجيا المعلومات . 26 (2) 38. doi : 10.1007/s10676-024-09775-5 . مؤرشف (ملف PDF) من الأصل في 13 مايو 2025. تم الاطلاع عليه في 23 مايو 2025 .
  145. ↑ ليانغ، كاي كو؛ هو، هايمين؛ تشاو، شوان دونغ؛ سونغ، دون؛ غريفيث، توماس ل.؛ فرنانديز فيساك، خايمي (2025). "هراء الآلة: توصيف التجاهل الناشئ للحقيقة في نماذج اللغة الكبيرة". arXiv : 2507.07484 [ cs.CL ].
  146. ↑ إدواردز، بنج (6 أبريل 2023). "لماذا يجيد ChatGPT وBing Chat اختلاق القصص؟" . آرس تكنيكا . مؤرشف من الأصل في 11 يونيو 2023. تم الاطلاع عليه في 11 يونيو 2023 .
  147. ^ أورتيجا ، بيدرو أ. كونيش، ماركوس. ديليتانج، جريجوار؛ جينيوين، تيم؛ جراو مويا، جوردي؛ فينيس، جويل. بوشلي، جوناس؛ ديغريف، جوناس. بيوت، بلال؛ بيرولات، جوليان. إيفريت، توم؛ تاليك، كورنتين. باريسوتو، إميليو؛ إيريز، توم؛ تشن، يوتيان. ريد، سكوت؛ هوتر، ماركوس. ناندو دي فريتاس؛ ليج ، شين (2021). اهتزاز الأسس: أوهام في نماذج التسلسل للتفاعل والتحكم (طبعة ما قبل الطباعة) أرخايف : 2110.10819 .
  148. ↑ ماينز، جوشوا؛ نارايان، شاشي؛ بونيت، بيرند؛ ماكدونالد، رايان (2020). "حول الأمانة والواقعية في التلخيص التجريدي". وقائع الاجتماع السنوي الثامن والخمسين لجمعية اللغويات الحاسوبية . ص 1906-1919 . doi : 10.18653/v1/2020.acl-main.173 . 
  149. ↑ ميتز، كيد (6 نوفمبر 2023). "قد تُصاب برامج الدردشة الآلية بالهلوسة أكثر مما يدركه الكثيرون" . صحيفة نيويورك تايمز . مؤرشف من الأصل في 7 ديسمبر 2023. تم الاطلاع عليه في 6 نوفمبر 2023 .
  150. ↑ دي وينتر، أدريان؛ وانغ، شون؛ سوكولوف، أليكس؛ غو، تشيلونغ؛ تشين، سي-تشينغ (سبتمبر 2023). "تقييم لمخرجات نماذج اللغة الكبيرة: الخطاب والحفظ" . مجلة معالجة اللغة الطبيعية . 4 100024. arXiv : 2304.08637 . doi : 10.1016/j.nlp.2023.100024 .
  151. ↑ ليسوينغ، كيف (14 فبراير 2023). "ارتكب محرك بحث بينغ للذكاء الاصطناعي التابع لمايكروسوفت عدة أخطاء واقعية في العرض التوضيحي لإطلاقه الأسبوع الماضي" . سي إن بي سي . مؤرشف من الأصل في 16 فبراير 2023. تم الاطلاع عليه في 16 فبراير 2023 .
  152. ↑ كانغ، إيونسوك؛ شو، ماري (2024). "باختصار: اهدأوا يا جماعة: الذكاء الاصطناعي لن يلتهم هندسة البرمجيات". وقائع ندوة ACM SIGPLAN الدولية لعام 2024 حول الأفكار الجديدة، والنماذج الجديدة، والتأملات في البرمجة والبرمجيات . الصفحات 303-315 . arXiv : 2409.00764 . doi : 10.1145/3689492.3689816 . ISBN  979-8-4007-1215-9.
  153. ↑ ديساي، راجيف (13 أكتوبر 2023). "هل يُمثل الذكاء الاصطناعي تهديدًا وجوديًا؟ - د. راجيف ديساي" . مؤرشف من الأصل في 11 يناير 2026. تم الاطلاع عليه في 25 نوفمبر 2025 .
  154. ↑ غارسيز، آرثر (30 مايو 2025). فاس، ستيفن (محرر). "الذكاء الاصطناعي العصبي الرمزي هو الحل لعجز نماذج اللغة الكبيرة عن التوقف عن الهلوسة". ذا كونفرسيشن . doi : 10.64628/AB.5gpku36ct .
  155. ↑ دومينغوس 2015 ، ص 286.
  156. ↑ "تغيير بكسل واحد يخدع برامج الذكاء الاصطناعي" . بي بي سي نيوز . 3 نوفمبر 2017. مؤرشف من الأصل في 22 مارس 2018. تم الاطلاع عليه في 12 مارس 2018 .
  157. ↑ «الذكاء الاصطناعي يعاني من مشكلة هلوسة يصعب حلها» . مجلة وايرد . 2018. مؤرشف من الأصل في 12 مارس 2018. تم الاطلاع عليه في 12 مارس 2018 .
  158. ↑ مادري، أ.؛ ماكيلوف، أ.؛ شميدت، ل.؛ تسيبراس، د.؛ فلادو، أ. (4 سبتمبر 2019). "نحو نماذج التعلم العميق المقاومة للهجمات الخصومية". arXiv : 1706.06083 [ stat.ML ].
  159. ↑ "التعلم الآلي التنافسي - مركز CLTC للأمن السيبراني طويل الأمد بجامعة كاليفورنيا في بيركلي" . CLTC . مؤرشف من الأصل بتاريخ 17 مايو 2022. تم الاطلاع عليه بتاريخ 25 مايو 2022 .
  160. ↑ "نماذج التعلم الآلي عرضة لثغرات أمنية غير قابلة للكشف" . ذا ريجستر . مؤرشف من الأصل في 13 مايو 2022. تم الاطلاع عليه في 13 مايو 2022 .
  161. ↑ "أبواب خلفية غير قابلة للكشف يمكن زرعها في أي خوارزمية تعلم آلي" . مجلة IEEE Spectrum . 10 مايو 2022. مؤرشف من الأصل في 11 مايو 2022. تم الاطلاع عليه في 13 مايو 2022 .
  162. ↑ غولدواسير، شافي؛ كيم، مايكل ب.؛ فايكونتاناثان، فينود؛ زامير، أور (14 أبريل 2022). "زرع أبواب خلفية غير قابلة للكشف في نماذج التعلم الآلي". arXiv : 2204.06974 [ cs.LG ].
  163. ↑ كوهفي، رون (1995). "دراسة حول التحقق المتبادل والتمهيد لتقدير الدقة واختيار النموذج" (ملف PDF) . المؤتمر الدولي المشترك حول الذكاء الاصطناعي . مؤرشف (ملف PDF) من الأصل في 12 يوليو 2018. تم الاطلاع عليه في 26 مارس 2023 .
  164. ↑ كاتال، كاجاتاي (2012). "مقاييس تقييم الأداء لدراسات التنبؤ بأعطال البرمجيات" (ملف PDF) . مجلة أكتا بوليتكنيكا هنغاريكا . 9 (4) . تاريخ الاسترجاع: 2 أكتوبر 2016 .
  165. 1 2 مولر، فينسنت سي. (30 أبريل 2020). "أخلاقيات الذكاء الاصطناعي والروبوتات" . موسوعة ستانفورد للفلسفة . مؤرشف من الأصل في 10 أكتوبر 2020.
  166. ↑ "تقييم المخاطر والفوائد والمتطلبات السياسية المحتملة للذكاء الاصطناعي في المستقبل" . منظمة التعاون الاقتصادي والتنمية . 14 نوفمبر 2024. تم الاطلاع عليه في 4 أغسطس 2025 .
  167. 1 2 غارسيا، ميغان (2016). "العنصرية في الآلة". مجلة السياسة العالمية . 33 (4): 111-117 . doi : 10.1215/07402775-3813015 . ISSN 0740-2775 . S2CID 151595343 .  
  168. ↑ بوستروم، نيك (2011). "أخلاقيات الذكاء الاصطناعي" (ملف PDF) . مؤرشف من الأصل (ملف PDF) في 4 مارس 2016. تم الاطلاع عليه في 11 أبريل 2016 .
  169. ↑ إديونوي، تولولوب. "النضال ضد الخوارزميات العنصرية" . ذا أوتلاين . مؤرشف من الأصل في 17 نوفمبر 2017. تم الاطلاع عليه في 17 نوفمبر 2017 .
  170. ↑ جيفريز، أدريان. "التعلم الآلي عنصري لأن الإنترنت عنصري" . ذا أوتلاين . مؤرشف من الأصل في 17 نوفمبر 2017. تم الاطلاع عليه في 17 نوفمبر 2017 .
  171. 1 2 سيلفا، سيلينا؛ كيني، مارتن (2018). "الخوارزميات والمنصات والتحيز العرقي: مقال تكاملي". فيلون . 55 (1 و2): 9-37 . JSTOR 26545017 . 
  172. ↑ وونغ، كاريسا (30 مارس 2023). "أبحاث الذكاء الاصطناعي حول "الإنصاف" تتعثر بسبب نقص التنوع". مجلة نيتشر . doi : 10.1038/d41586-023-00935-z . PMID 36997714 . 
  173. 1 2 تشانغ، جاك كلارك. "تقرير مؤشر الذكاء الاصطناعي 2021" (ملف PDF) . معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان . مؤرشف من الأصل (ملف PDF) في 19 مايو 2024. تم الاطلاع عليه في 9 ديسمبر 2023 .
  174. ↑ كاليسكان، أيلين؛ برايسون، جوانا جيه؛ نارايانان، أرفيند (14 أبريل 2017). "الدلالات المستمدة تلقائيًا من مدونات اللغة تحتوي على تحيزات شبيهة بالتحيزات البشرية". مجلة ساينس . 356 (6334): 183-186 . arXiv : 1608.07187 . Bibcode : 2017Sci...356..183C . doi : 10.1126/science.aal4230 . ISSN 0036-8075 . PMID 28408601. S2CID 23163324 .   
  175. ↑ وانغ، شينان؛ داسغوبتا، سانجوي (2016)، لي، د.د.؛ سوغياما، م.؛ لوكسبورغ، يو.في.؛ غويون، إ. (محررون)، "خوارزمية للبحث عن أقرب جار من المستوى L1 عبر التضمين الرتيب" (ملف PDF) ، التقدم في أنظمة معالجة المعلومات العصبية 29 ، كوران أسوشيتس، ص 983-991 ، مؤرشف (ملف PDF) من الأصل في 7 أبريل 2017 ، تم استرجاعه في 20 أغسطس 2018 
  176. ↑ مور براتس؛ بي إتش سي أفيلار؛ إل سي لامب (11 مارس 2019). "تقييم التحيز الجنسي في الترجمة الآلية - دراسة حالة مع ترجمة جوجل". arXiv : 1809.02208 [ cs.CY ].
  177. ↑ نارايانان، أرفيند (24 أغسطس 2016). "اللغة تحتوي بالضرورة على تحيزات بشرية، وكذلك الآلات المدربة على مجموعات بيانات لغوية" . حرية التعديل . مؤرشف من الأصل في 25 يونيو 2018. تم الاطلاع عليه في 19 نوفمبر 2016 .
  178. ↑ ميتز، راشيل (24 مارس 2016). "لماذا أطلقت مايكروسوفت عن طريق الخطأ روبوتًا جنسيًا نازيًا جديدًا؟" . مجلة إم آي تي ​​للتكنولوجيا . مؤرشف من الأصل في 9 نوفمبر 2018. تم الاطلاع عليه في 20 أغسطس 2018 .
  179. ↑ فينسنت، جيمس (12 يناير 2018). "جوجل 'أصلحت' خوارزميتها العنصرية بإزالة صور الغوريلا من تقنية تصنيف الصور" . ذا فيرج . مؤرشف من الأصل في 21 أغسطس 2018. تم الاطلاع عليه في 20 أغسطس 2018 .
  180. ↑ كروفورد، كيت (25 يونيو 2016). "رأي | مشكلة الرجل الأبيض في الذكاء الاصطناعي" . نيويورك تايمز . مؤرشف من الأصل في 14 يناير 2021. تم الاطلاع عليه في 20 أغسطس 2018 .
  181. ↑ سيمونايت، توم (30 مارس 2017). "مايكروسوفت: الذكاء الاصطناعي ليس قابلاً للتكيف بما يكفي لمساعدة الشركات" . مجلة إم آي تي ​​للتكنولوجيا . مؤرشف من الأصل في 9 نوفمبر 2018. تم الاطلاع عليه في 20 أغسطس 2018 .
  182. ↑ هيمبل، جيسي (13 نوفمبر 2018). "سعي فاي فاي لي لجعل الآلات أفضل للبشرية" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . مؤرشف من الأصل في 14 ديسمبر 2020. تم الاطلاع عليه في 17 فبراير 2019 . 
  183. ↑ شار، دي إس؛ شاه، إن إتش؛ ماغنوس، دي. (2018). "تطبيق التعلم الآلي في الرعاية الصحية - معالجة التحديات الأخلاقية" . مجلة نيو إنجلاند الطبية . 378 (11): 981-983 . doi : 10.1056/nejmp1714229 . PMC 5962261. PMID 29539284 .  
  184. ↑ بحث، الذكاء الاصطناعي (23 أكتوبر 2015). "الشبكات العصبية العميقة للنمذجة الصوتية في التعرف على الكلام" . airesearch.com . مؤرشف من الأصل في 1 فبراير 2016. تم الاطلاع عليه في 23 أكتوبر 2015 .
  185. ↑ "وحدات معالجة الرسومات لا تزال تهيمن على سوق مسرعات الذكاء الاصطناعي في الوقت الحالي" . InformationWeek . ديسمبر 2019. مؤرشف من الأصل في 10 يونيو 2020. تم الاطلاع عليه في 11 يونيو 2020 .
  186. ↑ راي، تيرنان (2019). "الذكاء الاصطناعي يُغيّر طبيعة الحوسبة برمتها" . زد نت . مؤرشف من الأصل في 25 مايو 2020. تم الاطلاع عليه في 11 يونيو 2020 .
  187. ↑ "الذكاء الاصطناعي والحوسبة" . OpenAI . 16 مايو 2018. مؤرشف من الأصل في 17 يونيو 2020. تم الاطلاع عليه في 11 يونيو 2020 .
  188. ↑ جوبي، نورمان ب.؛ يونغ، كليف؛ باتيل، نيشانت؛ باترسون، ديفيد؛ أغراوال، غاوراف؛ باجوا، راميندر؛ بيتس، سارة؛ بهاتيا، سوريش؛ بودن، نان؛ بورشرز، آل؛ بويل، ريك؛ كانتين، بيير لوك؛ تشاو، كليفورد؛ كلارك، كريس؛ كورييل، جيريمي (24 يونيو 2017). "تحليل أداء وحدة معالجة الموترات داخل مركز البيانات". وقائع الندوة الدولية السنوية الرابعة والأربعين حول هندسة الحاسوب . ISCA '17. نيويورك، نيويورك، الولايات المتحدة الأمريكية: رابطة آلات الحوسبة. الصفحات 1-12 . arXiv : 1704.04760 . doi : 10.1145/3079856.3080246 . ISBN  978-1-4503-4892-8.
  189. ↑ بيست، جو (8 ديسمبر 2020). "ما هي الحوسبة العصبية؟ كل ما تحتاج لمعرفته حول كيفية تغييرها لمستقبل الحوسبة" . ZDNET . تم الاطلاع عليه بتاريخ 21 نوفمبر 2024 .
  190. ↑ هيكات هي (27 مايو 2021). مايكل سارازين؛ تشين تشانغ (محرران). "شبكات كورنيل وNTT العصبية الفيزيائية: "بديل جذري لتطبيق الشبكات العصبية العميقة" يُمكّن من تدريب الأنظمة الفيزيائية المختلفة" . مُزامَن . مؤرشف من الأصل في 27 أكتوبر 2021. تم الاسترجاع في 12 أكتوبر 2021 .
  191. ↑ كلارك، ليندسي (5 أكتوبر 2021). "تقنية النانو-سباغيتي لحل مشكلة استهلاك الطاقة في الشبكات العصبية" . ذا ريجستر . مؤرشف من الأصل في 6 أكتوبر 2021. تم الاطلاع عليه في 12 أكتوبر 2021 .
  192. ↑ فافوتيس، زينوفون؛ مارشيجياني، ليتيزيا؛ إلستس، أتيس؛ بوب، جيمس؛ بيتشوكي، روبرت؛ كرادوك، إيان (7 مايو 2018). "إطالة عمر بطارية أجهزة الاستشعار القابلة للارتداء باستخدام التعلم الآلي المدمج" . المنتدى العالمي الرابع لإنترنت الأشياء (WF-IoT) لعام 2018، الصفحات 269-274 . doi : 10.1109/WF-IoT.2018.8355116 . hdl : 1983/b8fdb58b-7114-45c6-82e4-4ab239c1327f . ISBN  978-1-4673-9944-9S2CID 19192912. مؤرشف من الأصل بتاريخ 18 يناير 2022. تم الاطلاع عليه بتاريخ 17 يناير 2022 . 
  193. ↑ "دليل المبتدئين في تعلم الآلة للأنظمة المدمجة" . مجلة أناليتكس إنديا . 2 يونيو 2021. مؤرشف من الأصل في 18 يناير 2022. تم الاطلاع عليه في 17 يناير 2022 .
  194. ↑ سينكد (12 يناير 2022). "إطار عمل مفتوح المصدر من جوجل وبوردو وهارفارد لـ TinyML يحقق تسارعًا يصل إلى 75 ضعفًا على FPGAs | سينكد" . syncedreview.com . مؤرشف من الأصل في 18 يناير 2022. تم الاطلاع عليه في 17 يناير 2022 .
  195. ↑ السليك، محمد؛ ألكاراز-كاليرو، خوسيه م.؛ وانغ، تشي (2024). "الذكاء الاصطناعي الديناميكي في إنترنت الأشياء: تمكين نماذج الذكاء الاصطناعي القابلة للتحديث في أجهزة إنترنت الأشياء من الجيل الخامس فائقة الطاقة" . مجلة IEEE لإنترنت الأشياء . 11 (8): 14192-14205 . Bibcode : 2024IITJ...1114192A . doi : 10.1109/JIOT.2023.3340858 .
  196. ↑ جيري، دافيد؛ تشيو، كوان-لين؛ دي غولييلمو، جوزيبي؛ مانتوفاني، باولو؛ كارلوني، لوكا ب. (15 يونيو 2020). "ESP4ML: تصميم الأنظمة على رقاقة قائم على المنصات للتعلم الآلي المدمج" . مؤتمر ومعرض التصميم والأتمتة والاختبار في أوروبا 2020 (DATE) . الصفحات 1049-1054 . arXiv : 2004.03640 . doi : 10.23919/DATE48585.2020.9116317 . ISBN  978-3-9819263-4-7S2CID 210928161. مؤرشف من الأصل بتاريخ 18 يناير 2022. تم الاطلاع عليه بتاريخ 17 يناير 2022 . 
  197. ↑ لويس، مارسيا ساهايا؛ آزاد، زهرة؛ دلشاد طهراني، ليلى؛ غوبتا، سويوج؛ واردن، بيت؛ ريدي، فيجاي جانابا؛ جوشي، أجاي (2019). "نحو التعلم العميق باستخدام TensorFlow Lite على RISC-V" . جامعة هارفارد . مؤرشف من الأصل في 17 يناير 2022. تم الاسترجاع في 17 يناير 2022 .
  198. ↑ إبراهيم، علي؛ أوستا، ماريو؛ علامة، محمد؛ صالح، مصطفى؛ شيبيل، حسين؛ فالي، ماوريتسيو (21 يناير 2019). "أساليب الحوسبة التقريبية للتعلم الآلي المدمج". المؤتمر الدولي الخامس والعشرون لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) للإلكترونيات والدوائر والأنظمة (ICECS) لعام 2018. الصفحات 845-848 . doi : 10.1109/ICECS.2018.8617877 . ISBN  978-1-5386-9562-3. S2CID 58670712 . 
  199. ↑ "dblp: TensorFlow Eager: لغة برمجة متعددة المراحل ومدمجة في بايثون للتعلم الآلي" . dblp.org . مؤرشف من الأصل بتاريخ 18 يناير 2022. تم الاطلاع عليه بتاريخ 17 يناير 2022 .
  200. ^ برانكو، سيرجيو. فيريرا، أندريه ج.؛ كابرال ، خورخي (5 نوفمبر 2019). "التعلم الآلي في الأنظمة المدمجة قليلة الموارد، وFPGAs، والأجهزة النهائية: دراسة استقصائية" . الالكترونيات . 8 (11): 1289. دوى : 10.3390/إلكترونيات8111289 . اتش دي ال : 1822/62521 . ردمك 2079-9292 . 

مصادر

للمزيد من القراءة

  • الجمعية الدولية لتعلم الآلة
  • صفحة MLOSS في JMLR - قاعدة بيانات أكاديمية لبرامج التعلم الآلي مفتوحة المصدر.