(Machine_Learning_26sjd_2 ).pptx

ملخص هندسة ومحاكاة

1. الإفراط في التخصيص والقصور في التخصيص (Overfitting & Underfitting) المفهوم الأساسي تشير هاتان المشكلتان إلى حالات عدم التوازن في قدرة النموذج على التعلم والتعميم. يحدث القصور في التخصيص عندما يكون النموذج بسيطًا جدًا، بينما يحدث الإفراط في التخصيص عندما يكون النموذج معقدًا جدًا. المعيار القصور في التخصيص النموذج المناسب الإفراط في التخصيص تعقيد النموذج بسيط جدًا متوازن معقد جدًا خطأ التدريب مرتفع معقول منخفض جدًا خطأ الاختبار مرتفع معقول مرتفع تحقيق التوازن الهدف هو إيجاد التوازن المثالي بين البساطة والتعقيد باستخدام تقنيات مثل Cross-Validation والتنظيم (Regularization) . مقارنة بين القصور في التخصيص، النموذج المناسب، والإفراط في التخصيص 1 / 5 مفاهيم متقدمة في تعلم الآلة

2. مقاييس تقييم النموذج (Model Evaluation Metrics) مقاييس التصنيف (Classification) تستخدم لتقييم أداء نماذج التصنيف وقدرتها على التنبؤ بالفئات الصحيحة. الدقة (Accuracy) (TP + TN) / (TP + TN + FP + FN) نسبة التنبؤات الصحيحة من إجمالي التنبؤات الضبط (Precision) TP / (TP + FP) نسبة التنبؤات الإيجابية الصحيحة من إجمالي التنبؤات الإيجابية الاستدعاء (Recall) TP / (TP + FN) نسبة التنبؤات الإيجابية الصحيحة من إجمالي الحالات الإيجابية الفعلية مقياس F1 (F1-Score) 2 * (Precision * Recall) / (Precision + Recall) المتوسط التوافقي للضبط والاستدعاء مقاييس الانحدار (Regression) تستخدم لتقييم أداء نماذج الانحدار وقدرتها على التنبؤ بقيم عددية دقيقة. متوسط الخطأ التربيعي (MSE) (1/n) * Σ(y_actual - y_predicted)² متوسط مربعات الفروق بين القيم الفعلية والمتوقعة معامل التحديد (R²) 1 - (SSres / SStot) نسبة التباين المفسر بواسطة النموذج مقاييس تقييم نماذج التصنيف والانحدار 2 / 5 مفاهيم متقدمة في تعلم الآلة

3. التحقق المتقاطع (Cross-Validation) المفهوم الأساسي التحقق المتقاطع هو تقنية إحصائية لتقييم كيفية تعميم نتائج نموذج التحليل الإحصائي على مجموعة بيانات مستقلة. يساعد في تقليل مشاكل الإفراط في التخصيص وإعطاء رؤية أفضل حول كيفية أداء النموذج على بيانات جديدة. خطوات التحقق المتقاطع K-fold 1 تقسيم البيانات إلى (K) مجموعات متساوية طيات folds 2 استخدام K-1 مجموعة للتدريب ومجموعة واحدة للاختبار 3 تكرار العملية K مرة، مع تغيير مجموعة الاختبار في كل مرة 4 حساب متوسط الأداء على جميع التكرارات K فوائد التحقق المتقاطع تقييم أكثر دقة لأداء النموذج تقليل التحيز في تقييم النموذج الاستفادة القصوى من البيانات المتاحة المساعدة في اختيار المعلمات المثلى للنموذج تقنية التحقق المتقاطع K-fold مع K=5 3 / 5 مفاهيم متقدمة في تعلم الآلة

4. تحجيم الميزات (Feature Scaling) المفهوم الأساسي تحجيم الميزات هو عملية توحيد نطاق قيم الميزات المختلفة. يعتبر خطوة أساسية في معالجة البيانات قبل تطبيق خوارزميات التعلم الآلي التي تعتمد على المسافات أو الأوزان. طرق التحجيم الشائعة التطبيع Min-Max X' = (X - X_min) / (X_max - X_min) تحويل البيانات إلى نطاق [0, 1] التوحيد القياسي X' = (X - μ) / σ تحويل البيانات لمتوسط = 0 وانحراف معياري = 1 فوائد تحجيم الميزات تحسين أداء الخوارزميات المعتمدة على المسافة (K-Means, KNN) تسريع التقارب في الهبوط التدرجي منع هيمنة الميزات ذات النطاق الكبير تحسين استقرار وأداء الشبكات العصبية مقارنة بين طرق تحجيم الميزات المختلفة 4 / 5 مفاهيم متقدمة في تعلم الآلة

5. مقدمة في الشبكات العصبية (Neural Networks) المفهوم الأساسي الشبكات العصبية الاصطناعية هي نماذج حسابية مستوحاة من الدماغ البشري، تتكون من وحدات معالجة متصلة (عصبونات) تعمل معًا لتعلم أنماط معقدة من البيانات. تعتبر الأساس للتعلم العميق (Deep Learning) . المكونات الرئيسية العصبون (Neuron) وحدة المعالجة الأساسية التي تستقبل المدخلات وتنتج المخرجات الأوزان (Weights) معاملات تحدد أهمية كل مدخل، يتم تعديلها أثناء التدريب دالة التنشيط (Activation) تحدد مخرجات العصبون مثل Sigmoid, ReLU, Tanh الطبقات (Layers) مجموعات من العصبونات: طبقة إدخال، طبقات مخفية، طبقة إخراج تطبيقات الشبكات العصبية التعرف على الصور وتصنيفها معالجة اللغات الطبيعية والترجمة التنبؤ بالسلاسل الزمنية والتحليل المالي أنظمة التوصية والذكاء الاصطناعي بنية الشبكة العصبية الاصطناعية مع طبقات الإدخال والطبقات المخفية وطبقة الإخراج 5 / 5 مفاهيم متقدمة في تعلم الآلة