ملاحظة
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تسجيل الدخول أو تغيير الدلائل.
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تغيير الدلائل.
هام
توفر هذه المقالة معلومات حول استخدام Azure Machine Learning SDK v1. تم إهمال الإصدار 1 من SDK اعتبارا من 31 مارس 2025 وسينتهي دعمه في 30 يونيو 2026. يمكنك تثبيت SDK v1 واستخدامه حتى ذلك التاريخ.
نوصي بالانتقال إلى SDK v2 قبل 30 يونيو 2026. لمزيد من المعلومات حول SDK v2، راجع ما هو Azure Machine Learning Python SDK v2ومرجع SDK v2.
تساعدك ورقة المعلومات المرجعية لخوارزمية التعلم الآلي من Azure على اختيار الخوارزمية المناسبة من المصمم لنموذج تحليلات تنبؤية.
ملاحظة
يدعم المصمم نوعين من المكونات، المكونات الكلاسيكية التي تم إنشاؤها مسبقا (v1) والمكونات المخصصة (v2). هذان النوعان من المكونات غير متوافقين.
توفر المكونات الكلاسيكية التي تم إنشاؤها مسبقا مكونات تم إنشاؤها مسبقا بشكل رئيسي لمعالجة البيانات ومهام التعلم الآلي التقليدية مثل الانحدار والتصنيف. يستمر دعم هذا النوع من المكونات ولكن لن تتم إضافة أي مكونات جديدة.
تسمح لك المكونات المخصصة بتضمين التعليمات البرمجية الخاصة بك كمكون. وهو يدعم مشاركة المكونات عبر مساحات العمل والتأليف السلس عبر واجهات Studio وCLI v2 وSDK v2.
بالنسبة للمشاريع الجديدة، نقترح بشدة استخدام مكون مخصص متوافق مع AzureML V2 وسيستمر في تلقي التحديثات الجديدة.
تنطبق هذه المقالة على المكونات الكلاسيكية التي تم إنشاؤها مسبقا وغير متوافقة مع CLI v2 وSDK v2.
يحتوي التعلم الآلي من Azure على مكتبة كبيرة من الخوارزميات من التصنيفوأنظمة التوصيةوالتكتلاتوالكشف عن الحالات الشاذةوالانحدار ومجموعات التحليلات النصية . تم تصميم كل منها لمعالجة نوع مختلف من مشكلة التعلم الآلي.
لمزيد من المعلومات، راجع كيفية تحديد الخوارزميات.
تنزيل: ورقة المعلومات المرجعية لخوارزمية التعلم الآلي
قم بتنزيل ورقة المعلومات المرجعية هنا: ورقة الغش لخوارزمية التعلم الآلي (11x17 in.)
قم بتنزيل وطباعة ورقة المعلومات المرجعية لخوارزمية التعلم الآلي بحجم جدولة لجعلها مفيدة والحصول على المساعدة في اختيار خوارزمية.
كيفية استخدام ورقة المعلومات المرجعية لخوارزمية التعلم الآلي
الاقتراحات المقدمة في ورقة المعلومات المرجعية للخوارزمية هذه هي قواعد إبهام تقريبية. بعضها يمكن أن ينحني، وبعضها يمكن أن ينتهك بشكل صارخ. تهدف ورقة المعلومات المرجعية هذه إلى اقتراح نقطة بداية. لا تخف من تشغيل منافسة رأسا على الرأس بين عدة خوارزميات على بياناتك. ببساطة لا يوجد بديل لفهم مبادئ كل خوارزمية والنظام الذي أنشأ بياناتك.
كل خوارزمية التعلم الآلي لها نمطها الخاص أو تحيزها الاستقرائي. بالنسبة لمشكلة معينة، قد تكون العديد من الخوارزميات مناسبة، وقد تكون خوارزمية واحدة أكثر ملاءمة من غيرها. ولكن ليس من الممكن دائما معرفة مسبقا، وهو الأنسب. في مثل هذه الحالات، يتم سرد العديد من الخوارزميات معا في ورقة المعلومات المرجعية. تتمثل الاستراتيجية المناسبة في تجربة خوارزمية واحدة، وإذا لم تكن النتائج مرضية بعد، فجرب الخوارزميات الأخرى.
لمعرفة المزيد حول الخوارزميات في مصمم التعلم الآلي من Azure، انتقل إلى مرجع الخوارزمية والمكون.
أنواع التعلم الآلي
هناك ثلاث فئات رئيسية من التعلم الآلي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز.
الخاضع للإشراف
في التعلم الخاضع للإشراف، يتم تسمية كل نقطة بيانات أو مقترنة بفئة أو قيمة ذات أهمية. مثال على تسمية فئوية هو تعيين صورة إما ك "قطة" أو "". مثال على تسمية القيمة هو سعر البيع المرتبط بسيارة مستخدمة. الهدف من التعلم الخاضع للإشراف هو دراسة العديد من الأمثلة المسماة مثل هذه، ومن ثم القدرة على إجراء تنبؤات حول نقاط البيانات المستقبلية. على سبيل المثال، تحديد صور جديدة مع الصحيح أو تعيين أسعار بيع دقيقة للسيارات المستعملة الأخرى. هذا نوع شائع ومفيد من التعلم الآلي.
التعلم غير الخاضع للإشراف
في التعلم غير الخاضع للإشراف، لا تحتوي نقاط البيانات على تسميات مقترنة بها. بدلا من ذلك، فإن الهدف من خوارزمية التعلم غير الخاضعة للإشراف هو تنظيم البيانات بطريقة ما أو وصف بنيتها. يجمع التعلم غير الخاضع للإشراف البيانات في مجموعات، كما يفعل K-means، أو يجد طرقا مختلفة للنظر إلى البيانات المعقدة بحيث تظهر أبسط.
تعزيز التعلم
في التعلم المعزز، تحصل الخوارزمية على اختيار إجراء استجابة لكل نقطة بيانات. وهو نهج شائع في الروبوتات، حيث تكون مجموعة قراءات المستشعر في نقطة زمنية واحدة نقطة بيانات، ويجب أن تختار الخوارزمية الإجراء التالي للروبوت. كما أنه مناسب بشكل طبيعي لتطبيقات إنترنت الأشياء. تتلقى خوارزمية التعلم أيضا إشارة مكافأة بعد وقت قصير، ما يشير إلى مدى حسن القرار. بناء على هذه الإشارة، تقوم الخوارزمية بتعديل استراتيجيتها من أجل تحقيق أعلى مكافأة.