ورقة معلومات خوارزمية التعلم الآلي لمصمم التعلم الآلي من Microsoft Azure
تساعدك ورقة المعلومات المرجعية لخوارزمية التعلم الآلي من Microsoft 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 عليك بشدة استخدام مكون مخصص، وهو 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 على مكتبة كبيرة من الخوارزميات من التصنيف، أنظمة التوصية، التجميع واكتشاف الانحراف والانحدار وعائلات تحليلات النص. تم تصميم كل منها من أجل معالجة نوع مختلف من مشكلة التعلم الآلي.
لمزيد من المعلومات، راجع كيفية تحديد الخوارزميات.
تنزيل: ورقة غش خوارزمية التعلم الآلي من Microsoft Azure
قم بتنزيل ورقة الغش من هنا: ورقة معلومات خوارزمية التعلم الآلي (11 × 17 بوصة)
تحميل وطباعة ورقة غش خوارزمية التعلم الآلي من Microsoft Azure في حجم tabloid للحفاظ عليها يدوياً والحصول على مساعدة في اختيار الخوارزمية.
كيفية استخدام ورقة معلومات خوارزمية التعلم الآلي
الاقتراحات المقدمة في ورقة معلومات الخوارزمية هذه هي قواعد تقريبية. يمكن أن ينحني البعض، ويمكن انتهاك البعض بشكل صارخ. تهدف ورقة الغش هذه إلى اقتراح نقطة بداية. لا تخف من إجراء منافسة مباشرة بين عدة خوارزميات على بياناتك. ببساطة لا يوجد بديل لفهم كيانات كل خوارزمية والنظام الذي أنتج بياناتك.
كل خوارزمية التعلم الآلي لها أسلوبها الخاص أو تحيزها الاستقرائي. بالنسبة لمشكلة معينة، قد تكون عدة خوارزميات مناسبة، وقد تكون إحدى الخوارزميات أكثر ملاءمة من غيرها. لكن ليس من الممكن دائماً معرفة ذلك مسبقاً، ما الأنسب. في مثل هذه الحالات، يتم سرد العديد من الخوارزميات معاً في ورقة الغش. تتمثل الإستراتيجية المناسبة في تجربة خوارزمية واحدة، وإذا لم تكن النتائج مرضية بعد، فجرب الخوارزمية الأخرى.
لمعرفة المزيد بشأن الخوارزميات في مصمم التعلم الآلي من Microsoft Azure، انتقل إلى مرجع الخوارزمية والمكونات.
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 تصنيف كل نقطة بيانات أو ربطها بفئة أو قيمة ذات أهمية. مثال على التسمية الفئوية هو تعيين صورة إما كـ "قطة" أو "كلب". مثال على تسمية القيمة هو سعر البيع المرتبط بسيارة مستعملة. الهدف من التعلم الخاضع للإشراف هو دراسة العديد من الأمثلة المصنفة مثل هذه، ومن ثم القدرة على عمل تنبؤات بشأن نقاط البيانات المستقبلية. على سبيل المثال، تحديد صور جديدة بالحيوان الصحيح أو تحديد 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 مرتبطة بها. بدلاً من ذلك، فإن الهدف من خوارزمية التعلم غير الخاضعة للإشراف هو تنظيم البيانات بطريقة ما أو وصف هيكلها. يقوم التعلم غير الخاضع للإشراف بتجميع البيانات في مجموعات، كما يفعل K-mean، أو يجد طرقاً مختلفة للنظر في البيانات المعقدة بحيث تبدو أبسط.
تعزيز التعلم
في التعلم المعزز، يجب أن تختار الخوارزمية إجراءً استجابةً لكل نقطة بيانات. إنه نهج شائع في مجال الروبوتات، حيث تكون مجموعة قراءات أداة الاستشعار في وقت ما هي نقطة بيانات، ويجب أن تختار الخوارزمية الإجراء التالي للروبوت. كما أنها مناسبة بشكل طبيعي لتطبيقات إنترنت الأشياء. تتلقى خوارزمية التعلم أيضاً إشارة مكافأة بعد وقت قصير، ما يشير إلى مدى جودة القرار. بناءً على هذه الإشارة، تعدل الخوارزمية إستراتيجيتها لتحقيق أعلى مكافأة.