تعلم آلي

من ويكيبيديا، الموسوعة الحرة
اذهب إلى: تصفح، ‏ ابحث

التعلم الألي (بالإنجليزية: machine learning) أحد فروع الذكاء الاصطناعي التي تهتم بتصميم وتطوير خوارزميات وتقنيات تسمح للحواسيب بامتلاك خاصية "التعلم". بشكل عام هناك مستويين من التعلم : الاستقرائي والاستنتاجي. يقوم الاستقرائي باستنتاج قواعد وأحكام عامة من البيانات الضخمة.

المهمة الأساسية للتعلم الآلي هو استخراج معلومات قيمة من البيانات، بالتالي هو قريب جدا من التنقيب في البيانات (بالإنجليزية: data mining) والإحصاء والمعلوماتية النظرية

يتضمن التعلم الآلي عددا كبيرا من حقول التطبيقات : معالجة اللغات الطبيعية (بالإنجليزية: natural language processing) وتمييز الأنماط (بالإنجليزية: syntactic pattern recognition) ومحركات البحث (بالإنجليزية: search engines) والتشخيص الطبي والمعلوماتية الحيوية والمعلوماتية الكيميائية، تصنيف تسلسلات الدنا، تمييز الكلام (بالإنجليزية: speech recognition) وتمييز الكتابة handwriting recognition، وحتى تمييز الأشياء (بالإنجليزية: object recognition)، رؤية الحاسوب (بالإنجليزية: computer vision) الألعاب الاستراتيجية وتحريك الروبوت (بالإنجليزية: robot locomotion).

تعريف[عدل]

قد وفَر توم م. ميتشيل تحديداً مقتبساً واسعة الاقتباس: يقال أَنَّ برنامجا حاسوبياً "يتعلَّم" من خبرة 'x' بالنسبة إلى صنف ما من الأَشغال 'y' وبالنسبة إِلى مقياس الإتمامِ z. إذا تحسَن إتمام البرنامج على أشغال في 'y' بعد خبرة 'x'، بمقياس z' .[1]

مواضيع التعلم الآلي[عدل]

هذه القائمة الموضوعات التي يتم تناولها في دورة تعلّم الآلي النموذجية:

Prerequisites

نمذجة دوال كثافة الاحتمال الشرطي Regression analysis|regression]] and Statisticalتصنيف آلي]]

Algorithms for estimating model parameters

Modeling probability density functions through generative models

Approximate inference techniques

Optimization

  • Most of methods listed above either use optimization or are instances of optimization algorithms

Meta-learning ensemble methods

Inductive transfer and learning to learn

انظر أيضا[عدل]

المراجع[عدل]

  1. ^ * Mitchell, T. (1997). Machine' Learning, McGraw Hill. ISBN 0-07-042807-7, p.2.
  • Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, ISBN 0-262-01211-1
  • Christopher M. Bishop (2007) Pattern Recognition and Machine Learning, Springer ISBN 0-387-31073-8.
  • Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 0-935382-05-4.
  • Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, Volume II, Morgan Kaufmann, ISBN 0-934613-00-1.
  • Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann, ISBN 1-55860-119-8.
  • Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, Volume IV, Morgan Kaufmann, ISBN 1-55860-251-8.
  • Bhagat, P. M. (2005). Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1.
  • Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2.
  • Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0-471-05669-3.
  • Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 3-540-31681-7 [1].
  • KECMAN Vojislav (2001), LEARNING AND SOFT COMPUTING, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 0-262-11255-8 [2].
  • MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 0-521-64298-1.
  • Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7.
  • Ian H. Witten and Eibe Frank "Data Mining: Practical machine learning tools and techniques" Morgan Kaufmann ISBN 0-12-088407-0.
  • Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5.
  • Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006.
  • Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning, Springer. ISBN 0-387-95284-5 (companion book site).
  • Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience, ISBN 0-471-03003-1.

وصلات خارجية[عدل]