تعزيز (تعلم الآلة)
لمعانٍ أخرى، طالع تعزيز (توضيح).
| جزء من سلسلة مقالات حول |
| تعلم الآلة والتنقيب في البيانات |
|---|
 |
التعزيز[1] في تعلم الآلة خوارزمية وصفية مجمعة لتقليل التحيز في المقام الأول، وكذلك التباين [2] في التعلم المراقب ، ومجموعة من خوارزميات تعلم الآلة التي تحول المتعلمين الضعفاء إلى متعلمين أقوياء.[3] يعتمد التعزيز على السؤال الذي طرحه كِرنز وفاليانت (1988، 1989): [4] [5] «أيمكن لمجموعة من المتعلمين الضعفاء إنشاء متعلم واحد قوي؟» يُعرف المتعلم الضعيف بأنه مصنف يرتبط ارتباطًا طفيفًا بالتصنيف الحقيقي فقط (يمكنه تصنيف الأمثلة أفضل من التخمين العشوائي). وعلى النقيض من ذلك، فإن المتعلم القوي هو مُصنف يرتبط ارتباطًا جيدًا عشوائيًا بالتصنيف الحقيقي.
المراجع
[عدل]- ^ معجم البيانات والذكاء الاصطناعي (PDF) (بالعربية والإنجليزية)، الهيئة السعودية للبيانات والذكاء الاصطناعي، 2022، ص. 47، QID:Q111421033
- ^ Leo Breiman (1996). "BIAS, VARIANCE, AND ARCING CLASSIFIERS" (PDF). TECHNICAL REPORT. مؤرشف من الأصل (PDF) في 2015-01-19. اطلع عليه بتاريخ 2015-01-19.
Arcing [Boosting] is more successful than bagging in variance reduction
- ^ Zhou Zhi-Hua (2012). Ensemble Methods: Foundations and Algorithms. Chapman and Hall/CRC. ص. 23. ISBN:978-1439830031.
The term boosting refers to a family of algorithms that are able to convert weak learners to strong learners
- ^ Michael Kearns(1988); Thoughts on Hypothesis Boosting, Unpublished manuscript (Machine Learning class project, December 1988) نسخة محفوظة 2022-11-28 على موقع واي باك مشين.
- ^ Michael Kearns؛ Leslie Valiant (1989). "Crytographic limitations on learning Boolean formulae and finite automata". Proceedings of the twenty-first annual ACM symposium on Theory of computing - STOC '89. ACM. ج. 21. ص. 433–444. DOI:10.1145/73007.73049. ISBN:978-0897913072. S2CID:536357.
