Jahziah.
English

دليل المراجعة · GKU 7

دليل مراجعة التعلم الآلي (الذكاء الاصطناعي)

هذه أثقل وحدة في الامتحان، ولها نصفان. الأول هو التعلم الآلي التقليدي: كيف يُوائَم النموذج مع البيانات، والأهم كيف تعرف هل سيعمل على بيانات لم يرها — مجموعات التدريب والتحقق والاختبار، والتحقق المتقاطع، والموازنة بين الانحياز والتباين، والمقاييس التي تكشف مصنِّفاً عديم الفائدة رغم دقته العالية. ويعلّم في الطريق الخوارزميات القياسية بتشغيلها يدوياً: الانحدار الخطي واللوجستي بالانحدار التدرجي، وأشجار القرار بالإنتروبيا ومؤشر جيني، وبايز الساذج، وأقرب الجيران k، وآلات المتجهات الداعمة، وk-means والمكونات الرئيسية. والنصف الثاني هو الشبكات العصبية: العصبون وقاعدة البيرسبترون، ودوال التنشيط والخسارة، وخطوة انتشار عكسي كاملة، وما يجعل الشبكة "عميقة"، والشبكات الالتفافية والتكرارية، وكيف يُكتشف فرط الملاءمة ويُعالج. يبدأ كل قسم ببطاقة مراجعة سريعة، وتتدرج الأمثلة المحلولة من السهل إلى مستوى الامتحان، ويمكن إعادة حساب كل رقم فيها بآلة حاسبة.

تابع في التطبيق

مبني على المعيار التخصصي الرسمي لهيئة تقويم التعليم والتدريب لهذا الموضوع: كل موضوع مُدرج وكل مخرج تعلّم، مع المعادلات والأشكال والأمثلة المحلولة. الأقسام الكاملة متاحة للأعضاء في التطبيق.

SKU 7.1 · التعلم الآلي

  1. التعلم من البيانات: مجموعات التدريب والتحقق والاختبار

    ماذا يعني أن يتعلم برنامج من الأمثلة، ولماذا يُحكم على النموذج ببيانات لم يرها قط، وكيف تُقسم البيانات إلى مجموعات تدريب وتحقق واختبار، وكيف يعطي التحقق المتقاطع بـk طية تقديراً أثبت حين تكون البيانات قليلة.

  2. تعقيد النموذج: الانحياز والتباين وفرط الملاءمة والتنظيم

    لماذا يفشل النموذج البسيط جداً والنموذج المرن جداً كلاهما، وتحليل الخطأ المتوقع إلى انحياز وتباين، وكيف تُقرأ أخطاء التدريب والاختبار لتشخيص الحالتين، وكيف تقايض عقوبتا و قليلاً من الانحياز بخفض كبير في التباين.

  3. الانحدار الخطي واللوجستي المدرَّبان بالانحدار التدرجي

    النموذجان الأساسيان: الانحدار الخطي لهدف عددي، ويُوائَم بصيغة مغلقة أو بالانحدار التدرجي على متوسط مربع الخطأ، والانحدار اللوجستي لهدف نعم/لا، ويمرّر درجة خطية عبر السيغمويد ويُوائَم بالانحدار التدرجي على الإنتروبيا المتقاطعة.

  4. أشجار القرار وبايز الساذج

    مصنِّفان يمكن بناؤهما يدوياً: شجرة القرار التي تختار كل تقسيم بكسب المعلومات أو شوائب جيني، وبايز الساذج الذي يضرب الاحتمالات القبلية للفئات في احتمالات السمات، مع تنعيم لابلاس كي لا يقرر صفرٌ واحد الإجابة.

  5. أقرب الجيران k وآلات المتجهات الداعمة واختيار الخوارزمية

    مصنِّفان هندسيان — -NN الذي يصوّت بين أقرب نقاط التدريب، وآلة المتجهات الداعمة التي تضع الحد بأوسع هامش — تليهما مقارنة جنباً إلى جنب لخوارزميات هذه الوحدة وكيف يُختار بينها.

  6. التعلم الموجَّه مقابل غير الموجَّه: k-means وتحليل المكونات الرئيسية

    كيف تعرف من البيانات والهدف هل المهمة تصنيف أم انحدار أم تجميع عنقودي أم تعلم معزَّز؛ وخوارزمية k-means منفذة يدوياً، وطريقة المرفق لاختيار ، وتحليل المكونات الرئيسية بوصفه الطريقة القياسية لضغط السمات.

  7. تقييم المصنِّفات: مصفوفة الالتباس والضبط والاستدعاء وF1 وROC

    مصفوفة الالتباس والمقاييس المبنية عليها، ولماذا تضلّل الدقة مع البيانات غير المتوازنة، وكيف تقايض عتبة القرار الضبط بالاستدعاء، وكيف يلخّص منحنى ROC ومساحته المصنِّف على كل العتبات.

SKU 7.2 · الشبكات العصبية والتعلم العميق

  1. العصبونات والبيرسبترون والشبكات أحادية الطبقة ومتعددة الطبقات

    العصبون الاصطناعي بوصفه مجموعاً موزوناً يمر عبر دالة تنشيط، وقاعدة تعلم البيرسبترون متتبَّعة حتى التقارب، ولماذا لا تستطيع طبقة واحدة تعلّم XOR، وكيف تعالج ذلك طبقة مخفية، وما الذي تعد به مبرهنة التقريب الشامل وما الذي لا تعد به.

  2. تدريب الشبكة: دوال التنشيط ودوال الخسارة والانحدار التدرجي

    التمرير الأمامي الذي يحوّل المدخلات إلى تنبؤ، ودوال التنشيط الشائعة ومشتقاتها، ودوال الخسارة الملائمة لكل نوع من المخرجات، وكيف تتكامل معاً خطوات الانحدار التدرجي ومعدل التعلم والدفعات والحقب.

  3. الانتشار العكسي في شبكة متعددة الطبقات

    قاعدة السلسلة منظمة طبقة طبقة: دلتا المخرج، ودلتا الطبقات المخفية، وتدرجات الأوزان، وتحديث كامل لشبكة 2-2-1 يدوياً، ولماذا تعاني شبكات السيغمويد من تلاشي التدرجات.

  4. التعلم العميق بوصفه فرعاً من التعلم الآلي

    ما الذي يضيفه "العميق" إلى التعلم الآلي — تمثيلات متعلَّمة في طبقات مباشرة من البيانات الخام — ومتى يتفوق على الطرق التقليدية ومتى لا، وما كلفته من البيانات والحوسبة وقابلية التفسير.

  5. الشبكات العصبية الالتفافية والتكرارية

    كيف تُزلق الطبقة الالتفافية نواة صغيرة مشتركة فوق الصورة، وكيف يُحسب حجم مخرجها وعدد معاملاتها، وما يفعله التقليص، وكيف تحمل الشبكة التكرارية حالة مخفية على امتداد تسلسل — مع تطبيقات كل منهما في الرؤية واللغة.

  6. فرط الملاءمة في الشبكات العصبية: كشفه ومعالجته

    قراءة منحنيات التعلم للتمييز بين فرط الملاءمة ونقصها والتشغيل الذي لم يتقارب بعد، والعلاجات القياسية — بيانات أكثر أو موسَّعة، والإيقاف المبكر، واضمحلال الأوزان، والإسقاط، والنماذج الأصغر — مع حساب كل منها.

أدلة أخرى في الذكاء الاصطناعي

كل أدلة المراجعة

اقرأ الدليل كاملاً بجانب أسئلة تدريبك.

افتح التطبيق