قبل قراءة هذه المقالة نوصي بقراءتها ما هو Data Scienceوماذا تفعل وبأية أهداف
خضع الجهاز المتحرك بواسطة خوارزمية التعلم الآلي ، قبل دخول الخدمة ، لمرحلة تعلم ، وهي التعلم ، والمعروفة باسم التدريب. في هذه المرحلة تدرس الآلة البيانات التاريخية المتاحة.
قبل الخوض في مزايا التعلم الآلي ، والاختلافات بين البرمجة الكلاسيكية والتعلم الآلي ، دعنا نرى مثالًا سيساعدنا بالتأكيد على فهم أفضل.
لنفترض أننا ننقل إلى أحد برامجنا المعلومات المتعلقة بأوقات السفر على الطريق السريع في أفضل ظروف حركة المرور ، لإرشاد خوارزمية قادرة على الاستجابة لنا كما لو كانت مساعدًا صوتيًا.
لكل مسار ، سنقوم بتوصيل المعلومات التالية إلى الخوارزمية:
ثم من خلال المساعد الصوتي ، سنذهب لنخبر الجهاز:
نظرًا لأننا قمنا بتوصيل البيانات عبر المساعد الصوتي ، فسيقوم برنامجنا بتغذية جدول من هذا النوع:
في النهاية ، إذا تم تحريك آلتنا بواسطة خوارزمية التعلم الآلي ، فسوف تكون قد تعلمت من المعلومات المقدمة ، وبالتالي توقع نتيجة في شكل وقت السفر. لذلك يمكننا طرح سؤال على برنامجنا: "من تورين إلى ميلانو مع 1000 سيارة ووقود ديزل ... كم من الوقت يستغرق؟"
المثال غير دقيق ولكنه واقعي إلى حد ما. ومع ذلك ، فإنه يساعد في تلخيص الغرض من التعلم الآلي.
أخذ إشارة من المثال ، دعنا نحاول أن نرى الفرق بين البرمجة الكلاسيكية والتعلم الآلي.
تقليديا ، يجب على المبرمج الذي يكتب الكود الكلاسيكي أن:
ثم يتم استخدام ذكاء الإنسان لكتابة كود البرنامج الذي يمكنه حل المشكلة.
في هذه الحالة ، سيتعين على المبرمج التفكير في نظام لتخزين وتنظيم المعلومات الواردة. بعد ذلك ، عندما يسأل مشغل التطبيق ، المكتوب ببرمجة كلاسيكية ، السؤال ، سوف يستجيب الجهاز بأقرب معلومات معروفة ، أكثر تشابهًا مع تلك المخزنة.
في التعلم الآلي ، هوالذكاء الاصطناعي من البرنامج قادر على دراسة البيانات التاريخية ، لإنشاء النموذج المطلوب تطبيقه لحل المشكلة ، وأخيراً تجعل الآلة النموذج متاحًا للمبرمج.
في آلة متحركة بواسطة التعلم الآلي ، يتعلم البرنامج بنفسه للتنبؤ بأوقات السفر لأنه قبل دخول الخدمة ، مرت الآلة بمرحلة تعلم. ثم تعلمت الآلة الاستجابة بأكثر المعلومات منطقية ، والأقرب إلى الواقع بناءً على المنطق الذي يمليه النموذج ويفسره.
في التعلم الآلي ، يصبح النموذج هو قلب العملية. بمجرد إنشائها وتعليمها ، يمكن أن تظل متاحة. كل استعلام جديد ببيانات جديدة ، بنفس التنسيق المستخدم في التدريب ، سينتج عنه نتيجة جديدة.
يتغير دور عالم البيانات بشكل طفيف ، أي أنه سيتعين عليه مرافقة البرنامج لتوليد النموذج ، خلال مرحلة التدريب. للقيام بذلك ، سيهتم باختيار الاستراتيجيات وأهداف التخطيط وإعداد البيانات وقبل كل شيء اختبار النموذج للتحقق من فعاليته وكذلك أي إمكانية للتحسين.
يمكن تكرار هذه العملية ، وتكرارها عدة مرات بهدف إضافة عناصر محسّنة وحقيقية ، إلى كل تكرار. بهذه الطريقة يمكنك الاقتراب من الحل الأمثل للخطوات اللاحقة ، وتحسين التدريب ، وتحسين الاختبار ، وبالتالي الجهاز.
الهدف النهائي هو دائمًا إنشاء نموذج يعرف البيانات التاريخية ، ويفهم منطقها وأنماطها ، وبالتالي يكون قادرًا على التنبؤ بنتيجة المواقف المستقبلية.
Ercole Palmeri: ابتكار مدمن
إن تطوير المهارات الحركية الدقيقة من خلال التلوين يؤهل الأطفال لمهارات أكثر تعقيدًا مثل الكتابة. للتلوين…
يعد القطاع البحري قوة اقتصادية عالمية حقيقية، وقد اتجه نحو سوق يبلغ حجمه 150 مليارًا...
أعلنت صحيفة فاينانشيال تايمز يوم الاثنين الماضي عن صفقة مع OpenAI. "فاينانشيال تايمز" ترخص صحافتها ذات المستوى العالمي...
يدفع الملايين من الأشخاص مقابل خدمات البث، ويدفعون رسوم الاشتراك الشهرية. من الشائع أنك…