قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
الوسوم الزائفة
وسوم يتم إنشاؤها تلقائيًا بواسطة خوارزميات التجميع لتقريب الوسوم الحقيقية في سياق التعلم الذاتي الإشرافي. فهي تتيح تحويل البيانات غير الموسومة إلى بيانات موسومة بشكل اصطناعي للتدريب تحت الإشراف.
التجميع الهرمي الذاتي الإشراف
طريقة تجميع تبني هرمية من المجموعات المتداخلة دون إشراف صريح، وتُستخدم لتوليد وسوم زائفة بمستويات مختلفة من الدقة. تتيح هذه الطريقة استكشاف بنية البيانات على نطاق متعدد المقاييس.
K-means ذاتي الإشراف
متغير من خوارزمية K-means الكلاسيكية المطبقة في إطار ذاتي الإشراف لإنشاء وسوم زائفة من بيانات غير موسومة. تُستخدم مراكز المجموعات الناتجة بعد ذلك كنماذج أولية للتدريب تحت الإشراف.
DBSCAN التكيفي
نسخة محسنة من خوارزمية DBSCAN تقوم بضبط معاملاتها تلقائيًا بناءً على الكثافة المحلية للبيانات في سياق ذاتي الإشراف. تتيح هذه الطريقة اكتشاف مجموعات ذات أشكال متنوعة وكثافات غير متجانسة.
التجميع الطيفي نصف تحت الإشراف
تقنية تجميع تستخدم القيم الذاتية لمصفوفة التشابه لتحديد هياكل البيانات، مع قيود جزئية يتم إنشاؤها تلقائيًا. تجمع هذه الطريقة بين المعلومات الطيفية والوسوم الزائفة لتحسين تماسك المجموعات.
الوسم الضعيف التلقائي
عملية توليد وسوم غير دقيقة ولكن مفيدة من الخصائص الجوهرية للبيانات دون تدخل بشري. تخدم هذه الوسوم الضعيفة كإشارة تعلم لنماذج قوية تحت الإشراف.
التعلم بالمقارنة الذاتي الإشراف
نموذج تعلم يتعلم فيه النموذج التمييز بين العينات المتشابهة (الإيجابية) والعينات غير المتشابهة (السلبية) دون وسوم صريحة. توفر المجموعات المتكونة بشكل طبيعي وسومًا زائفة للتدريب.
التجميع القائم على الكثافة
عائلة من الخوارزميات التي تحدد المجموعات كمناطق كثيفة مفصولة بمناطق منخفضة الكثافة في فضاء الميزات. هذه الطريقة فعالة بشكل خاص في اكتشاف مجموعات ذات أشكال تعسفية.
خوارزمية التجميع التكرارية
طريقة تجميع تقوم بتحسين التصنيفات الزائفة تدريجياً من خلال عدة تكرارات من التعيين وتحديث المراكز. يحسن كل تكرار التماسك داخل المجموعة والفصل بين المجموعات.
التحقق الداخلي من المجموعات
مجموعة من المقاييس التي تقيم جودة المجموعات المُنشأة دون الرجوع إلى تصنيفات خارجية، وتُستخدم لتحسين التصنيفات الزائفة. تشمل هذه المقاييس معامل السيلويت، ومؤشر ديفيز-بولدين، ودليل كالينسكي-هاراباس.
التجميع عالي الأبعاد
تحدٍ تقني يتضمن تجميع البيانات في فضاءات ذات أبعاد عالية جداً حيث تفقد مفهوم المسافة معناه. تتطلب تقنيات متخصصة مثل تقليل الأبعاد لإجراء تجميع فعال.
تقليل الأبعاد للتجميع
خطوة تمهيدية أساسية في التجميع الخاضع للإشراف الذاتي تقوم بتحويل البيانات إلى فضاء ذي أبعاد أقل مع الحفاظ على هيكل المجموعات. تحسن هذه العملية الكفاءة الحسابية وجودة التصنيفات الزائفة.
التجميع القائم على الرسوم البيانية
نهج تجميع ينمذج البيانات كرسم بياني حيث تمثل العقد العينات وتمثل الحواف أوجه التشابه. تتوافق المجتمعات المكتشفة في هذا الرسم البياني مع المجموعات المستخدمة لتوليد التصنيفات الزائفة.
التجميع بالانتشار التقاربي
خوارزمية تحدد النماذج التمثيلية في البيانات وتعين كل نقطة إلى النموذج الأنسب دون الحاجة إلى عدد محدد مسبقاً من المجموعات. هذه الطريقة مناسبة بشكل خاص لاكتشاف هياكل البيانات المعقدة.
التجميع بخلطات غاوسية
نهج احتمالي ينمذج البيانات كخليط من عدة توزيعات غاوسية، حيث يمثل كل مكون مجموعة. تُستخدم احتمالات الانتماء كتصنيفات زائفة مرنة للتعلم الخاضع للإشراف.
التجميع التزايدي
طريقة تجميع قادرة على تحديث التصنيفات الزائفة مع وصول بيانات جديدة دون الحاجة إلى إعادة حساب كاملة. هذا النهج ضروري لأنظمة التعلم المستمر.
التجميع متعدد المناظر
نهج يدمج المعلومات القادمة من تمثيلات أو وجهات نظر متعددة لنفس البيانات لتحسين جودة المجموعات والعلامات الزائفة. يستغل هذا النهج التكامل بين المناظر المختلفة لتعلم أكثر متانة.
التجميع العميق
مزج من الشبكات العصبية العميقة مع خوارزميات التجميع لتعلم تمثيلات مثالية وإنشاء علامات زائفة بطريقة من طرف إلى طرف. يتيح هذا النهج التقاط هياكل معقدة غير خطية في البيانات.