قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التعلم بالتجمع المؤتمت
عملية أتمتة إنشاء واختيار ودمج نماذج تنبؤية متعددة لتحسين الأداء بدون تدخل بشري يدوي.
التكديس المؤتمت
طريقة يتعلم فيها نموذج ميتا تلقائيًا كيفية دمج توقعات عدة نماذج أساسية لتحسين الدقة العامة.
الخلط المؤتمت
تقنية تجمع التي تجمع توقعات النماذج باستخدام مجموعة تحقق منفصلة لتدريب نموذج الدمج بشكل مؤتمت.
التجميع بالأكياس المؤتمت
تجميع Bootstrap المؤتمت الذي ينشئ نماذج متعددة على مجموعات فرعية من البيانات bootstrap لتقليل التباين وتحسين المتانة.
التعزيز المؤتمت
عملية تكرارية مؤتمتة تبني نماذج تسلسلية حيث يصحح كل نموذج أخطاء النموذج السابق لتحسين الأداء.
التكديس التلقائي
نظام مؤتمت بالكامل يكتشف ويحسن بنية التكديس بما في ذلك اختيار النماذج الأساسية ونموذج الميتا.
ضبط المعلمات الفائقة للتجمعات
تحسين تلقائي للمعلمات الفائقة الفردية للنماذج ومعلمات دمج المجموعة لزيادة الأداء.
اختيار النموذج المؤتمت
خوارزمية تختار تلقائيًا أفضل المرشحين للمجموعة بناءً على أدائهم وتنوعهم.
هندسة الميزات للمجموعات
توليد تلقائي للميزات المحسّنة خصيصًا لتحسين التكامل بين النماذج في المجموعة.
التحقق المتقاطع الطبقي
تقنية تحقق متقاطع تحافظ تلقائيًا على توزيع الفئات لتقييم أداء المجموعات بشكل موثوق.
مصنف التصويت الآلي
نظام يحدد تلقائيًا ما إذا كان التصويت الصلب أو المرن هو الأمثل ويختار الأوزان المثلى لكل مصنف.
تعظيم تنوع المجموعة
خوارزمية تحسّن تلقائيًا تنوع الأخطاء بين النماذج لتعظيم مكاسب الأداء من التركيبة.
ترجيح النموذج الآلي
عملية تحدد تلقائيًا الأوزان المثلى لكل نموذج في المجموعة بناءً على أدائها النسبي.
البحث عن البنية العصبية للمجموعات
بحث تلقائي عن بنى عصبية مكملة محسّنة للعمل معًا في مجموعة عالية الأداء.
تحسين المجموعة متعدد الأهداف
تحسين تلقائي متزامن لأهداف متعددة مثل الدقة ووقت الاستدلال والتعقيد للمجموعة النهائية.
تقليم المجموعة الآلي
إزالة تلقائية للنماذج المكررة أو منخفضة الأداء من المجموعة لتحسين نسبة الأداء/التعقيد.
الاختيار الديناميكي للمجموعات
الاختيار الآلي في الوقت الفعلي لمجموعات النماذج الأكثر كفاءة لكل حالة جديدة يجب التنبؤ بها.
التعلم بالمجموعات غير المتجانسة
الدمج الآلي للنماذج من أنواع مختلفة (أشجار، شبكات، SVM) لاستغلال نقاط القوة التكميلية لها.
التعلم بالمجموعات المتتالية
هيكلية متتالية حيث تُستخدم النماذج البسيطة أولاً والنماذج المعقدة فقط عند الضرورة، محسّنة تلقائياً.