قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
نموذج الخليط الغاوسي
نهج احتمالي يقوم بنمذجة مجموعة بيانات كتركيبة خطية من عدة توزيعات غاوسية متعددة المتغيرات، مما يسمح بتحديد المجموعات الفرعية داخل البيانات.
خوارزمية EM
طريقة تكرارية لتقدير المعلمات تزيد من الاحتمالية في النماذج ذات المتغيرات الكامنة، وتتناوب بين خطوتي التوقع والتعظيم.
خطوة E (التوقع)
مرحلة في خوارزمية EM تحسب الاحتمالات اللاحقة لانتماء كل ملاحظة إلى المكونات المختلفة للخليط، بناءً على المعلمات الحالية.
خطوة M (التعظيم)
مرحلة في خوارزمية EM تقوم بتحديث معلمات النموذج (المتوسطات، التغايرات، معاملات الخليط) لتعظيم لوغاريتم الاحتمالية المتوقعة.
معلمات الخليط
مجموعة المعلمات التي تحدد نموذج الخليط الغاوسي (GMM) وتشمل المتوسطات، مصفوفات التغاير، ومعاملات الخليط لكل مكون غاوسي.
معاملات الخليط
الأوزان المرتبطة بكل مكون غاوسي في الخليط، والتي تمثل الاحتمالية المسبقة لانتماء ملاحظة معينة إلى هذا المكون.
مصفوفة المسؤولية
مصفوفة تحتوي على احتمالات انتماء كل ملاحظة إلى كل عنقود، يتم حسابها خلال خطوة E من خوارزمية EM.
التجميع المرن
نهج تجميع حيث يمكن لكل ملاحظة أن تنتمي إلى عدة عناقيد بدرجات انتماء مختلفة، على عكس التجميع الصلب.
معيار AIC
معيار معلومات أكايكي الذي يقيم جودة النموذج من خلال الموازنة بين التوافق مع البيانات والتعقيد، ويستخدم لاختيار العدد الأمثل للمكونات.
معيار BIC
معيار المعلومات البايزي الذي يعاقب تعقيد النموذج بشدة أكبر من AIC، ويفضل النماذج الأكثر بساطة.
تهيئة K-means
تقنية لتهيئة معلمات GMM تستخدم أولاً خوارزمية K-means للحصول على تقديرات أولية لمراكز المجموعات.
كثافة الاحتمال
دالة تصف الاحتمال النسبي لملاحظة قيمة مستمرة، يتم نمذجتها بواسطة المكونات الغاوسية في GMM.
تقارب EM
معيار إيقاف لخوارزمية EM يعتمد على تغير لوغاريتم الاحتمالية بين التكرارات المتتالية الذي يقل عن عتبة محددة مسبقًا.
قطع ناقص للثقة
تمثيل رسومي للمنطقة التي تحتوي على نسبة معينة من الاحتمال لتوزيع غاوسي متعدد المتغيرات.
قابلية فصل المجموعات
مقياس لدرجة التداخل بين المكونات الغاوسية المختلفة للمزيج، مما يؤثر على جودة التجزئة التي تم الحصول عليها.