قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
تجميع-تعزيز هجين
نهج يجمع بين التجميع (bagging) لتقليل التباين والتعزيز (boosting) لتقليل التحيز، مما يؤدي إلى إنشاء مجموعات أكثر قوة. يتيح هذا التهجين الاستفادة من نقاط القوة التكميلية لكلتا الطريقتين لتحسين استقرار ودقة التنبؤات.
مجموعة عميقة
طريقة مجموعة مطبقة على الشبكات العصبية العميقة حيث يتم تدريب نماذج متعددة ذات تهيئات أو معماريات مختلفة بشكل مستقل. تعمل هذه التقنية على تحسين قوة التنبؤات وتحديد عدم اليقين في النموذج بفعالية.
مزيج من الخبراء
هندسة مجموعة حيث يتم دمج العديد من الشبكات الخبيرة المتخصصة بواسطة شبكة تحكم (gating network) تتعلم كيفية ترجيح مساهماتها. يتيح هذا النهج تقسيم المشكلة تلقائيًا إلى مهام فرعية تديرها نماذج متخصصة، مما يحسن الأداء العام.
تعزيز عصبي
تقنية تعزيز حيث يكون المتعلمون الضعفاء عبارة عن شبكات عصبية ضحلة، يتم دمجها بشكل متكرر لتشكيل نموذج قوي. يستفيد هذا النهج من قدرة التقريب الشاملة للشبكات العصبية مع الاستفادة من خصائص تقليل التحيز للتعزيز.
ارتباط متتالي
هندسة مجموعة حيث يتم إضافة الخلايا العصبية بالتسلسل إلى الشبكة وتدريبها لزيادة الارتباط مع الخطأ المتبقي. تنشئ هذه الطريقة البنائية تلقائيًا بنية مثالية تتكيف مع المشكلة المحددة.
مجموعة تطورية
نهج يستخدم الخوارزميات التطورية لتحديد وتحسين تكوين مجموعة من النماذج تلقائيًا. تتيح هذه الطريقة اكتشاف مجموعات نماذج غير بديهية ولكنها عالية الأداء.
مجموعة ضبابية
طريقة مجموعة تدمج المنطق الضبابي لدمج تنبؤات نماذج متعددة من خلال إدارة عدم اليقين وعدم الدقة. يتيح هذا النهج دمجًا أكثر مرونة لقرارات النماذج الأساسية، وهو مفيد بشكل خاص في البيئات الصاخبة.
متوسط النموذج البايزي
تقنية مجموعة ترجح النماذج وفقًا لاحتمالها اللاحق في إطار بايزي لمراعاة عدم اليقين في النموذج. يوفر هذا النهج تنبؤات احتمالية معايرة جيدًا من خلال دمج تعقيد النموذج بشكل طبيعي.
التعلم متعدد الرؤى
نموذج تعلم تُستخدم فيه تمثيلات أو رؤى مختلفة للبيانات لبناء مجموعات متكاملة. تستغل هذه الطريقة تنوع وجهات النظر حول البيانات لتحسين متانة النموذج النهائي وقدرته على التعميم.
الشبكات العصبية المعززة بالتدرج
تهجين يجمع بين خوارزمية تعزيز التدرج (Gradient Boosting) والشبكات العصبية كمتعلمين أساسيين. يتيح هذا النهج التقاط العلاقات غير الخطية المعقدة مع الاستفادة من التقارب النظري لتعزيز التدرج.
تجميع الفضاء الفرعي العشوائي
طريقة تجميعية يتم فيها تدريب كل نموذج أساسي على مجموعة فرعية عشوائية من الميزات، تجمع بين التجميع (bagging) واختيار الميزات. تعمل هذه التقنية على تحسين تنوع النماذج وتقليل الأبعاد، وهي فعالة بشكل خاص للبيانات عالية الأبعاد.
الاختيار التجميعي التكيفي
نهج ديناميكي يختار تلقائيًا النماذج الأكثر صلة لكل حالة جديدة يراد التنبؤ بها. تتيح هذه الطريقة تكيفًا دقيقًا مع مناطق مختلفة من مساحة البيانات من خلال استغلال التخصصات المحلية للنماذج.
المشفرات الذاتية المزيلة للضوضاء المكدسة
هندسة تعلم عميق تجمع بين المشفرات الذاتية المزيلة للضوضاء المتتالية لتعلم تمثيلات قوية. تقوم طريقة التجميع غير الخاضعة للإشراف هذه بتدريب الشبكات العميقة مسبقًا بكفاءة قبل الضبط الدقيق الخاضع للإشراف.
تجميع بحث البنية العصبية
نهج هجين يستخدم خوارزميات البحث عن البنية لاكتشاف ودمج العديد من البنى المثلى تلقائيًا. تنشئ هذه الطريقة مجموعات من البنى المتكاملة المصممة خصيصًا للمشكلة المعالجة.
التجميع الالتفافي الهجين
تقنية تجمع بين أنواع مختلفة من الشبكات الالتفافية (CNNs الكلاسيكية، المتبقية، الانتباهية) لتحليل الصور أو التسلسلات. يستغل هذا النهج نقاط القوة لكل بنية لاستخراج أفضل للميزات.
التصويت المرجح الديناميكي
طريقة تجميعية يتم فيها تعديل أوزان النماذج الأساسية ديناميكيًا بناءً على خصائص كل حالة يراد التنبؤ بها. يتيح هذا النهج دمجًا سياقيًا للتنبؤات، مما يحسن الأداء لكل حالة محددة.