أنواع خوارزميات الذكاء الاصطناعي التي يجب أن تعرفها [دليل كامل]

نما الذكاء الاصطناعي ليكون له تأثير كبير على العالم. مع وجود كميات كبيرة من البيانات التي يتم إنشاؤها بواسطة تطبيقات ومصادر مختلفة ، يمكن لأنظمة التعلم الآلي التعلم من بيانات الاختبار وأداء المهام الذكية.

الذكاء الاصطناعي هو مجال علوم الكمبيوتر الذي يتعامل مع نقل القدرة الحاسمة والتفكير إلى الآلات. وبالتالي ، فإن الذكاء الاصطناعي هو مزيج من علوم الكمبيوتر وتحليلات البيانات والرياضيات البحتة.

يصبح التعلم الآلي جزءًا لا يتجزأ من الذكاء الاصطناعي ، ويتعامل فقط مع الجزء الأول ، وهو عملية التعلم من بيانات الإدخال. الذكاء الاصطناعي وفوائده لم تتوقف أبدًا عن إدهاشنا.

انضم إلى دورات الذكاء الاصطناعي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

أنواع خوارزميات الذكاء الاصطناعي

يمكن تصنيف خوارزميات الذكاء الاصطناعي على نطاق واسع على النحو التالي:

1. خوارزميات التصنيف

تعد خوارزميات التصنيف جزءًا من التعلم الخاضع للإشراف. تُستخدم هذه الخوارزميات لتقسيم المتغير الخاضع إلى فئات مختلفة ثم التنبؤ بفئة إدخال معين. على سبيل المثال ، يمكن استخدام خوارزميات التصنيف لتصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها أم لا. دعونا نناقش بعض خوارزميات التصنيف الشائعة الاستخدام.

أ) ساذج بايز

تعمل خوارزمية Naive Bayes على نظرية بايز وتتبع نهجًا احتماليًا ، على عكس خوارزميات التصنيف الأخرى. تحتوي الخوارزمية على مجموعة من الاحتمالات السابقة لكل فئة. بمجرد تغذية البيانات ، تقوم الخوارزمية بتحديث هذه الاحتمالات لتشكيل ما يعرف بالاحتمال اللاحق. يأتي هذا مفيدًا عندما تحتاج إلى توقع ما إذا كان الإدخال ينتمي إلى قائمة معينة من الفئات أم لا.

ب) شجرة القرار

تعد خوارزمية شجرة القرار بمثابة مخطط انسيابي مثل الخوارزمية حيث تمثل العقد الاختبار على سمة الإدخال وتمثل الفروع نتيجة الاختبار.

ج) غابة عشوائية

تعمل الغابة العشوائية كمجموعة من الأشجار. تنقسم مجموعة بيانات الإدخال إلى أجزاء فرعية وتُغذى في أشجار القرار المختلفة. يتم أخذ متوسط ​​المخرجات من جميع أشجار القرار في الاعتبار. توفر الغابات العشوائية مصنفًا أكثر دقة مقارنة بخوارزمية شجرة القرار.

د) دعم آلات المتجهات

SVM هي خوارزمية تصنف البيانات باستخدام المستوى الفائق ، مع التأكد من أن المسافة بين المستوي الفائق ومتجهات الدعم هي الحد الأقصى.

ه) ك أقرب الجيران

تستخدم خوارزمية KNN مجموعة من نقاط البيانات مقسمة إلى فئات للتنبؤ بفئة نقطة بيانات نموذجية جديدة. تسمى "خوارزمية التعلم الكسول" لأنها قصيرة نسبيًا مقارنة بالخوارزميات الأخرى.

2. خوارزميات الانحدار

تعد خوارزميات الانحدار خوارزمية شائعة في ظل خوارزميات التعلم الآلي الخاضعة للإشراف. يمكن لخوارزميات الانحدار التنبؤ بقيم المخرجات بناءً على نقاط بيانات الإدخال التي يتم تغذيتها في نظام التعلم. يتضمن التطبيق الرئيسي لخوارزميات الانحدار التنبؤ بسعر سوق الأسهم ، والتنبؤ بالطقس ، وما إلى ذلك. الخوارزميات الأكثر شيوعًا في هذا القسم هي

أ) الانحدار الخطي

يتم استخدامه لقياس الصفات الحقيقية من خلال النظر في المتغيرات المتسقة. إنها أبسط خوارزميات الانحدار ولكن يمكن تنفيذها فقط في حالات العلاقة الخطية أو مشكلة قابلة للفصل خطيًا. ترسم الخوارزمية خطاً مستقيماً بين نقاط البيانات يسمى الخط الأفضل ملاءمة أو خط الانحدار وتستخدم للتنبؤ بالقيم الجديدة.

قراءة: الانحدار الخطي - أسئلة وأجوبة مقابلة ML

ب) انحدار اللاسو

تعمل خوارزمية انحدار Lasso من خلال الحصول على مجموعة فرعية من المتنبئين التي تقلل خطأ التنبؤ لمتغير الاستجابة. يتم تحقيق ذلك من خلال فرض قيود على نقاط البيانات والسماح لبعضها بالتقلص إلى القيمة الصفرية.

ج) الانحدار اللوجستي

يستخدم الانحدار اللوجستي بشكل أساسي للتصنيف الثنائي. تسمح لك هذه الطريقة بتحليل مجموعة من المتغيرات والتنبؤ بنتيجة قاطعة. تشمل تطبيقاته الأساسية التنبؤ بقيمة عمر العميل ، وقيم المنزل ، وما إلى ذلك

د) الانحدار متعدد المتغيرات

يجب استخدام هذه الخوارزمية عندما يكون هناك أكثر من متغير توقع. تُستخدم هذه الخوارزمية على نطاق واسع في محركات التوصية بمنتجات قطاع البيع بالتجزئة ، حيث تعتمد المنتجات المفضلة للعملاء على عوامل متعددة مثل العلامة التجارية والجودة والسعر والمراجعة وما إلى ذلك.

ه) خوارزمية الانحدار المتعدد

تستخدم خوارزمية الانحدار المتعدد مزيجًا من الانحدار الخطي وخوارزميات الانحدار غير الخطي التي تأخذ متغيرات توضيحية متعددة كمدخلات. تشمل التطبيقات الرئيسية أبحاث العلوم الاجتماعية ، وصدق مطالبات التأمين ، والتحليل السلوكي ، إلخ.

3. خوارزميات التجميع

التجميع هو عملية فصل وتنظيم نقاط البيانات في مجموعات بناءً على أوجه التشابه داخل أعضاء المجموعة. هذا جزء من التعلم غير الخاضع للإشراف. الهدف الرئيسي هو تجميع العناصر المتشابهة. على سبيل المثال ، يمكنه ترتيب جميع المعاملات ذات الطبيعة الاحتيالية معًا بناءً على بعض الخصائص في المعاملة. فيما يلي خوارزميات التجميع الأكثر شيوعًا.

أ) K-Means Clustering

إنها أبسط خوارزمية تعلم غير خاضعة للرقابة. تجمع الخوارزمية نقاط بيانات متشابهة معًا ثم تربطها معًا في كتلة. يتم التجميع عن طريق حساب النقطه الوسطى لمجموعة نقاط البيانات ثم تقييم مسافة كل نقطة بيانات من النقطه الوسطى للمجموعة. بناءً على المسافة ، يتم تعيين نقطة البيانات التي تم تحليلها إلى أقرب مجموعة. تشير "K" في K إلى عدد المجموعات التي يتم تجميع نقاط البيانات فيها.

ب) خوارزمية Fuzzy C- يعني

تعمل خوارزمية FCM على الاحتمال. تعتبر كل نقطة بيانات لديها احتمال الانتماء إلى مجموعة أخرى. لا تحتوي نقاط البيانات على عضوية مطلقة في مجموعة معينة ، وهذا هو سبب تسمية الخوارزمية بالغموض.

ج) خوارزمية تعظيم التوقع (EM)

يعتمد على التوزيع الغاوسي الذي تعلمناه في الإحصاء. تم تصوير البيانات في نموذج توزيع غاوسي لحل المشكلة. بعد تعيين الاحتمالية ، يتم حساب عينة نقطية بناءً على معادلات التوقع والتعظيم.

د) خوارزمية التجميع الهرمي

تقوم هذه الخوارزميات بفرز المجموعات بالترتيب الهرمي بعد تعلم نقاط البيانات وإجراء ملاحظات التشابه. يمكن أن يكون من نوعين

• المجموعات الانقسامية ، من أجل نهج من أعلى إلى أسفل
• التكتل العنقودي ، من أجل نهج من القاعدة إلى القمة

دعونا ننتهي ونختتم

لقد أذهل الذكاء الاصطناعي العالم عدة مرات ولديه الكثير من التطبيقات في العالم الحقيقي لحل مشاكله المعقدة. نأمل أن يلقي هذا المقال بعض الضوء على خوارزميات الذكاء الاصطناعي المختلفة وتصنيفاتها الواسعة. يتم اختيار الخوارزميات بناءً على الحاجة وطبيعة نقاط البيانات لدينا.

الخوارزميات لها مزاياها وعيوبها من حيث الدقة والأداء ووقت المعالجة. هذه مجرد خوارزميات قليلة. إذا كنت حريصًا على تعلم المزيد ، تحقق من برنامج upGrad & IIIT-B التنفيذي في التعلم الآلي والذكاء الاصطناعي .