ملخص نتاج التعلم ج: تطوير حل الذكاء الاصطناعي لتلبية احتياجات محددة، البرمجة

ج1 نماذج الذكاء الاصطناعي

• نقطة البداية في النقاش حول تطوير حلول الذكاء الاصطناعي هي مفهوم نموذج الذكاء الاصطناعي.
• يتم إنشاء نموذج الذكاء الاصطناعي من خلال عملية تسمى التعلم الآلي ⁦(ML)⁩.
• هناك طريقتان مختلفتان: التعلم تحت الإشراف والتعلم الآلي دون إشراف.

التعلم تحت الإشراف

• في التعلم الآلي تحت الإشراف، يتم اختيار خوارزمية مناسبة لحل المشكلة المطروحة ويستخدم جزء من البيانات المتاحة (عادة 80 في المائة، ولكن يمكن أن يختلف) لتدريبها.
• بمجرد تدريب النموذج بشكل مناسب، يجب اختباره قبل استخدامه.
• وعادة ما ينطوي ذلك على استخدام نسبة 20 في المائة المتبقية من البيانات وتقييم النتيجة (على سبيل المثال، تقييم الدقة الإجمالية للتنبؤات).

التعلم دون إشراف

• قد لا تؤدي المحاولات الأولية لإنشاء نموذج ذكاء اصطناعي من خلال عملية التعلم الآلي إلى تنبؤات شديدة الدقة.
• إذا كانت هذه هي الحالة، سيحتاج عالم البيانات إلى تعديل عملية التعلم عن طريق تعديل اختيار ميزات النموذج أو الأوزان، أو عن طريق تغيير معاملات الضبط التي تتحكم في الخوارزمية نفسها.
• بمجرد القيام بذلك، يمكنه تشغيل عملية التدريب مرة أخرى، على أمل أن تكون النتائج أفضل.

الانحدار الخطي

• قد تكون على دراية بالانحدار الخطي والمعادلة: $y = mx + c$

المتوسط [1، 2، 4]

الانحدار اللوجستي

• كما ترى، يصبح احتمال النجاح شبه مؤكد (1.0) عندما تصل إلى 12 ساعة من الدراسة للامتحان، ثم ينخفض.
• يتم رسم التحسين منحنى على شكل حرف ⁦S⁩ لتمثيل العلاقات في العالم الحقيقي (وقت الدراسة مقابل احتمال النجاح) الموضح هنا.
• ومع ذلك، من الممكن مرة أخرى البحث عن أي قيمة ⁦x (⁩ساعات الدراسة) والتحقق من احتمالية النجاح، على الرغم من أنه يُرجى ملاحظة أن دقة النموذج تبلغ 90 في المائة فقط.

نشر النموذج

• من الواضح أن (⁦https⁩://⁦docs.evidentlyai.com⁩) هي أداة مفتوحة المصدر مصممة خصيصًا لمراقبة نماذج التعلم الآلي وتحليلها في أثناء تشغيلها في الإنتاج.
• بالإضافة إلى ذلك، تدعم ⁦Evidently AI⁩ تنبيهات قابلة للتخصيص يمكنها تفعيل الإشعارات عندما تنخفض المقاييس عن (أو تتجاوز) مستويات التسامح المحددة.

المعالجة العنقودية

• تعد المعالجة العنقودية (باستخدام شبكة من أجهزة الحاسب أو العقد المتصلة) مفيدة بشكل خاص لتطبيقات الذكاء الاصطناعي والتطوير.
• إنه نهج يمكن توسيع نطاقه أو تقليله بسرعة اعتمادًا على الأحمال الحالية، دون الحاجة إلى تعديل الأكواد أو النماذج أو البيانات الأساسية. توزيع المهام يعني أيضًا أن هذا النهج

إبراز الأكواد البرمجية والقواعد النحوية

• يساعد المستخدم على التنقل في الكود.
• يعمل على تحسين قابلية قراءة الكود.
• يلبي احتياجات المستخدمين ذوي الإعاقات البصرية.
• يحسن فهم الكود.
• يساعد على تحديد الأخطاء في بناء الجملة أو المنطق الخاص بالكود.
• يقلل إجهاد العين.