در حال آمادهسازی...
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
تشخیص ناهنجاری؛ شناسایی رفتارها یا داده‌های غیرمعمول مثل تراکنش‌های مشکوک در بانک. این روش در کاربردهایی مانند کشف تقلب، تشخیص خرابی دستگاه، پایش شبکه و شناسایی رفتار غیرعادی کاربران بسیار کاربرد دارد.
مشاهدهٔ جزئیاتیادگیری ماشین خودکار؛ ابزارهایی که انتخاب مدل و تنظیم پارامترها را تا حد زیادی خودکار می‌کنند. AutoML می‌تواند بخشی از کارهای تکراری ساخت مدل را خودکار کند و برای افرادی که تخصص عمیق در مدل‌سازی ندارند نیز مفید باشد.
مشاهدهٔ جزئیاتمدل مبنا؛ یک مدل ساده که عملکرد مدل‌های پیچیده‌تر را با آن مقایسه می‌کنیم. Baseline یک نقطه شروع مشخص می‌کند تا بدانیم یک تغییر یا مدل جدید واقعا بهتر از راه‌حل ساده قبلی عمل کرده است.
مشاهدهٔ جزئیاتطبقهبند بیزی؛ مدل طبقه‌بندی مبتنی بر قضیه بیز. این مدل بر پایه احتمال تصمیم می‌گیرد که یک نمونه به کدام کلاس تعلق دارد.
مشاهدهٔ جزئیاتبهینهسازی بیزی؛ روش هوشمند برای پیدا کردن بهترین تنظیمات مدل با آزمایش‌های کم. وقتی ارزیابی هر تنظیم مدل هزینه‌بر است، این روش تلاش می‌کند با تعداد آزمایش کمتر به تنظیمات مناسب برسد.
مشاهدهٔ جزئیاتتعارض سوگیری-واریانس؛ تعادل بین ساده بودن مدل و توانایی یادگیری جزئیات داده. مدل بیش‌ازحد ساده معمولا سوگیری بیشتری دارد و مدل بیش‌ازحد پیچیده ممکن است واریانس بالایی داشته باشد؛ هدف پیدا کردن تعادل مناسب است.
مشاهدهٔ جزئیاتطبقهبندی دودویی؛ پیش‌بینی بین دو حالت مثل اسپم/غیر اسپم یا بیمار/سالم. خروجی چنین مدلی معمولا یکی از دو کلاس است؛ مثلا تشخیص ایمیل اسپم یا غیر اسپم.
مشاهدهٔ جزئیاتعدم توازن کلاس؛ زمانی که تعداد نمونه‌های یک برچسب خیلی کمتر از بقیه است و مدل به سمت برچسب‌های پرتکرار متمایل می‌شود. در چنین شرایطی ممکن است مدل کلاس پرتعداد را خوب تشخیص دهد اما در شناسایی کلاس کم‌تعداد، که گاهی مهم‌تر است، ضعیف باشد.
مشاهدهٔ جزئیاتطبقهبندی؛ پیش‌بینی این‌که ورودی به کدام دسته یا برچسب تعلق دارد. برای مثال می‌توان پیام‌ها را به اسپم و غیر اسپم یا درخواست‌های مشتری را به چند دسته موضوعی تقسیم کرد.
مشاهدهٔ جزئیاتخوشهبندی؛ گروه‌بندی خودکار داده‌های مشابه بدون برچسب‌های از پیش تعریف‌شده. این روش برای کشف گروه‌های طبیعی در داده، مانند دسته‌بندی مشتریان بر اساس رفتار، کاربرد زیادی دارد.
مشاهدهٔ جزئیاتبندیت زمینه‌ای؛ روش یادگیری تقویتی که تصمیم را بر اساس ویژگی‌های وضعیت فعلی انتخاب می‌کند و همان‌جا از نتیجه یاد می‌گیرد.
مشاهدهٔ جزئیاتتمیز کردن داده؛ حذف خطاها، مقادیر ناقص و تناقض‌ها از مجموعه‌داده. داده تمیزتر معمولا باعث می‌شود تحلیل‌ها و مدل‌های یادگیری ماشین قابل اعتمادتر شوند.
مشاهدهٔ جزئیاتکاوش داده؛ کشف الگوها و روابط مفید در مجموعه‌داده‌های بزرگ. هدف آن پیدا کردن اطلاعاتی است که در حجم زیاد داده به‌سادگی با مشاهده دستی قابل تشخیص نیستند.
مشاهدهٔ جزئیاتمرز تصمیم؛ خط یا سطحی که مدل برای جدا کردن کلاس‌های مختلف رسم می‌کند. نقاط دو طرف این مرز از دید مدل به کلاس‌های متفاوتی تعلق دارند.
مشاهدهٔ جزئیاتدرخت تصمیم؛ مدل ساده‌ای که تصمیم‌ها را به صورت شاخه‌های درختی از پرسش‌ها نمایش می‌دهد. مزیت مهم درخت تصمیم این است که منطق تصمیم‌گیری آن در بسیاری از مسائل نسبتا قابل فهم و قابل توضیح است.
مشاهدهٔ جزئیاتکاهش بعد؛ کاهش تعداد ویژگی‌ها برای ساده‌تر شدن مدل در عین حفظ اطلاعات مهم. کاهش بعد می‌تواند داده را برای تحلیل یا نمایش ساده‌تر کند و گاهی زمان و هزینه پردازش را نیز کاهش دهد.
مشاهدهٔ جزئیاتمدل تمایزبخش؛ مدلی که بیشتر برای تشخیص، طبقه‌بندی یا پیش‌بینی تفاوت بین گروه‌ها استفاده می‌شود، نه تولید محتوای جدید.
مشاهدهٔ جزئیاتجایگذاری؛ نمایش کلمات، تصاویر یا داده‌ها به صورت بردارهای عددی که معنای آن‌ها را حفظ می‌کند. Embeddingها برای مقایسه شباهت معنایی، جست‌وجوی مفهومی، سیستم‌های پیشنهاددهنده و RAG کاربرد زیادی دارند.
مشاهدهٔ جزئیاتگروه مدل‌ها؛ مجموعه‌ای از مدل‌ها که خروجی‌شان برای تصمیم نهایی ترکیب می‌شود؛ نمونه رایج آن میانگین‌گیری یا رأی‌گیری بین چند مدل است.
مشاهدهٔ جزئیاتیادگیری گروهی؛ ترکیب چند مدل برای رسیدن به عملکرد بهتر از هر مدل به‌تنهایی. ترکیب مدل‌های متفاوت می‌تواند خطاهای آن‌ها را تا حدی جبران کند و نتیجه نهایی را بهتر کند.
مشاهدهٔ جزئیاتکاوش؛ در یادگیری تقویتی، امتحان‌کردن گزینه‌های کم‌تجربه برای کشف پاداش بهتر؛ تعادل کاوش و بهره‌برداری یکی از مسائل اصلی این حوزه است.
مشاهدهٔ جزئیاتتحلیل اکتشافی داده؛ بررسی اولیه داده‌ها با نمودارها و آمار ساده برای شناخت الگوها. EDA معمولا قبل از مدل‌سازی انجام می‌شود تا خطاهای داده، الگوهای مهم و روابط احتمالی شناسایی شوند.
مشاهدهٔ جزئیاتویژگی؛ یک خاصیت یا ستون از داده که مدل از آن برای یادگیری استفاده می‌کند. مثلا سن مشتری، مبلغ خرید یا تعداد ورودهای کاربر می‌تواند یک Feature برای مدل باشد.
مشاهدهٔ جزئیاتمهندسی ویژگی؛ ساخت یا انتخاب ویژگی‌های بهتر برای بهبود عملکرد مدل. ویژگی‌های مناسب می‌توانند اطلاعات مفیدتری در اختیار مدل قرار دهند و در برخی مسائل حتی از انتخاب مدل مهم‌تر باشند.
مشاهدهٔ جزئیات