صعود AutoML

ظهر مفهوم التعلم الآلي لأول مرة عندما كتب آلان تورينج مقالًا عن قدرة الآلات على تحقيق الذكاء الاصطناعي. في عام 1957 ، صمم فرانك روزنبلات أول شبكة عصبية تسمى خوارزمية Perceptron. يطلق عليهم اسم الشبكات العصبية لأنه يعتقد أنها مصممة على أساس طريقة مبسطة لكيفية عمل الدماغ من أجل معالجة المعلومات. على الرغم من وجود بعض التطبيقات المبكرة الحقيقية للتعلم الآلي ، مثل شبكة Madaline ، والتي يمكن أن تقضي على صدى الخلفية من خطوط الهاتف ، إلا أنها لن تعود إلى المقدمة حتى تظهر تطبيقات الرؤية. بواسطة الكمبيوتر في عام 2012.

في عام 2012 ، سجلت AlexNet ، وهي شبكة عصبية عميقة صممها Alex Krizhevsky ، دقة 84٪ في مسابقة تصنيف الصور من Imagenet. وكانت أفضل نتيجة سابقة 74٪. عندها بدأ الاعتماد الواسع للتعلم الآلي لحل مشاكل رؤية الكمبيوتر. سرعان ما أصبح التعلم الآلي العميق هو المعيار وتفوق على البشر في العديد من المهام. تشمل الأمثلة مشاريع Google المتعلقة باعتلال الشبكية السكري وسرطان الثدي.

يعمل ML عن طريق تغذية الشبكة العصبية بكميات كبيرة من البيانات وجعلها تتعلم الأنماط عن طريق ضبط مستويات تنشيط الخلايا العصبية داخل الشبكة. يمكنه حل مجموعة متنوعة من المشكلات للعديد من أنواع البيانات المختلفة. ما هي أنواع ML الموجودة؟

هناك العديد من التقنيات لإنتاج نماذج ML. بعض هذه الأساليب تشمل:

• التضمينات: تقنية لأخذ مجموعات من البيانات وتحويلها من مساحة عالية الأبعاد إلى مساحة منخفضة الأبعاد. يتيح لنا ذلك أخذ مجموعة بيانات معقدة للغاية وجعلها أسهل في الاستخدام.

• الانحدار الخطي: أسلوب يسمح بنمذجة سريعة وفعالة للعلاقة بين الاستجابة العددية ومتغير واحد أو أكثر من المتغيرات التوضيحية.

• الأشجار: أسلوب يستخدم شجرة القرار لتمثيل كيفية استخدام متغيرات الإدخال المختلفة للتنبؤ بقيمة الهدف.

• أبحاث العمارة العصبية: تقنية أتمتة ...