أنواع خوارزميات الذكاء الاصطناعي
أحد الأجزاء الرئيسية لخوارزمية الذكاء الاصطناعي هو اختيار الصحيح تقنية التعلم الآلي وطريقة حل أي مهمة. هناك العديد من الخوارزميات في مجال التكنولوجيا من خلال الاستفادة من المؤسسات والقطاعات المختلفة بطرق مختلفة. يمكن استخدام أنواع مختلفة من الخوارزميات لحل المشكلات المختلفة. فيما يلي الأنواع المختلفة لخوارزميات الذكاء الاصطناعي.
1. خوارزميات التصنيف
تدخل خوارزميات التصنيف في فئة التعلم الآلي الخاضع للإشراف ، حيث تبدأ العملية ، تحتاج مجموعات البيانات إلى بعض الفئات. في خوارزميات التصنيف ، تستخدم الخوارزميات لتقسيم متغير الموضوع إلى أنواع مختلفة من الفئات للتنبؤ بالفئات لمدخل معين. الهدف الرئيسي من خوارزمية التصنيف هو حساب فئة البيانات. على سبيل المثال ، تصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها أم لا. الخوارزميات المختلفة المستخدمة في خوارزميات التصنيف هي كما يلي.
ساذجة بايز
يتبع هذا النوع من الخوارزمية نظرية بايز ، التي تتبع نهجًا احتماليًا. لكل فئة ، تحتوي الخوارزمية على مجموعة من الاحتمالات السابقة. هذه الخوارزميات فائقة السرعة وتستخدم بشكل شائع في تصفية البريد العشوائي.
أشجار القرار
تُستخدم أشجار القرار بشكل شائع مثل مخططات التدفق.
غابة عشوائية
إنها مجموعة من الأشجار المختلفة حيث. يتم تقسيم المدخلات المقدمة إلى أجزاء فرعية وإدخالها في أشجار قرار مختلفة. حل البيانات هو متوسط إخراج جميع أشجار القرار. هذه الخوارزميات أكثر دقة بالمقارنة مع القرارات.
دعم ناقلات الآلات
تعد أجهزة Vector Support فريدة من نوعها تقوم بتصنيف البيانات باستخدام الخطة الفائقة. يحاول فرز البيانات بالهامش الأقصى بين فئتين.
K- أقرب الجيران
في هذه الخوارزمية ، يتم فصل جميع مجموعات البيانات إلى فئات مختلفة للحصول على بيانات عينة جديدة.
2. خوارزميات الانحدار
في خوارزميات الانحدار ، يمكن للخوارزميات التنبؤ بقيم المخرجات بناءً على بيانات الإدخال التي يتم تغذيتها في نظام التعلم. إنها خوارزمية شائعة تندرج تحت فئة خوارزميات التعلم الآلي الخاضعة للإشراف. من أكثر التطبيقات المستخدمة لخوارزميات الانحدار التنبؤ بالطقس ، والتنبؤ بسعر سوق الأسهم ، وما إلى ذلك. الخوارزميات المختلفة المستخدمة في خوارزميات الانحدار هي كما يلي.
الانحدار الخطي
إنه النوع الأكثر بساطة وفعالية من الخوارزمية. ترسم هذه الخوارزمية خطًا بسيطًا بين نقاط البيانات المختلفة وباستخدام أفضل خط مناسب ، توقع القيم الجديدة.
انحدار لاسو
يعمل Lasso Regression على الحصول على مجموعة فرعية من قيم التنبؤ التي تقلل خطأ التنبؤ في متغير الاستجابة.
الانحدار اللوجستي
يستخدم التصنيف الثنائي في الانحدار اللوجستي. توقع قيمة عمر العميل ، قيم المنزل هي بعض الأمثلة على هذه الخوارزمية.
الانحدار متعدد المتغيرات
عندما يكون هناك المزيد من متغيرات التوقع ، يتم استخدام خوارزمية الانحدار متعدد المتغيرات.
خوارزمية الانحدار المتعدد
إنه مزيج من الانحدار الخطي والانحدار غير الخطي.
3. خوارزميات التجميع
تندرج خوارزميات التجميع ضمن فئة التعلم الآلي غير الخاضع للإشراف. تتمثل عملية هذه الأنواع من الخوارزميات في فصل البيانات وتنظيمها في مجموعات مختلفة بناءً على أوجه التشابه بينها داخل نفس أعضاء المجموعة. وبالتالي في هذه الخوارزمية ، فإن الهدف الرئيسي هو تجميع العناصر المتشابهة في مجموعة حيث يكون من السهل والأكثر كفاءة معالجة أي مهمة معينة. على سبيل المثال ، أثناء أي نشاط احتيالي في بطاقات الخصم أو بطاقات الائتمان ، يمكن ترتيب جميع الأنشطة الاحتيالية بسهولة. الخوارزميات المختلفة المستخدمة في خوارزميات الانحدار هي كما يلي.
K- يعني التجميع
في هذه الخوارزمية ، تجمع نقاطًا متشابهة وتربطها معًا في كتلة حيث يرمز K إلى مجموعات مختلفة. K-Means Clustering هو أبسط خوارزمية تعلم غير خاضعة للإشراف
خوارزمية غامضة C تعني
تعمل خوارزمية Fuzzy C-mean على الاحتمالية. إنها تعني FCM.
خوارزمية تعظيم التوقع
هذه الخوارزمية على أساس التوزيع الغاوسي.
خوارزمية التجميع الهرمي
هناك نوعان من هذه الخوارزمية ، التجميع الانقسامي ، لنهج من أعلى إلى أسفل والتجمع التراكمي ، للنهج التصاعدي. بعد تعلم نقاط البيانات وإجراء ملاحظات التشابه ، تقوم خوارزمية التجميع الهرمي بفرز مجموعات الترتيب الهرمي.
هذه ليست سوى بعض الخوارزميات. من حيث الدقة والسرعة ، فإن الخوارزمية لها مزاياها وعيوبها. أعطى الذكاء الاصطناعي وجهًا جديدًا للتكنولوجيا في جميع المجالات لحل المشكلات المعقدة. يمكن تحديد كل خوارزمية حسب الحاجة إلى نقاط البيانات.