الذكاء الاصطناعي: خوارزميات التعلم الآلي

Definition: Algorithms that enable computers to learn from data and improve their performance over time.
Types:
- Supervised Learning: Uses labeled data for training (e.g., regression, classification).
- Unsupervised Learning: Finds patterns in unlabeled data (e.g., clustering, association).
- Reinforcement Learning: Learns through trial and error, receiving feedback from actions.
Common Algorithms:
- Linear Regression: Models relationships between variables.
- Decision Trees: Classifies data by splitting it into branches based on feature values.
- Support Vector Machines (SVM): Finds the hyperplane that best separates data classes.
- K-Nearest Neighbors (KNN): Classifies based on proximity to labeled examples.

Definition: Computational models inspired by the human brain, composed of interconnected nodes (neurons).
Architecture:
- Input Layer: Receives the initial data.
- Hidden Layers: Process inputs through weights and activation functions.
- Output Layer: Produces the final result or prediction.
Types:
- Feedforward Neural Networks: Information moves in one direction—from input to output.
- Convolutional Neural Networks (CNN): Specialized for image recognition and processing.
- Recurrent Neural Networks (RNN): Designed for sequence prediction, handling time series data.
Activation Functions:
- Sigmoid: Outputs values between 0 and 1.
- ReLU (Rectified Linear Unit): Outputs zero for negative inputs and linear for positive inputs.

Definition: The process of finding the best solution from a set of possible solutions, often involving minimizing or maximizing a function.
Key Concepts:
- Objective Function: The function to be optimized (minimized or maximized).
- Constraints: Conditions that any solution must satisfy.
Methods:
- Gradient Descent: Iteratively adjusts parameters by following the gradient of the objective function.
- Stochastic Gradient Descent (SGD): A variant of gradient descent that updates using a subset of data for faster convergence.
- Linear Programming: Optimizes a linear objective function subject to linear constraints.
Applications in AI:
- Used in training machine learning models to minimize loss functions.
- Essential for resource allocation problems and operational efficiency.

التعريف: خوارزميات تمكّن الحواسيب من التعلم من البيانات وتحسين أدائها مع مرور الوقت.
أنواع التعلم:
- التعلم المراقب: يعتمد على بيانات معنونة للتدريب، مثل الانحدار والتصنيف.
- التعلم غير المراقب: يكتشف الأنماط في البيانات غير المعنونة، مثل التجميع والترابط.
- التعلم المعزز: يتعلم من خلال التجربة والخطأ ويتلقى تغذية راجعة عن الأفعال.
الخوارزميات الشائعة:
- الانحدار الخطي: يصف العلاقات بين المتغيرات.
- أشجار القرار: تصنف البيانات عن طريق تقسيمها إلى فروع بناءً على قيم الميزات.
- آلات الدعم الناقل (SVM): تحدد السطح الفائق الذي يفصل بين فئات البيانات.
- أقرب الجيران (KNN): تصنيف بناءً على القرب من الأمثلة المعنونة.

التعريف: نماذج حسابية مستوحاة من الدماغ البشري، تتكون من عقد متصلة (خلايا عصبية).
البنية:
- طبقة الإدخال: تستقبل البيانات الأولية.
- الطبقات المخفية: تعالج المدخلات من خلال الأوزان ووظائف التنشيط.
- طبقة الإخراج: تنتج النتيجة النهائية أو التنبؤ.
أنواع الشبكات العصبية:
- الشبكات العصبية الأمامية: تنتقل المعلومات في اتجاه واحد من الإدخال إلى الإخراج.
- شبكات الالتفاف العصبي (CNN): متخصصة في التعرف على الصور ومعالجتها.
- الشبكات العصبية التكرارية (RNN): مصممة لتوقع التسلسلات، وتعالج بيانات السلاسل الزمنية.
وظائف التنشيط:
- سيغمويد: تعطي قيمًا بين 0 و1.
- ReLU (وحدة التفعيل الخطية المصححة): تعطي صفرًا للمدخلات السالبة وخطية للمدخلات الإيجابية.

التعريف: عملية إيجاد أفضل حل من مجموعة من الحلول الممكنة، وغالبًا ما تتضمن تقليل أو زيادة دالة معينة.
المفاهيم الأساسية:
- دالة الهدف: الدالة التي يتم تحسينها (تقليلها أو زيادتها).
- القيود: الشروط التي يجب أن تلبيها أي حلول.
الطرق:
- انحدار التدرج: تعديلات تكرارية للمعلمات من خلال متابعة تدرج دالة الهدف.
- انحدار التدرج العشوائي (SGD): نسخة من انحدار التدرج تقوم بالتحديث باستخدام مجموعة فرعية من البيانات لتسريع التقارب.
- البرمجة الخطية: تحسين دالة هدف خطية وفقًا لقيود خطية.
التطبيقات في الذكاء الاصطناعي:
- تُستخدم في تدريب نماذج التعلم الآلي لتقليل دوال الخسارة.
- أساسية لمشكلات تخصيص الموارد وكفاءة العمليات.