قراءات عربية في العلوم والتقنية والطبيعة والثقافة، تبدأ بسؤال وتترك لك مساحة للاستكشاف.
2297 مقالًا
قاعدة البيانات تنظم بيانات مخزنة وتتيح إدارتها، أما مجموعة البيانات فتحدد ملاحظات نستخدمها لغرض تحليلي أو تعليمي معين. قد تستخرج مجموعة من قاعدة، وقد توجد في ملف مستقل. الفرق يتعلق بالدور والنطاق، وليس بمجرد اسم البرنامج. [1] [2]
تعلم الآلة والتنقيب عن البيانات مجالان متداخلان. يركز تعلم الآلة على تعلم أنماط من البيانات لأداء مهمة، بينما يتناول التنقيب اكتشاف أنماط مفيدة ضمن عملية تحليل قد تستخدم تعلم الآلة والإحصاء وأدوات أخرى. لذلك لا يلزم اختيار أحدهما وإلغاء الآخر. [1] [2]
قاعدة البيانات تركز على تنظيم بيانات مخزنة وإدارتها. وفي الذكاء الاصطناعي الرمزي، تمثل قاعدة المعرفة عبارات نفترض صحتها ونستخدمها للاستدلال. وقد تُحفظ هذه المعرفة داخل قاعدة بيانات؛ فالمقارنة بين دورين يمكن أن يجتمعا في نظام واحد. [1] [2]
النموذج الرياضي يصف علاقة باستخدام رموز وقواعد حساب. في مثال الانحدار الخطي، نحسب ناتجا متوقعا من مدخل ووزن وانحياز تتحدد قيمتهما أثناء التدريب. المعادلة توضح شكل العلاقة، لكنها لا تثبت وحدها أن التوقع صحيح. [1]
الخوارزمية تصف خطوات إجراء، وفي تعلم الآلة تحدد خوارزمية التعلم كيفية بناء نموذج من البيانات. أما النموذج المدرب فيحتفظ بما نتج عن هذه العملية ليستخدم في التوقع. وقد تنتج طريقة تعلم واحدة نماذج مختلفة عند تدريبها على بيانات مختلفة. [1] [2]
معلمات النموذج، بالمعنى الإحصائي، قيم يتحدد بها النموذج ويقدرها التدريب، مثل الوزن والانحياز. أما المعلمات الفائقة فتضبط جوانب التعلم، مثل معدل التعلم وحجم الدفعة. وقد تسمي واجهة برمجية الإعدادات أيضا parameters، لذلك يجب قراءة سياق المصطلح. [1] [2]
خط الأساس نتيجة حل بسيط نستخدمه مرجعا عند تقييم حل أكثر تعقيدا. ومن أمثلته مصنف يتجاهل ميزات الإدخال ويختار الفئة الأكثر تكرارا في بيانات التدريب. يفيد المرجع في معرفة ما أضافه النموذج، ولا يمثل وحده مستوى جودة مقبولا للخدمة. [1]
صياغة مشكلة تعلم الآلة تبدأ بما تريد تحقيقه في العمل، ثم تحدد الناتج الذي سيقدمه النموذج وكيف سيستخدمه النظام. تفرق إرشادات Google بين النتيجة المثالية للمنتج وهدف النموذج، وبين نجاح الخدمة ومقاييس التقييم. لا يكفي طلب «إضافة ذكاء اصطناعي». [1]
تمثيل العلاقات في مجموعة بيانات بيانية يعني وصف الأشياء بعقد، والروابط بينها بحواف لها معنى محدد. يمكن حفظ خصائص للشيء أو للعلاقة، مثل اسم كتاب أو تاريخ استعارة. وتستخدم أنظمة مثل Azure Digital Twins العقد والعلاقات لتمثيل بيئة مترابطة. [1]
كثرة بيانات التدريب وجودة النموذج ليستا الشيء نفسه. تحتاج المهمة إلى بيانات تساعد النموذج على هدفه، لا إلى عدد كبير بأي معنى. توضح Google أن الكمية المطلوبة تختلف بين المهام، وتربط جودة البيانات بفائدتها لتحقيق الهدف. [1]
نجاح النموذج في مهمة أخرى يحتاج فحصا مستقلا؛ لا تكفي نتيجة مهمة سابقة. قد تكون مخرجات النموذج خاصة بفئات تعلمها، حتى إذا أمكن الاستفادة من بعض تمثيلاته في مهمة جديدة. ويوضح دليل TensorFlow هذا الفرق عند تخصيص نموذج صور مدرب مسبقا. [1]
الفرق بين بيانات التدريب والبيانات الوصفية هو الفرق بين الأمثلة المستخدمة في التعلم والمعلومات التي تصف تلك الأمثلة أو مجموعتها. قد يصف ملف البيانات قياسات، بينما يوضح الوصف مصدر المجموعة وتنسيقها ووقت إنشائها. تعرف IBM البيانات الوصفية بأنها معلومات عن البيانات. [1]
المغالطة البيئية ومتوسط المجموعة يرتبطان بخطأ في الاستدلال: ننقل نتيجة عن مجموعة إلى فرد دون دليل يبرر النقل. يوضح تقرير David Freedman أن العلاقات بين مجموعات لا يلزم أن تبقى نفسها بين أفرادها. [1]
تحديد المجتمع المستهدف للبيانات يبدأ بوصف من تريد أن تشملهم النتيجة، وفي أي مكان وفترة. تميز Statistics Canada بين هذا المجتمع وبين المجتمع الذي تستطيع المسح منه عمليا، وتربط الاختيار بإطار مناسب. [1]
الفرق بين البيانات التفصيلية والمجمعة هو مستوى المعلومات التي تحتفظ بها. تصف Eurostat البيانات الدقيقة بأنها معلومات على مستوى وحدات فردية، مثل أشخاص أو أسر أو مؤسسات، وتفرقها عن المعلومات المجمعة المعروضة غالبا في جداول. [1]
الفرق بين مصادر البيانات الداخلية والخارجية يتحدد بالنسبة إلى جهة. ويذكر SAP جمع مصادر المؤسسة ومصادر خارجية. [1]
مصدر البيانات وسلسلة منشئها يجيبان عن سؤالين مترابطين: من أين جاءت، وكيف وصلت إلى شكلها الحالي؟ تصف Microsoft سلسلة النسب بأنها تتبع الأصل والحركة والتحويلات، وقد تعرض مسارا من المصدر إلى الوجهة. [1]
تصميم قاموس بيانات لتعلم الآلة يساعد على فهم معنى كل حقل قبل استعماله. تصف USGS القاموس بأنه وسيلة لشرح بنية البيانات ومحتواها، وقد يتضمن الأسماء والتعريفات والأنواع ورموز القيم الناقصة. [1]
