ستساعدك المقالة التالية: ما هو التحيز الاستقرائي؟ – نحو الذكاء الاصطناعي
نُشر في الأصل على نحو AI ، الشركة الرائدة في العالم في مجال الذكاء الاصطناعي والأخبار التقنية والإعلام. إذا كنت تقوم ببناء منتج أو خدمة متعلقة بالذكاء الاصطناعي ، فنحن ندعوك للتفكير في أن تصبح راعيًا للذكاء الاصطناعي. في نحو الذكاء الاصطناعي ، نساعد في توسيع نطاق الشركات الناشئة في مجال الذكاء الاصطناعي والتكنولوجيا. دعنا نساعدك على إطلاق التكنولوجيا الخاصة بك للجماهير.
هل وضع الافتراضات جيد لنموذج التدريب؟
ال التحيز الاستقرائي (المعروف أيضًا باسم تحيز التعلم) من خوارزمية التعلم هي مجموعة من الافتراضات التي يستخدمها المتعلم للتنبؤ بمخرجات مدخلات معينة لم يصادفها – ويكيبيديا
في مجال التعلم الآلي والذكاء الاصطناعي ، هناك العديد من التحيزات مثل التحيز في الاختيار ، والتحيز المفرط في التعميم ، والتحيز في أخذ العينات ، وما إلى ذلك في هذه المقالة ، سنتحدث عن التحيز الاستقرائي ، والذي بدونه لن يكون التعلم ممكنًا. في مجموعة البيانات ، من أجل استخلاص الأفكار أو التنبؤ بالمخرجات ، يجب أن نعرف ما الذي نبحث عنه. يجب أن نضع بعض الافتراضات حول البيانات نفسها من أجل جعل التعلم ممكنًا ، وهذا ما يُعرف باسم التحيز الاستقرائي.
سوف نمر بمثال أولاً لفهم الحدس الكامن وراء التحيز الاستقرائي.
يوضح الشكل أعلاه نقاط البيانات التي تنتمي إلى مجموعة بيانات ، حيث تنتمي النقطة الحمراء إلى مجموعة التدريب والنقطة الخضراء هي نقطة الاختبار. هذا تصنيف ثنائي لما إذا كانت نقطة على المحور x تنتمي إلى الفئة “-1” أو الفئة “1” بناءً على الميزة المعروضة على المحور x. ضع في اعتبارك أن مساحة البيانات لدينا تتكون من 100 نقطة بيانات.
الآن من أجل العثور على ملصق النقطة الخضراء ، إذا لم نكن نعرف أي معلومات بخصوص هذا الملصق ولم نتمكن من وضع أي افتراضات ، فسنبقى مع دالتين ونصف التي ستنشئ تسمية النقطة الخضراء. حتى لو تمكنا من إزالة الوظائف التي لا ترضي مجموعة التدريب الخاصة بنا ، فسيظل لدينا وظيفتان ونصف ، نصفها كان سيتنبأ بـ “-1” كتسمية ونصفها كان يتوقع “1” مثل الملصق. إذا افترضنا أن الوظيفة المستهدفة يجب أن تكون ثابتة 1 أو ثابت 0 ، ثم بعد النظر في عينات التدريب يمكننا القول أن الوظيفة المستهدفة يجب أن تكون ثابتة 1.
في السيناريو أعلاه ، لاحظنا طرفي نقيض ، أحدهما لا يوجد فيه تحيز استقرائي ، وبالتالي فإن التعلم غير ممكن ، والآخر حيث يوجد تحيز استقرائي قوي ، لذلك تمكنا من الوصول إلى الاستنتاج بكمية أقل من بيانات التدريب. ولكن في سيناريوهات العالم الحقيقي ، سنكون في المنتصف ، سيكون لدينا بعض التحيز الاستقرائي جنبًا إلى جنب مع مجموعة بيانات تدريب أكبر.
في سيناريوهات التعلم الآلي في العالم الحقيقي ، يتعين علينا إيجاد مساحة وظيفية جيدة للفرضية لتطبيق معين. على سبيل المثال ، عندما يتم تزويدنا بمجموعة بيانات من أجل الانحدار أو التصنيف ، بناءً على الفهم الذي لدينا حول بيانات التدريب ، يجب أن نكون قادرين على اختيار النماذج التي ستصحح نموذج البيانات المعطاة. تُعرف هذه الافتراضات بالتحيز الاستقرائي
لإعطاء مثال عملي أكثر ، في القطار ، يذهب مهندس وعالم وعالم رياضيات إلى اسكتلندا ويرون خروفًا أسود ، يقول المهندس على الفور أن جميع الأغنام في اسكتلندا سوداء ، لكن الفيزيائي يناقض ذلك بقوله لا الأغنام في اسكتلندا سوداء. منزعج من هذه المحادثات ، يقول عالم الرياضيات إن هناك خروفًا واحدًا على الأقل في اسكتلندا أسود على الأقل من جانبه. يمثل كل من هؤلاء الأشخاص مستوى مختلفًا من التحيز الاستقرائي ، والذي ذكرته في المثال الأول ، يمتلك المهندس تحيزًا استقرائيًا قويًا ، في حين أن عالم الرياضيات ليس لديه أي تحيز استقرائي ، بينما لدى العالم بعض التحيز الاستقرائي. السؤال هو من تعتقد أنه على حق إذا لم يكن لديك أي أفكار بخصوص الأغنام في اسكتلندا.
“حتى بعد ملاحظة الاقتران المتكرر أو المستمر للأشياء ، ليس لدينا أي سبب لاستخلاص أي استدلال بشأن أي كائن بخلاف الأشياء التي لدينا خبرة فيها.” هيوم
في التعلم الآلي ، نخالف بيان هيوم لأننا نقوم بتعميم الأنماط التي لاحظناها على بيانات التدريب على بيانات الاختبار أيضًا ، وهذا ما يُعرف باسم التحيز الاستقرائي. لذلك بدون التحيز الاستقرائي ، لن يكون التعلم ممكنًا.
ربما سمع البعض منكم بالفعل عن نظرية لا غداء مجاني ، والتي تنص على ذلك
“إذا كانت جميع الوظائف الحقيقية متساوية في الاحتمال ، فلن تكون خوارزمية التعلم أفضل من أي خوارزمية أخرى”
هذا يعني أنه إذا لم يكن لدينا أي افتراضات فيما يتعلق بالبيانات التي يتعين علينا تصميمها ، فلا يمكننا تحديد أفضل وظيفة مستهدفة.
ما هو التحيز الاستقرائي؟ نُشر في الأصل في Towards AI on Medium ، حيث يواصل الأشخاص المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.
تم النشر عبر نحو الذكاء الاصطناعي
