تعلم الآلة لكل من درس الرياضيات في الصف الثامن

مرحبا يا هبر! أقدم إليكم ترجمة المقال "التعلم الآلي لأي شخص درس الرياضيات في الصف الثامن" لكايل جالاتين.

ألاحظ عادةً أن الذكاء الاصطناعي يمكن تفسيره بإحدى طريقتين: من خلال منظور مثير للإعجاب بشكل متزايد لمختلف الوسائط ، أو من خلال الأدب العلمي الكثيف المشبع بلغة مفرطة ومصطلحات خاصة بالمنطقة.

بين هذين النقيضين ، هناك مجال أقل نشرًا حيث أعتقد أن الأدب يجب أن يكون أكثر نشاطًا قليلاً. الأخبار العاجلة ، مثل روبوت Sophia الغبي ، يأخذ الضجة حول الذكاء الاصطناعي ، وقد يبدو وكأنه شيء يشبه العقل البشري ، بينما في الواقع ، صوفيا ليست أكثر ذكاءً من SmarterChild AOL Instant Messenger من AOL.

يمكن أن تكون الأدبيات العلمية أسوأ ، مما أجبر حتى الباحث الأكثر تطوراً على إغلاق عينيه بعد بضع فقرات من القمامة الفكرية الزائفة التي لا معنى لها. لتقييم الذكاء الاصطناعى بشكل صحيح ، يجب أن يفهم الناس بشكل عام ما هو عليه بالفعل. وكل ما تحتاجه لفهم أساسيات الذكاء الاصطناعي هو القليل من الرياضيات في المدرسة الثانوية.

قد أكون عرضة للإفراط في التبسيط - وسأطلب من جميع زملائي في الرياضيات وعلوم البيانات والهندسة أن يتسامحوا مع توضيحي - وهذا في بعض الأحيان هو ما يحتاج إليه العلم الفني.

أساسيات الذكاء الاصطناعي والتعلم الآلي

الذكاء الاصطناعي النموذجي هو كل ما يحاكي الذكاء البشري. يمكن أن يكون أي شيء من روبوتات ألعاب الفيديو إلى منصات معقدة مثل Deepmind Alphago .

تجاهل التعلم العميق - في هذا السياق ، هو نفسه التعلم الآلي. الصورة: العالم المكاني

التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي. يتيح ذلك للآلات "التعلم" من البيانات الحقيقية بدلاً من العمل وفقًا لمجموعة من القواعد المحددة مسبقًا.

ولكن ماذا يعني التعلم؟ قد لا يكون مستقبليًا كما يبدو.

التفسير المفضل لدي: التعلم الآلي هو فقط $$$y = mx + b$ على الكراك. إذا شاهدت شيئًا مثل Black Mirror ، فمن السهل جدًا أن تبدأ في تخيل الذكاء الاصطناعي الحديث ككائن واعٍ - وهو ما يفكر ويشعر ويتخذ قرارات صعبة. هذا أكثر شيوعًا في الوسائط ، حيث يتم تعريف الذكاء الاصطناعي بشكل متسلسل ومن ثم مقارنة بـ Skynet من Terminator ، أو فيلم The Matrix.

في الواقع ، هذا ليس كذلك على الإطلاق. في حالته الحالية ، الذكاء الاصطناعي هو مجرد رياضيات. في بعض الأحيان تكون رياضيات معقدة ، وتتطلب أحيانًا معرفة عميقة في مجال علوم الكمبيوتر والإحصاء وغيرها. ولكن في النهاية ، الذكاء الاصطناعي الحديث في جوهره هو مجرد وظيفة رياضية.

لا تقلق إذا لم تكن صديقًا لوظائف الرياضيات لأنك لا تتذكرها أو تستخدمها. للحصول على جوهر ، نحن بحاجة إلى تذكر بضعة أشياء بسيطة: هناك مدخلات ( $$$x$ ) وهناك طريقة للخروج ( $$$ذ$ ) ، والوظيفة هي ما يحدث بين المدخلات والمخرجات - الاتصال بينهما.

يمكننا أن نجعل الكمبيوتر ينظر إلى البريد الوارد ( $$$x$ ) والصادرة ( $$$ذ$ ) البيانات ومعرفة ما يربطهم معا.

مثال على الذكاء الاصطناعي الفائق المبسط هو وظيفة معبر عنها $$$y = mx + b$ . نحن نعرف بالفعل $$$x$ و $$$ذ$ (من الجدول أدناه) ؛ نحن فقط بحاجة إلى العثور عليها $$$م دولا$ و $$$ب$ لفهم ما هي العلاقة بين $$$x$ و $$$ذ$ .

الجدول: كايل جالاتين

للحصول على هذا القالب $$$ذ$ من $$$x$ نحن بحاجة إلى مضاعفة $$$x$ في 1 ( $$$م دولا$ ) وإضافة 1 ( $$$ب$ ). لذلك سوف يخرج وظيفة $$$y = 1x + 1$ .

! ممتاز لقد قررنا ذلك $$$م = 1 دولا$ و $$$ب = 1 دولا$ . لقد أخذنا للتو بعض البيانات (من الجدول أعلاه) وقمنا بإنشاء دالة تصفها. في جوهرها ، وهذا هو التعلم الآلي. الآن ، باستخدام الوظيفة التي تم الحصول عليها ، يمكننا أن نفترض ما سيكون على قدم المساواة $$$ذ$ للحصول على بيانات الإدخال الأخرى $$$x$ .

الجزء المثير للاهتمام هو كيفية تعليمك الجهاز لمعرفة الوظيفة التي تصف البيانات بشكل أفضل ، ولكن عندما تحصل عليها ، عادة ما يكون شكل ما $$$y = mx + b$ . بمجرد الحصول على هذه الوظيفة ، يمكننا أيضًا رسمها على رسم بياني:

لقطة من فيديو Tecmath

للحصول على شرح أكثر تفصيلاً للوظائف ، يحتوي Math Is Fun على موقع بسيط وبسيط (حتى لو كان الاسم علامة حمراء محتملة بالنسبة لك ، ويبدو الموقع وكأنه قد نجا مصمم الويب الخاص بهم في وقت ما في أوائل عام 2000).

لن يكون الناس قادرين على العد ، والسيارات ستكون قادرة على

من الواضح، $$$y = 1x + 1$ هو مثال بسيط جدا. السبب الوحيد لوجود التعلم الآلي هو أن الناس لا يمكنهم النظر إلى ملايين نقاط البيانات الداخلية والخارجية ويخرجون بوظيفة معقدة لوصف النتائج. بدلاً من ذلك ، يمكننا تدريب الكمبيوتر للقيام بذلك نيابة عنا.

في أي حال ، يجب أن يكون هناك بيانات كافية للعثور على الوظيفة المناسبة. إذا كان لدينا نقطة بيانات واحدة فقط لـ $$$x$ و $$$ذ$ ، لا نحن ولا الآلة يمكن أن نتوقع وظيفة واحدة بالضبط. في المثال الأصلي ، أين $$$س = 1 دولا$ و $$$ص = 2 دولا$ قد تكون وظيفة $$$y = 2x دولا$ . $$$y = x + 1$ . $$$y = ([x + 1] \ cdot 5 - 9) ^ 5 + 1$ أو غيرها الكثير. إذا لم يكن لدينا بيانات كافية ، فإن الوظيفة التي يجدها الجهاز يمكن أن تؤدي إلى الكثير من الأخطاء عندما نحاول استخدامها لمزيد من البيانات.

بالإضافة إلى ذلك ، البيانات الحقيقية ليست مثالية دائما. في المثال أدناه ، حدد الجهاز العديد من الوظائف التي تتوافق مع معظم البيانات ، لكن الخط لا يمر بكل نقطة. على عكس المثال السابق بجدول من فصل رياضي ، فإن البيانات التي يتم جمعها من العالم الواقعي لا يمكن التنبؤ بها ولا يمكن وصفها بالكامل.

يوضح هذا المثال الأساسي كيف يتعلم الجهاز وصف أفضل للبيانات المقدمة. الصورة: نحو علم البيانات

أخيرًا ، فإن آخر ما لا يمكن للأشخاص فعله هو إلقاء نظرة على مجموعة من المتغيرات. انها تستخدم فقط $$$x$ و $$$ذ$ ولكن ماذا لو كان هناك المزيد من متغيرات الإدخال؟ ماذا لو $$$ذ$ تؤثر $$$x ^ 1$ . $$$x ^ 2$ ، ... $$$x ^ {100}$ . بسرعة كبيرة ، يمكن أن تصبح الوظائف أكثر تعقيدًا (للأشخاص).

آلة التعلم في العالم الحقيقي والذكاء الاصطناعي

دعونا نلقي نظرة على مثال حقيقي. أعمل في مجال المستحضرات الصيدلانية ، لذا لنفترض أن لدينا مجموعة من البيانات المتعلقة بالسرطان تحتوي على متغيرين من المدخلات يتوافقان مع حجم الورم - نصف القطر والمحيط ، والإخراج ، بقيمتين ممكنتين: ما إذا كان الورم حميدًا أو نقيليًا (يحتمل أن يكون خطيرًا) مدى الحياة). قد يبدو الأمر معقدًا ، لكننا نحتاج فقط إلى تطبيق مفهوم مألوف $$$y = mx + b$ :

• $$$ذ$ هو تشخيص ، وقد يكون 0 (حميد) أو 1 (نقيلي).
• $$$x_1$ - نصف القطر.
• $$$x_2 دولا$ - محيط.
• كل $$$x$ لديك مجهول الخاص بك $$$م دولا$ . دعنا ندعو لهم $$$something_1$ و $$$something_2$ .
• $$$ب$ - ثابت غير معروف.

كيف تبدو المعادلة الخطية لدينا الآن؟ لا يختلف كثيرا عن المثال أعلاه:

$$

$$التشخيص = (something_1 \ دائرة نصف قطرها نصف قطرها) + (something_2 \ محيط cdot) + $ غير معرو$$

كما شرحت أعلاه ، نحن نتجاوز نطاق الإمكانات البشرية. وبالتالي ، بدلاً من النظر إلى البيانات ومحاولة معرفة ما يجب علينا مضاعفة متغيراتنا به ، فإننا نستخدم الآلات. سوف يقومون بذلك من أجلنا ، وسنحصل على تقييم دقيق للتشخيص. وهذا هو التعلم الآلي!

بالطبع ، حتى البيانات الأكثر تفصيلاً ، متعددة العوامل ليست مثالية ، لذلك لن يكون نموذج التعلم الآلي لدينا كذلك. لكننا لسنا بحاجة إلى أن تكون صحيحة في 100 ٪ من الحالات. نحن فقط بحاجة لهم للتوصل إلى أفضل وظيفة ممكنة ، وهي مناسبة لمعظم الحالات.

---

هذه القطعة تخدش فقط سطح الرياضيات والعلوم المدهشة التي تدخل في التعلم الآلي. لكن حتى على المستويات المعقدة ، فإن المفهوم هو نفسه. بغض النظر عن مدى قد يبدو التعلم الآلي المثير للإعجاب أو الغريب والذكاء الاصطناعي ، كل هذا يأتي من الوظائف التي تعلمها الآلة لوصف البيانات بشكل أفضل.