تقنيات تقليص الأبعاد وتطبيقاتها - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

يستخدم المقطع البرمجي التالي أداة TSNEVisualizer من مكتبة yellowbrick لإسقاط وتصوير النصوص الممثلة بالمتجهات في فضاء ثنائي الأبعاد:

%%capture !pip install yellowbrick from yellowbrick.text import TSNEVisualizer

تقليص الأبعاد Dimensionality Reduction

يكون تقليص الأبعاد مفيدًا في العديد من التطبيقات مثل: • تصوير البيانات عالية الأبعاد: من الصعب تصوير البيانات في فضاء عالي الأبعاد، ولذلك تقلص الأبعاد ليسهل تصوير البيانات وفهمها في هذه الحالة. • تبسيط النموذج: النموذج ذو الأبعاد الأقل يكون أبسط وأسهل فهمًا، ويستغرق وقتًا أقل في عملية التدريب. • تحسين أداء النموذج: يساعد تقليص الأبعاد في التخلص من التشويش وتكرار البيانات، مما يحسن أداء النموذج.

تضمين المجاور العشوائي الموزع على شكل T t-Distributed Stochastic Neighbor : Embedding (T-SNE) خوارزمية تضمين المجاور العشوائي الموزع على شكل T (T-SNE) هي خوارزمية تعلم الآلة غير الموجهة المستخدمة لتقليص الأبعاد.

جدول 3.3: تقنيات تقليص الأبعاد

وزارة التعليم Ministry of Education 2023 - 1447

158

يستخدم المقطع البرمجي التالي أداة TSNEVisualizer من مكتبة yellowbrick لإسقاط وتصوير النصوص الممثلة بالمتجهات في فضاء ثنائي الأبعاد:%%capture !pip install yellowbrick from yellowbrick.text import TSNEVisualizer--- SECTION: تقليص الأبعاد Dimensionality Reduction --- تقليص الأبعاد Dimensionality Reductionيكون تقليص الأبعاد مفيدًا في العديد من التطبيقات مثل: • تصوير البيانات عالية الأبعاد: من الصعب تصوير البيانات في فضاء عالي الأبعاد، ولذلك تقلص الأبعاد ليسهل تصوير البيانات وفهمها في هذه الحالة. • تبسيط النموذج: النموذج ذو الأبعاد الأقل يكون أبسط وأسهل فهمًا، ويستغرق وقتًا أقل في عملية التدريب. • تحسين أداء النموذج: يساعد تقليص الأبعاد في التخلص من التشويش وتكرار البيانات، مما يحسن أداء النموذج.--- SECTION: تضمين المجاور العشوائي الموزع على شكل T --- تضمين المجاور العشوائي الموزع على شكل T t-Distributed Stochastic Neighbor : Embedding (T-SNE) خوارزمية تضمين المجاور العشوائي الموزع على شكل T (T-SNE) هي خوارزمية تعلم الآلة غير الموجهة المستخدمة لتقليص الأبعاد.--- SECTION: جدول 3.3: تقنيات تقليص الأبعاد --- جدول 3.3: تقنيات تقليص الأبعاد2023 - 1447--- VISUAL CONTEXT --- **TABLE**: جدول 3.3: تقنيات تقليص الأبعاد Description: A table outlining three dimensionality reduction techniques: Feature Selection, Feature Transformation, and Manifold Learning, with their descriptions and practical application examples. Table Structure: Headers: التقنية | الوصف | مثال التطبيق العملي Rows: Row 1: تحديد الخصائص (Feature Selection) | يتضمن تحديد مجموعة فرعية من الخصائص الرئيسية. | تحتوي مجموعات البيانات الطبية على مئات من أعمدة البيانات ذات الصلة بحالة المريض. يمكن لعدد قليل من هذه الخصائص مساعدة النموذج في التشخيص السليم لحالة المريض، بينما تكون السمات الأخرى غير مرتبطة بالتشخيص وقد تشتت النموذج، وتحديد الخصائص يتجاهل كل الخصائص باستثناء الأكثر تميزًا منها. Row 2: تحويل الخصائص (Feature Transformation) | يتضمن تحويل الخصائص الأصلية أو تحويلها لإنشاء مجموعة جديدة من الخصائص، واستبدال الخصائص الرئيسة إذا لم تكن هناك حاجة إليها. | إذا توقع النموذج إقامة المريض في المستشفى، يمكن إنشاء خصائص إضافية للنموذج باستخدام الخصائص الحالية لسجلات الحالة الطبية للمريض. على سبيل المثال، حساب عدد الفحوصات المخبرية المطلوبة على مدار الأسبوع الماضي، أو عدد الزيارات على مدار الشهر الماضي. وهناك مثال آخر، وهو: حساب مساحة المستطيل باستخدام ارتفاعه وعرضه. Row 3: التعلم المتشعب (Manifold Learning) | تضمين المجاور العشوائي الموزع على شكل T (T-SNE) والتقريب والإسقاط المتشعب المنتظم (Uniform Manifold Approximation and Projection - UMAP) هي تقنيات التعلم غير الموجه التي تهدف إلى الحفاظ على تركيب البيانات في الفضاء منخفض الأبعاد. | يمكن لهذه التقنيات تحويل صورة عالية الأبعاد إلى شكل فضاء منخفض الأبعاد مع الحفاظ على الخصائص والتركيب الأساسيين لها. ونظرًا لأن هذا يقلص من المساحة المطلوبة، فإنه يمكن تخزين وإرسال هذا التمثيل وإعادة بناء الصورة الأصلية مع خسارة أقل قدر من المعلومات. Data: The table presents three rows, each detailing a dimensionality reduction technique. The columns are 'التقنية' (Technique), 'الوصف' (Description), and 'مثال التطبيق العملي' (Practical Application Example). Context: This table provides a structured overview of different dimensionality reduction techniques, explaining their core principles and illustrating their practical applications, particularly in medical data analysis and image processing.