تعلم الخصائص

تعلم الخصائص[1] أو تعلم التمثيل[2] في تعلم الآلة مجموعة من التقنيات التي تسمح للنظام باكتشاف التمثيلات اللازمة لاكتشاف الميزات أو تصنيفها تلقائيًا من البيانات الأولية. يحل هذا محل هندسة الميزات اليدوية ويسمح للآلة بتعلم الميزات واستخدامها لأداء مهمة محددة.

جزء من سلسلة مقالات حول
تعلم الآلة والتنقيب في البيانات
مشكلات تصنيف إحصائي تحليل عنقودي تحليل الانحدار اكتشاف الشذوذ تعلم الآلة الآلي تعلم قواعد الارتباط تعليم معزز التوقع المُهيكَل ‏ هندسة الخصائص تعلم الخصائص تعلم الآلة المستمر Semi-supervised learning تعلم غير مراقب Learning to rank Grammar induction
التعليم بالإشراف تعلم شجرة القرار Ensembles Bagging تعزيز غابة عشوائية كي أقرب جار انحدار خطي المصنف بايز ساذج شبكة عصبونية اصطناعية انحدار لوجستي بيرسيبترون Relevance vector machine (RVM) ‏ شعاع الدعم الآلي
تحليل عنقودي BIRCH CURE تجميع هرمي خوارزمية تصنيفية تحقيق أقصى قدر للتوقع (EM) DBSCAN OPTICS Mean-shift
List تحليل عاملي CCA تحليل المكونات المستقلة تحليل التمييز الخطي NMF تحليل العنصر الرئيسي PGD t-SNE
التوقع المهيكل Graphical models شبكة بايزية Conditional random field نظرية ماركوف المخفية
تشخيص الشذوذ كي أقرب جار Local outlier factor
الشبكات العصبونية الاصطناعية مرمز تلقائي تعلم متعمق ديب دريم Multilayer perceptron RNN LSTM GRU ESN Restricted Boltzmann machine شبكة خصومية توليدية خريطة ذاتية التنظيم شبكة عصبونية التفافية U-Net
تعليم معزز Q-learning SARSA تعلم الفرق الزمني
النظرية موازنة التحيز والتباين نظرية التعلم الحوسبي تقليل المخاطر التجريبي Occam learning PAC learning Statistical learning ‏ VC theory ‏
أنظمة تعلم الآلة NeurIPS ICML ML JMLR
بوابة تعلم الآلة

يُحَفر تعلم الميزات من خلال حقيقة أن مهام تعلم الآلة مثل التصنيف غالبًا ما تتطلب مدخلات مناسبة للمعالجة رياضيًا وحسابيًا. ومع ذلك، فإن بيانات العالم الحقيقي مثل الصور والفيديو وبيانات الاستشعار لم تستسلم لمحاولات تحديد ميزات محددة خوارزميًا. والبديل هو اكتشاف مثل هذه الميزات أو التمثيلات من خلال الفحص، دون الاعتماد على خوارزميات واضحة.

يمكن أن يكون تعلم الميزات أو الخصائص إما خاضعًا للمراقبة أو غير خاضع لها.