معجم الذكاء الاصطناعي

التنبؤ الاحتمالي

Probabilistic Forecasting

التنبؤ الذي يخرج توزيع الاحتمالات للقيم القادمة لا نقطة واحدة فقط، فينقل قدرًا من القيمة المتوقع والشك فيها بفائدة أكبر للقرار.

الاستيفاء الزمني

Temporal Imputation

إكمال القيم المفقودة أو الفجوات في سلسلة زمنية بتقديرات تعتمد على البنية الزمنية المتوفرة، ليتسنى إجراء تحليل متسق غير منقوص.

تجزئة السلسلة

Time-Series Segmentation

تقسيم سلسلة زمنية إلى مقاطع متجانسة داخلية بحدود تغيير السلوك، فيكشف النمط الأطوار ويسهل النمذجة لكل طور معالجة مستقلة.

التشفير الزمني

Temporal Encoding

تشويح المعلومات الزمنية في النموذج، فتُدخل المواضع الزمنية أو الفواصل كإشارات تمكّن النموذج من إدراك الترتيب والمسافات بين الملاحظات.

الاعتماد بعيد المدى

Long-Range Dependency

القدرة على التقاط علاقات ربط بين عناصر متباعدة طويلًا في التسلسل، وعلاج يتطلبان آليات خاصة كالانتباه والبوابات، لتعلم تبعيات زمنية بعيدة.

الضبط الكامل

Full Fine-Tuning

ضبط جميع معلمات النموذج المدرب المجمدة لتقليد البيانات الجديدة، وهو الأعمق تأثيرًا لكنه الأغلى حسابات ومتعرضًا للنسيان الكارثي.

المحولات الجانبية

Adapters

طبقات جانبية خفيفة تُضاف على الطبقات الحالية ويُدرّب منها الجزء الصغير الجديد فقط، فتحقق قدرة مخصصة بطاقة منخفضة جدًا وبلا لمس الأوزان الأصلية.

لورا

LoRA

طريقة خفض أبعاد التحديثات: تُضاف مصفوفات منخفضة الرتبة جانبيًا تُدرّب فقط، فيتحقق الضبط المخصص بجزء مئة من المعاملات المحسوبة والأصالة.

كيو لورا

QLoRA

متغير لورا مكمّم: تُقسم الأوزان بدقة منخفضة (كأربع بتات) وتُدرّب المصفوفات الجانبية، فيوفر ذاكرة يسمح بضبط نماذج ضخمة على بطاقة واحدة.

تجميد الطبقات

Layer Freezing

تجميد طبقات معينة من النموذج ومنع تحديث أوزانها أثناء الضبط، فيُدرَّب الجزء المتبقي فقط، ويوفر الحساب ويحمي الميزات العالمية القدرة.

إعادة استخدام الأوزان

Weight Reuse

إعادة استخدام أوزان مدربة مسبقًا أو من نموذج مجاور لمهام جديدة، تحققت سرعة أعلى وتعلم أسرع من نقل المعرفة المختزنة دون البدء من الصفر.

ضبط المجال

Domain Adaptation

تكييف نموذج مدرب لمجال جديد بأسلوب يختلف عن مجاله الأصلي، بتدريب خفيف على بيانات المجال المستهدف أو محاذاة تمثيلاته.

الشذوذ النقطي

Point Anomaly

شذوذ في نقطة واحدة من البيانات تشذ عن النمط العام وبصرف النظر عن سياقها الزمني أو الحيزي، كقياس مبيعات شاذ في يوم عاديّ.

الشذوذ السياقي

Contextual Anomaly

شذوذ لا يبدو نادرًا في الكون العام لكنه شوه سياقه، فرقم درجة الحرارة الطبيعي في الشتاء صيفاً مثال السياق الذي يجعل الظاهرة نشازًا.

الشذوذ الجماعي

Collective Anomaly

شذوذ يظهر كمجموعة من النقاط تنحرف جماعتها عن النمط رغم انفراد كل واحدة كانسية، كأنوار متصاعدة متزامنة في شبكة المصنع.

غابة العزل

Isolation Forest

خوارزمية كشف شذوذ عزل النوادر ببناء غابات عشوائية تقطع البيانات بأقسام متكررة، فتُعزل النقاط الشاذة بعدد قليل من التقطيع فيتصدر زمرة الشذوذ.

الحد أحادي الفئة

One-Class Classification

مصنف يتعلم حدود الفئة الطبيعية الوحيدة من بياناتها فقط دون الفئات المغايرة، فيعتبر ما خرج عن حده شاذًا وقت التطبيق.

درجة الشذوذ

Anomaly Score

درجة رقمية تعطي احتمال التصنيف نقطة لتكون شاذة، فيُقارن لعتبة ويُركّب قرارات التوجيه والتصنيف اليدوي متى شكّ.

عتبة الكشف

Detection Threshold

قيمة عتبة يفصل عندها الدرجات بين العادي والشاذ، ويُختار توازنًا بين الاكتشاف الخاطئ والاكتشاف الناقص، تكيفًا مع حساسية المهمة.

الكشف غير المراقب

Unsupervised Detection

كشف الشذوذ دون تسميات مسبقة للأصناف، فيتعلم النموذج النمط الطبيعي من البيانات ذاتها ويعتبر ما يخالفها شاذًا.

الكشف شبه المراقب

Semi-Supervised Detection

كشف شبه مراقب يمزج عينات سليمة محصورة أو تسميات جزئية ببيانات غير موسومة، فيرتفع تمييز الأطباء بإضافة ضوء منقود بطريق.

تفسير الشذوذ

Anomaly Explanation

تفسير سبب اعتبار النقطة شاذة، بإظهار البُعد أو الميزة أو السياق الذي انحرفت فيه، فيساعد المحلل على فهم طبيعة الحدث والاستجابة له.

خوارزمية TPE

Tree-Structured Parzen Estimator

نموذج احتمالي فعال يستعلِم من البيانات كيف تبني الثقة بين المعاملات والأداء، فيرشد البحث واختيار الجولات التالية بموازنة بين الاستكشاف والاستغلال.

جدولة الموارد

Resource Scheduling

توزيع موارد الحوسبة والزمن على تجارب البحث وفق قيمتها المتوقعة، فيُنفَّذ المزيد من الوقت للمشاريع الواعدة ويحسم إيقاف الأسوأbandits.

التقليص المتتابع

Successive Halving

استراتيجية توزيع ميزانية عبر تجارب متزامنة بتقييمات دورية واقتطاع إسهام الأسوأ أداء، فترتفع موارد اللامئات المتبقية ويُقتصّ أفق البحث.

هايبر باند

Hyperband

خوارزمية ضبط تجمع الموارد بين البدائل بأسلوب الصراع المقيد والانحدار العشوائي، فيكتشف أفضل المعاملات بتعاقب مشترق كفء من الموارد.

فضاء البحث

Search Space

الفضاء المصمم بكل القيم الممكنة (متصلة أو قاطعة) لمعلمات النموذج في البحث، ويحدد حدود التجربة ويوجه خوارزميات الاستكشاف.

دالة الهدف

Objective Function

الدالة رياضة يقيَّم عليها أداء معاملات النموذج (كدقة أو خسارة)، وهي الهدف الذي تصغر اتجاهات الخوارزمية بسخاء في البحث عن الأفضل.

تجارب الضبط

Tuning Trials

جولات التجريب المتتابعة كل جولة تحاول مجموعة معاملات وتقيس النتيجة، فيتراكم التاريخ ويُقتطع مسار البحث نحو منطقة الوعد.

توليد الميزات

Feature Generation

استحداث ميزات جديدة من خام البيانات بتحويلات وحسابات تلقائية أو ذكية، لإثراء الإشارة المتاحة للنموذج دون هندسة يدوية.

تقييس الميزات

Feature Scaling

تقييس الميزات إلى نطاقات موحدة بإعادة تحجيم كمعدل الصفر والتباين، فيوازن أيسر استقرار التدريب ويحصّل مساواة في الأهمية الرقمية بين المتغيرات.

معالجة القيم المفقودة

Missing Value Handling

معالجة قيم البيانات المفقودة بالاستيفاء أو الإزالة أو النمذجة المستندة، بحيث لا تشوّش النموذج أو تهمشه، وتبقى جودة العمل مرتفعة.

تفاعل الميزات

Feature Interaction

قياس الجانب المشترك تأثير ميزتين مرتبطين في النموذج بما يتجاوز أثرهما منفردين، فيكشف اعتماديات ذات معنى يلتقطها المتعلم.

تحويل اللوغاريتم

Log Transformation

تحويل لوغاريتمي لقيم البيانات المتسارعة في اتجاه لتقارب توزيعها الطبيعي، فيخفف تطرف القيم الكبيرة ويسمح بتمثيل أدق للتباعد النسبي.

تجميع الميزات

Feature Aggregation

تجميع ميزات متعددة في ميزة مجمعة واحدة ذات مؤشر مختصر، كالمتوسط أو المجموع أو حالة تفاعل، فتقل الأبعاد وتبقى الجوهرة الإشارية.

التوسيم الزائف

Pseudo-Labeling

تعيينات مؤقتة تُولَّد آليًا للبيانات غير الموسومة من تنبؤ نموذج واثق، ثم تُضاف للتدريب، فيتسع التدريب شبه المراقب بالاستفادة من غير الموسوم.

اتساق التنبؤ

Consistency Regularization

تقييد النموذج بإنتاج تنبؤات متسقة من تحويرات المدخلات، فيتعلم تمثيلات مستقرة وأقل حفريًا، ويوازن فراغ المناطق غير الموسومة بسلاسة.

التدريب المشترك

Co-Training

تدريب مشترك يجرب مصنفان متقابلان على وجهي تشظية للميزات ويعلّم كل منهما الآخر بعيناتها الواثقة، فيستثمر العلل غير الموسومة.

التعلم بالرسم

Graph-Based Semi-Supervision

نشر التسميات في رسم بياني يربط البيانات الموسومة بغير الموسومة بميزة التشابه، أوساط التعارف بانتشار فيحصل السياق والقرب، فهو تعلم نصف مراقب بنيوي.

المعلم والطالب

Teacher-Student Learning

التعلم بالمعلم-الطالب: نموذج راسخ (معلم) يوجّه النموذج المضغوط (طالب) بنقل المعرفة لديه، فيتعلم الطالب سلوكًا واقعيًا بدل التسميات الصلبة غالبًا.