التعلم التنبؤي

على غرار التعلم الآلي، يهدف التعلم التنبؤي إلى استقراء قيمة متغير تابع غير معروف.${\displaystyle Y}$، بالنظر إلى بيانات الإدخال المستقلة${\displaystyle X=(x_{1},x_{2},\dots ,x_{n})}$يمكن تصنيف مجموعة من السمات إلى بيانات فئوية (عوامل منفصلة مثل العرق أو الجنس أو الانتماء) أو بيانات رقمية (قيم متصلة مثل درجة الحرارة أو الدخل السنوي أو السرعة). تُغذى كل مجموعة من قيم الإدخال إلى شبكة عصبية للتنبؤ بقيمة معينة.${\displaystyle y}$من أجل التنبؤ بالناتج بدقة، يجب تعديل أوزان الشبكة العصبية (التي تمثل مدى تأثير كل متغير تنبؤي على النتيجة) بشكل تدريجي عبر الانتشار العكسي لإنتاج تقديرات أقرب إلى البيانات الفعلية.

بمجرد أن يتم إعطاء نموذج التعلم الآلي تعديلات كافية من خلال التدريب للتنبؤ بالقيم الأقرب إلى الحقيقة الأساسية ، فإنه يجب أن يكون قادراً على التنبؤ بشكل صحيح بمخرجات البيانات الجديدة مع القليل من الخطأ .

لضمان أقصى قدر من الدقة لنموذج التعلم التنبؤي، فإن القيم المتوقعة${\displaystyle {\hat {y}}=F(x)}$يجب ألا يتجاوز هامش الخطأ حدًا معينًا عند مقارنته بالقيم الفعلية${\displaystyle y}$حسب معادلة المخاطرة:

${\displaystyle R(F)=E_{xy}L(y,F(x))}$،

أين${\displaystyle L}$هي دالة الخسارة ،${\displaystyle y}$هي الحقيقة المطلقة، و${\displaystyle F(x)}$هي البيانات المتوقعة. تُستخدم دالة الخطأ هذه لإجراء تعديلات تدريجية على أوزان النموذج للوصول في النهاية إلى تنبؤ مُدرَّب جيدًا لـ: ^{[ 4 ]}

${\displaystyle F^{*}(x)={\underset {F(x)}{\operatorname {argmin} }}\,E_{xy}}$${\displaystyle L(y,F(x))}$

بمجرد أن يصبح الخطأ ضئيلاً أو يعتبر صغيراً بما فيه الكفاية بعد التدريب، يقال إن النموذج قد تقارب .

في بعض الحالات، لا يكفي استخدام أسلوب واحد للتعلم الآلي لإنشاء تقدير دقيق لبيانات معينة. التعلم الجماعي هو دمج عدة خوارزميات للتعلم الآلي لإنشاء نموذج أقوى. يتم تمثيل كل نموذج بالدالة.

${\displaystyle F(x)=a_{0}+\sum _{m=1}^{M}a_{m}f_{m}(x)}$،

أين${\displaystyle M}$يمثل عدد نماذج المجموعة،${\displaystyle a_{0}}$هذا هو التحيز،${\displaystyle a_{m}}$الوزن المقابل لكل${\displaystyle m}$المتغير رقم -، و${\displaystyle f_{m}(x)}$تمثل دالة التنشيط المقابلة لكل متغير. ويتم تمثيل نموذج التعلم الجماعي كمزيج خطي من التنبؤات من كل نهج مكون.

${\displaystyle {\hat {a}}_{m}={\underset {a_{m}}{\operatorname {argmin} }}\sum _{i=1}^{N}L\left(y_{i},a_{0}+\sum _{m=1}^{M}a_{m}f_{m}(x_{i})\right)+\lambda \sum _{m=1}^{M}|a_{m}|}$

أين${\displaystyle y_{i}}$القيمة الفعلية، والمعامل الثاني هو القيمة المتوقعة بواسطة كل طريقة من الطرق المكونة، و${\displaystyle \lambda }$^{[ 4 ]} هو معامل يمثل تباين كل نموذج لمتغير تنبؤي معين.

الإشارات الحسية الحركية هي نبضات عصبية تُرسل إلى الدماغ عند اللمس الجسدي. يلعب استخدام التعلم التنبؤي للكشف عن هذه الإشارات دورًا محوريًا في التطور المعرفي المبكر ، إذ يُمثل الدماغ البشري هذه الإشارات بطريقة تنبؤية (حيث يسعى إلى تقليل خطأ التنبؤ بين الإشارات الحسية الواردة والتنبؤات المُستنتجة من أعلى إلى أسفل ). ولتحديث مُتنبئ غير مُعدَّل، يجب تدريبه من خلال التجارب الحسية الحركية لأنه لا يمتلك قدرة تنبؤية بطبيعته. ^{[ 5 ]} في ورقة بحثية حديثة، اقترحت الدكتورة يوكي ناغاي بنية جديدة في التعلم التنبؤي للتنبؤ بالإشارات الحسية الحركية، تعتمد على نهج ثنائي الوحدات: نظام حسي حركي يتفاعل مع البيئة، ومُتنبئ يُحاكي هذا النظام في الدماغ. ^{[ 5 ]}

تستخدم الحواسيب التعلم التنبؤي في الذاكرة المكانية والزمانية لإنشاء صورة كاملة انطلاقًا من الإطارات المكونة لها . يعتمد هذا التطبيق على الشبكات العصبية التنبؤية المتكررة ، وهي شبكات عصبية مصممة للعمل مع البيانات المتسلسلة، مثل السلاسل الزمنية . يُمكّن استخدام التعلم التنبؤي بالتزامن مع رؤية الحاسوب الحواسيب من إنشاء صور خاصة بها، وهو ما يُفيد في محاكاة الظواهر المتسلسلة، مثل استنساخ خيوط الحمض النووي، والتعرف على الوجوه، أو حتى إنشاء صور الأشعة السينية.

في دراسة حديثة، جُمعت بيانات حول سلوك المستهلك من منصات التواصل الاجتماعي المختلفة مثل فيسبوك، وتويتر، ولينكدإن، ويوتيوب، وإنستغرام، وبينترست. وقد مكّن استخدام تحليلات التعلم التنبؤي الباحثين من اكتشاف اتجاهات متنوعة في سلوك المستهلك، مثل تحديد مدى نجاح حملة تسويقية، وتقدير السعر العادل للمنتج لجذب المستهلكين، وتقييم مدى أمان البيانات، وتحليل الجمهور المستهدف من المستهلكين الذين يمكن استهدافهم بمنتجات محددة. ^{[ 6 ]}