الإدريسي·Al-Idrisi.AI

ثلاث خوارزميات تصنيف حقيقية تعمل في متصفحك على النقاط التي ترسمها: k-NN بالتصويت على اقرب الجيران، والانحدار اللوجستي بالنزول التدرجي على دالة سينية، وشجرة قرار تبني تقسيمات حقيقية بمعيار جيني (Gini). الخلفية الملونة هي «حد القرار»: لون كل نقطة في المستوى حسب تنبؤ النموذج لها. دقة k-NN محسوبة بترك واحد (leave-one-out) حتى لا تكون 100% زائفة. هذه هي نفس الخوارزميات في scikit-learn، على بيانات ثنائية البعد لتراها بعينك.

كل مقياس محسوب فعلا من حالة الجدول الان، وفق ابعاد جودة البيانات القياسية: الاكتمال = نسبة الخلايا غير الفارغة · التفرد = نسبة الصفوف الفريدة · الاتساق = نسبة قيم المدن المطابقة للصيغة المعتمدة · الصحة = نسبة الاعمار في نطاق منطقي (0-120). الدرجة الكلية متوسطها. كل عملية تصلح البعد الذي يخصها فترتفع درجته الى 100%.

مجموعتان لهما معدل اساس مختلف ودرجات من نفس التوزيعين المشروطين بالفئة (فالمصنف متساوي الدقة لكل فئة). حرك العتبتين: عند عتبة موحدة غير متطرفة يتحقق تكافو الاحتمالات بينما يتباعد تكافو التنبؤ — وهذه نظرية استحالة برهنها شولديتشوفا 2017 (Big Data 5(2)، arXiv:1703.00056) وكلاينبرغ وملاينثن وراغافان 2016/2017 (arXiv:1609.05807): حين تختلف معدلات الاساس ويكون المصنف غير مثالي وغير تافه (يختار نسبة معتبرة من كل مجموعة، لا شبه الجميع ولا شبه لا احد)، لا يمكن تحقيق تكافو التنبؤ وتكافو الاحتمالات معا. اما عند عتبة متطرفة جدا فيصير المصنف تافها وتقترب القيمة التنبئية من 1 للمجموعتين فيذوب التعارض — مخرج انحلالي لا حل. المختبر وصفي لا معياري: اي مقياس «الاصح» قرار قيمي لا رياضي — ولا يوجد زر «الاعدل». وحين تختلف معدلات الاساس فعلا فان اختلاف معدلات الاختيار بين المجموعتين متوقع ولا يعد بذاته ظلما، وقد يدخل فرض التكافو الديموغرافي ظلما جديدا (بخلاف التبويب الثاني حيث تتساوى الجدارة بالبناء فيصير تساوي الاختيار هو الهدف الصحيح). الاسماء والدرجات هنا اصطناعية للتوضيح، لا بيانات COMPAS. المقايضة نفسها كانت جوهر جدل بروبابليكا-نورث بوينت حول COMPAS: كلا الطرفين كان محقا حسابيا.

المختبر لا يدعي ان كل تطبيق ذكاء اصطناعي ثنائي. هو يختزل قرارا شائعا في المنتجات: متى نصعد الحالة الى فعل او مراجعة؟ في الوضع الافتراضي الدرجة هي احتمال بعدي معاير P(Y=1|x)، لذلك عتبة Bayes مع كلفة FP/FN فقط هي costFP/(costFP+costFN). عند الانحراف لا تعود هذه الضمانة كافية، ولهذا تظهر اهمية التقييم والمراقبة. الامثلة والقيم تعليمية لا وصف طبي او قانوني. تطبيقات النماذج اللغوية لا تعطى عادة «ثقة» معايرة للجواب الكامل؛ يمكن استعمال هذا المختبر معها فقط عندما تكون الدرجة من مقيم خارجي او حارس امان او بوابة مراجعة بشرية.

اربع خوارزميات بحث حقيقية تعمل في متصفحك على نفس الشبكة: البحث بالعرض، والكلفة الموحدة (دايكسترا)، والجشع الافضل-اولا، وA*. الالوان تظهر العقد التي وسعتها الخوارزمية والمسار الذي وجدته. البرهان: A* باسترشاد مقبول (مانهاتن، لا يبالغ ابدا) يجد الحل الامثل نفسه الذي تجده دايكسترا (كلفة 16) لكن بتوسيع 43 عقدة بدل 111 — نظرية الهيمنة. اطفئ الاسترشاد فيتحول A* الى دايكسترا بالضبط. الجشع اسرع (13 عقدة) لكنه غير امثل (كلفة 21، يعبر المستنقع). كل هذه الارقام مبرهنة آليا ضد حساب يدوي. خوارزمية A*: هارت ونيلسون ورافائيل 1968.

وكيل حقيقي يستخدم Q-Learning الجدولية: يجرب افعالا وفق سياسة ابسيلون-الجشعة، ثم يحدث تقديره Q بقاعدة الفرق الزمني خارج السياسة. بعد تدريب كاف في هذا العالم الصغير، نتحقق حسابيا من تطابق القيم التي تعلمها من التجربة مع القيم التي يحسبها تكرار القيمة عند معرفة نموذج البيئة؛ إذ يهبط الفرق max|Q-Q*| الى نحو 10⁻¹⁵ (دقة الآلة). يوضح ذلك نتيجة التقارب في الحالة الجدولية تحت شروطها، ولا يعني ان التطابق مضمون في بيئات عامة او عند استخدام الشبكات العصبية. المسار الجشع الامثل يتفادى الحفرة ويصل في 5 خطوات، وكل الارقام مفحوصة آليا ضد حساب يدوي (V*(S)=3.122، والعملية الصغيرة V*=[8،10،0]). ملاحظة صدق: التعلم المعزز قد يحتاج عينات كثيرة ويتأثر بسوء تصميم المكافأة؛ وهذا عالم صغير مثالي، لا صورة كاملة عن الواقع.

شبكة بايزية حقيقية بجداول الاحتمال الشرطي القياسية من راسل ونورفيغ: P(غائم)=0.5، P(رشاش|غائم)=0.1 و P(رشاش|صحو)=0.5، P(مطر|غائم)=0.8 و P(مطر|صحو)=0.2، وجدول العشب المبلل (0.99 / 0.90 / 0.90 / 0.0). الاستدلال دقيق بالتعداد الكامل للتوزيع المشترك (16 اسنادا) لا بالاعتيان — فكل رقم هو البعدي الصحيح تماما. مبرهن آليا ضد حساب يدوي: P(عشب مبلل)=0.647، P(مطر | عشب مبلل)=0.708، والتفسير المزيح P(مطر | مبلل، رشاش)=0.320. ملاحظة صدق: التعداد الدقيق ينفجر اسيا في الشبكات الكبيرة (الاستدلال الدقيق NP-صعب)، فتلزم طرق الاعتيان في الواقع؛ هنا اربع عقد فقط ليبقى الحساب دقيقا ولحظيا.