Скачать или смотреть 25كورس تعلم الآلة | ٢٥. فهم Manifold Learning باستخدام Multidimensional Scaling

في هذا الفيديو نشرح مفهوم Manifold Learning بطريقة مبسّطة وعملية، ونوضّح كيف يمكن استخراج البنية الحقيقية منخفضة الأبعاد للبيانات حتى عندما تكون ممثَّلة في فضاء عالي الأبعاد.

رابط دفتر Google Colab مع الكود:
https://colab.research.google.com/dri...

نستخدم مثالًا بصريًا واضحًا لبيانات على شكل كلمة HELLO لشرح الفكرة الأساسية وراء Manifold Learning، وهي أن العلاقات بين النقاط (المسافات) أهم من الإحداثيات المطلقة نفسها.

بعد ذلك نتعرّف على خوارزمية Multidimensional Scaling (MDS)، ونشرح:

لماذا لا تهم الإحداثيات (x, y) بقدر ما تهم المسافات بين النقاط
ما هي مصفوفة المسافات (Distance Matrix) ولماذا تعتبر تمثيلًا قويًا وثابتًا للبيانات
كيف تعمل MDS على إعادة بناء تمثيل منخفض الأبعاد اعتمادًا فقط على المسافات
لماذا قد يظهر التمثيل الناتج مقلوبًا أو مدوّرًا مع الحفاظ على نفس البنية

كما نطبّق تجربة مهمة في Manifold Learning:
تضمين البيانات في فضاء ثلاثي الأبعاد (3D)
ثم استخدام MDS لاستخراج التمثيل الثنائي الأصلي
مما يوضّح كيف يمكن استرجاع البنية الخفية للبيانات من فضاء أعلى.

لا تنسَ الاشتراك وتفعيل الجرس ليصلك كل جديد من دروس تعلم الآلة وعلوم البيانات بأسلوب مبسّط وعميق.