Machine learning is a computational method that analyzes data to identify patterns and make predictions or decisions.التعلم الآلي هو فرع من الذكاء الاصطناعي، حيث تبني الخوارزميات نماذج بناءً على البيانات، وتكشف الأنماط الخفية دون برمجة صريحة للقواعد. تشمل التقنيات التعلم المُوجَّه (باستخدام أمثلة معنونة)، والتعلم غير المُوجَّه (التجميع)، والتعلم المعزز (طريقة التجربة والخطأ).
صاغ آرثر صموئيل مصطلح «التعلم الآلي» في عام 1959، عندما أنشأ برنامجًا للعب الداما. في عام 1957، بنى فرانك روزنبلات البرسبترون — أول نموذج للعصبون الاصطناعي. بعد فترة «شتاء الذكاء الاصطناعي»، استؤنف التطور في الثمانينيات مع اكتشاف خوارزمية الانتشار العكسي للخطأ. في العقد الثاني من القرن الحادي والعشرين، جاء النمو الهائل بفضل البيانات الضخمة، ووحدات معالجة الرسوميات، والهياكل العميقة.
يتم اختيار نموذج معلمي (مثل الشبكة العصبية أو الانحدار الخطي). في مرحلة التدريب، يتم تقليل الخسارة بين التنبؤات والقيم الحقيقية باستخدام التحسين العددي. الأكثر شيوعًا هو النزول التدرجي العشوائي: في كل خطوة، يتم تحديث المعاملات في اتجاه عكس تدرج دالة الخسارة بناءً على مجموعة فرعية عشوائية من البيانات. بالنسبة للشبكات متعددة الطبقات، يتم حساب التدرجات باستخدام خوارزمية الانتشار العكسي، المستندة إلى قاعدة اشتقاق الدوال المركبة. المشكلات الرئيسية: فرط التخصيص، التدرج المتلاشي، اختيار المعاملات الفائقة.
يُستخدم في توصيات الأفلام، والتعرف على الكلام، وحتى تشخيص الأمراض من الصور.
أول خوارزمية شبكة عصبية — البرسبترون — تم إنشاؤها في عام 1958، لكنها لم ترقَ إلى مستوى التوقعات آنذاك، ولم تشهد الشبكات العصبية انتعاشًا إلا بعد عقود.
| MSE | متغير | Mean squared error — mean squared error |
| n | متغير | Number of observations — حجم العينة |
| y_i | متغير | Actual value for observation i — actual value |
| \hat{y}_i | متغير | Predicted value for observation i — predicted value |
| \sum_{i=1}^{n} | مؤثر | Sum over all observations from 1 to n — جمع |
| MAE | متغير | Mean absolute error — mean absolute error same as dependent variable |
| n | متغير | Number of observations — حجم العينة |
| y_i | متغير | True value for observation i — true value same as dependent variable |
| \hat{y}_i | متغير | Predicted value for observation i — predicted value same as dependent variable |
| \sum_{i=1}^n | مؤثر | Sum over all observations from 1 to n — جمع |
| |\cdot| | مؤثر | Takes the absolute value of the difference — قيمة مطلقة |























