‫‪Introduction:‬‬

‫اﻟﺗﻌﻠﯾم اﻻﻟﻲ ھو اﺣد ﻣﺟﺎﻻت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟذي ﯾﺳﺗﺧدم ﻣﻧﺎھﺞ رﯾﺎﺿﯾﺔ و إﺣﺻﺎﺋﯾﺔ‬
‫ﻟﺻﻧﻊ أﺟﮭزة اﻟﻛوﻣﺑﯾوﺗر اﻟﻘدرة ﻋﻠﻰ اﻟﺗﻌﻠم ﻣن اﻟﺑﯾﺎﻧﺎت ﯾﻘدم ھذا اﻟﻔﺻل ﺗﻘﻧﯾﺎت اﻟﺗﻌﻠﯾم اﻻﻟﻲ‬
‫وھﻲ اﻻت ﻧﺎﻗﻼت اﻟدﻋم او )ﻓواﺻل اﻟﮭﺎﻣش اﻟﻌرﯾض( ھﻲ ﻣﺟﻣوﻋﺔ ﻣن ﺗﻘﻧﯾﺎت اﻟﺗﻌﻠم اﻟﺗﻲ‬
‫ﺗﮭدف اﻟﻰ ﺣل ﻣﺷﻛﻠﺔ اﻟﺗﻣﯾﯾز أي اﻟﺗﺣدﯾد اﻟﻔﺋﺔ اﻟﺗﻲ ﺗﻧﺗﻣﻲ اﻟﯾﮭﺎ اﻟﻌﯾﻧﺔ او اﻟﺗﻧﺑؤ ﺑﻣﺗﻐﯾر ﻧوﻋﻲ‬
‫ﺛﻧﺎﺋﻲ ﯾﺻﻧف اﻟﺑﯾﺎﻧﺎت او ﯾﻔﺻﻠﮭﺎ ﺑﺷﻛل ﺻﺣﯾﺢ ﺑﯾﻧﻣﺎ ﯾﻛون ﺑﻌﯾدا ﻗدر اﻹﻣﻛﺎن ﻋن ﺟﻣﯾﻊ‬
‫اﻟﻣﻼﺣظﺎت ﻓﻣﺑدا ال‪ SVM‬ھو اﻟﻌﺛور ﻋﻠﻰ ﻣﺻﻧف او وظﯾﻔﺔ اﻟﺗﻣﯾﯾز ﺗﻛون ﻗدرﺗﮭﺎ ﻋﻠﻰ اﻟﺗﻧﺑؤ‬
‫ھﻲ اﻷﻛﺑر‬
‫‪Machinés à vecteur support (SVM) binaires:‬‬
‫اﺑﺳط ﺣﺎﻟﺔ ھﻲ ﻋﻧدﻣﺎ ﺗﺄﺗﻲ ﺑﯾﺎﻧﺎت اﻟﺗدرﯾب ﻓﻘط ﻣن ﻓﺋﺗﯾن ﻣﺧﺗﻠﻔﺗﯾن )‪+1‬او‪ (-1‬ﺛم ﻧﺗﺣدث ﻋن‬
‫ﺣﺎﻟﺔ اﻟﺗﻔﺳﯾن اﻟﺛﻧﺎﺋﻲ ﻓﻛرة ال ‪ SVMs‬ھﻲ اﻟﻌﺛور ﻋﻠﻰ طﺎﺋرة ﻣﻔرطﺔ )ﻣﺑﺎﺷرة ﻓﻲ ﺣﺎﻟﺔ‬
‫اﻟﺑﻌدﯾن( اﻟﺗﻲ ﺗﻧﻔﺻل ﺑﯾن ھﺗﯾن اﻟﻔﺋﺗﯾن ﺑﺷﻛل اﻓﺿل اﻟﺷﻛل )‪(memoir hafhdhoi8) (2.1‬‬

‫ﻓﻲ ﺣﺎﻟﺔ وﺟود ﻣﺛل ھذا اﻟﻣﺳﺗوى اﻟﻔﺎﺋق أي ﯾﻣﻛﻧﮫ اﻟﻔﺻل ان ﻛﺎﻧت اﻟﺑﯾﺎﻧﺎت ﻗﺎﺑﻠﺔ ﻟﻠﻔﺻل ﺧطﯾﺎ‬
‫ﻓﮭذه ھﻲ ﻣﺎ ﻧطﻠق ﻋﻠﯾﮭﺎ اﻟﺔ ﻣﺗﺟﮫ ﻟدﻋم اﻟﮭواﻣش‬
‫‪Utilization des noyeux‬‬
‫ﯾﺟب اﻻﻋﺗراف ﺑﺣﻘﯾﻘﺔ ان ﺑﻌض اﻷﻣﺛﻠﺔ ﺳﯾﺋﺔ اﻟﺗﺻﻧﯾف ﯾﺳﺗﺣﯾل ان ﺗﻛون داﺋﻣﺎ ذا ﺗﻧﺑؤ ﺟﯾد‬
‫ﻟﻠطﺎﺋرة اﻟﻔﺎﺋﻘﺔ ﺣﺗﻰ و ان ﺗم ﺗطوﯾره )اﻟﺷﻛل ‪(2.3‬‬
‫ﺑدﻻ ﻣن اﻟﺧدط اﻟﻣﺳﺗﻘﯾم ﺳﯾﻛون اﻟﺗﻣﺛﯾل اﻟﻣﺛﺎﻟﻲ ﻟوظﯾﻔﺔ اﻟﻘرار ھو اﻟﺗﻣﺛﯾل اﻟذي ﯾﺗطﺎﺑق ﺑﺷﻛل‬
‫اﻓﺿل ﻣﻊ ﺑﯾﺎﻧﺎت اﻟﺗدرﯾب )اﻟﺷﻛل ‪(2.4‬‬
‫ﻟﺗﻣﻛن ﻣن ﺗﺣدﯾد ﻣﺛل ھذه اﻟوظﯾﻔﺔ ﻏﯾر اﻟﺧطﯾﺔ ھو اﻣر ﺻﻌب ﺟدا ان ﻟم ﻧﻘول ﻋﻧﮫ ﻧﺎﻧﮫ‬
‫ﻣﺳﺗﺣﯾل ﻟﻠﻘﯾﺎم ﺑذﻟك ﯾﺗم ﺟﻣﻊ اﻟﺑﯾﺎﻧﺎت ﻓﻲ ﻣﺳﺎﺣﺔ ﻣﺣدودة ﺗﺻﺑﺢ ﻓﯾﮭﺎ ھذه اﻟوظﯾﻔﺔ ﺧطﯾﺔ‬
‫اﻟﺷﻛل )‪ (2.5‬ھذه اﻟﺧدﻣﺔ ﺗﻣﻛﻧﻧﺎ ﻣن اﻻﺣﺗﻔﺎظ ﺑﻧﻔس ﻧﻣﺎذج ﻣﺷﺎﻛل اﻟﺗﺣﺳﯾن اﻟﺗﻲ ﺷوھت ﻓﻲ‬
‫اﻷﻗﺳﺎم اﻟﺳﺎﺑﻘﺔ ﺑﺎﻻﻋﺗﻣﺎد ﻋﻠﻰ ‪ SVMs‬اﻟﺗﻲ ﺗﺳﺗﺧدم ﻓﻲ اﻷﺳﺎس ﻣﺑدا اﻟﻔﺻل اﻟﺧطﻲ ﻓﻲ‬
‫ﻣﻌﺿم اﻻوﻗت ﻣﺎ ﯾﺗم اﺳﺗﺧدام ﺗﺣوﯾل اﻟﻔﺿﺎء ھذا ﺑﺎﺳﺗﻌﻣﺎل اﻟداﻟﺔ وﯾطﻠق ﻋﻠﯾﮭﺎ اﺳم "وظﯾﻔﺔ‬
‫اﻟﺗﻌﯾﯾن" وﺗﺳﻣﻰ اﻟﻣﺳﺣﺔ اﻟﺟدﯾدة "ﻣﺳﺎﺣﺔ اﻟﻣﯾزات"‬
‫ﻓﻲ ﻣﺳﺎﺣﺔ اﻟﻣﯾزة اﻟﺟدﯾدة ھذا ﺗﺻﺑﺢ اﻟوظﯾﻔﺔ اﻟﮭدف اﻟﺗﻲ ﺳﯾم ﺗﺣﺳﯾﻧﮭﺎ ﻣن اﻟﻣﻌﺎدﻟﺔ ‪1‬‬
‫)‪(memoir hafhdhoi8‬‬

‫ﺣﯾث ھو اﻟﻣﻧﺗﺞ اﻟﻘﯾﺎﺳﻲ ﻟﻠﺻورﺗﯾن ‪ xj‬و‪ xi‬ﻓﻲ اﻟﻔراغ اﻟﺟدﯾد اﻟﺟدﯾد وﻧﺗﯾﺟﺗﮭﻣﺎ‬
‫ﻋددﯾﺔ)‪(memoir hafhdhou9‬‬
 ‫‪............‬‬
‫ﻟﺣﺳﺎب اﻟﻘﯾﻣﺔ اﻟﻣﺛﻠﻰ اﻟﺗﻲ ﺗﻣﺛﻠﮭﺎ اﻟداﻟﺔ ‪ 1‬ﻧﺳﺗﺧدم ﺣﯾﻠﺔ ﯾطﻠق ﻋﻠﯾﮭﺎ اﺳم » ‪« kernel‬ﻓﺑدﻻ‬
‫ﻣن ﺣﺳﺎب و وﻣﻧﺗﺟﮭﻣﺎ اﻟﻘﯾﺎﺳﻲ ﻓﺗﻘوم ﺑﺣﺳﺎب اﻟداﻟﺔﺑدﻻ ﻣن ذﻟك ﯾﻣﺛل اﻟﺗﺣوﯾﻠﯾن ﻣﻌﺎ )اﻟﻠذان‬
‫ﻗد ﯾﻛوﻧﺎن ﻏﯾر ﻣﻌروﻓﯾن ( وﻣﻧﺗﺟﮭﻣﺎ اﻟﻘﯾﺎﺳﻲ ھذه اﻟوظﯾﻔﺔ ﺗﻣﻛن ﻣن اﻟﺗﻐﻠب ﻋﻠﻰ ﻣﺷﻛﻠﺔ‬
‫ﺗﺣدﯾد اﻟﺗﺣوﯾﻠوﺗﺳﺗﺧدم ﻟﺗﻌﻠم اﻟﻌﻼﻗﺔ ﻏﯾر اﻟﺧطﯾﺔ ﻋن طرﯾق اﻻﻻت اﻟﺧطﯾﺔ ﯾﻣﻛن اﻋﺗﯾﺎر‬
‫اﻟوظﯾﻔﺔ ﻋﻠﻰ اﻧﮭﺎ ﻣﺎ ﯾﺳﻣﻰ ﺑﻣﺻﻔوﻓﺔ ﺟرام)‪(memoir DD130‬اﻟﺗﻲ ﺗﻣﺛل اﻟﻣﺳﺎﻓﺗﯾن ﺟﻣﯾﻊ‬
‫اﻷﻣﺛﻠﺔ‪:‬‬

‫ﻟﻛﻲ ﺗﺳﺗطﯾﻊ ان ﺗﻛون اﻟﻣﺻﻔوﻓﺔ ‪ ....‬ﻣﺻﻔوﻓﺔ ﺟرام )اﻟوظﯾﻔﺔ‪ kernel(k‬ﻧواة ﻟﻛل ﻣن اﻷھم‬
‫ان ﯾﺳﺗوﻓﻲ ﺑﺷروط ﻣﯾرﺳر أي اﻧﮫ ﯾﺟب ان ﯾﻛون ﻣوﺟﺑﺎ ﺷﺑﮫ ﻣﺣدد )ﻣﺗﻣﺎﺛل وﻟﯾس ﻟﮫ ﻗﯾم‬
‫ذاﺗﯾﺔ ﺳﻠﺑﯾﺔ( ﻟﺗﺗم دراﺳﺔ ﻣﺛل ھذه اﻟﻧوى ﻋﻠﻰ ﻧطﺎق واﺳﻊ وﻣﻊ ذﻟك ھﻧﺎك ﺑﻌض اﻷﺳﺑﺎب اﻟﺗﻲ‬
‫اﺳﺗﺧدﻣت ﻋﻠﻰ ﻧطﺎق واﺳﻊ وﺗﻌﺗﺑر ﻗﯾﺎﺳﯾﺔ ﺑﻣﺟرد ﺗﺣدﯾد اﺧﺗﯾﺎر اﻟﻧواة ﯾﻣﻛن ﺣﺳﺎب اﻟوظﯾﻔﺔ ‪1‬‬
‫ﻋﻠﻰ اﻟﻧﺣواﻟﺗﺎﻟﻲ‪(mémoir hafdhoi):‬‬

‫‪2‬‬

‫وﺗﺻﺑﺢ وظﯾﻔﺔ اﻟﻘرار‬

‫‪3‬‬

‫ﺣﯾث ﺗﻣﺛل‪ S‬ﻣﺟﻣوﻋﺔ ﻧﺎﻗﻼت اﻟدﻋم‬

‫‪Architecture génirale d’une macline à vecteur support‬‬
‫ﺗدرس اﻟﺔ ﻧﺎﻗﻼت اﻟدﻋم ﺑﺎﺳﺗﻌﻣﺎل طرﯾﻘﺔ اﻟﺗﺣﺳﯾن ﻓﻲ ﺳﻠﺳﻠﺔ ﻣن اﻣﺛﻠﺔ اﻟﺗدرﯾب ﻋل ﺳﺑﯾل‬
‫اﻟﻣﺛﺎل ﺗﺳﻣﻰ ﻣﺗﺟﮭﺎت اﻟدﻋم اﻟﺗﻲ ﺗﺗﻣﯾز ﺑوظﯾﻔﺔ اﻟﻔﺻل ﯾﻣﻛن ﻟﻼﻟﺔ أﯾﺿﺎ ﺣﺳﺎب اﻟﻣﺿﺎﻋﻔﺎت‬
‫اﻟﻣرﺗﺑط ﺑﮭذه اﻟﻣﺗﺟﮭﺎت ﯾﺗم ﺣﺳﺎب وظﯾﻔﺔ اﻟﻘرار ﻋن طرﯾق ﻣﺗﺟﮭﺎت اﻟدﻋم ةﻣﺿﺎﻋﻔﺎﺗﮭﺎ اﻟﺗﻲ‬
‫ﺗﻘوم اﻻﻟﺔ ﺑﺣﺳﺎﺑﮭم ﻣﺛﺎل ﺟدﯾد ﯾﺧص اﻟرﺳم اﻟﺗﺧطﯾطﻲ اﻟﺷﻛل )‪ (2.5‬اﻟﮭﯾﻛل اﻟﻌﺎم‬
‫ﻟﺟﮭﺎز‪....‬ﻓﻲ ﺣﺎﻟﺔ ﺗﻌرﯾف اﻷرﻗﺎم ﺑﺧط اﻟﯾد)‪(mémoir hafdhoi‬‬

‫ﯾﺗم اﺳﺗﺧدام وظﯾﻔﺔ ‪ kermel k‬ﻟﺗﻣﻛن ﻣن ﺣﺳﺎب اﻟﻣﺳﺎﻓﺔ اﻟﻔﺎﺻﻠﺔ ﺑﯾن اﻟﻣﺗﺟﮫ ﺗﺣت اﻻﺧﺗﺑﺎر‪x‬‬
‫وﻛل ﻣﺗﺟﮫ دﻋم ﻓﻲ ﻣﺳﺎﺣﺔ اﻟﻣﯾزﯨﺔ ﯾﺗم دﻣﺞ اﻟﻧﺗﺎﺋﺞ ﺧطﯾﺎ اﺳﺗﺧدام ﻣﺿﺎﻋﻔﺎت ‪lagrange‬‬
‫وﺿﻣﮭﺎ اﻟﻰ اﻟﺗﺣﯾرط اﻟﻧﺗﯾﺟﺔ اﻟﻧﮭﺎﺋﯾﺔ ‪ F‬ھﻲ اﻟﺗﻲ ﺗﻘرر اﻟﻣﺗﺟﮫ اﻟﺟدﯾد اذا ﻛﺎن ﻣوﺟﺑﺔ ﻓﮭذا ھو‬
‫اﻟرﻗم "‪"1‬واﻻ ﺳﯾﻛون ھﻧﺎك رﻗم اﺧر )‪(mémoir hafdhoi11‬‬