تعلم اآللة Machine Learning PDF

‫‪9/28/2024‬‬ ‫تعلم اآللة‬ ‫‪Machine Learning‬‬ ‫تعلم اآللة‬ ‫ تعلم اآللة ‪ Machine Learning‬هو أحد الدعائم األساسية‬ ‫لتكنولوجيا املعلومات على مدار العقدين املاضيين‪ ،‬وبات‬...

‫‪9/28/2024‬‬ ‫تعلم اآللة‬ ‫‪Machine Learning‬‬ ‫تعلم اآللة‬ ‫ تعلم اآللة ‪ Machine Learning‬هو أحد الدعائم األساسية‬ ‫لتكنولوجيا املعلومات على مدار العقدين املاضيين‪ ،‬وبات‬ ‫ً‬ ‫أساسيا من حياتنا اليومية‪.‬‬ ‫اليوم ً‬ ‫جزءا‬ ‫ فمع توفر كميات متزايدة من البيانات أصبح هناك س ٌ‬ ‫بب‬ ‫ٌ‬ ‫وجيه لالعتقاد بأن التحليل الذكي للبيانات سيكون أكثر‬ ‫ً‬ ‫انتشا ًرا وأهمية كمكون أساس ي للتقدم التكنولوجي‪.‬‬ ‫‪1‬‬  ‫‪9/28/2024‬‬ ‫ما هو تعلم اآللة ‪Machine Learning‬؟‬ ‫ ً‬ ‫كثيرا ما تقول كلمة معينة أو تعبر عن رغبتك في شراء ش يء ما‪ ،‬بعدها تفتح أحد‬ ‫ِمنصات التواصل االجتماعي مثل فيسبوك فتجد إعالن ما عن هذا الذي تود أن‬ ‫تشتريه‪ ،‬أليس كذلك؟‬ ‫ أتظن أن هنالك شخص ما يسمعك من خالل الهاتف النقال ويقوم بتدوين ما‬ ‫ً‬ ‫منطقيا‪ ،‬أليس كذلك ؟‬ ‫قلت ثم يختار لك اإلعالن املناسب ويعرضه لك؟ ليس‬ ‫اذن ما هذا؟‬ ‫ هذا هو الذكاء االصطناعي‪ ،‬وخوارزميات تعلم اآللة ‪Machine Learning -‬‬ ‫ما معنى تعلم اآللة‪ /‬التعلم اآللي ؟‬ ‫ تعلم اآللة ‪ Machine learning‬أو ما يعرف اختصا ًرا ‪ML‬‬ ‫ هو مصطلح تقني يعني استخدام مجموعة من التقنيات واألدوات التي تساعد أجهزة الحاسوب‬ ‫واآلالت الذكية ً‬ ‫عموما على التعلم والتكيف من تلقاء نفسها‪.‬‬ ‫ّ‬ ‫ هو تطبيق للذكاء االصطناعي يمكن أنظمة الحاسوب من التعلم من خالل التجربة وتحسين أدائها‬ ‫بتكرار التجربة دون أن تتم برمجتها بشكل واضح‬ ‫ يركز تعلم اآللة على تطوير برامج الحاسوب التي يمكنها التعامل مع البيانات الضخمة واستخدامها‬ ‫للتعلم بأنفسها‪.‬‬ ‫‪2‬‬  ‫‪9/28/2024‬‬ ‫نشأ علم التعلم اآللي عندما بدأ علماء الحاسوب بطرح األسئلة التالية‪:‬‬ ‫‪.1‬نحن البشر نتعلم من التجارب السابقة‪ ،‬أما اآلالت فهي تفعل ما نمليه عليها فقط‪ ،‬فهل يمكن أن‬ ‫نتمكن من تدريب هذه اآلالت كي تتعلم من البيانات والخبرات السابقة‪ ،‬وتحاكي طريقة تفكيرنا‬ ‫وتتمكن من التعلم والفهم واالستنتاج دون تدخلنا؟‬ ‫‪.2‬هل يمكن للحواسيب أن تفعل ما نفعله وبالطريقة التي نريدها‪ ،‬وأن تتعلم من تلقاء نفسه كيفية‬ ‫أداء مهمة محددة؟‬ ‫ً‬ ‫‪.3‬هل يمكن للحواسيب واآلالت أن تفاجئنا وتتعلم من خالل البيانات من تلقاء نفسه‪ ،‬بدال من قيام‬ ‫املبرمجين بصياغة قواعد معالجة البيانات لها بشكل يدوي؟‬ ‫كل هذه التساؤالت فتحت الباب أمام نموذج برمجة بديل عن‬ ‫أسلوب البرمجة الكالسيكية التي ُيدخل فيها البشر القواعد ضمن‬ ‫برامج حاسوبية ويحددون بدقة البيانات التي يجب معالجتها ً‬ ‫وفقا‬ ‫لهذه القواعد‪ ،‬ويكون املخرج إجابات محددة ناتجة عن عمليات‬ ‫املعالجة‪.‬‬ ‫‪3‬‬  ‫‪9/28/2024‬‬ ‫في نموذج البرمجة الجديد هذا الذي سمي تعلم اآللة أصبح بمقدور‬ ‫البشر إدخال البيانات للحاسوب باإلضافة إلى اإلجابات املتوقعة ً‬ ‫وفقا‬ ‫للبيانات‪ ،‬ويكون املخرج هو القواعد التي تم استنتاجها بشكل برنامج‬ ‫أو ما ُيسمى بالنموذج ‪ model‬ثم يمكن بعد ذلك تطبيق هذه القواعد‬ ‫على البيانات الجديدة إلنتاج اإلجابات‪.‬‬ ‫ً‬ ‫بمعنى آخر نظام التعلم اآللي ُيد ّرب بدال من برمجته بشكل‬ ‫صريح‪ ،‬حيث ّ‬ ‫تقدم له العديد من عينات البيانات املتعلقة باملهمة‬ ‫املطلوبة‪ ،‬حتى يتمكن من اكتشاف بنية إحصائية في هذه العينات‬ ‫تربط املدخالت باملخرجات (البيانات باإلجابات) وتسمح في النهاية‬ ‫للنظام بالوصول إلى قواعد ألتمتة املهمة‪.‬‬ ‫‪4‬‬  ‫‪9/28/2024‬‬ ‫ على سبيل املثال إذا عرضنا على الحاسوب مجموعات ثنائية من األرقام كالتالي (‪ )4 , 2‬و (‪ )6 , 3‬و (‪)9 , 4‬‬ ‫ثم طلبنا منه بناء على هذه املعطيات أن يتنبأ بالرقم الذي يجب أن يأتي مع الرقم ‪ 5‬فسوف يحتاج في‬ ‫بداية األمر إلى إيجاد املنطق بين مجموعات البيانات التي مررناها له وتطبيق نفس املنطق للتنبؤ بالرقم‬ ‫الجديد‪ ،‬عملية العثورعلى هذا املنطق يسمى تعلم اآللة وبعد إيجاد هذا املنطق سنتمكن من تطبيقه‬ ‫للتنبؤ بكل رقم جديد‪.‬‬ ‫ وإذا كنت ترغب بأتمتة عملية تخمين أسعار املنازل ‪-‬يمكنك إعطاء نظام التعلم اآللي مجموعة من‬ ‫ّ‬ ‫العينات التي تمثل مواصفات املنازل (بيانات) مع أسعارها (إجابات)‪ ،‬وسيتعلم النظام القواعد‬ ‫اإلحصائية الالزمة لربط املواصفات باألسعار‪.‬‬ ‫ على الرغم من أن التعلم اآللي بدأ في االزدهار ً‬ ‫بدءا من التسعينيات‪ ،‬إال أنه سرعان ما أصبح املجال‬ ‫الفرعي األكثر شعبية واألكثر ً‬ ‫نجاحا في الذكاء الصناعي‪.‬‬ ‫تاريخ تعلم اآللة؟‬ ‫ ظهر أول تعريف لتعلم اآللة عام ‪ 1959‬من خالل رائد علوم الحاسوب أرثر‬ ‫صموئيل الذي قال عن تعلم اآللة أنها الطريقة لتعليم الحاسوب بدون برمجته‬ ‫أو إعطائه تعليمات مباشرة للقيام بمهمة ما‪،‬‬ ‫تماما عن الطريقة التي ينظر بها معظم علماء‬ ‫ً‬ ‫مختلفا ً‬ ‫ وكان هذا النوع من التفكير‬ ‫الحاسوب إلى أجهزة الحاسوب في ذلك الوقت‪.‬‬ ‫ "تعلم اآللة هو فرع من فروع الذكاء االصطناعي ‪ AI‬وعلوم الحاسوب الذي يركز‬ ‫على استخدام الحاسوب للبيانات والخوارزميات لتقليد الطريقة التي يتعلم بها‬ ‫البشر‪ ،‬وتحسين دقتها تدر ً‬ ‫يجيا مع التجربة املتكررة"‪.‬‬ ‫‪5‬‬  ‫‪9/28/2024‬‬ ‫تعريف تعلم اآللة؟‬ ‫ هناك العديد من التعاريف الخاصة بتعلم اآللة نذكرمنها أهم تعريفين‪:‬‬ ‫ تعريف آرثر صامويل ‪" :1959‬تعلم اآللة هو املجال الدراس ي الذي يمنح أجهزة الحاسب القدرة على‬ ‫التعلم دون برمجتها صراحة من قبل البشر"‬ ‫ تعريف توم ميتشل‪" :‬تعلم اآللة هو دراسة خوارزميات الحاسوب التي تحسن أدائها تلقائيا من خالل‬ ‫َ‬ ‫التجربة‪ ،‬ويقال أن برنامجا حاسوبيا يتعلم من الخبرة ‪ E‬التي تخص بمجموعة من املهام ‪ T‬بالنسبة‬ ‫ِإلى مقياس األداء ‪ ، P‬إذا تحسن أداءه على إنجاز املهام ‪T‬بعد اكتساب الخبرة ‪E‬باملقدار ‪ ،" P‬على‬ ‫سبيل املثال في مجال لعب الشطرنج تكون الخبرة ‪E‬هي عدد مرات اللعب ضد الحاسب و ‪T‬هي مهمة‬ ‫لعب الشطرنج ضد الحاسب واملعيار ‪P‬هو فوز‪/‬خسارة الحاسب‪.‬‬ ‫ ويمكننا القول بتعريف بسيط أن تعلم اآللة مجال من مجاالت الذكاء الصناعي يحاول بناء آالت قادرة‬ ‫ّ‬ ‫على التعلم من تلقاء نفسها‪.‬‬ ‫الفرق بين تعلم اآللة‬ ‫والذكاء االصطناعي‬ ‫‪6‬‬  ‫‪9/28/2024‬‬ ‫الفرق بين تعلم اآللة والذكاء االصطناعي‬ ‫االصطناعي وتعلم اآللة كمرادفين‪ ،‬كما‬ ‫ً‬ ‫ يميل معظم الناس إلى استخدام مصطلحات ً‬ ‫الذكاء‬ ‫أن الذكاء االصطناعي والتعلم اآللي مرتبطان ارتباطا وثيقا‪ ،‬إال أنهما ليسا متشابهين‪ ،‬بل‬ ‫مفهومان مختلفان‬ ‫ يمكن القول أن الذكاء االصطناعي مجال واسع يمثل تعلم اآللة جزء منه‪.‬حيث إن الذكاء‬ ‫االصطناعي هو قدرة الحاسوب على محاكاة الوظائف املعرفية للبشر مثل التعلم وحل‬ ‫املشكالت‪.‬‬ ‫ من خالل الذكاء االصطناعي‪ ،‬يستخدم الحاسوب "الذكي" الرياضيات واملنطق ملحاكاة‬ ‫التفكير املنطقي الذي يستخدمه اإلنسان للتعلم من املعلومات الجديدة واتخاذ القرارات‪.‬‬ ‫ أما تعلم اآللة فهو النمط أو الطريقة التي يتبعها الحاسوب لتطوير ذكائه‪.‬‬ ‫ً‬ ‫ً‬ ‫ً‬ ‫ ال يتطلب نظام الذكاء االصطناعي أن يكون‬ ‫مسبقا‪ ،‬بدال من ذلك يستخدم‬ ‫مبرمجا‬ ‫الخوارزميات للتعلم والتطوير‪.‬‬ ‫ّ‬ ‫ تمكن خوارزميات تعلم اآللة نظام الحاسوب من إجراء تنبؤات أو اتخاذ بعض القرارات من‬ ‫خالل التعلم من البيانات القديمة‪ ،‬حيث يستخدم التعلم اآللي كمية هائلة من البيانات‬ ‫املنظمة وشبه املنظمة‪ ،‬والتي يمكن لنموذج التعلم اآللي من خاللها أن يعطي نتائج دقيقة أو‬ ‫تنبؤات ً‬ ‫بناء على تلك البيانات‪.‬‬ ‫ في تعلم اآللة‪ ،‬يقوم الحاسوب باختبار ش يء أصغر مثل جزء صغير من البيانات‪ ،‬ثم‬ ‫معا‪.‬قد تنص الخوارزمية على أنه‬ ‫يستخدم خوارزمية إحصائية ملعرفة كيف تتالءم البيانات ً‬ ‫يجب التعامل مع نوعين من البيانات بنفس الطريقة‪ ،‬وتستخدم اآللة الخوارزمية للبحث‬ ‫عن األنماط املختلفة أو املتشابهة في البيانات‪.‬‬ ‫ يتم اختبار دقة اآللة في التنبؤ بالنتائج مقابل بيانات التدريب الخاصة بها ملعرفة ما إذا كانت‬ ‫ً‬ ‫جديدا فإنه يضيفه إلى‬ ‫صحيحة‪ ،‬وكما يفعل اإلنسان في أي وقت يتعلم الحاسوب ً‬ ‫شيئا‬ ‫قاعدة البيانات‪ ،‬بمعنى أنه يحفظها في ذاكرته طويلة املدى حتى يتمكن من تحسينها‬ ‫يجيا يتعرف الحاسوب على املزيد من البيانات املشابهة‪.‬‬ ‫والتكيف معها‪ ،‬وتدر ً‬ ‫‪7‬‬  ‫‪9/28/2024‬‬ ‫ إذا توفرت البيانات القديمة لتعلم اآللة‪ ،‬يمكنها حينئذ استخدام خوارزمية تتعلم‬ ‫ً‬ ‫نموذجا‬ ‫من تلقاء نفسها من خالل هذه البيانات‪ ،‬على سبيل املثال إذا كنا ننش ئ‬ ‫لتعلم اآللة للتعرف على صور الكالب من بين عدة صور‪ ،‬فإن النموذج سيعطي‬ ‫نتائج لصور الكالب فقط‪ ،‬ولكن إذا قدمنا بيانات جديدة مثل صورة القط فلن‬ ‫يستجيب النموذج ولن يعطي نتائج صحيحة‪.‬‬ ‫البيانات وتعلم اآللة‬ ‫ البيانات هي وقود التعلم اآللي‪ ،‬فبدون البيانات ستكون خوارزميات التعلم اآللي جائعة وضعيفة‬ ‫األداء‪ ،‬وستفشل في حل أي مشكلة بشكل صحيح‪.‬‬ ‫ بعض خوارزميات التعلم اآللي مثل خوارزميات التعلم العميق ال تشبع‪ ،‬وكلما زودتها بالبيانات‬ ‫ّ‬ ‫ونوعتها لها كلما ازدادت قوتها وقدراتها وتحسن أداؤها‪.‬‬ ‫ وتجدر اإلشارة هنا ألن األمرال يتعلق بزيادة حجم البيانات وكميتها فقط بل يتعلق كذلك بدقة‬ ‫البيانات وجودتها وتنوع حاالت استخدامها للحصول على نتائج صحيحة ودقيقة‪.‬‬ ‫ وفيما يلي نوضح أهم النقاط األساسية املتعلقة بالبيانات واملرتبطة بالتعلم اآللي‪:‬‬ ‫‪8‬‬  ‫‪9/28/2024‬‬ ‫أهم النقاط األساسية املتعلقة بالبيانات املرتبطة بالتعلم اآللي‪:‬‬ ‫ هناك نوعان أساسيان للبيانات املستخدمة في التعلم اآللي‪:‬‬ ‫ بيانات ُمسماة ‪ labeled‬وغيرمسماة ‪unlabeled‬‬ ‫ على سبيل املثال إذا كان املطلوب هو التنبؤ بعمر شخص معين‪ ،‬فإن العمر هنا يعد من البيانات‬ ‫املسماة في حين أن البيانات غير املسماة ال تحتوي على أي سمة مميزة‪.‬‬ ‫ تسمى خوارزميات تعلم اآللة التي تتعامل مع مجموعة بيانات مسماة خوارزميات التعلم‬ ‫الخاضع لإلشراف‬ ‫ في حين تسمى خوارزميات تعلم اآللة التي تستخدم مجموعة بيانات غير مسماة خوارزميات‬ ‫التعلم غير الخاضع لإلشراف‬ ‫ً‬ ‫ عادة ما تكون البيانات املستخدمة في التعلم اآللي عددية ‪ Numerical‬أو فئوية ‪Categorical.‬‬ ‫تتضمن البيانات العددية القيم التي يمكن ترتيبها وقياسها مثل العمر أو الدخل‪ ،‬وتتضمن‬ ‫البيانات الفئوية القيم التي تمثل الفئات‪ ،‬مثل الجنس أو نوع الفاكهة‪.‬‬ ‫يمكن تقسيم البيانات إلى مجموعات‪:‬‬ ‫تدريب ‪ Training‬ومجموعات مر اقبة أو تحقق‪ Validation‬ومجموعات اختبار ‪Testing‬‬ ‫ُ‬ ‫ُ‬ ‫ حيث تستخدم مجموعة بيانات ّالتدريب لتدريب النموذج‪ ،‬وتستخدم مجموعة املراقبة‬ ‫ً ُ‬ ‫وأخيرا تستخدم مجموعة االختبار للتقييم‬ ‫ملر اقبة سير عملية التدريب وتعلم النموذج‪،‬‬ ‫النهائي ألداء النموذج‪.‬‬ ‫ تعد املعالجة املسبقة للبيانات خطوة مهمة في تعلم اآللة‪ ،‬حيث يتم من خاللها‬ ‫تنظيف البيانات ومعالجة القيم املفقودة‪ ،‬والشاذة وهندسة امليزات‪.‬‬ ‫ هناك فرق بين البيانات واملعلومات واملعرفة‪ ،‬فالبيانات يمكن أن تكون أي حقيقة أو قيمة أو نص أو‬ ‫صوت أو صورة غير معالجة لم ُت ّ‬ ‫فسر أو تحلل‪ ،‬أما املعلومات فهي البيانات بعد تفسيرها ومعالجتها‪.‬أي‬ ‫ً‬ ‫تطورا واملتمثلة بالوعي‬ ‫أنها شكل متطور للبيانات ذو فائدة ومعنى أكبر‪ ،‬واملعرفة هي املرحلة األكثر‬ ‫والفهم واإلدراك للمعلومات‪.‬‬ ‫‪9‬‬  ‫‪9/28/2024‬‬ ‫ما طريقة عمل التعلم اآللي؟‬ ‫ الفكرة الرئيسة وراء التعلم اآللي تتمثل في عالقة رياضية قائمة بين أي مزيج من بيانات‬ ‫املدخالت واملخرجات‪.‬‬ ‫ نموذج التعلم اآللي ال يعرف هذه العالقة بشكل مسبق‪ ،‬ولكنه يستطيع أن يخمن إذا تم‬ ‫تزويده بمجموعات بيانات كافية‪.‬‬ ‫ُ‬ ‫ وهذا يعني أن كل لوغاريتم للتعلم اآللي يبنى على أساس دالة رياضية قابلة للتعديل‪،‬‬ ‫ويمكن فهم املبدأ األساس ي هكذا‪:‬‬ ‫‪.1‬نحن "ندرب" اللوغاريتم عن طريق تزويده بمجموعات املدخالت‪/‬املخرجات ‪ i,o‬التالية –‬ ‫(‪ ،)2,10‬و(‪ ،)5,19‬و(‪ )9,31‬أي املدخل ‪ 2‬واملخرج ‪ 10‬الخ‬ ‫‪.2‬يحسب اللوغاريتم العالقة بين املدخالت واملخرجات لتكون‪o=3*i+4 :‬‬ ‫‪.3‬ثم نعطه املدخل ‪ ،7‬ونطلب منه أن يتوقع املخرج‪.‬وهو يستطيع تحديد أن املخرج هو ‪.25‬‬ ‫ما املقصود بخوارزميات تعلم اآللة؟‬ ‫ عندما تفكر في تعلم اآللة‪ ،‬فكر فيما يعنيه التعلم‪ ،‬ما هي االستراتيجيات املختلفة‬ ‫التي تستخدمها لتعلم ش يء جديد؟ كيف يمكنك اتباع هذه االستراتيجيات‪ ،‬ثم‬ ‫تطبيقها على اآلالت‪.‬‬ ‫ تخيل أنك أردت تعلم لعب الشطرنج‪ ،‬يمكنك القيام بذلك من خالل عدة طرق‬ ‫مختلفة‪ ،‬إما من خالل توظيف مدرب الشطرنج وفي هذه الحال سيعلمك أسماء‬ ‫القطع ورموز الرقعة املختلفة وكيف تتحرك عبر اللوح‪ ،‬وستتمكن من التدريب‬ ‫باللعب ضد معلمك الذي يقوم باإلشراف على تحركاتك ومساعدتك عندما ترتكب‬ ‫خطأ‪.‬سينهي ُمدربك جميع دروسك وستبدأ في اللعب بشكل تنافس ي مع اآلخرين‪.‬‬ ‫‪10‬‬  ‫‪9/28/2024‬‬ ‫ الطريقة الثانية لتعلم الشطرنج في حال أنك لم تتمكن من العثور على مدرب‪ ،‬هو الذهاب إلى‬ ‫ُ‬ ‫النوادي املخصصة للعبة أو مشاهدة مقاطع فيديو ملئات من الخبراء الذين يلعبون اللعبة‪.‬ال‬ ‫يمكنك طرح األسئلة عليهم‪ ،‬ولكنك فقط تشاهد وتتعلم بهدوء‪.‬إذا قمت بذلك لفترة كافية‪،‬‬ ‫فمن املحتمل أن تفهم اللعبة‪ ،‬قد ال تعرف أسماء قطع الشطرنج‪ ،‬لكن يمكنك فهم الحركات‬ ‫واالستراتيجيات التي تعلمتها من ساعات مالحظاتك‪.‬‬ ‫أيضا من خالل الدمج بين الطريقتين‪ ،‬حيث يعلمك معلم الشطرنج القواعد‬ ‫ يمكنك التعلم ً‬ ‫األساسية‪ ،‬ثم تعود ملشاهدة األشخاص اآلخرين وهم يلعبون‪ ،‬بهذا يكون لديك نظرة عامة‬ ‫عالية املستوى وأملمت بأسماء قطع الشطرنج‪ ،‬لكنك ستعتمد على املالحظات كطريقة لرؤية‬ ‫االستراتيجيات الجديدة وتحسينها‪.‬‬ ‫ تشبه هذه االستراتيجيات الثالث إلى حد ما الخوارزميات التي يمكن لآللة من خاللها أن تتعلم‪.‬‬ ‫ إن خوارزميات تعلم اآللة هي مجموعة من التعليمات البرمجية التي تساعد اآللة على‬ ‫استكشاف وتحليل وإيجاد معنى في البيانات املعقدة‪.‬‬ ‫ كل خوارزمية هي مجموعة محدودة ومحددة من التعليمات يمكن لآللة اتباعها خطوة‬ ‫بخطوة لتحقيق هدف معين‪.‬‬ ‫ تحلل الخوارزميات البيانات بطرق مختلفة‬ ‫ يتم تصنيف الخوارزميات حسب تقنيات التعلم اآللي التي يتم استخدامها من أجلها‪ ،‬حيث‬ ‫يوجد أربعة أنواع من تقنيات تعلم اآللة وهم ‪:‬‬ ‫ُ َ‬ ‫‪.1‬التعلم تحت اإلشراف أو التعلم املراقب ‪Supervised learning‬‬ ‫‪.2‬التعلم شبه الخاضع لإلشراف ‪Semi supervised learning‬‬ ‫‪.3‬التعلم غير الخاضع لإلشراف أو التعلم االستنتاجي ‪Unsupervised learning‬‬ ‫‪.4‬التعلم املعزز أو التعلم املدعوم ‪Reinforcement learning‬‬ ‫‪11‬‬  ‫‪9/28/2024‬‬ ‫األنواع الطرق واألساليب املختلفة التي نتخذ بها نحن البشر‬ ‫يحاكي كل نوع من ًهذه ً‬ ‫قرارتنا وإليك شرحا مفصال لكل نوع من بين هذه األنواع‪.‬‬ ‫التعلم تحت اإلشراف ‪Supervised learning‬‬ ‫ في التعلم تحت اإلشراف‪ ،‬يعمل عالم البيانات كمدرب لآللة فهو يدرب‬ ‫الحاسوب على التنبؤ بالنتيجة ً‬ ‫بناء على مجموعة من األمثلة باستخدام‬ ‫القواعد األساسية‪ ،‬وإعطائها استراتيجية شاملة‪.‬‬ ‫ هذه التقنية مفيدة عندما تعرف الشكل الذي يجب أن تبدو عليه النتيجة‪.‬‬ ‫ُ‬ ‫ً‬ ‫ً‬ ‫ونجاحا‪.‬في هذا النوع تعطى‬ ‫شيوعا‬ ‫ هو أحد أكثر أنواع التعلم اآللي‬ ‫ً‬ ‫الخوارزمية مجموعة من البيانات باإلضافة إلى املخرج الصحيح لها‪.‬أي أن‬ ‫ً‬ ‫ُ‬ ‫الخوارزمية تد ّرب على مجموعة بيانات ُمسماة‪.‬‬ ‫‪12‬‬  ‫‪9/28/2024‬‬ ‫التعلم تحت اإلشراف ‪Supervised learning‬‬ ‫ مبدأ عمل الخوارزميات التي تنتهج هذا النهج هو‪ :‬الحصول على مجموعة بيانات ُمسماة‪،‬‬ ‫ثم تدريب النموذج على إيجاد عالقة أو دالة ‪ function‬تربط بين املدخالت واملخرجات‪.‬‬ ‫ً‬ ‫ إذا يمكننا القول أن هذا النهج ُيستخدم عندما نريد بناء نموذج يتنبأ (كلمة يتنبأ هنا‬ ‫أيضا) بنتيجة معينة في ضوء مدخالت معينة ويتطلب تعلم اآللة‬ ‫تشمل التصنيف ً‬ ‫الخاضع لإلشراف ً‬ ‫جهدا ً‬ ‫بشريا لبناء مجموعة التدريب املناسبة‪.‬‬ ‫ هناك نوعان رئيسيان من مشكالت التعلم اآللي الخاضعة لإلشراف‬ ‫هما التصنيف ‪ Classification‬والتوقع ‪*Regression‬‬ ‫ يكون الهدف في حالة التصنيف هو التنبؤ بتسمية فئة من قائمة محددة مسب ًقا من‬ ‫ُ‬ ‫الفئات‪.‬ومثال على ذلك بأن ند ّرب الخوارزمية على التمييز بين فئتين أو نوعين من الفاكهة‬ ‫هما البرتقال والتفاح‪.‬‬ ‫*‪ Regression‬أسلوب لتحليل البيانات يتوقع قيمة بيانات غير املعروفة‬ ‫ بالنسبة ملهام التوقع‪ ،‬فإن الهدف يكون توقع قيمة من‬ ‫مجال غير محدد‪ ،‬وخير مثال على ذلك هو توقع أسعار‬ ‫املنازل أو توقع الدخل السنوي للفرد ً‬ ‫بناء على مستواه‬ ‫التعليمي وعمره ومكان إقامته‪ ،‬فسعر املنازل أو الدخل‬ ‫السنوي يمكن أن تكون أي قيمة ضمن مجال ما‪.‬‬ ‫‪13‬‬  ‫‪9/28/2024‬‬ ‫التصنيف ‪ُ Classification‬يقسم إلى نوعين أساسيين هما‪:‬‬ ‫التصنيف الثنائي ‪ Binary Classification‬والتصنيف املتعدد ‪Multiclass-Classification.‬‬ ‫ يحدث التصنيف الثنائي عندما يكون لدينا فئتين من البيانات كما في مثال البرتقال والتفاح‪،‬‬ ‫مثال آخر هو تصنيف رسائل البريد اإللكتروني على أنها بريد عشوائي أو بريد حقيقي‬ ‫ً‬ ‫ أما التصنيف املتعدد فهو يحدث عندما يكون لدينا أكثر من فئتين (مثال لو كان املطلوب‬ ‫جعل النموذج سالف الذكر يميز بين ‪ 3‬أنواع من الفاكهة هي البرتقال والتفاح واملوز‪.‬‬ ‫ يزود علماء البيانات اللوغاريتمات ببيانات تدريب مسماة َّ‬ ‫ومعرفة من أجل تقييم العالقات‪.‬‬ ‫ً‬ ‫ وتحدد عينة البيانات كال من املدخالت واملخرجات للوغاريتم‪.‬على سبيل املثال‪ ،‬يتم التعليق على صور‬ ‫عرف على‬‫األرقام املكتوبة باليد لتحديد أي رقم تقابله‪.‬يستطيع نظام التعلم تحت اإلشراف الت ّ‬ ‫مجموعات البكسل واألشكال املرتبطة بكل رقم‪ ،‬في حالة تزويده بما يكفي من األمثلة‪.‬وسيتعرف في‬ ‫النهاية على األرقام املكتوبة ً‬ ‫يدويا‪ ،‬ويميز بسهولة بين العدد ‪ 9‬و‪ 4‬أو ‪ 6‬و‪.8‬‬ ‫ُ‬ ‫ وتعد البساطة وسهولة التصميم من مواطن قوة أسلوب التعلم تحت اإلشراف‪.‬وهو مفيد عند التنبؤ‬ ‫بمجموعة محدودة من النتائج املحتملة‪ ،‬أو تقسيم البيانات إلى فئات‪ ،‬أو جمع النتائج من لوغاريتمين‬ ‫آخرين من لوغاريتمات التعلم اآللي‪.‬ولكن من الصعب تسمية ماليين من مجموعات البيانات غير‬ ‫املسماة‪.‬‬ ‫ على سبيل املثال‪ ،‬أنت تقدم مجموعة بيانات تتضمن سكان املدن حسب السنة على مدار املائة عام‬ ‫املاضية‪ ،‬وتريد أن تعرف كم سيكون عدد سكان مدينة معينة بعد أربع سنوات من اآلن‪.‬يستخدم‬ ‫الحاسوب معطيات موجودة بالفعل في مجموعة البيانات وهي السكان واملدينة والسنة للتنبؤ بالنتيجة‪.‬‬ ‫‪14‬‬  ‫‪9/28/2024‬‬ ‫ما املقصود بتسمية البيانات؟‬ ‫تسمية البيانات هي عملية يتم فيها تصنيف بيانات املدخالت بالنسبة لقيم املخرجات امل ّ‬ ‫عرفة املقابلة لها‪.‬يلزم‬ ‫تسمية بيانات التدريب بالنسبة ألسلوب التعلم تحت اإلشراف‪.‬على سبيل املثال‪ ،‬ماليين من صور التفاح‬ ‫واملوز يجب وسمها بعالمة باستخدام الكلمتين "تفاح" أو "موز"‪.‬ثم تستطيع تطبيقات التعلم اآللي استخدام‬ ‫بيانات التدريب هذه لتخمين اسم الفاكهة عند إعطائها صورة فاكهة‪.‬‬ ‫ُ‬ ‫ولكن تسمية ماليين من البيانات الجديدة يمكن أن تعد مهمة صعبة تستغرق الكثير من الوقت‪.‬ويمكن‬ ‫لخدمات العمل الجماعي‪ ،‬مثل ‪ ،Amazon Mechanical Turk‬أن تتغلب على هذه املحدودية التي تتصف بها‬ ‫لوغاريتمات التعلم تحت اإلشراف إلى حد ما‪.‬وتوفر هذه الخدمات الوصول إلى مجموعة كبيرة من العمالة‬ ‫ميسورة التكلفة املنتشرة في جميع أنحاء العالم‪ ،‬ما يجعل استحواذ البيانات أقل صعوبة‪.‬‬ ‫التعلم غير الخاضع لإلشراف ‪Unsupervised learning‬‬ ‫‪15‬‬  ‫‪9/28/2024‬‬ ‫التعلم غير الخاضع لإلشراف ‪Unsupervised learning‬‬ ‫ في التعلم غير الخاضع لإلشراف ال يتم تصنيف البيانات‪ ،‬ولكن لديك فقط آلة تقوم بجمع املالحظات من تلقاء‬ ‫ً‬ ‫نفسها‪.‬قد ال يعرف الحاسوب األسماء والتسميات املختلفة‪ ،‬لكنه سيجد أنماطا مشتركة في البيانات‪.‬تقوم‬ ‫الخوارزمية بتسمية النتائج من خالل تنظيم البيانات أو وصف هيكلها‪.‬هذه التقنية مفيدة عندما ال تعرف‬ ‫الشكل الذي يجب أن تبدو عليه النتيجة‪.‬‬ ‫ على سبيل املثال‪ ،‬أنت تقدم بيانات العمالء وتريد تقسيم العمالء إلى شرائح حسب ما يفضلونه من منتجاتك‪.‬‬ ‫لم يتم تصنيف البيانات التي تقدمها‪ ،‬ولكن يقوم الحاسوب بتسمية البيانات في النتيجة التي يعطيها لك ً‬ ‫بناء‬ ‫على أوجه التشابه التي تم اكتشافها بين نقاط البيانات ومن ثم قام الحاسوب بتجميع العمالء ذي التفضيل‬ ‫ُ‬ ‫املماثل في مجموعة واحدة حسب أوجه التشابه بين مجموعات البيانات املدخلة إليه‪.‬‬ ‫ تتدرب لوغاريتمات التعلم بدون إشراف على البيانات غير املسماة‪.‬ويمكنها فحص البيانات الجديدة لتحاول تأسيس روابط ذات‬ ‫ّ‬ ‫وتصنف البيانات‪.‬‬ ‫مغزى بين املدخالت واملخرجات مسبقة التحديد‪.‬وتستطيع أن تكشف عن األنماط‬ ‫ِ‬ ‫ على سبيل املثال‪ ،‬يمكن للوغاريتمات التعلم بدون إشراف تجميع املقاالت اإلخبارية من املواقع اإلخبارية املختلفة تحت فئات‬ ‫شائعة‪ ،‬مثل الرياضة والجريمة‪ ،‬إلخ‪.‬ويمكنها أن تستخدم معالجة اللغة الطبيعية لفهم املعاني والعواطف التي تحتويها املقالة‪.‬‬ ‫ففي قطاع تجارة التجزئة‪ ،‬يستطيع التعلم اآللي بدون إشراف العثور على أنماط في مشتريات العمالء وتوفير نتائج تحليل‬ ‫البيانات‪ ،‬مثل "على األرجح أن يشتري العميل الخبز إذا اشترى الزبدة ً‬ ‫أيضا"‪.‬‬ ‫ ُيعد التعلم بدون إشراف ً‬ ‫مفيدا للتعرف على األنماط‪ ،‬والكشف عن القيم الشاذة‪ ،‬وتجميع البيانات إلى فئات بشكل تلقائي‪.‬وبما‬ ‫ن ً‬ ‫سهال‪.‬يمكن استخدام هذه اللوغاريتمات ً‬ ‫أيضا لتنقيح البيانات‬ ‫أن بيانات التدريب ال تتطلب التسمية‪ ،‬فإن اإلعداد يكو‬ ‫ومعالجتها من أجل بناء النماذج بشكل تلقائي بعد ذلك‪.‬ما يقيد هذا األسلوب هو أنه ال يستطيع أن يقدم تنبؤات دقيقة‪.‬‬ ‫باإلضافة إلى ذلك‪ ،‬ال يمكنه تمييز األنواع املحددة من نتائج البيانات بشكل مستقل‪.‬‬ ‫‪16‬‬  ‫‪9/28/2024‬‬ ‫ً‬ ‫ُ‬ ‫ في هذا النوع من أنواع تعلم اآللة تعطى الخوارزمية مجموعة من البيانات بدون املخرج الصحيح لها‪،‬‬ ‫ً‬ ‫ُ‬ ‫أي أن الخوارزمية تد ّرب على مجموعة بيانات غير ُمسماة‪.‬‬ ‫ مبدأ عمل الخوارزميات التي تنتهج هذا النهج هو‪ :‬الحصول على مجموعة بيانات غير ُمسماة‪ ،‬ثم‬ ‫ُ‬ ‫ّ‬ ‫مخفية بين هذه املدخالت‪.‬‬ ‫تدريب النموذج على إيجاد عالقات‬ ‫ هناك نوعان أساسيين من الخوارزميات التي تنتهج هذا النهج هما خوارزميات التحويل‬ ‫‪Transformation‬وخوارزميات العنقدة أو التجميع ‪Clustering.‬‬ ‫ً‬ ‫ً‬ ‫ُ‬ ‫جديدا للبيانات قد يكون من األسهل على البشر أو خوارزميات‬ ‫ تنش ئ خوارزميات التحويل تمثيال‬ ‫ً‬ ‫التعلم اآللي األخرى فهمه مقارنة بالتمثيل األصلي للبيانات‪.‬‬ ‫ بالنسبة للنوع اآلخر املتمثل بخوارزميات العنقدة‪ ،‬فهي تعتمد على تقسيم البيانات إلى مجموعات‬ ‫ً‬ ‫مميزة من العناصر املتشابهة‪.‬خذ مثال عملية تحميل الصور على أحد مواقع التواصل االجتماعي‬ ‫ُ‬ ‫كمثال‪ ،‬هنا قد يرغب املوقع في تجميع الصور التي تظهر الشخص نفسه مع بعضها بغية تنظيم‬ ‫صورك إال أن املوقع ال يعرف من يظهر في الصور وال يعرف عدد األشخاص املختلفين الذين‬ ‫يظهرون في مجموعة الصور خاصتك‪.‬‬ ‫ تتمثل الطريقة املنطقية لحل املشكلة في استخراج كل الوجوه وتقسيمها إلى مجموعات من الوجوه‬ ‫املتشابهة‪ ،‬وبعدها يتم وضع كل صورة جديدة تحملها في املجموعة األكثر ً‬ ‫شبها لها ومن أشهر‬ ‫خوارزميات العنقدة نذكر خوارزمية ‪K-means.‬‬ ‫‪17‬‬  ‫‪9/28/2024‬‬ ‫التعلم شبه الخاضع لإلشراف ‪Semi supervised learning‬‬ ‫ التعلم شبه الخاضع لإلشراف هو مزيج من التجربتين السابقتين‬ ‫ً‬ ‫قليال من خالل إعطائها ً‬ ‫ً‬ ‫صغيرا من‬ ‫جزءا‬ ‫ يمكن من خالل هذه التقنية تدريب اآللة‬ ‫كبيرا من األمثلة غير املصنفة التي يجب أن تتعلم منها اآللة حتى‬ ‫ً‬ ‫وعددا ً‬ ‫األمثلة املصنفة‪،‬‬ ‫تحصل على نظرة عامة عالية املستوى‬ ‫ ثم يتم التعلم عن القواعد واالستراتيجيات من خالل مالحظة أنماط مختلفة من‬ ‫البيانات‪.‬‬ ‫ كما يوحي االسم‪ ،‬يجمع هذا األسلوب بين أسلوبي التعلم تحت اإلشراف والتعلم بدون إشراف‪.‬‬ ‫ يعتمد هذا األسلوب على استخدام كم صغير من البيانات املسماة وكم كبير من البيانات غير املسماة لتدريب األنظمة‪.‬‬ ‫ً‬ ‫اوال باستخدام البيانات املسماة لتدريب خوارزمية التعلم اآللي ً‬ ‫جزئيا‪.‬‬ ‫ وفق الترتيب الذي يبدا‬ ‫جزئيا بتسمية البيانات غير املسماة‪ُ.‬ويطلق على هذه العملية اسم التسمية‬ ‫املدربة ً‬ ‫ وبعد ذلك‪ ،‬تقوم هذه الخوارزمية َّ‬ ‫املستعارة‪.‬‬ ‫ ومن ثم ُيعاد تدريب هذا النموذج على مزيج من البيانات الناتجة بدون برمجة صريحة‪.‬‬ ‫ امليزة في هذه الطريقة هي أنها ال تتطلب منك توفير كم كبير من البيانات املسماة‪.‬وهي طريقة سهلة عند العمل على بيانات‬ ‫ً‬ ‫طويال ً‬ ‫مثل الوثائق الطويلة التي من املفترض أن تستغرق ً‬ ‫جدا لكي يقرأها البشر ويسموها‪.‬‬ ‫وقتا‬ ‫‪18‬‬  ‫‪9/28/2024‬‬ ‫التعلم املعزز ‪Reinforcement learning‬‬ ‫ يتعلق التعلم املعزز باتخاذ اإلجراءات املناسبة لتعظيم املكافأة في موقف ما‪ ،‬ويتم استخدامه من‬ ‫قبل العديد من البرامج واآلالت للعثور على أفضل سلوك أو مسار يجب أن يسلكه في موقف معين‪.‬‬ ‫ في التعلم املعزز‪ ،‬ال توجد إجابة‪ ،‬ولكن عنصر التعزيز يساعد اآللة على تحديد ما يجب القيام به‬ ‫ألداء املهمة املحددة‪ ،‬ففي حالة عدم وجود مجموعة بيانات تدريبية ال بد أن تتعلم اآللة من تجربتها‪.‬‬ ‫ يستخدم التعلم املعزز الخوارزميات التي تتعلم من النتائج‪ ،‬وتقرر اإلجراء الذي يجب اتخاذه بعد‬ ‫ذلك‪.‬بعد كل إجراء‪ ،‬تتلقى الخوارزمية مالحظات تساعدها على تحديد ما إذا كان االختيار الذي‬ ‫ً‬ ‫محايدا أم غير صحيح‪.‬يعتبر التعلم املعزز تقنية جيدة الستخدامها مع األنظمة‬ ‫ً‬ ‫صحيحا أم‬ ‫اتخذته‬ ‫اآللية التي يتعين عليها اتخاذ الكثير من القرارات الصغيرة بدون توجيه بشري‪.‬‬ ‫ على سبيل املثال‪ ،‬أنت تصمم سيارة ذاتية القيادة وتريد التأكد من أنها تلتزم بالقانون وتحافظ على‬ ‫يخا من التعزيزات‪ ،‬تتعلم كيفية البقاء في مسارها‪،‬‬‫سالمة الناس‪ ،‬عندما تكتسب السيا ة خبرة وتا ً‬ ‫ر‬ ‫ر‬ ‫وعدم تجاوز الحد األقص ى للسرعة‪ ،‬واستخدام الفرامل في حال وجود مشاه‪.‬‬ ‫ التعلم املعزز هو أسلوب يتم فيه إرفاق قيم معطاة بأنواع مختلفة من الخطوات التي يجب على اللوغاريتم‬ ‫املرور بها‪.‬لذا‪ ،‬هدف النموذج هو تجميع أكبر قدر من نقاط املعطيات والوصول في النهاية إلى هدف نهائي‪.‬‬ ‫وكانت تنحصر معظم التطبيقات العملية للتعلم املعزز في العقد املاض ي في عالم ألعاب الفيديو‪.‬‬ ‫ وقد حققت لوغاريتمات التعلم املعزز املتطورة نتائج مذهلة في األلعاب الكالسيكية والحديثة‪ً ،‬‬ ‫وغالبا ما‬ ‫تتفوق على نظرائها من البشر بفارق كبير‪.‬‬ ‫ على الرغم من أن هذا األسلوب يعمل على أفضل نحو في بيئات البيانات غير اليقينية واملعقدة‪ ،‬فإنه ً‬ ‫نادرا ما‬ ‫جيدا‪ ،‬ويمكن أن يؤثر تحيز ّ‬ ‫املعرفة ً‬ ‫ّ ً‬ ‫اال بالنسبة للمهام َّ‬ ‫املطور‬ ‫ِ‬ ‫يتم تطبيقه في سياقات األعمال‪.‬فهو ليس فع‬ ‫عالم البيانات هو َمن يصمم املعطيات‪ ،‬فإن بإمكانه التأثير في النتائج‪.‬‬ ‫في النتائج‪.‬بما أن ِ‬ ‫‪19‬‬  ‫‪9/28/2024‬‬ ‫ في هذا النوع من تعلم اآللة ابتكر املطورون طريقة ملكافأة السلوكيات املرغوبة ومعاقبة السلوكيات السلبية لآللة‬ ‫ُ‬ ‫البيئة أي أن الخوارزمية أو الروبوت أو البرنامج والذي‬ ‫مع‬ ‫التفاعل‬ ‫خالل‬ ‫من‬ ‫التعلم‬ ‫على‬ ‫حيث يعتمد التعلم املعزز‬ ‫ً‬ ‫ً‬ ‫يسمى في هذه الحالة الوكيل ‪ agent‬يتعلم من عواقب أفعاله بدال من تعليمه صراحة‪.‬‬ ‫ فالوكيل يختار أفعاله وقرارته املستقبلية على أساس تجاربه السابقة (االستغالل) ً‬ ‫وأيضا من خالل الخيارات‬ ‫الجديدة (االستكشاف) أي أن التعلم يرتكز على مبدأ التجربة والخطأ ويتعلق األمر باتخاذ اإلجراءات املناسبة‬ ‫لزيادة املكافأة إلى أقص ى حد في موقف معين‪.‬‬ ‫عددا ً‬ ‫كبيرا من التفاعالت بين الوكيل والبيئة لجمع البيانات للتدريب ويستخدم في مجال‬ ‫ يتطلب التعلم املعزز ً‬ ‫األلعاب حيث تعد األلعاب من أبرز مجاالت استخدام التعلم املعزز فهو قادر على تحقيق أداء خارق في العديد من‬ ‫األلعاب مثل لعبة ‪Pac-Man.‬‬ ‫ ومن األمثلة على استخدامه هو تدريب السيارات على التوقف باستخدام نظام القيادة اآللي حيث يتم تعليم‬ ‫حاسوب السيارة أو الوكيل على الوقوف في املكان الصحيح من خالل قراءة بيانات أجهزة استشعار مثل الكاميرات‬ ‫ونظام تحديد املواقع ‪GPS‬واتخاذ اإلجراءات املناسبة مثل الضغط على الفرامل وتغيير االتجاه ويحتاج الوكيل‬ ‫بالطبع إلى إيقاف السيارة مر ًارا وتكر ًارا باستخدام التجربة والخطأ ويتم تقديم إشارة مكافأة لتقييم جودة التجربة‬ ‫وتعزيز عملية التعلم‪.‬‬ ‫هل نماذج التعلم اآللي حتمية؟‬ ‫ً‬ ‫ً‬ ‫ إذا كان مخرج نظام ما قابال للتنبؤ‪ ،‬فيمكن القول إذا إن النظام حتمي‪.‬حيث تستجيب معظم التطبيقات البرمجية بشكل‬ ‫متوقع إلجراء املستخدم‪ ،‬لذا يمكنك القول إنه "إذا فعل املستخدم ذلك‪ ،‬فسوف يحصل على هذا"‪.‬‬ ‫ ولكن تتعلم لوغاريتمات التعلم اآللي من خالل املالحظة إلى جانب التجارب‪.‬لذلك‪ ،‬فهي احتمالية بطبيعتها‪.‬وتتغير العبارة‬ ‫السابقة هنا إلى "إذا فعل املستخدم ذلك‪ ،‬فمن املحتمل بنسبة كذا‪ %‬أن يحدث هذا"‪.‬‬ ‫ في التعلم اآللي‪ ،‬الحتمية هي إستراتيجية مستخدمة في أثناء تطبيق أساليب التعلم‪.‬أي من أساليب التدريب تحت اإلشراف‬ ‫ً‬ ‫اعتمادا على النتائج املطلوبة من جانب األعمال‪.‬إن السؤال البحثي واستعادة‬ ‫وبدون إشراف وغيرها‪ ،‬يمكن جعلها حتمية‬ ‫البيانات والتنظيم وقرارات التخزين تحدد ما إذا كان سيتم اعتماد إستراتيجية حتمية أم غير حتمية‪.‬‬ ‫‪20‬‬  ‫‪9/28/2024‬‬ ‫النهج الحتمي مقابل النهج غير الحتمي‬ ‫ يركز النهج الحتمي في حجم البيانات التي يتم جمعها ودقتها‪ ،‬لذا الكفاءة تكون لها األولوية‬ ‫عن عدم اليقين‪.‬من ناحية أخرى‪ ،‬العملية غير الحتمية (أو االحتمالية) مصممة للتعامل‬ ‫مع عامل االحتمال‪.‬‬ ‫ تتكامل األدوات املدمجة في لوغاريتمات التعلم اآللي للمساعدة في تحديد حجم عدم اليقين‬ ‫ُّ‬ ‫والتعرف عليه وقياسه في أثناء التعلم واملالحظة‪.‬‬ ‫ما املقصود بالتعلم العميق؟‬ ‫ التعلم العميق هو أحد أنواع تقنية التعلم اآللي‪ ،‬الذي يشبه طريقة عمل الدماغ البشري‪،‬‬ ‫حيث تقوم لوغاريتمات التعلم العميق بتحلل البيانات باستخدام هيكل منطقي مماثل‬ ‫لذلك الذي يستخدمه البشر‪.‬‬ ‫ُ‬ ‫ يستخدم التعلم العميق أنظمة ذكية تسمى الشبكات العصبونية االصطناعية ملعالجة‬ ‫املعلومات في طبقات‪ ،‬حيث تتدفق البيانات من طبقة املدخالت خالل عدة طبقات من‬ ‫الشبكات العصبونية املخفية "العميقة" قبل أن تصل إلى طبقة املخرجات‪.‬‬ ‫ تدعم الطبقات املخفية اإلضافية‪ ،‬التعلم الذي له إمكانية أقوى من نماذج التعلم اآللي‬ ‫القياسية‪.‬‬ ‫‪21‬‬  ‫‪9/28/2024‬‬ ‫ما املقصود بالشبكة العصبونية االصطناعية ‪Artificial Neural Network‬؟‬ ‫ طبقات التعلم العميق هي عبارة عن ُعقد من الشبكات العصبونية االصطناعية ‪ ،ANN‬التي تعمل‬ ‫مثل عصبونات الدماغ البشري‪.‬‬ ‫العقد ً‬ ‫مزيجا من األجهزة والبرمجيات‪.‬‬ ‫ يمكن أن تكون ُ‬ ‫ تتألف كل طبقة في لوغاريتم التعلم العميق من ُعقد شبكات عصبونية اصطناعية‪ ،‬حيث تتصل كل‬ ‫عقدة (أو عصبون اصطناعي) بأخرى‪ ،‬ويكون لها رقم محسوب مرتبط وعدد حدي‪.‬‬ ‫ً‬ ‫ ترسل العقدة رقمها املحسوب بصفته مدخال إلى عقدة الطبقة التالية عند تنشيطها‪ ،‬وال يتم‬ ‫تنشيطها إال إذا كان مخرجها يفوق القيمة الحدية املحددة‪.‬وإال‪ ،‬فلن يتم تمرير أي بيانات‪.‬‬ ‫‪22‬‬  ‫‪9/28/2024‬‬ ‫ما املقصود برؤية الحاسوب؟‬ ‫ رؤية الحاسوب هي تطبيق واقعي للتعلم العميق‪.‬‬ ‫ّ‬ ‫ّ‬ ‫تمكن رؤية الحاسوب‬ ‫يمكن الحواسيب من التفكير‪ِ ،‬‬ ‫ على غرار الذكاء االصطناعي الذي ِ‬ ‫الحواسيب من الرؤية واملالحظة واالستجابة‪.‬‬ ‫ تستخدم السيارات ذاتية القيادة رؤية الحاسوب لـ "قراءة" إشارات املرور‪.‬تلتقط كاميرا‬ ‫ُ‬ ‫السيارة صورة إلشارة املرور‪.‬وترسل هذه الصورة إلى لوغاريتم التعلم العميق في السيارة‪.‬‬ ‫وتكتشف الطبقة املخفية األولى الحواف‪ ،‬وتميز الثانية األلوان‪ ،‬بينما تتعرف الثالثة على‬ ‫ُ‬ ‫تفاصيل حروف األبجدية املوضحة على إشارة املرور‪.‬ويتنبأ اللوغاريتم بأن اإلشارة تقرأ‬ ‫"توقف"‪ ،‬وتستجيب السيارة عن طريق إحداث آلية املكابح‪.‬‬ ‫هل التعلم اآللي والتعلم العميق ش يء واحد؟‬ ‫التعلم العميق هو مجموعة فرعية من التعلم اآللي‪ ،‬حيث يمكن اعتبار‬ ‫ياضيا للوغاريتمات‬ ‫ً‬ ‫ومعقدا ر ً‬ ‫ً‬ ‫متطورا‬ ‫لوغاريتمات التعلم العميق ً‬ ‫تطورا‬ ‫التعلم اآللي‪.‬‬ ‫‪23‬‬  ‫‪9/28/2024‬‬ ‫هل التعلم اآللي والذكاء االصطناعي ش يء واحد؟‬ ‫ اإلجابة القصيرة هي ال‪.‬‬ ‫ ففي حين أن مصطلحي التعلم اآللي والذكاء االصطناعي ‪AI‬يمكن استخدامهما بصورة متبادلة‪ ،‬فهما ليسا‬ ‫الش يء نفسه‪.‬فإن الذكاء االصطناعي مصطلح جامع لإلستراتيجيات والتقنيات املختلفة املستخدمة لجعل‬ ‫اآلالت أكثر ً‬ ‫شبها باإلنسان‪.‬‬ ‫ ويتضمن الذكاء االصطناعي أي ش يء ً‬ ‫بدءا من أدوات املساعدة الذكية‪ ،‬مثل ‪ ،Alexa‬إلى املكانس الكهربائية‬ ‫اآللية والسيارات ذاتية القيادة‪.‬أما التعلم اآللي‪ ،‬فهو أحد الفروع العديدة للذكاء االصطناعي‪.‬‬ ‫ على الرغم من أن التعلم اآللي عبارة عن ذكاء اصطناعي‪ ،‬فإن جميع أنشطة الذكاء االصطناعي ال يمكن‬ ‫إدراجها تحت مسمى التعلم اآللي‪.‬‬ ‫هل التعلم اآللي وعلم البيانات ش يء واحد؟‬ ‫ كال‪ ،‬التعلم اآللي وعلم البيانات ليسا ً‬ ‫شيئا ً‬ ‫واحدا‪.‬‬ ‫نهجا ً‬ ‫علميا الستخراج املعاني والرؤى من البيانات‪.‬‬ ‫ علم البيانات هو مجال دراسة يستخدم ً‬ ‫ حيث يستخدم علماء البيانات مجموعة متنوعة من األدوات لتحليل البيانات‪ ،‬ويعتبر التعلم‬ ‫اآللي أداة من أدوات علم البيانات‪.‬‬ ‫ ويمكن فهم علم البيانات بأنه الصورة األكبر املحيطة بالبيانات‪ ،‬مثل النموذج التجاري‪،‬‬ ‫والنطاق‪ ،‬وجمع البيانات‪ ،‬في حين التعلم اآللي هو عملية حوسبة ال تتعامل إال مع مسودة‬ ‫البيانات‪.‬‬ ‫‪24‬‬  ‫‪9/28/2024‬‬ ‫تطبيقات حقيقية في تعلم اآللة‬ ‫ يستخدم التعلم اآللي بالفعل ً في العديد من الصناعات املختلفة‪ ،‬عندما تتحقق من‬ ‫الطقس‪ ،‬أو إذا كنت تكتب شيئا ما في محرك بحث‪ ،‬فأنت تستفيد بالفعل من تعلم اآللة‪.‬‬ ‫ يمكن ألي مؤسسة لديها الكثير من البيانات وتبحث عن طرق أفضل لفهمها أن تستفيد‬ ‫من هذه التقنية‪ ،‬ولكن هناك بعض املجاالت التي هي أبسط بكثير‪.‬‬ ‫ً‬ ‫ فكر في تطبيق ‪ YouTube‬املوجود على هاتفك النقال مثال‪ ،‬يمكن لهذا التطبيق جمع‬ ‫كمية هائلة من البيانات‪ ،‬لذلك عندما تنقر على مقاطع فيديو ً مختلفة ُيسجل ما‬ ‫تشاهده‪ ،‬ويحدد مكان وجودك‪ ،‬والوقت من اليوم ‪ ،‬من السهل جدا جمع كميات هائلة‬ ‫من البيانات‪ ،‬ولكن األمر الصعب هو اكتساب رؤى من تلك البيانات‪ ،‬يساعد تعلم اآللة‬ ‫على الحصول على كل تلك البيانات ومعرفة املزيد عنك‪ ،‬ويحسن من تجربتك في‬ ‫استخدام التطبيق‪ ،‬ويمكنك من مشاهدة مقاطع أكثر صلة بما ترغب في مشاهدته‪.‬‬ ‫ تستخدم شركات مثل ‪ Google‬و ‪ Facebook‬و ‪ Apple‬و ‪ LinkedIn‬التعلم اآللي لفهمك بشكل‬ ‫أفضل‪ ،‬بهذه الطريقة‪ ،‬في كل مرة تستخدم فيها تطبيقاتهم يمكنهم منحك تجربة مخصصة‪.‬‬ ‫ هذا هو السبب في أن موجز أخبار ‪ Facebook‬الخاص بك فريد بالنسبة لك‪ ،‬وسبب حصول‬ ‫شخصين يضعان نفس مصطلح البحث في ‪ Google‬على نتائج مختلفة ً‬ ‫تماما‪.‬‬ ‫ يستخدم ‪ً YouTube‬‬ ‫أيضا معالجة اللغة الطبيعية ‪ NLP‬لنسخ الفيديو الخاص بك وعمل‬ ‫ترجمات بمختلف اللغات وهذا ً‬ ‫أيضا قائم على تعلم اآللة‪.‬‬ ‫ إليك بعض األمثلة األخرى على تطبيقات تعلم اآللة التي تستخدمها كل يوم‪.‬‬ ‫‪25‬‬  ‫‪9/28/2024‬‬ ‫التعرف على الكالم‬ ‫ ُيعرف ً‬ ‫أيضا باسم التعرف اآللي على الكالم ‪ ،Automatic Speech Recognition‬أو تحويل‬ ‫الكالم إلى نص‪ ،‬وهي قدرة تستخدم معالجة اللغة الطبيعية ‪Natural Language‬‬ ‫‪ Processing‬لتحويل الكالم البشري إلى نص مكتوب‪.‬‬ ‫ تدمج العديد من الهواتف النقالة التعرف على الكالم في أنظمتها إلجراء بحث صوتي مثل‬ ‫‪Siri‬و ‪Google assistant.‬‬ ‫التعرف على الوجه‬ ‫شيوعا هو اقتراحات وضع عالمات على األصدقاء‬ ‫ً‬ ‫ أحد ًأكثر تطبيقات التعلم اآللي‬ ‫تلقائيا ‪Tagging‬في ‪Facebook‬أو أي منصة تواصل اجتماعي أخرى‪.‬‬ ‫ً‬ ‫تلقائيا على وجه الشخص‪،‬‬ ‫ يستخدم ‪ Facebook‬تقنية تسمى ‪ Deepface‬للعثور‬ ‫حيث تقوم بتحليل بيانات الصور وتحديد األنماط املتشابهة فيها ومقارنة ذلك‬ ‫بالصور املوجودة في قائمة األصدقاء الخاصة بك‪ ،‬وبالتالي يقترح علينا وضع عالمة‬ ‫على هذا الشخص‪.‬‬ ‫‪ Face Detection‬للعثور‬ ‫ً‬ ‫وكذلك تستخدم بعض أجهزة الهواتف الذكية تقنية‬ ‫ ‬ ‫تلقائيا على وجه األشخاص في مجلد الصور‪ ،‬وتجميعها معا وبناء مقاطع فيديو لها‬ ‫ً‬ ‫ ‪ Deepface‬وكذلك ‪ Face Detection‬تعتبر نماذج مبسطة من‪Face-‬‬ ‫‪recognition‬‬ ‫‪26‬‬  ‫‪9/28/2024‬‬ ‫رؤية حاسوبية‬ ‫ّ‬ ‫ تمكن تقنية الذكاء االصطناعي أجهزة الحاسوب واألنظمة املختلفة‬ ‫من استخالص معلومات ذات قيمة من الصور الرقمية ومقاطع‬ ‫الفيديو واملدخالت املرئية األخرى‬ ‫وبناء على هذه املدخالت يمكن للحاسوب اتخاذ إجراءات‪ ،‬كتقديم‬‫ ً‬ ‫االقتراحات املشابهة بناء على الصورة كما في حال تطبيق ‪Pinterest‬‬ ‫الخرائط الرقمية ونظام تحديد املواقع‬ ‫ في الوقت الحاضر‪ ،‬عندما نريد الذهاب إلى مكان ما‪ ،‬فإن أول ش يء نفعله هو أخذ خرائط ‪Google‬للتعرف على الطريق‬ ‫وظروف املرور‪ ،‬ثم تتنبأ الخريطة بحركة املرور وتعطي أقصر مسار زمني إلى الوجهة املطلوبة ‪.‬يستخدم تطبيق‬ ‫الخرائط مدخلين لتحليل حركة املرور‪ ،‬وهما املوقع في الوقت الفعلي للسيارة ومتوسط الوقت الذي يستغرقه الوصول‬ ‫إلى املوقع في األيام املاضية‪ ،‬ثم تقوم خوارزمية تعلم اآللة بمعالجة البيانات وتحليلها والتعلم من األنماط املوجودة‬ ‫فيها‪ ،‬ثم تتنبأ باملخرجات مثل حالة الطريق وزمن الوصول املتوقع‪.‬‬ ‫ يقدم كل مستخدم لتطبيق الخرائط موقعه‪ ،‬ومتوسط السرعة‪ ،‬واملسار الذي يسافر إليه‪ ،‬وهذا و بدوره يساعد‬ ‫‪Google‬على جمع بيانات ضخمة حول حركة املرور السابقة‪ ،‬وبالتالي توقع حركة املرور القادمة ثم يقدم لك املسار‬ ‫األنسب ً‬ ‫وفقا لها‬ ‫‪27‬‬  ‫‪9/28/2024‬‬ ‫خدمة العمالء‬ ‫حل روبوتات املحادثة عبر اإلنترنت محل املساعد البشري خالل رحلة العميل في املوقع‪.‬‬ ‫ً‬ ‫فهم يجيبون على األسئلة املتداولة ‪FAQs‬عن عملية الشحن مثال‪ ،‬أو يقدمون نصائح‬ ‫شخصية تتناسب مع كل عميل مثل اقتراح منتجات أخرى أو اقتراح األحجام املناسبة من‬ ‫املنتج‪.‬من أمثلة هذا التطبيق‪ ،‬روبوتات الرسائل على مواقع التجارة اإللكترونية‪ ،‬وتطبيقات‬ ‫املراسلة‪ ،‬مثل ‪ Slack‬و ‪ ،Facebook Messenger‬واملساعد االفتراض ي واملساعد الصوتي‬ ‫تعتبر تقنية ‪ chatbot‬من اشهر األدوات املستخدمة في مجال خدمة العمالء‬ ‫وسائل التواصل االجتماعي‬ ‫تستخدم وسائل التواصل االجتماعي مثل ‪ Facebook‬و ‪Twitter‬وما إلى‬ ‫ذلك‪ ،‬خوارزميات تعلم اآللة لتحليل البيانات‪ K‬واستخدام التنبؤات في‬ ‫تقديم اقتراحات األصدقاء‪ ،‬ومقاطع فيديو مماثلة‪ ،‬وصفحات ومجموعات‬ ‫مشابهة لتفضيالتك‬ ‫‪28‬‬  ‫‪9/28/2024‬‬ ‫تصفية البريد اإللكتروني العشوائي والبرامج الضارة‬ ‫ هناك عدد من أساليب تصفية البريد العشوائي التي يستخدمها عمالء البريد اإللكتروني‪.‬للتأكد من‬ ‫أن عوامل تصفية البريد العشوائي هذه يتم تحديثها باستمرار‪ ،‬يتم تزويدها بخوارزميات تعلم اآللة‪.‬‬ ‫ عند إجراء تصفية للرسائل غير املرغوب فيها على أساس قاعدة معينة‪ ،‬فإنها تفشل في تتبع أحدث‬ ‫الحيل التي يتبناها مرسلو البريد العشوائي لهذا يتم استخدام تقنيات تصفية البريد العشوائي التي‬ ‫يتم تشغيلها بواسطة التعلم اآللي‪.‬‬ ‫محركات التوصية‬ ‫باستخدام بيانات االستهالك السابقة‪ ،‬يمكن أن تساعد خوارزميات تعلم اآللة‬ ‫في اكتشاف اتجاهات البيانات التي يمكن استخدامها لتطوير استراتيجيات بيع‬ ‫أكثر فعالية خالل مواقع التسوق اإللكتروني‪ُ.‬يستخدم هذا لتقديم توصيات‬ ‫إضافية ذات صلة للعمالء أثناء عملية الدفع عبر اإلنترنت‬ ‫‪29‬‬  ‫‪9/28/2024‬‬ ‫تحليل املشاعر‬ ‫ يعد تحليل املشاعر أحد أكثر التطبيقات الضرورية للتعلم اآللي‪.‬‬ ‫ تحليل املشاعر هو تطبيق تعلم آلي في الوقت الفعلي يحدد عاطفة أو رأي املتحدث أو الكاتب‪.‬‬ ‫ً‬ ‫إلكترونيا (أي شكل من أشكال املستند)‪،‬‬ ‫ على سبيل املثال‪ ،‬إذا كتب شخص ما مراجعة أو ً‬ ‫بريدا‬ ‫فسوف يكتشف محلل املشاعر على الفور الفكر والنبرة الفعلية للنص‪.‬‬ ‫ يمكن استخدام تطبيق تحليل املشاعر لتحليل موقع ويب قائم على املراجعة وتطبيقات اتخاذ‬ ‫القرار وما إلى ذلك‬ ‫الرعاية الصحية‬ ‫ يعمل التعلم اآللي على تطوير الرعاية الصحية من خالل تطبيق التكنولوجيا املعرفية أو ما نعرفه باسم‬ ‫الذكاء االصطناعي‪ ،‬فهو يساعد في التشخيص الطبي خاصة من خالل تحليل صور الرنين املغناطيس ي‪.‬‬ ‫أيضا يلعب التعلم اآللي ً‬ ‫دورا ً‬ ‫مهما للغاية في التنبؤ املبكر بالحاالت الطبية مثل النوبات القلبية والسكري‪ ،‬من‬ ‫ ً‬ ‫خالل األجهزة القابلة لالرتداء القائمة على الذكاء االصطناعي والتي يتم تطويرها ملراقبة العالمات الحيوية‬ ‫للشخص مثل معدل ضربات القلب ودورة النوم ومعدل التنفس ومستوى النشاط وضغط الدم وما إلى ذلك‬ ‫شيئا غير عادي أو غير مرجح‪ ،‬مثل ‪Fitbit‬و ‪Apple watch.‬‬ ‫وعرض أي تحذيرات عندما تالحظ األجهزة ً‬ ‫أيضا من خالل فحص السجالت الصحية‬ ‫ يمكن للتعلم اآللي اكتشاف وتحليل األخطاء في الوصفات الطبية ً‬ ‫للمريض باستخدام الوصفات الطبية للعثور على األخطاء املحتملة في الدواء وتصحيحها‪.‬‬ ‫ يساعد التعلم اآللي املستخدمين في الحصول على عالج مخصص‪ ،‬حيث يتنبأ ببيانات املريض من خالل‬ ‫تحليل التاريخ الطبي للتوصل إلى خيارات عالجية متعددة‪ً.‬‬ ‫نظرا ألن هذه العالجات تستند إلى بيانات‬ ‫ً‬ ‫تخصيصا‬ ‫املستخدم‪ ،‬فمن املرجح أن تناسب املريض وتكون أكثر‬ ‫‪30‬‬  ‫‪9/28/2024‬‬ ‫التصنيع‬ ‫ يستطيع التعلم اآللي دعم الصيانة التنبئية ومراقبة الجودة واألبحاث االبتكارية في قطاع التصنيع‪.‬‬ ‫ تساعد تكنولوجيا التعلم اآللي ً‬ ‫أيضا الشركات في تحسين الحلول اللوجستية‪ ،‬بما في ذلك األصول‬ ‫وسلسلة اإلمداد وإدارة املخزون‪.‬على سبيل املثال‪ ،‬عمالق التصنيع ‪M3‬تستخدم ‪AWS‬‬ ‫‪ Machine Learning‬البتكار ورق السنفرة‪.‬حيث تعمل لوغاريتمات التعلم اآللي على تمكين‬ ‫الباحثين في ‪M 3‬من تحليل كيف يمكن للتغيرات الطفيفة في الشكل والحجم واالتجاه أن ّ‬ ‫تحسن‬‫ِ‬ ‫إمكانية الكشط واالستدامة‪.‬وتغذي تلك االقتراحات عملية التصنيع‪.‬‬ ‫الخدمات املالية‬ ‫ ّ‬ ‫تحسن مشروعات التعلم اآللي في القطاع املالي تحليالت املخاطر والتنظيم‪.‬‬ ‫ِ‬ ‫ّ‬ ‫بالتعرف على الفرص الجديدة عن طريق تحليل حركات سوق‬ ‫ تستطيع تكنولوجيا التعلم اآللي السماح للمستثمرين‬ ‫األسهم أو تقييم صناديق التحوط أو معايرة املحافظ املالية‪.‬‬ ‫التعرف على عمالء القروض ّ‬ ‫عالي املخاطر والتخفيف من عالمات‬ ‫ باإلضافة إلى ذلك‪ ،‬يمكن للتعلم اآللي املساعدة في ّ‬ ‫االحتيال‪.‬‬ ‫ تستخدم رائدة البرمجيات املالية ‪Intuit‬نظام ‪، Amazon Textract،AWS Machine Learning‬‬ ‫ً‬ ‫تخصيصا ومساعدة املستخدمين النهائيين في تحسين وضعهم املالي‪.‬‬ ‫إلنشاء إدارة مالية أكثر‬ ‫‪31‬‬  ‫‪9/28/2024‬‬ ‫البيع بالتجزئة‬ ‫يمكن استخدام التعلم اآللي في قطاع تجارة التجزئة من أجل تحسين خدمة العمالء وإدارة‬ ‫األسهم‪ ،‬وزيادة املبيعات والتسويق متعدد القنوات‪.‬‬ ‫على سبيل املثال‪ ،‬خفضت )‪ Amazon Fulfillment (AFT‬تكاليف بنيتها األساسية‬ ‫ّ‬ ‫بمعدل ‪ %40‬باستخدام نموذج تعلم آلة الغرض منه تحديد املخزون الذي يكون في غير‬ ‫موضعه‪.‬ويساعدها ذلك في الوفاء بوعد ‪Amazon‬املتمثل في سرعة توفر العنصر للعمالء‬ ‫ووصوله في املوعد املناسب‪ ،‬وذلك على الرغم من معالجة ماليين الشحنات العاملية ً‬ ‫سنويا‪.‬‬ ‫الوسائط اإلعالمية والترفية‬ ‫ تتحول الشركات الترفيهية إلى التعلم اآللي لتحسين فهمها لجماهيرها املستهدفة وتقديم محتوى جذاب ومخصص‬ ‫عند الطلب‪.‬‬ ‫ُ‬ ‫ وتنشر لوغاريتمات التعلم اآللي للمساعدة في تصميم إعالنات األعمال الفنية واإلعالنات األخرى‪ ،‬ولتزويد العمالء‬ ‫بتوصيات مخصصة للمحتوى‪ ،‬ولتبسيط عملية اإلنتاج‪.‬‬ ‫ على سبيل املثال‪ ،‬تقوم ‪Disney‬باستخدام ‪ AWS Deep Learning‬في أرشفة مكتبة الوسائط لديها‪.‬‬ ‫ّ‬ ‫يمكن الك ّتاب‬ ‫ً‬ ‫تلقائيا‪ ،‬ما ِ‬ ‫وتوسم أدوات التعلم اآللي من ‪ AWS‬محتوى الوسائط بعالمات‪ ،‬وتصفه وتفرزه‬ ‫وصانعي الرسوم املتحركة في ‪Disney‬من البحث عن شخصيات ‪Disney‬ومعرفة معلومات عنها بشكل سريع‪.‬‬ ‫‪32‬‬  ‫‪9/28/2024‬‬ ‫نماذج تعلم اآللة‬ ‫ لقد وصل التعلم العميق‪ ،‬وهو نوع متقدم من أنواع تعلم اآللة إلى‪ ،‬مستوى من االهتمام العام واالستثمار‬ ‫الصناعي لم يسبق له مثيل في تاريخ مجال علوم الحاسوب‪ ،‬ولكنه ليس أول شكل أو نموذج ناجح للتعلم اآللي‬ ‫ويمكننا القول إن معظم خوارزميات التعلم اآللي املستخدمة في الصناعة ليست خوارزميات التعلم العميق‪.‬‬ ‫ يوفر مجال تعلم اآللة العديد من النماذج ‪ machine learning models‬أشهرها التعلم العميق‪ ،‬لكن في‬ ‫الواقع ال يعد التعلم العميق ً‬ ‫دائما األداة املناسبة(ملاذا؟)‬ ‫ً‬ ‫قابال للتطبيق‪ ،‬ولذلك يفضل أن ُت ّ‬ ‫حل املشكلة‬ ‫في بعض األحيان ال توجد بيانات كافية ليكون التعلم العميق‬ ‫بطريقة أفضل من خالل خوارزمية مختلفة‬ ‫فيما يلي نوضح أهم أنواع طرق تعلم اآللة‪:‬‬ ‫ النمذجة االحتمالية ‪Probabilistic modeling‬‬ ‫ أساليب النواة ‪Kernel Methods‬‬ ‫ أشجار القرار ‪Decision Trees‬والغابات العشوائية ‪Random Forests‬‬ ‫ الشبكات العصبية ‪Neural Networks‬‬ ‫ التعلم العميق ‪Deep Learning‬‬ ‫لنتعرف عن قرب على كل نموذج من هذه النماذج‪ ،‬وأشهر استخداماته وخوارزمياته‪.‬‬ ‫‪33‬‬  ‫‪9/28/2024‬‬ ‫النمذجة االحتمالية ‪Probabilistic modeling‬‬ ‫ تعتمد النمذجة االحتمالية على تطبيق مبادئ اإلحصاء في تحليل البيانات‪.‬‬ ‫ وتعد من أحد أقدم أشكال التعلم اآللي‪ ،‬والتي ال تزال مستخدمة حتى الوقت الراهن‬ ‫ من أشهر الخوارزميات في هذه الفئة هي خوارزمية بايز الساذج ‪Naive Bayes‬‬ ‫أساليب النواة ‪Kernel Methods‬‬ ‫ عندما بدأت الشبكات العصبية تكتسب شهرة بين الباحثين في التسعينيات‪ ،‬ظهر‬ ‫نهج جديد للتعلم اآللي سمي أساليب النواة‪،‬‬ ‫ وسرعان ما أدى لتراجع شعبية الشبكات العصبية‬ ‫ أساليب النواة هي مجموعة من خوارزميات التصنيف‪ ،‬وأشهرها خوارزمية اآللة‬ ‫متجه الدعم ‪SVM‬‬ ‫‪34‬‬  ‫‪9/28/2024‬‬ ‫أشجار القرار ‪ Decision Trees‬والغابات العشوائية ‪Random Forests‬‬ ‫ُ‬ ‫هي إحدى طرق النمذجة التنبؤية التي تستخدم في اإلحصاء‪ ،‬واستخراج البيانات‪ ،‬وتعلم اآللة‬ ‫ُ‬ ‫وهي عبارة عن هياكل شبيهة باملخططات التدفقية‪ ،‬تتيح لك تصنيف نقاط البيانات املدخلة‬ ‫ً‬ ‫ُ‬ ‫أو التنبؤ بقيم املخرجات ً‬ ‫بناءا على البيانات املدخلة‪ ،‬مثال تعطيها مواصفات املنزل‪ ،‬فتتوقع‬ ‫السعر‬ ‫وقد تم تفضيلها على أساليب النواة‪.‬‬ ‫الشبكات العصبية ‪Neural Networks‬‬ ‫تقريبا‪ ،‬كانت الشبكات العصبية ُم ّ‬ ‫همشة إلى أن بدأ عدد من‬ ‫حتى عام ‪ً 2010‬‬ ‫الباحثين الذين كانوا ما يزالون يؤمنون بالشبكات العصبية في تحقيق نتائج مهمة‬ ‫باستخدامها‪،‬‬ ‫وبذلك بدأت التطورات على الشبكات العصبية تتسارع وتفرض هيمنتها في معظم‬ ‫مهام تعلم اآللة‪.‬‬ ‫‪35‬‬  ‫‪9/28/2024‬‬ ‫التعلم العميق ‪Deep Learning‬‬ ‫السبب الرئيس ي وراء انتشار التعلم العميق وتطوره بسرعه هو أنه ّ‬ ‫قدم أ ً‬ ‫داء أفضل في‬ ‫العديد من املشكالت واختصر العديد من الخطوات املعقدة التي كانت موجودة في‬ ‫األساليب السابقة‪ ،‬والتعلم العميق اليوم هو األسلوب األنجح في جميع ام?