1- ما هو تعلم الآلة؟

سيقدم هذا البرنامج التعليمي الخاص بتعلم الآلة (ML) فهمًا تفصيليًا لمفاهيم تعلم الآلة مثل الأنواع المختلفة لخوارزميات تعلم الآلة وأنواعها وتطبيقاتها والمكتبات المستخدمة في تعلم الآلة والأمثلة الواقعية.

ما هو تعلم الآلة؟

تعلم الآلة (ML) هو فرع من فروع الذكاء الاصطناعي (AI) يركز على تطوير الخوارزميات والنماذج الإحصائية التي تسمح لأجهزة الكمبيوتر بالتعلم من البيانات وإجراء تنبؤات أو اتخاذ قرارات دون أن تكون مبرمجة بشكل صريح.[1]

كيف يعمل تعلم الآلة؟

تشمل عملية تعلم الآلة إعداد المشروع، وإعداد البيانات، والنمذجة، والنشر. يوضح الشكل التالي عملية العمل الشائعة لتعلم الآلة. ويتبع مجموعة من الخطوات لأداء المهمة؛ وتتمثل العملية المتسلسلة لسير عمله فيما يلي:

الكتل الأساسية لعملية تعلم الآلة

مراحل تعلم الآلة

فيما يلي مراحل (عملية متسلسلة مفصلة) تعلم الآلة:

سير العملية المتسلسل لتعلم الآلة

• جمع البيانات: يعد جمع البيانات خطوة أولية في عملية تعلم الآلة. في هذه المرحلة، يتم جمع البيانات من مصادر مختلفة مثل قواعد البيانات أو الملفات النصية أو الصور أو الملفات الصوتية أو استخلاص البيانات من الويب. تنظم هذه العملية البيانات بتنسيق مناسب، مثل ملف CSV أو قاعدة بيانات، وتتأكد من أنها مفيدة لحل مشكلتك.
• المعالجة المسبقة للبيانات: هي خطوة أساسية في عملية تعلم الآلة، والتي تتضمن حذف البيانات المكررة، وإصلاح الأخطاء، وإدارة البيانات المفقودة إما عن طريق حذفها أو ملئها، وتعديل البيانات وتنسيقها.
• اختيار النموذج المناسب: الخطوة التالية هي تحديد نموذج تعلم الآلة؛ فبمجرد إعداد البيانات، نقوم بتطبيقها على نماذج تعلم الآلة مثل الانحدار الخطي وأشجار القرار والشبكات العصبية التي يمكن تحديدها للتنفيذ. يعتمد هذا الاختيار على العديد من العوامل، مثل نوع البيانات ومشكلتك، وحجم ونوع البيانات، والتعقيد، والموارد الحسابية.
• تدريب النموذج: تتضمن هذه الخطوة تدريب النموذج من البيانات حتى يتمكن من إجراء تنبؤات أفضل.
• تقييم النموذج: عند تدريب الوحدة، يجب اختبار النموذج على بيانات جديدة لم يتمكن من رؤيتها أثناء التدريب.
• ضبط وتحسين المعلمات الفائقة (Hyperparameter): بعد تقييم النموذج، قد تحتاج إلى ضبط معلماته الفائقة لجعله أكثر كفاءة. يجب أن تجرب مجموعات مختلفة من المعلمات والتحقق المتقاطع (cross-validation) لضمان أداء النموذج بشكل جيد على مجموعات بيانات مختلفة.
• التنبؤات والنشر: عندما تتم برمجة النموذج وتحسينه، سيكون جاهزًا لتقدير البيانات الجديدة. ويتم ذلك عن طريق إضافة بيانات جديدة إلى النموذج واستخدام مخرجاته لاتخاذ القرارات أو التحليلات الأخرى. يتضمن النشر دمجه في بيئة إنتاج لجعله قادرًا على معالجة البيانات الواقعية.

أنواع تعلم الآلة

تنقسم نماذج تعلم الآلة إلى الفئات التالية:

1. تعلم الآلة الخاضع للإشراف (Supervised Machine Learning): هو نوع من تعلم الآلة يقوم بتدريب النموذج باستخدام مجموعات بيانات مُعَلَّمة (labeled) للتنبؤ بالنتائج.[2]
2. تعلم الآلة غير الخاضع للإشراف (Unsupervised Machine Learning): هو نوع من تعلم الآلة يتعلم الأنماط والهياكل داخل البيانات دون إشراف بشري.[2]
3. التعلم شبه الخاضع للإشراف (Semi-supervised Learning): هو نوع من تعلم الآلة ليس خاضعًا للإشراف بالكامل ولا غير خاضع للإشراف بالكامل.[2] تقع خوارزميات التعلم شبه الخاضع للإشراف بشكل أساسي بين أساليب التعلم الخاضع للإشراف وغير الخاضع للإشراف.
4. تعلم الآلة المعزز (Reinforcement Machine Learning): هو نوع من نماذج تعلم الآلة يشبه التعلم الخاضع للإشراف ولكنه لا يستخدم بيانات العينة لتدريب الخوارزمية.[3] يتعلم هذا النموذج عن طريق التجربة والخطأ.

خوارزميات تعلم الآلة الشائعة

تُستخدم العديد من خوارزميات تعلم الآلة بشكل شائع. وتشمل هذه:

• الشبكات العصبية: تعمل مثل الدماغ البشري مع العديد من العقد المترابطة.[4] وتساعد على إيجاد الأنماط وتستخدم في معالجة اللغة والتعرف على الصور والكلام وإنشاء الصور.[4]
• الانحدار الخطي: يتنبأ بالأرقام بناءً على البيانات السابقة. على سبيل المثال، يساعد في تقدير أسعار المنازل في منطقة ما.
• الانحدار اللوجستي: يتنبأ بإجابات مثل "نعم/لا" وهو مفيد في اكتشاف الرسائل غير المرغوب فيها ومراقبة الجودة.
• التجميع (Clustering): يستخدم لتجميع البيانات المتشابهة دون تعليمات ويساعد في العثور على أنماط قد يفوتها البشر.[5]
• أشجار القرار: تساعد على تصنيف البيانات والتنبؤ بالأرقام باستخدام بنية تشبه الشجرة. وهي سهلة الفحص والفهم.
• الغابات العشوائية: تجمع بين أشجار قرار متعددة لتحسين التنبؤات.

أهمية تعلم الآلة

يعد تعلم الآلة مهمًا في الأتمتة واستخراج الرؤى من البيانات وعمليات صنع القرار. وتكمن أهميته في الأسباب التالية:

• معالجة البيانات: تعلم الآلة مفيد لتحليل البيانات الضخمة من وسائل التواصل الاجتماعي وأجهزة الاستشعار ومصادر أخرى ويساعد على الكشف عن الأنماط والرؤى لتحسين عملية صنع القرار.
• رؤى قائمة على البيانات: تجد خوارزميات تعلم الآلة الاتجاهات والصلات في البيانات الضخمة التي قد يفوتها البشر، مما يساعد على اتخاذ قرارات وتنبؤات أفضل.
• الأتمتة: يقوم تعلم الآلة بأتمتة المهام المتكررة، مما يقلل من الأخطاء ويوفر الوقت.
• التخصيص: تعلم الآلة مفيد لتحليل تفضيلات المستخدم لتقديم توصيات مخصصة في التجارة الإلكترونية ووسائل التواصل الاجتماعي وخدمات البث.[3] ويساعد بعدة طرق، مثل تحسين تفاعل المستخدم، وما إلى ذلك.
• التحليلات التنبؤية: تستخدم نماذج تعلم الآلة البيانات السابقة للتنبؤ بالنتائج المستقبلية، مما قد يساعد في توقعات المبيعات وإدارة المخاطر وتخطيط الطلب.
• التعرف على الأنماط: تعلم الآلة مفيد في التعرف على الأنماط أثناء معالجة الصور والتعرف على الكلام ومعالجة اللغة الطبيعية.[2]
• التمويل: يستخدم تعلم الآلة في تسجيل الائتمان واكتشاف الاحتيال والتداول الخوارزمي.
• تجارة التجزئة: يساعد تعلم الآلة على تحسين أنظمة التوصية وإدارة سلسلة التوريد وخدمة العملاء.
• كشف الاحتيال والأمن السيبراني: يكتشف تعلم الآلة المعاملات الاحتيالية والتهديدات الأمنية في الوقت الفعلي.
• التحسين المستمر: يتم تحديث نماذج تعلم الآلة بانتظام ببيانات جديدة، مما يسمح لها بالتكيف والتحسن بمرور الوقت.[4]

تطبيقات تعلم الآلة

يستخدم تعلم الآلة في مجالات مختلفة. تشمل بعض التطبيقات الأكثر شيوعًا ما يلي:

• التعرف على الكلام: يستخدم تعلم الآلة لتحويل اللغة المنطوقة إلى نص باستخدام معالجة اللغة الطبيعية (NLP). ويُستخدم في المساعدين الصوتيين مثل Siri والبحث الصوتي وميزات إمكانية الوصول إلى النص على الأجهزة المحمولة.
• خدمة العملاء: هناك العديد من روبوتات المحادثة المفيدة لتقليل التفاعل البشري وتقديم دعم أفضل على مواقع الويب ووسائل التواصل الاجتماعي، والتعامل مع الأسئلة الشائعة، وتقديم التوصيات، والمساعدة في التجارة الإلكترونية. على سبيل المثال، الوكلاء الافتراضيون، وروبوتات ماسنجر فيسبوك، والمساعدون الصوتيون.
• رؤية الكمبيوتر: تساعد أجهزة الكمبيوتر على تحليل الصور ومقاطع الفيديو لاتخاذ إجراء.[4] وتُستخدم في وسائل التواصل الاجتماعي لوضع علامات على الصور، وفي الرعاية الصحية للتصوير الطبي، وفي السيارات ذاتية القيادة للملاحة.[3]
• محركات التوصية: تقترح محركات التوصية الخاصة بتعلم الآلة المنتجات أو الأفلام أو المحتوى بناءً على سلوك المستخدم.[3] يستخدمها تجار التجزئة عبر الإنترنت لتحسين تجارب التسوق.
• أتمتة العمليات الروبوتية (RPA): تستخدم أتمتة العمليات الروبوتية الذكاء الاصطناعي لأتمتة المهام المتكررة وتقليل العمل اليدوي.
• التداول الآلي للأسهم: تقوم منصات التداول المدعومة بالذكاء الاصطناعي بإجراء عمليات تداول سريعة لتحسين محافظ الأسهم دون تدخل بشري.
• كشف الاحتيال: يحدد تعلم الآلة المعاملات المالية المشبوهة، مما يساعد البنوك على كشف الاحتيال ومنع الأنشطة غير المصرح بها.

من يمكنه تعلم الآلة؟

تم إعداد هذا البرنامج التعليمي لتعلم الآلة لأولئك الذين يرغبون في التعرف على أساسيات وتطورات تعلم الآلة. بمعنى أوسع؛ تعلم الآلة هو مجموعة فرعية من الذكاء الاصطناعي (AI) تركز على تطوير الخوارزميات والنماذج التي تسمح لأجهزة الكمبيوتر بالتعلم من البيانات وإجراء تنبؤات أو اتخاذ قرارات دون أن تكون مبرمجة بشكل صريح للقيام بذلك. يتطلب تعلم الآلة بيانات. يمكن أن تكون هذه البيانات نصًا أو صورًا أو صوتًا أو أرقامًا أو فيديو. تؤثر جودة وكمية البيانات بشكل كبير على أداء نموذج تعلم الآلة. الميزات هي خصائص البيانات المستخدمة للتنبؤ أو اتخاذ القرار. يتضمن اختيار الميزات وهندستها تحديد وتنسيق الميزات الأكثر صلة بالنموذج.

المتطلبات الأساسية لتعلم تعلم الآلة

يجب أن يكون لديك فهم أساسي للجوانب الفنية لتعلم الآلة. يجب أن يكون المتعلمون على دراية بالبيانات والمعلومات وأساسياتها. المعرفة بالبيانات والمعلومات والبيانات المهيكلة والبيانات غير المهيكلة والبيانات شبه المهيكلة ومعالجة البيانات وأساسيات الذكاء الاصطناعي؛ يعد إتقان البيانات المُعلَّمة / غير المُعلَّمة، واستخراج الميزات من البيانات، وتطبيقها في تعلم الآلة لحل المشكلات الشائعة أمرًا ضروريًا.

Sources help

1. mada.org.qa
2. bakkah.com
3. elakademiapost.com
4. amazon.com
5. youtube.com

Google Search Suggestions

Display of Search Suggestions is required when using Grounding with Google Search. Learn more

ترجمة مصطلحات تعلم الآلة إلى العربيةمقدمة في تعلم الآلة باللغة العربيةشرح تعلم الآلة للمبتدئين