(Machine_Learning_26ajd ).pptx

ملخص هندسة ومحاكاة

1. مدخل إلى تعلم الآلة رحلة في عالم البيانات والخوارزميات (Machine Learning) تعلم الآلة هو فرع من فروع الذكاء الاصطناعي يهدف إلى جعل الحواسيب قادرة على التعلم من البيانات واتخاذ القرارات دون برمجة صريحة لكل حالة. فرع من فروع الذكاء الاصطناعي (Artificial Intelligence) يتضمن الشبكات العصبية (Neural Networks) والتعلم العميق (Deep Learning) يستخدم في التنبؤ والتصنيف واكتشاف الأنماط يعتمد على البيانات والميزات والخوارزميات 1 / 10 مدخل إلى تعلم الآلة

2. المكونات الرئيسية لتعلم الآلة البيانات (Data) البيانات هي الوقود الذي يغذي خوارزميات تعلم الآلة. كلما كانت البيانات أكثر تنوعًا وجودة، كانت النتائج أفضل. تذكر دائمًا: “ بيانات تدخل، معلومات تخرج" الميزات (Features) الميزات هي الخصائص التي تصف البيانات وتستخدمها الآلة للتعلم. اختيار الميزات الصحيحة يستغرق وقتًا أطول من أي خطوة أخرى في بناء نظام تعلم الآلة. الخوارزميات (Algorithms) الخوارزميات هي الطرق المختلفة التي يمكن بها حل مشكلة معينة. هناك دائمًا العديد من الخوارزميات التي يمكنها حل نفس المشكلة، والاختيار يؤثر على دقة النموذج وأدائه. أهمية المكونات في نجاح نموذج تعلم الآلة 2 / 10 مدخل إلى تعلم الآلة

3. أنواع التعلم التعلم المراقب (Supervised Learning) يتم فيه تزويد الآلة بـ "معلم" أو "مشرف" يقدم أمثلة مصنفة مسبقًا للتعلم منها. يتضمن التصنيف والانحدار. التعلم غير المراقب (Unsupervised Learning) تُترك الآلة لتكتشف الأنماط والعلاقات في البيانات بنفسها دون وجود بيانات مصنفة مسبقًا. يتضمن التجميع وتقليل الأبعاد. معيار المقارنة التعلم المراقب التعلم غير المراقب البيانات مصنفة ) مع تسميات ( غير مصنفة ) بدون تسميات ( الهدف التنبؤ بالنتائج اكتشاف الأنماط التطبيقات تصنيف البريد المزعج، التنبؤ بالأسعار تقسيم العملاء، ضغط الصور مقارنة بين أنواع التعلم وتطبيقاتها 3 / 10 مدخل إلى تعلم الآلة

4. التعلم المراقب (Supervised Learning) التصنيف (Classification) تقسيم العناصر أو الكائنات بناءً على سمات معروفة مسبقًا إلى فئات محددة . تصفية البريد المزعج تحليل المشاعر التعرف على الصور بايز (Naive Bayes) شجرة القرار (Decision Tree) آلة الدعم الناقل (SVM) الانحدار (Regression) طريقة للتنبؤ بقيمة رقمية بناءً على بيانات سابقة معروفة. توقعات أسعار الأسهم تحليل المبيعات التنبؤ بأسعار المنازل الانحدار الخطي (Linear Regression) الانحدار متعدد الحدود (Polynomial Regression) مثال على التصنيف والانحدار في تعلم الآلة 4 / 10 مدخل إلى تعلم الآلة

5. التعلم غير المراقب (Unsupervised Learning) المفهوم : (Concept) التعلم غير المراقب هو نوع من تعلم الآلة حيث تُترك الآلة لتكتشف الأنماط والعلاقات في البيانات بنفسها دون وجود بيانات مصنفة مسبقًا أو "معلم". الأنواع الرئيسية : (Main Types) التجميع (Clustering) : تقسيم البيانات إلى مجموعات متشابهة. تقليل الأبعاد : (Dimensionality Reduction) تقليل عدد المتغيرات مع الحفاظ على المعلومات الأساسية. خوارزميات شائعة K-Means DBSCAN PCA t-SNE تقسيم العملاء ضغط الصور اكتشاف الحالات الشاذة مخطط سير خوارزمية K-Means - إحدى أشهر خوارزميات التجميع في التعلم غير المراقب 5 / 10 مدخل إلى تعلم الآلة

6. الهبوط التدرجي (Gradient Descent) المفهوم الأساسي الهبوط التدرجي هو خوارزمية تحسين تُستخدم لتقليل دالة الخطأ في نماذج تعلم الآلة. الهدف هو إيجاد مجموعة الأوزان والتحيزات التي تقلل من خطأ النموذج إلى أدنى حد ممكن. كيف يعمل؟ تخيل أنك تقف على قمة جبل وهدفك الوصول إلى أدنى نقطة في الوادي. في كل خطوة، ستتحرك في الاتجاه الأكثر انحدارًا لتقليل الارتفاع بأكبر قدر ممكن. 1. التهيئة الأولية: نبدأ بقيم عشوائية للأوزان والتحيزات. 2. حساب الخطأ: نحسب دالة الخطأ للنموذج باستخدام القيم الحالية. 3. حساب الانحدار: نحسب انحدار دالة الخطأ بالنسبة لكل وزن وتحيز. 4. تحديث الأوزان: نقوم بتحديث الأوزان والتحيزات عن طريق طرح قيمة الانحدار مضروبة في معدل التعلم. 5. التكرار: نكرر الخطوات 2-4 حتى نصل إلى الحد الأدنى من الخطأ أو نستوفي شرط التوقف. مخطط سير عملية الهبوط التدرجي لتقليل دالة الخطأ 6 / 10 مدخل إلى تعلم الآلة

7. دوال الخطأ (Loss Functions) دوال الخطأ هي مقياس لمدى سوء أداء النموذج في التنبؤ بالنتيجة الصحيحة الصحيحة من الهدف . تدريب نموذج تعلم الآلة هو تقليل هذه الدالة إلى أدنى حد ممكن. متوسط الخطأ التربيعي (MSE) يحسب متوسط مربعات الفروق بين القيم المتوقعة والقيم الفعلية. MSE = (1/n) * Σ(y_actual - y_predicted)² يعاقب الأخطاء الكبيرة بشدة بسبب التربيع. متوسط الخطأ المطلق (MAE) يحسب متوسط القيم المطلقة للفروق بين القيم المتوقعة والقيم الفعلية. MAE = (1/n) * Σ|y_actual - y_predicted| أكثر قوة تجاه القيم الشاذة مقارنة بـ MSE. اختيار دالة الخطأ المناسبة يعتمد على طبيعة المشكلة والبيانات المتوفرة. تستخدم دوال الخطأ مع خوارزميات التحسين مثل الهبوط التدرجي. مقارنة بين دوال الخطأ المختلفة 7 / 10 مدخل إلى تعلم الآلة

8. خوارزميات التجميع K-Means (K-Means) خوارزمية تقسم البيانات إلى K مجموعة بناءً على المسافة بين النقاط ومراكز المجموعات. تتميز بالبساطة والكفاءة، لكنها تتطلب تحديد عدد المجموعات مسبقًا. DBSCAN (DBSCAN) خوارزمية تعتمد على الكثافة لتحديد المجموعات. تستطيع اكتشاف مجموعات ذات أشكال غير منتظمة وتحديد النقاط الشاذة تلقائيًا، دون الحاجة لتحديد عدد المجموعات مسبقًا. التجميع الهرمي (Hierarchical Clustering) تبني شجرة هرمية من المجموعات، إما من الأسفل إلى الأعلى التجميعي ) أو من الأعلى إلى الأسفل ( التقسيمي ) تفيد في فهم العلاقات ( الهرمية بين المجموعات. تقسيم العملاء تحليل الصور تجميع الوثائق اكتشاف الحالات الشاذة تقسيم السوق تحليل البيانات الجينية مخطط سير خوارزمية (DBSCAN) تجميع البيانات بناءً على الكثافة 8 / 10 مدخل إلى تعلم الآلة

9. نصائح عملية (Practical Tips) جودة البيانات أولاً تذكر دائمًا مقولة "قمامة تدخل، قمامة تخرج" استثمر وقتًا كافيًا في جمع البيانات وتنظيفها ومعالجتها مسبقًا . (Data Preprocessing) . اختيار الميزات المناسبة اختيار الميزات الصحيحة (Feature Engineering) هو فن وعلم بحد ذاته. حاول استخلاص الميزات الأكثر صلة بالمشكلة من بياناتك الخام. التجربة والتكرار تعلم الآلة هو عملية تكرارية جرب خوارزميات مختلفة، اضبط المعلمات (Hyperparameters) ، وقم بتقييم النتائج باستمرار. تقييم الأداء بشكل شامل لا تعتمد على مقياس واحد فقط. استخدم مقاييس متعددة ) مثل الدقة (Accuracy) ، الاستدعاء (Recall) ، F1-score للتصنيف، ولانحدار MSE، (MAE . البدء بالأساسيات لا تحاول القفز مباشرة إلى التعلم العميق والشبكات العصبية المعقدة. فهم الأساسيات سيمنحك أساسًا قويًا للتقدم. أهمية العوامل المختلفة في نجاح مشاريع تعلم الآلة 9 / 10 مدخل إلى تعلم الآلة

10. الخلاصة في هذا العرض التقديمي، تعرفنا على المفاهيم الأساسية لتعلم الآلة وأنواعه المختلفة وخوارزمياته الشائعة. تعلم الآلة هو مجال متطور باستمرار ويفتح آفاقًا جديدة في مختلف المجالات. المكونات الرئيسية: البيانات (Data) ، الميزات (Features) ، والخوارزميات (Algorithms) أنواع التعلم: التعلم المراقب (Supervised) والتعلم غير المراقب (Unsupervised) التقنيات الأساسية: الهبوط التدرجي (Gradient Descent) ، دوال الخطأ (Loss Functions) ، التصنيف (Classification) ، الانحدار (Regression) ، والتجميع (Clustering) . الخطوات القادمة للتعلم تطبيق المفاهيم على مشاريع عملية استكشاف التعلم العميق دراسة الشبكات العصبية التعرف على أدوات وإطارات العمل المشاركة في تحديات تعلم الآلة ملخص مفاهيم تعلم الآلة 10 / 10 مدخل إلى تعلم الآلة