مدخل_إلى_تعلم_الآلة_(Machine_Learning).pptx

Engine Engine Engine Engine
Engine Engine Engine Engine
Engine Engine Engine EngineEngine Engine Engine Engine
Engine Engine Engine EngineEngine Engine Engine Engine
Engine Engine Engine Engine
Engine Engine Engine Engine
Engine Engine Engine Engine

1. A تعلم الآلة رحلة في عالم Machine Learning ML

2. المكونات الرئيسية البيانات Data هي الوقود الذي يغذي خوارزميات تعلم الآلة. كلما كانت البيانات أكثر تنوعًا وجودة، كانت النتائج أفضل. جودة البيانات أهم بكثير من تعقيد الخوارزمية المستخدمة. قمامة تدخل، قمامة تخرج. الميزات Features 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 هي الطرق المختلفة التي يمكن بها حل مشكلة معينة. هناك دائمًا العديد من الخوارزميات التي يمكنها حل نفس المشكلة. ML 02

3. B أنواع التعلم 01 التعلم المراقب Supervised يتم فيه تزويد الآلة بـ "معلم" أو "مشرف" يقدم أمثلة مصنفة مسبقًا للتعلم منها. يتضمن التصنيف والانحدار. 02 التعلم غير المراقب Unsupervised 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 التعقيد أقل تعقيدًا أكثر تعقيدًا أمثلة تطبيقية التعلم المراقب: تصنيف رسائل البريد المزعج، التنبؤ بأسعار المنازل، التعرف على الوجوه التعلم غير المراقب: تقسيم العملاء إلى فئات، ضغط الصور، اكتشاف الحالات الشاذة ML 03

4. التعلم المراقب 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 "التعلم المراقب هو الأسلوب الأكثر استخدامًا في تطبيقات تعلم الآلة التجارية، حيث تتوفر البيانات المصنفة بشكل كافٍ." ML 04

5. التعلم غير المراقب 02 المفهوم Concept التعلم غير المراقب Unsupervised Learning هو نوع من تعلم الآلة حيث تُترك الآلة لتكتشف الأنماط والعلاقات في البيانات بنفسها دون وجود بيانات مصنفة مسبقًا أو "معلم". الأنواع Types التجميع Clustering : تقسيم البيانات إلى مجموعات متشابهة تقليل الأبعاد Dimensionality Reduction : تقليل عدد المتغيرات مع الحفاظ على المعلومات الأساسية تعلم قواعد الارتباط Association Rule Learning : اكتشاف العلاقات بين المتغيرات التطبيقات Applications تقسيم السوق ضغط الصور تحليل البيانات الجديدة الكشف عن السلوك غير الطبيعي تجميع العلامات على الخرائط مخطط سير خوارزمية DBSCAN - إحدى خوارزميات التجميع الشائعة في التعلم غير المراقب ML 05

6. خوارزميات التجميع التجميع (Clustering) هو عملية تقسيم الكائنات بناءً على ميزات غير معروفة مسبقًا. تختار الآلة أفضل طريقة لفرز الميزات التي تراها مناسبة. خوارزمية K-Means (K-Means) تقوم بتعيين مجموعة من النقاط المركزية (Centroids) بشكل عشوائي، ثم تقسيم البيانات إلى مجموعات حول هذه النقاط، وإعادة حساب مواقع النقاط المركزية حتى تستقر. الاستخدامات: ضغط الصور، تقسيم العملاء، تحليل البيانات الجغرافية خوارزمية DBSCAN (DBSCAN) تعتمد على كثافة النقاط، حيث تبحث عن مناطق ذات كثافة عالية من النقاط مفصولة بمناطق ذات كثافة منخفضة. الاستخدامات: اكتشاف الحالات الشاذة، تحليل البيانات ذات الأشكال غير المنتظمة تطبيقات عملية للتجميع: تقسيم السوق وتحليل سلوك العملاء تجميع العلامات على خرائط الويب تصنيف الصور وتنظيمها تلقائيًا (مثل Apple Photos) ضغط الصور وتقليل عدد الألوان الكشف عن السلوك غير الطبيعي والاحتيال مخطط سير عمل خوارزمية K-Means الشريحة 6 / 10

7. الهبوط التدرجي (Gradient Descent) الفكرة الأساسية الهبوط التدرجي (Gradient Descent) هو خوارزمية تحسين تُستخدم لتقليل دالة الخطأ في نماذج تعلم الآلة. تخيل أنك تقف على قمة جبل (تمثل دالة الخطأ)، وهدفك هو الوصول إلى أدنى نقطة في الوادي (تمثل أقل خطأ ممكن). في كل خطوة، تتحرك في الاتجاه الأكثر انحدارًا. خطوات الهبوط التدرجي 1 التهيئة الأولية : بدء بقيم عشوائية للأوزان والتحيزات 2 حساب الخطأ : حساب دالة الخطأ باستخدام القيم الحالية 3 حساب الانحدار : حساب انحدار دالة الخطأ بالنسبة لكل معلمة 4 تحديث المعلمات : تحديث الأوزان والتحيزات بالمعادلة: الوزن الجديد = الوزن الحالي - (معدل التعلم × الانحدار) 5 التكرار : تكرار الخطوات 2-4 حتى التقارب معدل التعلم (Learning Rate) معلمة حاسمة تحدد حجم الخطوة في كل تكرار: معدل تعلم كبير جدًا : قد يؤدي إلى تجاوز الحد الأدنى معدل تعلم صغير جدًا : يجعل التدريب بطيئًا للغاية الشريحة 7 / 10

8. دوال الخطأ دوال الخطأ (Loss Functions) هي مقاييس تحدد مدى سوء أداء النموذج في التنبؤ بالنتيجة الصحيحة. الهدف من 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 المميزات: يعاقب الأخطاء الكبيرة بشكل أكبر، قابل للاشتقاق العيوب: حساس للقيم الشاذة (Outliers) متوسط الخطأ المطلق (MAE) يحسب متوسط القيم المطلقة للفروق بين القيم المتوقعة والقيم الفعلية. MAE = (1/n) * Σ|y_actual - y_predicted| المميزات: أكثر قوة تجاه القيم الشاذة، سهل التفسير العيوب: غير قابل للاشتقاق عند الصفر خطأ L1 و L2 (L1 and L2 Loss) خطأ L1: يُعرف أيضًا باسم MAE، يستخدم القيمة المطلقة للفرق خطأ L2: يُعرف أيضًا باسم MSE، يستخدم مربع الفرق تُستخدم أيضًا في التنظيم (Regularization) لمنع الإفراط في الملاءمة (Overfitting) الشريحة 8 / 10

9. أشجار القرار وآلات الدعم الناقل أشجار القرار (Decision Trees) خوارزمية تصنيف تستخدم هيكلًا شجريًا لاتخاذ القرارات، تبدأ بسؤال عام في الجذر، ثم تتفرع إلى أسئلة أكثر تحديدًا بناءً على الإجابات. المميزات: سهلة الفهم والتفسير تعمل مع البيانات الرقمية والفئوية تتطلب معالجة بيانات أقل التطبيقات: التشخيص الطبي تقييم المخاطر المالية أنظمة التوصية آلات الدعم الناقل (SVM) خوارزمية تصنيف تحاول رسم خط فاصل (أو مستوى) بين فئات البيانات بأكبر هامش ممكن. المميزات: فعالة في الفضاءات عالية الأبعاد قوية عندما يكون عدد الأبعاد أكبر من عدد العينات تستخدم مجموعة فرعية من نقاط التدريب (نقاط الدعم) التطبيقات: تصنيف النصوص والصور الكشف عن البيانات الشاذة التعرف على الوجوه الشريحة 9 / 10

10. نصائح عملية وخلاصة ابدأ بالأساسيات: لا تقفز مباشرة إلى التعلم العميق. معظم المشاكل يمكن حلها باستخدام خوارزميات بسيطة وفعالة. جودة البيانات أولاً: "قمامة تدخل، قمامة تخرج" (Garbage In, Garbage Out) . جودة البيانات أهم بكثير من تعقيد الخوارزمية. اختيار الميزات: هندسة الميزات (Feature Engineering) هي فن وعلم بحد ذاته. اختر الميزات الأكثر صلة بالمشكلة. التجربة والتكرار: تعلم الآلة هو عملية تكرارية. جرب خوارزميات مختلفة واضبط المعلمات (Hyperparameters) . تقييم الأداء: لا تعتمد على مقياس واحد فقط. استخدم مقاييس متعددة مثل الدقة (Accuracy) ، الاستدعاء (Recall) ، ومقياس F1 (F1-score) . خلاصة تعلم الآلة هو مجال عملي بامتياز، والممارسة هي مفتاح الإتقان. ابدأ بمشاريع صغيرة، ثم انتقل تدريجيًا إلى مشاريع أكثر تعقيدًا. طبق المفاهيم التي تعلمتها على مجموعات بيانات حقيقية. الشريحة 10 / 10