منتجات التعلم
- تحليل البيانات التي جُمعت حول استخدام السيارة باستخدام أداة Orange Data Mining، وتطبيق خوارزمية شجرة القرار (Decision Tree) لتحديد نوع السيارة المناسب (بنزين، كهرباء، هايبيرد) بناءً على طبيعة الاستخدام.
- وسيتم أيضاً تقييم أداء النموذج باستخدام مقاييس الدقة.
تعلم الآلة
- يتوافر في وقتنا الحالي كمّ هائل من البيانات، تولدت بسبب الانتشار الكبير للأجهزة الرقمية، وإنترنت الأشياء والتجارة الرقمية، ووسائل التواصل الاجتماعي، وغيرها الكثير من المصادر.
- وتقدّر كمية المعلومات المولّدة يوميا بـ 2.5 Quintillion Bytes. هذه المعلومات بحاجة إلى تحليل ودراسة؛ لتصبح ذات معنى، ويُمكن توظيف مخرجاتها في صنع القرارات.
- تعلم الآلة هو أحد فروع الذكاء الاصطناعي الذي يُعنى بتطوير برمجيات وخوارزميات تعطي الحاسوب القدرة على التعلم من دون أن يُبرمج بشكل صريح للقيام بمهمات معينة.
- نستطيع القول إن برنامجا معينا لديه القدرة على التعلم؛ إذا كان تعريضه لعدد أكثر من الأمثلة في مسألة معينه يؤدي إلى تحسين أدائه وفق معايير قياس محدده.
- من الأمثلة على ذلك برنامج مسؤول عن تصنيف الإيميلات الواردة إلى البريد الإلكتروني إلى إيميلات غير مرغوبه (Spam Emails) وإيميلات مرغوبة (Regular Emails). حيث إن إعطاء خوارزميات تعلم الآلة أمثلة على كلا النوعين من الرسائل يمكنه من تطوير نموذج قادر على تصنيف الإيميلات بناء على محتواها.
متطلبات بناء نموذج التعلم الآلي
- البيانات الضخمة (Big Data): تؤدي البيانات دورا كبيرا في تكوين أنظمة دقيقة لديها نظرة شمولية؛ لذلك نحتاج إلى كمية كبيرة من البيانات المتعلقة بالمشكلة التي نحاول حلها. أيضا يجب أن تكون البيانات دقيقة وخالية من الضوضاء والأخطاء. لنقل مثلاً إنّ لدينا أداة إدارة للبريد الإلكتروني، ونريد حذف الرسائل المزعجة أوتوماتيكيا، فيجب علينا جمع أكبر عدد من البيانات لرسائل بريد إلكتروني مزعجه، وكلما زاد تنوّع الرسائل لدينا، زادت نسبة صحة النتائج. توجد طريقتان لجمع البيانات، يدويا وأوتوماتيكيا.
- الخصائص (Features): وتسمى أحيانا بالمتغيرات، وتعدّ أيضاً جزءا من البيانات. وبشكل عام عندما يكون لدينا ملف يحتوي على بيانات كبيرة، يجب اختيار الخصائص بعناية؛ فيجب أن نختار خصائص مميزة، ولها تأثير أكبر في النتائج.
- خوارزميات تعلم الآلة (Alghorithms): هي مجموعة من التقنيات والأساليب التي تستخدم لتطوير نماذج يمكنها التعلم من البيانات وتحليلها، واستخلاص الأنماط والتنبؤات منها. كل مشكله لها حل مختلف، وطريقة الوصول إلى الحل تغير دقة النموذج (Model) النهائي وأداءه وحجمه. يعتمد كل شيء على البيانات المعطاة، فإذا قدمت بيانات خاطئة وغير دقيقه أو غير صحيحه، فلن تستطيع أي خوارزمية إيجاد أفضل نموذج لها.
أشجار القرار
- تُستخدم هذه الخوارزمية للتصنيف والتنبؤ؛ حيث تقوم ببناء نموذج يشبه شجرة تتخذُ قرارات بناءً على ميزات المُدخلات.
- كل عقدة في الشجرة تمثل اختبارًا على قيمة مدخل معين، والفروع تمثل نتائج هذا الاختبار، والأوراق تمثل المخرجات.
- يبين الشكل (7-2) شجرة القرار لإيجاد احتمال تعرّض شخص لصدمة قلبية.
التعلّم غير الخاضع للإشراف
- هو نوع من التعلّم الآلي، يُستخدم لاستخراج الأنماط أو الهياكل من البيانات من دون وجود وسم للبيانات، ومن ثمّ لا تُعطي البيانات التي يتم تدريب النموذج عليها أي معلومات مسبقة عن الفئات أو النتائج المستهدفة.
- ويُستخدمُ عندما تكون البيانات غير موسومة أو غير مهيكلة، ويهدف إلى فهم العلاقات الداخلية في البيانات. تساعد تقنيات التعلّم غير الخاضع للإشراف على الاستفادة من البيانات غير الموسومة التي يحتاج وسمها إلى جهد بشريّ كبير من مختصين بالمجال.
- فعلى سبيل المثال، إذا كانت لدينا معلومات عن زوار متجر تسوق إلكتروني معين، وأردنا أن نجد علاقات بين تسوّق الزوار، وتحديد الزوار الذين لديهم الأنماط نفسها، فإن خوارزميات التعلّم غير الخاضع للإشراف، ستعمل على تقسيم الزوار بناءً على أنماط استقرأت واستنتجت من البيانات بوساطة الخوارزمية.
- هذا التقسيم سيكون مفيدًا؛ لأنه يسهل استهداف فئة معينة من دون غيرها بإعلان معين للمتجر. الشكل (11-2) يوضح بشكل مرئي عملية التعلّم غير الخاضع للإشراف في التعلّم الآلي. يُظهر الرسم كيف يتم التعامل مع البيانات الخام (Raw Data) من دون معلومات مسبقة (مثل التصنيفات أو التسميات)، وتحويلها عبر عملية خوارزمية للوصول إلى النتائج النهائية.
- يتمثّل اكتشاف القيم المتطرفة في الكشف عن محاولات الاحتيال وخاصة عند رصد تصرُّفات غير عادية، أو اكتشاف العينات التي بها عيوب، ومن ثمَّ تعمل على تنقية البيانات من هذه القيم التي قد تؤثر في جودة النماذج التي تعتمد عليها.
- وكما يظهر في الشكل…