تجاوز إلى المحتوى الرئيسي
TawjihiAI: دراسة التوجيهيادرس وتدرّب من هاتفكحمّل التطبيق
تعلم الآلة

أحد فروع الذكاء الاصطناعي الذي يُعنى بتطوير برمجيات وخوارزميات تعطي الحاسوب القدرة على التعلم من دون أن يُبرمج بشكل صريح للقيام بمهمات معينة

الخصائص ⁦(Features)⁩

وتسمى أحيانا بالمتغيرات، وتعدّ أيضاً جزءا من البيانات

خوارزميات تعلم الآلة

مجموعة من التقنيات والأساليب التي تستخدم لتطوير نماذج يمكنها التعلم من البيانات وتحليلها، واستخلاص الأنماط والتنبؤات منها

التعلم الخاضع للإشراف ⁦(Supervised Learning)⁩

في التعلّم الخاضع للإشراف تُستعمل بيانات موسومة مسبقاً ⁦(Labeled Data)⁩ لتدريب نموذج تعلّم الآلة على استنباط العلاقات التي تساعد النموذج لتوقع الوسم

التصنيف الثنائي ⁦(Binary Classification)⁩

وفي نماذج التصنيف إذا كان عدد الأوسمة اثنين فقط، فيُرمَز إليها "بالتصنيف الثنائي ⁦(Binary Classification)⁩

التصنيف متعدد الفئات ⁦(Multiclass Classification)⁩

أمّا إذا كان عدد الأوسمة أكثر من اثنين، فيُرمَز إليها بالتصنيف متعدد الفئات ⁦(Multiclass Classification)⁩

نماذج الانحدار ⁦(Regression)⁩

النماذج التي يتم تدريبها بناءً على بيانات يأخذ الوسمُ فيها قيمًا مستمرة ⁦(Continuous Values)⁩

الانحدار الخطي ⁦(Linear Regression)⁩

تُستخدم هذه الخوارزمية لنمذجة العلاقة بين المدخلات والمخرجات باستخدام خط مستقيم

الانحدار اللوجستي ⁦(Logistic Regression)⁩

تُستخدم هذه الخوارزمية للتصنيف الثنائي (مثلًا: نعم/ لا، نجاح/ فشل)

أشجار القرار ⁦(Decision Trees)⁩

تُستخدم هذه الخوارزمية للتصنيف والتنبؤ؛ حيث تقوم ببناء نموذج يشبه شجرة تتخذُ قرارات بناءً على ميزات المُدخلات

التعلم غير الخاضع للإشراف ⁦(Unsupervised Learning)⁩

نوع من التعلّم الآلي، يُستخدم لاستخراج الأنماط أو الهياكل من البيانات من دون وجود وسم للبيانات

التجميع ⁦(Clustering)⁩

يهدف إلى تقسيم البيانات إلى مجموعات ⁦(Clusters)⁩ بناءً على التشابه بين العناصر

تقليل الأبعاد ⁦(Dimensionality Reduction)⁩

تهدف إلى تبسيط البيانات عن طريق تقليل عدد المتغيرات مع الحفاظ على أكبر قدر ممكن من المعلومات

التعلم المعزز ⁦(Reinforcement Learning)⁩

نوع من أنواع التعلّم الآلي، يتخصَّص في كيفية اتخاذ القرارات عن طريق التجربة (خلال المحاولة والخطأ)، والتفاعل مع البيئة بدلاً من تلقي مجموعة ثابتة من البيانات لتعلّمها

استكشاف البيانات ⁦(Data Exploration)⁩

استكشاف البيانات المجمعة يشمل عمل إحصائيات عن البيانات وتوزيع العينات فيها، والتأكد من عدم وجود قيم مفقودة أو متطرفة

تنظيف البيانات ⁦(Cleaning)⁩

إزالة القيم المفقودة أو إعطاؤها قيما بناءً على عمليات إحصائية على بقية العينات، مثل الوسط أو الوسيط أو التكرار

تسوية البيانات ⁦(Scaling)⁩

تعديل القيم في البيانات بحيث تكون ضمن نطاق معين، مثل تحويل القيم إلى مقياس موحد

تحويل البيانات ⁦(Transformation)⁩

تحويل البيانات إلى شكل يمكن للنموذج التعامل معه

تقسيم البيانات ⁦(Splitting)⁩

تُقسَّمُ البيانات إلى مجموعات تدريب، ومجموعات اختبار، ومجموعات تحقق

التدريب ⁦(Training)⁩

في هذه المرحلة تُستخدم البيانات لتدريب النموذج على إيجاد العلاقات والأنماط بين البيانات وتمثيلها بنموذج رياضي

خطوة تدريب واحدة ⁦(Epoch)⁩

يُسمى كل تكرار أو دورة لتحديث قيم (⁦m⁩ و ⁦b)⁩ بخطوة تدريب واحدة ⁦Epoch⁩

مصفوفة الالتباس ⁦(Confusion Matrix)⁩

جدول يُستخدم لوصف أداء نموذج التصنيف. يعرض عدد التنبؤات الصحيحة والخاطئة مقسمة بحسب النوع

الإيجابيات الصحيحة ⁦(TP)⁩

عدد الحالات الإيجابية التي تم التنبؤ بها بشكل صحيح

السلبيات الصحيحة ⁦(TN)⁩

عدد الحالات السلبية التي تم التنبؤ بها بشكل صحيح

الإيجابيات الخاطئة ⁦(FP)⁩

عدد الحالات السلبية التي تم التنبؤ بها بشكل خاطئ على أنها إيجابية

الإيجابيات المفقودة ⁦(FN)⁩

عدد الحالات الإيجابية التي تم التنبؤ بها بشكل خاطئ على أنها سلبية

معدل الخطأ ⁦(Error Rate)⁩

نسبة النصوص التي تُصنَّف بشكل خاطئ

متوسط مربع الخطأ ⁦(Mean Square Error)⁩

متوسط الفرق بين النتائج المتوقعة والحقيقية، ويُستعمل لتقييم أداء نماذج الانحدار

آخر تحديث:

معاينة موضوع «التعلم الآلي» من وحدة «الذكاء الاصطناعي» في مادة المهارات الرقمية. أقسام الشرح: ٤٨، التعريفات: ٢٨، الأسئلة المحلولة: ١١.

المصدر: المركز الوطني لتطوير المناهج، التعلم الآلي (ص ٩١–١٢٤)

موضوعات أخرى في الوحدة

تابع الدراسة