النمذجة والمحاكاة

نموذج للسيارة التي أوصى بها النظام الخبير باستخدام أحد برامج التصميم التي تعتمد على الذكاء الاصطناعي.

• أوضح النمذجة والمحاكاة.
• أعدد أنواع النماذج المستخدمة في النمذجة والمحاكاة.
• أبين بعضاً من تطبيقات النمذجة والمحاكاة واستخداماتها.
• أستخدم أحد تطبيقات النمذجة والمحاكاة.

  لا بدَّ أننا سمعنا مسبقًا بمصطلحي النمذجة والمحاكاة. فما المقصود بهذين المصطلحين؟ وما علاقتهما بالذكاء الاصطناعي؟

تعرف النمذجة (Modeling) بأنها تصميم وبناء تمثيل لنظام معين أو عملية معينة، تتضمن الشكل والخصائص؛ بهدف فهم سلوك النظام أو العملية. تُستخدم النماذج بكثرة في حقول الرياضيات والفيزياء والهندسة. بينما تُعرف المحاكاة (Simulation) بأنها عملية استخدام النموذج في تقليد سلوك نظام معين تحت ظروف معينة، وبعبارة أخرى تشغيل النموذج من حيث الوقت أو المكان لدراسة أداء النظام؛ أي أنها تدرس كيفية تفاعل النظام مع المدخلات المختلفة. تطوّرت أدوات النمذجة والمحاكاة بشكل كبير، عندما دُمجت مع الذكاء الاصطناعي؛ حيث يوفر قدرات متقدمة في مجالات النمذجة والمحاكاة مثل: التحسين، وتحليل البيانات، والتحقق، والصلاحية. وتتنوع التطبيقات التي يعمل عليها الذكاء الاصطناعي مع النمذجة والمحاكاة؛ مما يوفر طرقًا واستراتيجيات جديدة لحل المشكلات وفهم الأنظمة.

تُستخدم النمذجة والمحاكاة في الذكاء الاصطناعي في عديد من المجالات منها:

• تطوير الخوارزميات: تُقيّم الخوارزميات عن طريق محاكاتها على نماذج قبل تطبيقها على بيانات حقيقية.
• تدريب أنظمة الذكاء الاصطناعي: تدريب الروبوتات وغيرها من أنظمة الذكاء الاصطناعي عن طريق محاكاة البيئات الحقيقية.
• تحليل البيانات: تُحلل النماذج الحاسوبية كميات ضخمة من البيانات؛ بهدف استخراج الأنماط والمعرفة.
• التنبؤ واتخاذ القرار: توقّع أداء النظام في ظروف مختلفة، ومن الأمثلة على ذلك التنبؤ بأداء الشبكات العصبية في مختلف المهام. خلال جائحة كورونا استُخدمت نماذج خاصة بعمل الوبائيات للتنبؤ بانتشار الوباء أو انحساره، واستُخدمت أيضًا نماذج لمحاكاة ارتباط بروتينات الفيروس واللقاحات في الفيروس الأصلي وفي المتحوّرات؛ لمعرفة مدى فاعلية اللقاحات. واستخدمت أيضًا للتنبؤ في نتائج مباريات كرة القدم.

أبحث في المواقع الإلكترونية الموثوقة عن استخدامات الذكاء الاصطناعي والنمذجة والمحاكاة في تدريب المركبات غير المأهولة؛ للمساعدة في اتخاذ القرارات الصائبة.

يوجد عديد من النماذج المستخدمة في النمذجة والمحاكاة، نبين بعضها في ما يأتي:

تصف هذه النماذج العلاقة بين المتغيرات المختلفة في النظام اعتمادًا على المعادلات الرياضية لدراسة تأثيرات المكونات المختلفة، ومن ثم إجراء التنبؤات. اعتُمدت هذه النماذج لدراسة الأمراض المعدية؛ حيث تتنبأ بتأثيرات الأمراض المعدية في الصحة العامة. ومن الأمثلة على ذلك استخدام نموذج رياضي لقياس حجم تفشي وباء كورونا؛ حيث رُكّب منحنى الوباء باستخدام نموذج النمو الأسي كأول نموذج لدراسة تفشي الوباء. واستُخدمت ثلاثة نماذج لإنشاء الأفراد المصابين، اثنان من النماذج توقعا تباطؤ انتشار المرض في مقاطعتين، وتوقع النموذج الثالث انتقالًا مستدامًا كسيناريو محتمل.

1. يُقصد بالوكيل الكيانات المستقلة التي من الممكن أن تكون أفرادًا أو منظمات أو عوامل مؤثرة.
2. وعن طريق دراسة خصائصهم يتمُّ عمل المحاكاة.
3. تُستخدم هذه النماذج في محاكاة الأنظمة الاجتماعية أو البيولوجية المعقدة؛ حيث تقوم على دراسة كل وكيل أو كل عامل من العوامل المؤثرة في النظام على حدة، ومن ثمَّ فهي أكثر مرونة وواقعية لمعرفة كيفية ظهور الخصائص الجديدة للنظام الناجمة عن تفاعلات العوامل المكوّنة له.

وعن طريق تحديد الطريقة التي تنتقل فيها العدوى والتفاعلات الاجتماعية والتدابير الوقائية المستخدمة، يُحاكي النموذج انتشار المرض مع مرور الوقت (انظر الشكل 4-1).

تُستخدم في تعلّم الآلية والتعلّم العميق، وتعتمد على تعلّم الأنماط من البيانات، ومن فوائدها تحسين اتخاذ القرار عن طريق التنبؤ بالنتائج، والتأكد من صحة النموذج، والتحقق من كفاءة التكلفة. يوجد عدة أنواع لنماذج البيانات. انظر الشكل (4-2).

أبحث في المواقع الإلكترونية الموثوقة عن نماذج أخرى للنمذجة والمحاكاة، وأدون نتائج البحث في مستند، وأشاركها على اللوح التفاعلي الرّقمي للصف.

تُستخدم تطبيقات النمذجة والمحاكاة في مجموعة واسعة من المجالات لتحليل الأنظمة المعقدة، وتحسين العمليات، واختبار الفرضيات من دون الحاجة إلى تجارب حقيقية مكلفة أو مستحيلة التنفيذ. في ما يأتي أهم المجالات والتطبيقات التي تُستخدم فيها النمذجة والمحاكاة:

1. الروبوتات: تُستخدم المحاكاة في تدريب الروبوتات على تنفيذ مهام معينة قبل تعريضها إلى البيئة الحقيقية؛ مما يضمن نجاح برمجتها ويقلّل من التكلفة والخسائر. للمصمم إضافة صورة مناسبة
2. تحليل الأنظمة البيئية: تُستخدم النمذجة والمحاكاة لدراسة الظواهر البيولوجية العامة، والتنبؤ بتطور نظم بيئية محددة مثل: تأثير مجموعات الحيوانات والنباتات على الأنشطة الاقتصادية والزراعية والغابات والصيد والبناء، أو تحليل النواتج المحلية في التلوث وتغير المُناخ؛ مما يساعد في صنع القرارات للمحافظة على بيئات مستدامة. وبعبارة أخرى تُستخدم في مرحلة التخطيط لتحليل المشروعات من منظور بيئي. للمصمم إضافة صورة مناسبة

3. الأنظمة الاقتصادية: تُستخدم النمذجة والمحاكاة في تحليل سلوك الأسواق المالية اعتمادًا على نمذجة الأنظمة الاقتصادية، ويمكن استخدام الذكاء الاصطناعي ودمجه مع عمليات التصنيع والتصميم، مثل استخدام تقنيات الطباعة ثلاثية الأبعاد، والروبوتات والتصنيع بمساعدة الحاسوب ((Computer-Aided Manufacturing (CAM))؛ حيث تُنتج تصاميم افتراضية وتُنقل إلى الإنتاج المادي. يمكن أن تساعد النمذجة في تقييم كيفية تحسين عملية معينة، مثل اللحام أو التجميع، واختبار سيناريوهات مختلفة لتحسين الجودة وتقليل الوقت. ويمكن أيضًا استخدام المحاكاة الرّقمية في تمثيل افتراضي دقيق للمصنع أو المُنتج؛ مما يتيح اختبار سيناريوهات في الوقت الحقيقي باستخدام البيانات الحية.

1. أتعاونُ مع زملائي في المجموعة عن طريق: استخدام موقع (leonardo.ai) لتصميم صورة مبتكرة لمنتج معين يمتاز بمواصفات فريدة مثل: "سيارة الأحلام" أو "هاتف نقال متطور" أو "حاسوب محمول ذكي". بعد إتمام التصميم، نستعين بـ ChatGPT للحصول على خطة تسويقية تفصيلية تشمل دراسة السوق، وتحليل المنافسين، وتحديد استراتيجيات الترويج والتسعير.
2. بعد ذلك، نشارك التصميم والخطة التسويقية مع زملائنا عبر اللوح التفاعلي الرّقمي للصف، ونناقش معهم النتائج والتوصيات.

4. التعليم: يهدف استخدام الذكاء الاصطناعي في التعلّم القائم على المحاكاة إلى تعزيز التعلّم عن طريق الشرح، ومن ثم التكيف مع الاحتياجات الفردية. ثم إنه يُسهل عملية المتابعة والتقييم.

استخدام الذكاء الاصطناعي في التعلّم القائم على المحاكاة

• أختارُ تطبيقًا تعليميًا يعتمد على المحاكاة (مثل Labster للتجارب العلمية الافتراضية) أو (Doulingo لتعلّم اللغات، Dreambox Learnin أو لتعلّم الرياضيات، أو أي تطبيق آخر).
• أبدأ باستخدام التطبيق وأتعلّم درسًا أو مفهومًا معينًا مثل الفيزياء أو البيولوجيا أو باستخدام المحاكاة.
• أكمل الأنشطة التعليمية في التطبيق، وألاحظ كيف يتم توجيهي وتعليمي بناءً على أدائي (على سبيل المثال: إذا أخطأتُ في خطوة، يقدم لي التطبيق تعليمات تفصيلية لتصحيح الأخطاء).
• أقيّم تقدمي عن طريق متابعة التغذية الراجعة المستمرة التي يقدمها النظام بناءً على تفاعلاتي.
• أشارك ملاحظاتي وانطباعاتي مع زملائي والمعلم (كيف ساعدني التطبيق في التعلّم؟).

يوجد عديد من البرامج التي تعتمد على الذكاء الاصطناعي، وتُستخدم في النمذجة والمحاكاة. تتنوع هذه البرامج بين الأدوات العامة التي تدعم التعلّم الآلي والتنبؤات، ومنصات متخصصة في محاكاة نُظم معينة مثل الروبوتات. فيما يأتي بعض البرامج والأدوات:

1. MATLAB: بيئة برمجية متكاملة تُستخدم في تحليل البيانات والنمذجة الرياضية والمحاكاة. ويعدّ Simulink جزءًا من MATLAB؛ إذ يعمل على توفير بيئة رسومية تُستخدم في محاكاة الأنظمة الديناميكية والنمذجة القائمة على الوقت. ومن التطبيقات التي يقوم بها محاكاة الأنظمة الخطية وغير الخطية، والروبوتات، ومعالجة الصور، والتحكم في الأنظمة.
2. Python: يُستخدم في تطوير الخوارزميات التنبؤية، وتحليل البيانات، وبناء نماذج الشبكة العصبية، ومحاكاة الأنظمة المعقدة.
3. Tinkercad: تطبيق قائم على الويب، يُمكن استخدامه من الهواتف الذكية، يسمح بتصميم الدوائر الكهربائية والإلكترونية ومحاكاتها. ويسمح أيضًا بتصميم نماذج ثلاثية الأبعاد، ويُستخدم في التعليم.
4. ICircuit: تطبيق نمذجة الدوائر الكهربائية ومحاكاتها، يعمل على الهواتف الذكية.

أبحث في المواقع الإلكترونية الموثوقة عن برامج ذكاء اصطناعي أخرى تُستخدم في المحاكاة والنمذجة، وأشاركها مع زملائي في الصف عبر اللوح الرقمي التفاعلي.

1. أستخدم المهارات التي تعلّمتها في لغة بايثون لكتابة برنامج يحاكي عملية رمي النرد.
2. أبرمج الروتين الفرعي (functions) والجمل الشرطية (if-else) لتنفيذ عملية الرمي وتوليد أرقام عشوائية بين 1 و 6. بعد الانتهاء من البرنامج، أقارن عملي مع برامج الزملاء، وأجمع التغذية الراجعة من المعلم وزملائي.
3. بناءً على تلك التغذية الراجعة، أقوم بتعديل البرنامج وتحسينه؛ لضمان أن يعمل بكفاءة ودقة أكبر.

• أفتح الموقع الرسمي www.tinkercad.com وأستكشف الصفحة الرئيسة للموقع.
• أنشئ حسابًا على الموقع عن طريق النقر على (Sign up)، ستظهر خيارات عدة.
• أختار (create a personal account)، ومن ثم (sign up with Google) وأدخل حسابي على جوجل، وأكتب كلمة المرور الخاصة بالحساب. ستظهر الصفحة الرئيسة من البرنامج.
• أختار (Circuits) ثم أختار (Start Simulation).
• أنقر (start) في المرة الأولى عند الدخول على عملية المحاكاة، في المرات الأخرى يُمكن النقر على (reset).
• أنقر زر (Start Simulation) أعلى يمين الشاشة. ألاحظ أنّ مصباح (LED) سوف يُضيء.
• أنقر زر (Next) أسفل يسار الشاشة، فتظهر رسالة تهنئة لعمل محاكاة أول دارة كهربائية.

أُجرب بنفسي الخطوات الآتية:

• افتح تطبيق (Tinkercad) من المتصفح.
• ألاحظ أن مكونات الدارات الكهربائية والإلكترونية موجودة في الجزء الأيمن من الشاشة. أستعرض الأدوات المتوافرة وأتعرف إلى مكوناتها.
• من الصفحة الرئيسة، أنقر على زر (Create) ثم أختار (Circuits) لإنشاء دارة كهربائية جديدة.
• من المكونات المتاحة، أختار بطارية معدنية (Coin Battery)، سيظهر صندوق خصائص المكوّن. أعطي البطارية اسمًا (مثل "بطارية 1") أو أستبدل اسمًا مناسبًا به.
• أختار مصباح (LED)، ويمكنني تغيير لونه واسمه إذا أردت.
• أنقر على أحد جوانب البطارية، ثم أحرك المؤشر باتجاه المصباح لربطهما معًا.
• أربط الجهة الموجبة من المصباح بالجهة الموجبة للبطارية. يمكنني أيضًا تغيير اتجاه دوران المصباح وعمل انعكاس له، ويمكن أيضًا تغيير لون الخط الكبل الكهربائي الواصل بين البطارية والمصباح.
• أنقر على زر (Start Simulation) لتشغيل المحاكاة. ألاحظ أن المصباح يضيء، ولكن تظهر ملاحظة بضرورة وجود مقاومة.
• أضيف مقاومة (Resistor)، وأحدد لها قيمة 10 أوم، ثم أنقر على زر بدء المحاكاة مرة أخرى.
• أجرب تغيير قيمة المقاومة وأشغل المحاكاة في كل مرة. ألاحظ تأثير ذلك في إضاءة المصباح، وأفسر ملاحظاتي بناءً على القيم المختلفة للمقاومة.
• أضيف مفتاحًا للدارة الكهربائية ثم أضغط على زر المحاكاة مجددًا.
• ألاحظ كيف يعمل المفتاح في تشغيل الدارة أو إيقافها. أدون ملاحظاتي حول سلوك الدارة الكهربائية.

  أجرب بنفسي: تصميم دارة كهربائية ومحاكاتها باستخدام (Tinkercad) استخدام تطبيق (Tinkercad) لمحاكاة دارة كهربائية تحتوي على مصباح عادي ومقاومة متغيرة، أشارك البرنامج مع زملائي في الصف

يُستخدم برنامج (Tinkercad) لتصميم الدوائر الإلكترونية ومحاكاتها؛ إذ يُمكن عن طريقه تعلّم أساسيات "الأردوينو" وتطبيقها من دون وجود معدات فعلية لذلك.

• الملكية الفكرية: أنسبُ المعلومات إلى أصحابها عن طريق التوثيق الصحيح للمعلومات.
• التعامل الأخلاقي مع البيانات: أجمعُ البيانات بموافقة كاملة، وعدم استخدامها لأغراض غير مصرح بها.
• المشاركة المفتوحة: توفير الوصول إلى النماذج والبيانات بشكل مفتوح؛ لتمكين الآخرين من التحقق وإعادة استخدام النتائج.
• المسؤولية الاجتماعية: تطوير نماذج تركّز على تحسين جودة الحياة، وحلّ القضايا الاجتماعية مثل الفقر والبيئة.
• التعاون: العمل مع فرق متعددة التخصصات، وتبادل المعرفة لتحقيق أفضل النتائج.

  المشروع: بناء نظام خبير لاختيار السيارة المناسبة بناءً على طبيعة الاستخدام، وتطبيق خوارزميات التعلم الآلي والنمذجة، ومعالجة اللغات الطبيعية.

أستكملُ العمل على المشروع بالتعاون مع الزملاء، وأنفذُ مهمة تصميم نموذج ثلاثي الأبعاد للسيارة متوافق مع احتياجات المستخدم وتوصيات النظام الخبير؛ باستخدام أحد برامج التصميم التي تعتمد على الذكاء الاصطناعي. أُنفّذ الخطوات الآتية:

• أستخدم برنامج (Leaonardo.ai) لرسم نموذج للسيارة المتوقعة وفقًا لطبيعة الاستخدام.
• أصفُ مواصفات السيارة وصفًا دقيقًا يشمل: نوع المحرك، والسّعة، والألوان المتوقعة، وعدد الركاب، والتفاصيل الجمالية، مثل الأبعاد والشكل الخارجي والداخلي؛ حتى أتمكن من الحصول على تصميم دقيق يطابق التوصيات التي قدمها النظام الخبير.
• بعد الانتهاء من تصميم النموذج، أتأكد من أن النموذج يطابق توقعات السيارة المناسبة التي أوصى بها النظام الخبير.
• أُحسّنُ أي جوانب تحتاج إلى تعديل بناءً على التغذية الراجعة من الزملاء والمعلم قبل تسليم المشروع النهائي.

معايير تقييم المهمة:

• دقة الوصف: توافق النموذج مع توصيات النظام الخبير.
• جودة التصميم: استخدام فعال لبرنامج الذكاء الاصطناعي لتصميم السيارة.
• التقييم والتحسين: بناءً على معايير المعلّم والتغذية الراجعة.
• الابتكار: إضافة أفكار جديدة وتحسينات مبتكرة.

المعرفة: استخدم ما تعلّمته من معارف في هذا الدرس للإجابة عن الأسئلة الآتية: السؤال الأول: أوضّح المقصود بالنمذجة والمحاكاة. السؤال الثاني: أعدد أنواع النماذج المستخدمة في النمذجة والمحاكاة مع التمثيل عليها. السؤال الثالث: أوضّح فائدة لاستخدام النمذجة والمحاكاة في المجالات الآتية:

• التعليم.
• الزراعة.
• الرعاية الصحية.

المهارات: أوظف مهارات التفكير الناقد، والبحث الرّقمي، والتواصل للإجابة عن الأسئلة الآتية: السؤال الأول: أقارن بين النموذج القائم على المعادلات، والنموذج القائم على الوكيل في طريقة محاكاتهم للواقع الحقيقي في محاكاة حركة المرور. السؤال الثاني: استخدم تطبيق Tinkercad، بالإضافة إلى البحث باستخدام الإنترنت لتطبيق دارة إلكترونية بسيطة باستخدام Arduino Board, LED، ومصدر كهربائي. السؤال الثالث: أقترح أفكارًا لتوظيف النمذجة والمحاكاة لدعم الطلبة ذوي صعوبات التعلّم.

أبحثُ عن تطبيقات لتوظيف النمذجة والمحاكاة في موضوعات العلوم للصفوف 1-6، وأجمع المصادر التي حصلت عليها على شكل مكتبة إلكترونية، وأنشرها على مواقع التواصل.

تعرّفت في هذه الوحدة مفاهيم وتطبيقات متعلقة بالذكاء الاصطناعي وفروعه واستخداماته، وفي يأتي أبرز الجوانب التي تناولتها الوحدة:

• النظام الخبير: هو برنامج حاسوبي ذكي (أحد تطبيقات الذكاء الاصطناعي) يُحاكي قدرة الخبير البشري في اتخاذ قرارات في مواقف حقيقية في مجال معرفة معين؛ أي إنه قادر على حل مشكلات معقدة بمساعدة الخبرة المخزّنة. والشخص الخبير هو الشخص الذي يمتلك المعرفة العميقة في ذلك المجال، وبإمكانه اتخاذ القرارات المبنية على هذه المعرفة.
• يتكوّن النظام الخبير من قاعدة المعرفة التي تعدّ قلب النظام، ومحرك الاستدلال (عقل النظام) وواجهة المستخدم. وهي وسيلة التفاعل بين النظام والشخص غير الخبير، أو المستخدم، وذاكرة العمل التي تحتفظ بجميع البيانات الخاصة بالمهمة الحالية.
• تظهر أهمية النظام الخبير في الحفاظ على الخبرة والمعرفة من الاندثار أو الانقراض بعد موت مالكيها، والمساعدة في حل مشكلات معقدة في نطاق مجال معين، وهو يُساعد أيضًا في تدريب الأشخاص قليلي الخبرة.
• من مميزات الأنظمة الخبيرة أنها مفيدة، وسهلة الاستخدام، وتعليمية وقادرة على التعلّم وتقديم تفسير للنصيحة التي قدّمتها. وهي أيضًا ذات فعالية عالية وتستخدم القواعد الاستدلالية لتضييق نطاق الاحتمالات، وهي قادرة على الاستجابة للأسئلة البسيطة. ثمّ إنها مفيدة في توفير مستويات عالية من الخبرة في حال عدم توافر خبير. ومن عيوبها أنها محددة بمجال معين، وتكلفتها عالية، ويصعب جمع المعارف المطلوبة عنها، واحتمالية تعارض القواعد الجديدة المضافة مع القواعد السابقة، وافتقارها إلى الحس السليم والحس الإبداعي، واختلاف طريقة حل المشكلات من شخص خبير إلى آخر.
• من الأمثلة على الأنظمة الخبيرة DENDRAL في مجال الكيمياء، و MYCIN الخبير في تشخيص أمراض الدم، R1 المستخدم لتحديد مواصفات أجهزة الحاسوب، و ACE لتشخيص أعطال الهاتف، و FAITH لتشخيص المركبات الفضائية.
• تتمثل دورة حياة تطوير النظام الخبير بـ: التعريف بالمشكلة، وتحديد مصدر المعرفة، وبناء قاعدة المعرفة، والتطبيق والاختبار.
• تعلّم الآلة هو أحد فروع الذكاء الاصطناعي الذي يُعنى بتطوير برمجيات وخوارزميات، تعطي الحاسوب القدرة على التعلّم من دون أن يُبرمج بشكل صريح للقيام بمهمات معينة.
• يتطلب بناء نموذج تعلّم آلي وجود بيانات ضخمة عالية الجودة وخوارزميات تعلّم الآلة، وأجهزة فائقة السرعة والذاكرة.
• من أنواع خوارزميات التعلّم الآلي: التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف.
• في التعلّم الخاضع للإشراف: تُستخدم بيانات موسومة مسبقًا لتدريب نموذج تعلّم الآلة على استنباط العلاقات التي تساعد النموذج على توقع الوسم. وتُصنف النماذج بحسب هذا النوع إلى قسمين: نماذج التصنيف، ونماذج الانحدار.
• من الأمثلة على خوارزميات التعلّم الخاضع للإشراف: الانحدار الخطي، والانحدار اللوجستي، وأشجار القرار، والغابات العشوائية، والآلات المتجهة الداعمة، والشبكات العصبية الاصطناعية.
• التعلّم غير الخاضع للإشراف: نوع من التعلّم الآلي يُستخدم لاستخراج الأنماط أو الهياكل من البيانات من دون وجود وسم للبيانات، ومن ثمّ لا تُعطي البيانات التي يتدرّب النموذج عليها أي معلومات مسبقة عن الفئات أو النتائج المستهدفة.
• من التقنيات المستخدمة في التعلّم غير الخاضع للإشراف: التجميع، وتقليل الأبعاد واكتشاف القيم المتطرفة أو الشاذة.
• التعلّم المعزّز: نوع من أنواع التعلّم الآلي، يتعلّم كيفية اتخاذ القرارات عن طريق التجربة (خلال المحاولة والخطأ) والتفاعل مع البيئة بدلًا من تلقي مجموعة ثابتة من البيانات لتعلّمها.
• تتمثل خطوات بناء نموذج تعلّم الآلة بجمع البيانات، واستكشاف البيانات، وتجهيز البيانات وما تتضمنه من تنظيف للبيانات وتسوية لها، وتحويلها وتقسيمها إلى مجموعات تدريب واختبار وتحقق. ثم اختيار النموذج، ثم التدريب، ثم تقييم النموذج، وتحسين النموذج، وأخيرًا نشر النموذج.
• يُمكن بناء أنظمة تعلّم آلة عن طريق استخدام أدوات لديها واجهة مستخدم وأيقونات، يمكن سحبها وإفلاتها في حيز العمل، أو استخدام لغة برمجة معينة لكتابة البرامج.
• تعدّ أداة Orange Data Mining من أهم المنصات التي توفر بيئة مستخدم سهلة لبناء نماذج تعلّم الآلة.
• من تطبيقات تعلّم الآلة في التعليم: التعليم الشخصي؛ حيث تُخصّص الدروس والمسائل للطلبة بناءً على أدائهم، وكذلك التصحيح التلقائي للأسئلة المقالية والمشروعات، وتزويد الطالب بتغذية راجعة مناسبة.
• معالجة اللغات الطبيعية: فرع من فروع الذكاء الاصطناعي، يهدف إلى تمكين الحواسيب من

  فهم النصوص اللغوية البشرية وتفسيرها وتحليلها، وتوليد اللغة بشكل تلقائي وبفعالية.

• تستخدم معالجات النصوص الطبيعية مزيجًا من التعلّم الآلي، والتحليل اللغوي وعلم الحاسوب لتحقيق هذا الهدف.
• مراحل معالجة اللغات الطبيعية هي: إدخال البيانات، ومعالجة البيانات، واستخراج الصفات، ثم تدريب النموذج، وأخيرًا التقييم.
• تشمل المدخلات جميع اللغات التي يمكن للبشر التحدث بها سواء أكانت مكتوبة أم محكية.
• تمرّ معالجة البيانات بمراحل عدة هي: تنظيف البيانات، وتطبيع البيانات، وتحليل النصوص، واستخراج الجذر للكلمات، واستخراج الصفات/الخصائص.
• المهمات الأساسية لمعالجة اللغات الطبيعية هي تحليل النص، واستخراج المعلومات، وفهم النص، وتوليد النص.
• من التطبيقات العملية لمعالجة اللغات الطبيعية: تحديد نوع النص ومنها تحليل المشاعر، والدردشة الذكية، واستخراج الجواب السؤال، والتلخيص التلقائي، والترجمة الآلية، واستخراج أسماء الكيانات، والتحكم في الصوت.
• النمذجة (Modelling): تصميم تمثيل لنظام معين أو عملية معينة وبناؤها، تتضمن الشكل والخصائص؛ بهدف فهم سلوك النظام أو العملية. وتستخدم النماذج بكثرة في حقول الرياضيات والفيزياء والهندسة.
• المحاكاة (Simulation): استخدام النموذج في تقليد سلوك نظام معين تحت ظروف معينة، أو تشغيل النموذج من حيث الوقت أو المكان لدراسة أداء النظام.
• تُستخدم النمذجة والمحاكاة في الذكاء الاصطناعي في العديد من المجالات منها: تطوير الخوارزميات، وتدريب أنظمة الذكاء الاصطناعي، وتحليل البيانات، والتنبؤ واتخاذ القرار.
• للنماذج أنواع عدة، منها ما تُبنى على المعادلات، ومنها النماذج القائمة على الوكيل، ومنها المستندة إلى البيانات.
• من تطبيقات النمذجة والمحاكاة في الذكاء الاصطناعي: الروبوتات، وتحليل الأنظمة البيئية للتنبؤ بتطور نظم بيئية محددة، والأنظمة الاقتصادية، مثل تحليل الأسواق المالية. وتقنيات التصنيع مثل الطباعة ثلاثية الأبعاد وغيرها. والرعاية الصحية.
• من برامج الذكاء الاصطناعي: MATLAB Python, Tinkercad, ICircuit.
• يهدف استخدام النمذجة والمحاكاة في التعليم إلى تعزيز التعلّم عن طريق الشرح، ومن ثم التكيف مع الاحتياجات البشرية، وتحديد التفاعلات، وفي عمليات التقييم.

تستخدم أداة Orange Data Mining في مجال الذكاء الاصطناعي وعلم البيانات، وفي هذه الجزئية تحديدًا، سيتعامل مع معالجة اللغات الطبيعية باستخدام هذه الأداة.

ملاحظة: يُقصد بـ Corpus مجموعات النصوص.

• أولًا التأكد من تثبيت الأدوات الخاصة بمعالجة النصوص عن طريق ما يأتي:

  من قائمة Options، اختر الأمر Adds-ons، ومن صندوق الحوار الذي يظهر اختر Text و Text Table، ومن ثم انقر على زر Ok. لاحظ أن هذه العملية قد تحتاج إلى بعض الوقت. يُعاد تشغيل برنامج Orange Data Mining لتظهر هذه الأدوات في الجانب الأيسر من الشاشة أسفل مجموعة Text Mining كما في الشكل.

• أضيفُ أداة Corpus إلى حيز العمل، وانقر نقرًا مزدوجًا عليها لتحديد النصوص التي سيتعامل معها.
• أختار grimm-tales-selected.tab، وهي مجموعة قصص تتكون من 44 قصة لنطبّق عليها. تأكد من أن خيار Content هو الخيار الموجود في صندوق Used text features، وأن بقية الخيارات هي المستثناة؛ لأننا سنعمل على المحتوى.

• أربطُ أداة Corpus بأداة Corpus viewer، ثم انقر على الأداة الأخيرة نقرًا مزدوجًا لتظهر النافذة الآتية.

في الجزء الأيسر من الشاشة تظهر خصائص البحث، وفي المنتصف تظهر عناوين 44 قصة، وفي الجزء الأيمن تظهر القصة التي اخترناها.

• أكتب كلمة Girl في الأعلى لتظهر القصص التي تحتوي على كلمة Girl وعددها 14 قصة.

وستظهر أيضًا كلمة Girl مظللة بحسب ورودها في القصة. لاحظ ظهور ATU Topic والعنوان والملخص والمحتوى في أعلى يمين الشاشة.

• لإظهار المحتوى فقط من القصة، أختارُ Content من الجهة اليسرى في أسفل النافذة والمعنونة بـ Display features.

لإظهار الملخص والعنوان، أنقر على مفتاح Shift من لوحة المفاتيح، وأنقر بالفأرة على الخيارات التي أرغب بإظهارها.

• أربطُ أداة Corpus بأداة Word Cloud التي تُعطي تمثيلًا لأكثر الكلمات تكرارًا في القصص. عند النقر عليها نقرًا مزدوجًا ستظهر النافذة الآتية:

في الجهة اليسرى من الشاشة تُظهر الكلمة أو علامة الترقيم وتكراراتها، وعند النقر على كلمة معينة في الجهة اليسرى ستظهر باللون الأحمر في Word Cloud. لاحظ أن علامات الترقيم غير مهمة. توجد أيضًا كلمات ابتدائية، مثل a, the لا داعي لوجودها ضمن التكرارات.

• للتحكم في الكلمات التي يتم تحليلها، أربطُ أداة Corpus بأداة Preprocess text وانقر عليها نقرًا مزدوجًا.
• تظهر الخيارات الآتية:

• د. Regexp: يعمل هذا الخيار على استبعاد معينة أو علامات ترقيم.
• هـ. Stopwords: أستطيعُ بواسطته تحديد اللغة التي أتعامل معها، وتحديد الكلمات التي أرغب في عدم مشاهدة تكراراتها أيضًا.

• بعد التعديل على الخيارات، أربطُ أداة Preprocess text بأداة Word cloud جديدة، ولاحظ الفرق في النتائج.
• لإضافة Stopwords جديدة أنفذُ ما يأتي:

• أ. أفتحُ ملفًا جديدًا في Notepad وأكتب الكلمات التي أرغب في استثنائها من التكرارات، ثم أحفظ الملف.
• ب. من زر Browse، أستعرض الملفات؛ لإيجاده وتحديده كملف لـ Stop Words، ثم أنقر على زر Apply.

لتجميع النصوص أنفذُ بما يأتي:

1. أضيف أداة Corpus ثم أحدد الخصائص التي أريد العمل عليها بوساطة النقر المزدوج عليها واختيار content.
2. أربط بين الأداة وبين أداة Preprocess text وأحدد الخيارات التي أرغب بها.
3. أضيف أداة Bag of Words التي تُستخدم لعدّ الكلمات.
4. أضيف أداة Data Table وأربطها بأداة Bag of Words لمشاهدة عدد الكلمات.
5. أربط أداة Bag of Words بأداة Distance ثم أربطها بأداة Hierarchical Clustering حيث يقوم بتجميع القصص بناءً على الكلمات الموجودة فيها.

بعد دراستي هذه الوحدة، اقرأ الفقرات الواردة في الجدول الآتي، ثم أضع إشارة (✓) في العمود المناسب:

إذا اخترتُ (لا) أو (لستُ متأكدًا) لأيٍّ من الفقرات السابقة، فأتبعُ الخطوات الآتية لتجنّب ذلك:

• أراجعُ المادة الدراسية؛ بأن أُعيد قراءة المحتوى المُتعلّق بالمعيار.
• أطلبُ المساعدة؛ بأن أناقش مُعلّمي/مُعلّمتي أو زملائي/زميلاتي في ما تعذّر عليّ فهمه.
• أستخدمُ مراجع إضافية؛ بأن أبحث عن مراجع أخرى مثل الكتب، أو أستعين بالمواقع الإلكترونية الموثوقة التي تُقدّم شرحًا وافيًا للموضوعات التي أجد صعوبة في فهمها.

1. التأمّلات الذاتية هي فرصة لتقييم عملية التعلّم، وفهم التحدّيات، وتطوير استراتيجيات لتحسين عملية التعلّم مستقبلًا.
2. أملأ الفراغ في ما يأتي بالأفكار والتأمّلات الشخصية التي يُمكن بها تحقيق أفضل استفادة من التجربة التعليمية:

يُمكنني أن أُطبّق ما تعلّمته في:

الصعوبات التي واجهتها أثناء عملية التعلّم:

ذلّلتُ هذه الصعوبات عن طريق:

يُمكنني مستقبلًا تحسين: تم بحمد الله