نماذج التعلم الآلي (Machine Learning)

 

التعلم الآلي (Machine Learning):

التعلم الآلي هو أحد فروع الذكاء الصناعي يهدف إلى تطوير خوارزميات تساعد الأنظمة على التعلم من البيانات وتحسين أدائها بمرور الوقت. يتم تقسيم التعلم الآلي إلى ثلاثة أنواع رئيسية بناءً على طبيعة البيانات وطريقة التعلم: التعلم الخاضع للإشراف (Supervised Learning)، التعلم غير الخاضع للإشراف (Unsupervised Learning)، والتعلم التعزيزي (Reinforcement Learning).

---

1. التعلم الخاضع للإشراف (Supervised Learning):

في هذا النوع، تكون البيانات مصنفة مسبقًا (Data with labels)، أي أن كل نقطة بيانات تكون مصحوبة بتسمية تُعرف بالمخرجات (Output). الهدف هو تدريب النموذج على هذه البيانات لتوقع المخرجات الصحيحة للبيانات الجديدة.

A.  الانحدار (Regression):-

الانحدار هو عملية التنبؤ بقيمة مستمرة بناءً على البيانات المدخلة.

الانحدار الخطي (Linear Regression):

يستخدم لإيجاد العلاقة بين متغير تابع ومتغير مستقل واحد أو أكثر.

مثال: توقع أسعار المنازل بناءً على معايير مثل الموقع والمساحة.

الانحدار الجزئي (Ridge Regression):

هو نوع من الانحدار الخطي ولكنه يضيف عقوبة لتقليل احتمالية الإفراط في التكيف (Overfitting).

مثال: توقع النمو الاقتصادي بناءً على عدة عوامل.

الانحدار بالحد الأدنى للمربعات (Ordinary Least Squares Regression):

يحاول تقليل مجموع مربعات الفروق بين القيم المتوقعة والقيم الحقيقية.

مثال: التنبؤ بمستويات الإنتاج بناءً على مدخلات الإنتاج.

الانحدار التدريجي (Stepwise Regression):

يضيف أو يزيل المتغيرات بناءً على تأثيرها على النموذج لتحسين الأداء.

مثال: توقع أسعار الأسهم.

تقييم النموذج:

معامل التحديد (R²): يقيس نسبة التباين المفسرة من قبل النموذج.

الخطأ المربع المتوسط (Mean Squared Error - MSE): يقيس الفروق بين القيم المتوقعة والحقيقية.

B. التصنيف (Classification):-

التصنيف هو عملية التنبؤ بالفئة التي ينتمي إليها عنصر معين من خلال تحليل البيانات المصنفة. يمكن استخدام هذه الخوارزميات لتحديد ما إذا كانت رسالة بريد إلكتروني هي بريد مزعج (Spam) أو غير مزعج (Ham).

الانحدار اللوجستي (Logistic Regression):

يعتمد على تقدير احتمالية أن تكون نقطة البيانات تنتمي إلى فئة معينة. يستخدم عادة في التصنيفات الثنائية مثل "نعم" أو "لا".

مثال: اكتشاف الرسائل الإلكترونية المزعجة.

مصنف نايف بايز (Naive Bayes Classifier):

يعتمد على مبدأ الاستقلال الشرطي بين الخصائص، ويستخدم لحساب احتمالية أن تنتمي نقطة البيانات إلى فئة معينة.

مثال: تصنيف الوثائق النصية بناءً على فئات مثل الرياضة، السياسة، وغيرها.

أقرب الجيران (K-Nearest Neighbor - KNN):

يحسب المسافة بين النقطة الجديدة ونقاط البيانات الأخرى ويصنف النقطة بناءً على أغلبية الفئات المحيطة بها.

مثال: التعرف على الوجوه.

آلة المتجهات الداعمة (Support Vector Machine - SVM):

تهدف إلى إيجاد أفضل فاصل بين الفئات المختلفة عن طريق تحديد الحدود التي تفصل بين البيانات.

مثال: تصنيف الصور إلى فئات مختلفة مثل القطط والكلاب.

تقييم النموذج (Model Evaluation):

الدقة (Accuracy): النسبة بين التوقعات الصحيحة والعدد الإجمالي للتوقعات.

الدقة والتذكير (Precision and Recall): تقييم دقة النموذج وقدرته على اكتشاف كل العناصر الصحيحة.

منحنى ROC/AUC: لقياس أداء النموذج في التصنيفات الثنائية.

---

2. التعلم غير الخاضع للإشراف (Unsupervised Learning):

في هذا النوع، لا تكون البيانات مصنفة (Data without labels)، ويهدف النموذج إلى اكتشاف الأنماط والعلاقات المخفية في البيانات.

A. التجميع (Clustering):-

التجميع هو عملية تقسيم البيانات إلى مجموعات بناءً على التشابه بين العناصر.

خوارزمية K-means:

تقسم البيانات إلى مجموعات (Clusters) حيث تكون كل نقطة مرتبطة بأقرب مركز تجمع.

مثال: تقسيم العملاء إلى فئات بناءً على سلوك الشراء.

K-median:

بديل لخوارزمية K-means يستخدم الوسيط بدلاً من المتوسط لتحديد مراكز التجمع.

مثال: تحليل المواقع الجغرافية للمتاجر لتحسين الخدمة.

التجميع الهرمي (Hierarchical Clustering):

يبني شجرة لتجميع النقاط، مما يسمح برؤية العلاقات بين التجمعات بشكل هرمي.

مثال: تحليل البيانات الجينية لتحديد العلاقات التطورية.

توقع-تعظيم (Expectation Maximization - EM):

يعمل على تقدير التوزيعات الاحتمالية لتجميع النقاط إلى مجموعات.

مثال: تحديد أنواع الأخبار المزيفة.

تقييم النموذج:

دليل ديفيس-بولدين (Davies-Bouldin Index): يقيس جودة التجمعات بناءً على المسافات الداخلية والخارجية.

معامل سيليويت (Silhouette Coefficient): يقيس مدى تشابه النقاط داخل التجمعات مع نقاط تجمعات أخرى.

B. تحليل الارتباط (Association Analysis):-

هذا النوع من التحليل يستخدم لاكتشاف العلاقات بين العناصر في البيانات.

خوارزمية Apriori:

تبحث عن مجموعات العناصر المتكررة لتحديد الأنماط في البيانات.

مثال: تحليل سلال التسوق في المتاجر لتحديد المنتجات التي يتم شراؤها معًا.

خوارزمية Eclat:

بديل لخوارزمية Apriori ولكنه يعتمد على تقاطع المجموعات.

مثال: تحليل الأنماط في تفضيلات العملاء.

FP-Growth:

تستخدم للبحث عن الأنماط المتكررة بكفاءة أكبر من Apriori.

مثال: تحسين توصيات المنتجات في المتاجر الإلكترونية.

تقييم النموذج:

دقة الارتباط (Support): عدد المرات التي يظهر فيها العنصر في البيانات.

الثقة (Confidence): احتمال حدوث العنصر الآخر إذا ظهر عنصر معين.

C. تقليل الأبعاد (Dimensionality Reduction):-

تهدف هذه التقنية إلى تقليل عدد المتغيرات مع الحفاظ على أكبر قدر ممكن من المعلومات.

تحليل المكونات الرئيسية (Principal Component Analysis - PCA):

تقنية لتقليل الأبعاد واستخراج الميزات الأكثر تأثيرًا.

مثال: تحليل البيانات الجينية.

اختيار الميزات (Feature Selection):

Wrapper: يختبر كل مجموعة من الميزات ويحدد الأنسب.

Filter: يعتمد على الإحصائيات لتحديد الميزات المهمة.

Embedded: يستخدم النماذج القائمة لاختيار الميزات أثناء التدريب.

مثال: تحليل النصوص المكتوبة.

تقييم النموذج:

نسبة التباين المفسر (Explained Variance): يقيس مدى قدرة الميزات المختارة على تفسير التباين في البيانات.

---

3. التعلم التعزيزي (Reinforcement Learning):

هذا النوع يعتمد على التفاعل مع البيئة من خلال اتخاذ قرارات وتحسين الأداء بمرور الوقت بناءً على المكافآت والعقوبات. النموذج يتعلم من النتائج السابقة لتطوير استراتيجيات أكثر كفاءة.

A. التعلم بدون نموذج (Model-Free Learning):-

Q-Learning:

يتعلم النموذج عن طريق تخصيص قيمة لكل إجراء بناءً على المكافآت المتوقعة.

مثال: تدريب روبوت للبحث عن مسار إلى وجهة معينة.

تحسين السياسات (Policy Optimization):

يستخدم لتحديث السياسة المثلى لاتخاذ القرارات في كل حالة.

مثال: الألعاب الإلكترونية مثل الشطرنج.

الهجين (Hybrid):

يجمع بين استراتيجيات مختلفة لتحقيق أفضل أداء.

B. التعلم بنموذج (Model-Based Learning):-

تعلم النموذج (Learn the Model):

يبني النموذج الداخلي للبيئة لتوقع النتائج.

مثال: تعليم الروبوت التحرك في بيئة مجهولة.

النموذج المعطى (Given the Model):

عندما يتم توفير نموذج البيئة بشكل مسبق، يستخدمه النظام لتخطيط أفضل القرارات.

مثال: محاكاة بيئات صناعية معروفة.

تقييم النموذج:

مجموع المكافآت (Total Reward): يقيس مدى تحقيق النموذج للمكافآت على مدى الزمن.

معدل النجاح (Success Rate): يقيس نسبة نجاح النموذج في المهام الموكلة إليه.

مصدر: موقع علوم 24