برنامج تعليمي للتعلم الآلي للمبتدئين: ما هو أساسيات تعلم الآلة

ما هو التعلم الآلي؟

تعلم آلة التعلم الآلي هو نظام من الخوارزميات الحاسوبية التي يمكنها التعلم من خلال الأمثلة من خلال التحسين الذاتي دون الحاجة إلى برمجة صريحة من قبل مبرمج. التعلم الآلي هو جزء من الذكاء الاصطناعي الذي يجمع بين البيانات والأدوات الإحصائية للتنبؤ بنتائج يمكن استخدامها لتقديم رؤى قابلة للتنفيذ.

ويأتي هذا الاختراق مع فكرة أن الآلة يمكن أن تتعلم بشكل فردي من البيانات (على سبيل المثال، المثال) لإنتاج نتائج دقيقة. يرتبط التعلم الآلي ارتباطًا وثيقًا باستخراج البيانات والنمذجة التنبؤية الافتراضية. يتلقى الجهاز البيانات كمدخلات ويستخدم خوارزمية لصياغة الإجابات.

تتمثل مهام التعلم الآلي النموذجية في تقديم توصية. بالنسبة لأولئك الذين لديهم Netflix الحساب، جميع توصيات الأفلام أو المسلسلات تعتمد على البيانات التاريخية للمستخدم. تستخدم شركات التكنولوجيا تعليم غير مشرف عليه لتحسين تجربة المستخدم من خلال تخصيص التوصية.

يُستخدم التعلم الآلي أيضًا في مجموعة متنوعة من المهام مثل اكتشاف الاحتيال والصيانة التنبؤية وتحسين المحفظة وأتمتة المهام وما إلى ذلك.

التعلم الآلي مقابل البرمجة التقليدية

تختلف البرمجة التقليدية بشكل كبير عن التعلم الآلي. ففي البرمجة التقليدية، يقوم المبرمج بكتابة جميع القواعد بالتشاور مع خبير في الصناعة التي يتم تطوير البرمجيات من أجلها. وتستند كل قاعدة إلى أساس منطقي؛ وستنفذ الآلة ناتجًا يتبع العبارة المنطقية. وعندما يصبح النظام معقدًا، يلزم كتابة المزيد من القواعد. وقد يصبح من غير الممكن الحفاظ عليه بسرعة.

من المفترض أن يتغلب التعلم الآلي على هذه المشكلة. حيث يتعلم الجهاز كيفية ارتباط البيانات المدخلة والمخرجة ويكتب قاعدة. ولا يحتاج المبرمجون إلى كتابة قواعد جديدة في كل مرة توجد فيها بيانات جديدة. وتتكيف الخوارزميات استجابة للبيانات والتجارب الجديدة لتحسين الكفاءة بمرور الوقت.

كيف يعمل التعلم الآلي؟

الآن في هذا البرنامج التعليمي لأساسيات التعلم الآلي للمبتدئين، سنتعلم كيفية عمل التعلم الآلي (ML):

التعلم الآلي هو الدماغ الذي يحدث فيه كل التعلم. الطريقة التي تتعلم بها الآلة تشبه طريقة تعلم الإنسان. الإنسان يتعلم من التجربة. كلما عرفنا أكثر، أصبح من السهل علينا التنبؤ. وقياسا على ذلك، عندما نواجه موقفا مجهولا، فإن احتمالية النجاح تكون أقل من الموقف المعروف. يتم تدريب الآلات بنفس الطريقة. لإجراء تنبؤ دقيق، ترى الآلة مثالاً. وعندما نعطي الآلة مثالًا مشابهًا، يمكنها معرفة النتيجة. ومع ذلك، مثل الإنسان، إذا قام بتغذية مثال لم يسبق له مثيل، فإن الآلة تواجه صعوبات في التنبؤ.

الهدف الأساسي للتعلم الآلي هو تعلم و الإستنباط. أولًا، تتعلم الآلة من خلال اكتشاف الأنماط. تم هذا الاكتشاف بفضل البيانات. أحد الأجزاء الحاسمة في عالم البيانات هو أن يختار بعناية البيانات التي يجب تقديمها للجهاز. تسمى قائمة السمات المستخدمة لحل المشكلة أ ناقلات الميزة يمكنك التفكير في ناقل الميزة كمجموعة فرعية من البيانات المستخدمة لمعالجة مشكلة ما.

تستخدم الآلة بعض الخوارزميات الرائعة لتبسيط الواقع وتحويل هذا الاكتشاف إلى نموذجلذلك، يتم استخدام مرحلة التعلم لوصف البيانات وتلخيصها في نموذج.

على سبيل المثال، تحاول الآلة فهم العلاقة بين أجر الفرد واحتمالية الذهاب إلى مطعم فاخر. اتضح أن الآلة وجدت علاقة إيجابية بين الأجر والذهاب إلى مطعم راقي: هذا هو النموذج

الاستدلال

عندما يتم بناء النموذج، من الممكن اختبار مدى قوته على بيانات لم يسبق لها مثيل. يتم تحويل البيانات الجديدة إلى ناقل الميزات، وتصفح النموذج وإعطاء التنبؤ. هذا هو كل الجزء الجميل من التعلم الآلي. ليست هناك حاجة لتحديث القواعد أو تدريب النموذج مرة أخرى. يمكنك استخدام النموذج الذي تم تدريبه مسبقًا للاستدلال على البيانات الجديدة.

إن حياة برامج التعلم الآلي واضحة ومباشرة ويمكن تلخيصها في النقاط التالية:

1. تحديد سؤال
2. اجمع بيانات
3. تصور البيانات
4. خوارزمية القطار
5. اختبار الخوارزمية
6. اجمع التعليقات
7. تحسين الخوارزمية
8. كرر 4-7 حتى تكون النتائج مرضية
9. استخدم النموذج للتنبؤ

وبمجرد أن تصبح الخوارزمية جيدة في استخلاص الاستنتاجات الصحيحة، فإنها تطبق هذه المعرفة على مجموعات جديدة من البيانات.

تعلم آلة Algorithms وأين يتم استخدامها؟

الآن في هذا البرنامج التعليمي لتعلم الآلة للمبتدئين، سنتعلم أين يتم استخدام خوارزميات التعلم الآلي (ML):

يمكن تقسيم التعلم الآلي إلى مهمتين رئيسيتين للتعلم: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. هناك العديد من الخوارزميات الأخرى

الإشراف على التعلم

تستخدم الخوارزمية بيانات التدريب وردود الفعل من البشر لمعرفة العلاقة بين المدخلات المعطاة ومخرجات معينة. على سبيل المثال، يمكن للممارس استخدام نفقات التسويق والتنبؤات الجوية كبيانات مدخلة للتنبؤ بمبيعات العلب.

يمكنك استخدام التعلم الخاضع للإشراف عندما تكون بيانات المخرجات معروفة. سوف تتنبأ الخوارزمية بالبيانات الجديدة.

هناك فئتان من التعلم تحت إشراف:

• مهمة التصنيف
• مهمة الانحدار

تصنيف

تخيل أنك تريد التنبؤ بجنس العميل لإعلان تجاري. ستبدأ في جمع البيانات حول الطول والوزن والوظيفة والراتب وسلة المشتريات وما إلى ذلك من قاعدة بيانات العملاء الخاصة بك. أنت تعرف جنس كل عميل لديك، ويمكن أن يكون ذكرًا أو أنثى فقط. سيكون هدف المصنف هو تحديد احتمالية كونك ذكرًا أو أنثى (أي التسمية) بناءً على المعلومات (أي الميزات التي قمت بجمعها). عندما يتعلم النموذج كيفية التعرف على ذكر أو أنثى، يمكنك استخدام بيانات جديدة للتنبؤ. على سبيل المثال، حصلت للتو على معلومات جديدة من عميل غير معروف، وتريد معرفة ما إذا كان ذكرًا أم أنثى. إذا توقع المصنف ذكرًا = 70%، فهذا يعني أن الخوارزمية متأكدة بنسبة 70% من أن هذا العميل ذكر، و30% أنثى.

يمكن أن تكون التسمية من فئتين أو أكثر. يحتوي مثال التعلم الآلي أعلاه على فئتين فقط، ولكن إذا كان المصنف يحتاج إلى التنبؤ بالكائن، فهو يحتوي على عشرات الفئات (على سبيل المثال، الزجاج، الطاولة، الأحذية، إلخ. كل كائن يمثل فئة)

تراجع

عندما يكون الإخراج قيمة مستمرة، تكون المهمة بمثابة انحدار. على سبيل المثال، قد يحتاج المحلل المالي إلى التنبؤ بقيمة السهم بناءً على مجموعة من الميزات مثل الأسهم وأداء الأسهم السابق ومؤشر الاقتصاد الكلي. سيتم تدريب النظام على تقدير أسعار الأسهم بأقل خطأ ممكن.

خوارزمية	الوصف	النوع
الانحدارالخطي	يجد طريقة لربط كل ميزة بالمخرجات للمساعدة في التنبؤ بالقيم المستقبلية.	تراجع
الانحدار اللوجستي	امتداد الانحدار الخطي المستخدم لمهام التصنيف. متغير الإخراج 3 هو ثنائي (على سبيل المثال، أسود أو أبيض فقط) وليس مستمر (على سبيل المثال، قائمة لا حصر لها من الألوان المحتملة)	تصنيف
شجرة القرار	تصنيف أو نموذج انحدار قابل للتفسير بدرجة كبيرة، حيث يقوم بتقسيم قيم ميزات البيانات إلى فروع في عقد القرار (على سبيل المثال، إذا كانت الميزة عبارة عن لون، يصبح كل لون محتمل فرعًا جديدًا) حتى يتم اتخاذ مخرج القرار النهائي	تراجع تصنيف
ساذجة بايز	الطريقة البايزية هي طريقة تصنيف تستخدم نظرية بايزي. تقوم النظرية بتحديث المعرفة المسبقة لحدث ما مع الاحتمالية المستقلة لكل ميزة يمكن أن تؤثر على الحدث.	تراجع تصنيف
دعم شاحنات النقل	عادةً ما يتم استخدام آلة دعم المتجهات، أو SVM، لمهمة التصنيف. تعثر خوارزمية SVM على مستوى فائق يقسم الفئات على النحو الأمثل. من الأفضل استخدامه مع محلل غير خطي.	الانحدار (ليس شائعًا جدًا) تصنيف
غابة عشوائية	تم بناء الخوارزمية على شجرة القرار لتحسين الدقة بشكل كبير. تنشئ الغابة العشوائية عدة مرات أشجار قرارات بسيطة وتستخدم طريقة "تصويت الأغلبية" لتحديد التسمية التي سيتم إرجاعها. بالنسبة لمهمة التصنيف، سيكون التنبؤ النهائي هو الذي حصل على أكبر عدد من الأصوات؛ بينما بالنسبة لمهمة الانحدار، فإن متوسط ​​التنبؤ لجميع الأشجار هو التنبؤ النهائي.	تراجع تصنيف
adaBoost	أسلوب التصنيف أو الانحدار الذي يستخدم عددًا كبيرًا من النماذج للتوصل إلى قرار ولكنه يزنها بناءً على دقتها في التنبؤ بالنتيجة	تراجع تصنيف
أشجار تعزيز التدرج	تعد الأشجار المعززة للتدرج إحدى تقنيات التصنيف/الانحدار الحديثة. فهو يركز على الخطأ الذي ارتكبته الأشجار السابقة ويحاول تصحيحه.	تراجع تصنيف

تعليم غير مشرف عليه

في التعلم غير الخاضع للرقابة، تستكشف الخوارزمية بيانات الإدخال دون إعطاء متغير مخرجات واضح (على سبيل المثال، استكشاف البيانات الديموغرافية للعملاء لتحديد الأنماط)

يمكنك استخدامه عندما لا تعرف كيفية تصنيف البيانات، وتريد أن تقوم الخوارزمية بالبحث عن الأنماط وتصنيف البيانات لك

اسم الخوارزمية	الوصف	النوع
K- يعني التجميع	يضع البيانات في بعض المجموعات (ك) التي تحتوي كل منها على بيانات ذات خصائص متشابهة (كما يحددها النموذج، وليس مقدما من قبل البشر)	Clusterجي
نموذج خليط غاوسي	تعميم لتجميع المتوسطات k الذي يوفر مرونة أكبر في حجم وشكل المجموعات (العناقيد)	Clusterجي
المجموعات الهرمية	تقسيم المجموعات على طول شجرة هرمية لتشكيل نظام تصنيف. يمكن استخدامها ل Cluster عميل بطاقة الولاء	Clusterجي
نظام التوصية	المساعدة في تحديد البيانات ذات الصلة لتقديم التوصية.	Clusterجي
PCA/T-SNE	تُستخدم غالبًا لتقليل أبعاد البيانات. تقلل الخوارزميات عدد السمات إلى 3 أو 4 متجهات ذات أعلى تباينات.	تقليل الأبعاد

كيفية اختيار خوارزمية التعلم الآلي

الآن في هذا البرنامج التعليمي لأساسيات التعلم الآلي، سنتعلم كيفية اختيار خوارزمية التعلم الآلي (ML):

هناك الكثير من خوارزميات التعلم الآلي. ويعتمد اختيار الخوارزمية على الهدف.

في مثال التعلم الآلي أدناه، تتمثل المهمة في التنبؤ بنوع الزهرة بين الأصناف الثلاثة. تعتمد التنبؤات على طول وعرض البتلة. تصور الصورة نتائج عشر خوارزميات مختلفة. الصورة الموجودة في الجزء العلوي الأيسر هي مجموعة البيانات. يتم تصنيف البيانات إلى ثلاث فئات: الأحمر والأزرق الفاتح والأزرق الداكن. هناك بعض المجموعات. على سبيل المثال، من الصورة الثانية، ينتمي كل شيء في الجزء العلوي الأيسر إلى الفئة الحمراء، في الجزء الأوسط، يوجد مزيج من عدم اليقين والأزرق الفاتح بينما يتوافق الجزء السفلي مع الفئة الداكنة. تُظهر الصور الأخرى خوارزميات مختلفة وكيف تحاول تصنيف البيانات.

تحديات وقيود التعلم الآلي

الآن في هذا البرنامج التعليمي للتعلم الآلي، سنتعرف على قيود التعلم الآلي:

التحدي الأساسي للتعلم الآلي هو نقص البيانات أو التنوع في مجموعة البيانات. لا يمكن للآلة أن تتعلم إذا لم تكن هناك بيانات متاحة. علاوة على ذلك، فإن مجموعة البيانات التي تفتقر إلى التنوع تجعل الآلة تواجه وقتًا عصيبًا. تحتاج الآلة إلى عدم التجانس لتتعلم رؤية ذات معنى. من النادر أن تتمكن الخوارزمية من استخراج المعلومات في حالة عدم وجود اختلافات قليلة أو قليلة. يوصى بإجراء 20 ملاحظة على الأقل لكل مجموعة لمساعدة الآلة على التعلم. ويؤدي هذا القيد إلى سوء التقييم والتنبؤ.

تطبيق التعلم الآلي

الآن في هذا البرنامج التعليمي للتعلم الآلي، دعنا نتعلم تطبيقات التعلم الآلي:

زيادة:

• التعلم الآلي، الذي يساعد البشر في مهامهم اليومية، شخصياً أو تجارياً، دون أن يكون لديهم سيطرة كاملة على المخرجات. يتم استخدام هذا التعلم الآلي بطرق مختلفة مثل المساعد الافتراضي وتحليل البيانات والحلول البرمجية. المستخدم الأساسي هو تقليل الأخطاء الناجمة عن التحيز البشري.

أتمتة:

• التعلم الآلي، الذي يعمل بشكل مستقل تمامًا في أي مجال دون الحاجة إلى أي تدخل بشري. على سبيل المثال، تقوم الروبوتات بخطوات العملية الأساسية في مصانع التصنيع.

صناعة التمويل

• تكتسب تقنيات التعلم الآلي شعبية متزايدة في قطاع التمويل. وتستخدم البنوك هذه التقنيات بشكل أساسي للعثور على أنماط داخل البيانات، ولكن أيضًا لمنع الاحتيال.

منظمة حكومية

• تستخدم الحكومة التعلم الآلي لإدارة السلامة العامة والمرافق العامة. لنأخذ مثال الصين مع تقنية التعرف على الوجوه الضخمة. تستخدم الحكومة الذكاء الاصطناعي لمنع جاي ووكر.

صناعة الرعاية الصحية

• كانت الرعاية الصحية من أوائل الصناعات التي استخدمت التعلم الآلي مع اكتشاف الصور.

التسويق

• يتم الاستخدام الواسع النطاق للذكاء الاصطناعي في التسويق بفضل الوصول الوفير إلى البيانات. قبل عصر البيانات الجماعية، قام الباحثون بتطوير أدوات رياضية متقدمة مثل تحليل بايزي لتقدير قيمة العميل. مع ازدهار البيانات، يعتمد قسم التسويق على الذكاء الاصطناعي لتحسين العلاقة مع العملاء والحملة التسويقية.

مثال لتطبيق التعلم الآلي في سلسلة التوريد

يعطي التعلم الآلي نتائج رائعة للتعرف على الأنماط المرئية، مما يفتح العديد من التطبيقات المحتملة في الفحص المادي والصيانة عبر شبكة سلسلة التوريد بأكملها.

يمكن للتعلم غير الخاضع للرقابة أن يبحث بسرعة عن أنماط قابلة للمقارنة في مجموعة البيانات المتنوعة. في المقابل، يمكن للآلة إجراء فحص الجودة في جميع أنحاء المركز اللوجستي والشحن مع التلف والتآكل.

على سبيل المثال، IBMيمكن لمنصة Watson التابعة لشركة Watson تحديد الأضرار التي لحقت بحاويات الشحن. يجمع Watson بين البيانات المرئية والبيانات المستندة إلى الأنظمة لتتبع التوصيات والإبلاغ عنها وتقديمها في الوقت الفعلي.

في العام الماضي، اعتمد مدير المخزون بشكل كبير على الطريقة الأساسية لتقييم المخزون والتنبؤ به. عند الجمع بين البيانات الضخمة والتعلم الآلي، تم تنفيذ تقنيات تنبؤ أفضل (تحسن بنسبة 20 إلى 30٪ مقارنة بأدوات التنبؤ التقليدية). ومن حيث المبيعات، فهذا يعني زيادة بنسبة 2 إلى 3٪ بسبب التخفيض المحتمل في تكاليف المخزون.

مثال على تعلم الآلة جوجل كار

على سبيل المثال، الجميع يعرف سيارة جوجل. السيارة مليئة بأشعة الليزر الموجودة على السطح والتي تخبرها بمكان وجودها فيما يتعلق بالمنطقة المحيطة. يوجد بها رادار في الأمام يخبر السيارة بسرعة وحركة جميع السيارات المحيطة بها. فهو يستخدم كل هذه البيانات ليس فقط لمعرفة كيفية قيادة السيارة ولكن أيضًا لمعرفة والتنبؤ بما سيفعله السائقون المحتملون حول السيارة. الأمر المثير للإعجاب هو أن السيارة تعالج ما يقرب من جيجابايت في الثانية من البيانات.

لماذا يعد التعلم الآلي مهمًا؟

يعد التعلم الآلي أفضل أداة حتى الآن لتحليل وفهم وتحديد نمط في البيانات. إحدى الأفكار الرئيسية وراء التعلم الآلي هي أنه يمكن تدريب الكمبيوتر على أتمتة المهام التي قد تكون شاملة أو مستحيلة بالنسبة للإنسان. الخرق الواضح للتحليل التقليدي هو أن التعلم الآلي يمكنه اتخاذ القرارات بأقل قدر من التدخل البشري.

خذ المثال التالي لهذا البرنامج التعليمي للتعلم الآلي؛ يمكن لوكيل التجزئة تقدير سعر المنزل بناءً على خبرته الخاصة ومعرفته بالسوق.

يمكن تدريب الآلة على ترجمة معرفة الخبير إلى ميزات. الميزات هي جميع خصائص المنزل والحي والبيئة الاقتصادية وما إلى ذلك التي تصنع فرق السعر. بالنسبة للخبير، ربما استغرق الأمر عدة سنوات لإتقان فن تقدير سعر المنزل. خبرته تتحسن وأفضل بعد كل عملية بيع.

بالنسبة للآلة، يتطلب الأمر ملايين البيانات (على سبيل المثال، المثال) لإتقان هذا الفن. في بداية تعلمها، ترتكب الآلة خطأ، بطريقة ما مثل البائع المبتدئ. وبمجرد أن ترى الآلة كل المثال، فإنها تحصل على ما يكفي من المعرفة لإجراء تقديرها. وفي نفس الوقت وبدقة لا تصدق. الآلة أيضًا قادرة على ضبط خطأها وفقًا لذلك.

لقد أدركت معظم الشركات الكبرى قيمة التعلم الآلي والاحتفاظ بالبيانات. قدرت شركة ماكينزي أن قيمة التحليلات تتراوح من $9.5 تريليون إلى $15.4 تريليون بينما $يمكن أن يُعزى 5 إلى 7 تريليون دولار إلى تقنيات الذكاء الاصطناعي الأكثر تقدمًا.

إقرأ أيضاً ما هو المنطق الضبابي؟ Archiالتقنية والتطبيق والمثال: اضغط هنا