البيانات والخوارزميات
Data and Algorithms
كيف تتحول البيانات إلى نموذج: أنواع البيانات، وجودتها، ودور الخوارزمية في التعلم.
من البيانات إلى النموذج
في تعلم الآلة نجمع بيانات (أمثلة)، ونختار خوارزمية تعلم، فتنتج نموذجاً يمكنه التنبؤ على أمثلة جديدة.
أنواع البيانات
- مهيكلة (جداول): أعمار، أسعار، فئات.
- غير مهيكلة: صور، نصوص، صوت، فيديو.
- موسومة (Labeled) تحتوي على الإجابة الصحيحة، وغير موسومة.
جودة البيانات أولاً
- التمثيل: هل تمثل البيانات الفئات والحالات التي سيواجهها النموذج؟
- الدقة: أخطاء الوسم تضلل النموذج.
- التوازن: فئة نادرة جداً قد يتجاهلها النموذج (Class Imbalance).
- الحداثة: البيانات القديمة قد لا تعكس الواقع الحالي.
تقسيم البيانات
نقسم البيانات عادة إلى تدريب (Training) وتحقق (Validation) لضبط الإعدادات، واختبار (Test) لتقدير الأداء النهائي مرة واحدة.
احذر تسرب البيانات: أي معالجة تُحسب إحصاءاتها (مثل المتوسط للتطبيع) يجب أن تُحسب على بيانات التدريب فقط ثم تُطبَّق على التحقق والاختبار.
مصطلحات الدرس
- الخوارزمية Algorithm
- سلسلة خطوات محددة ومنظمة لحل مسألة أو أداء مهمة.
- تسرب البيانات Data Leakage
- وصول معلومات من بيانات الاختبار أو من المستقبل إلى عملية التدريب، فيبدو الأداء أفضل من حقيقته.
- مجموعة التدريب Training Set
- جزء البيانات الذي يتعلم منه النموذج معاملاته.
الملخص
النموذج = خوارزمية تعلم + بيانات تدريب. جودة البيانات (الدقة، والتمثيل، والحجم المناسب، وغياب التسرب) تؤثر في النتائج بقدر اختيار الخوارزمية. تُقسَّم البيانات عادة إلى تدريب وتحقق واختبار لتقدير الأداء على بيانات جديدة.
أسئلة مراجعة
-
لماذا نفصل بيانات الاختبار عن بيانات التدريب؟
لتقدير أداء النموذج على بيانات لم يرها من قبل.
-
اذكر مثالاً على تسرب البيانات.
تطبيع البيانات باستخدام إحصاءات محسوبة على كامل البيانات قبل تقسيمها.
المصادر والمراجع
إكمال الدرس
أكملت كل دروس المسار! يمكنك الآن طلب شهادة إكمال المسار.
اطلب الشهادة