كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

Scikit-learn

scikit-learn: Machine Learning in Python

المكتبة المرجعية للتعلم الآلي الكلاسيكي في Python: تصنيف وانحدار وتجميع وتقليل أبعاد وتقييم بواجهة موحدة.

نشطةمبتدئv1.9.1BSD-3-Clauseأطر ومكتبات تعلم الآلة

الوثائق الرسميةجرّب الأمثلة

المعلومات الأساسية

الاسمScikit-learn
الاسم الكاملscikit-learn: Machine Learning in Python
التصنيفأطر ومكتبات تعلم الآلة
الجهة المطورةمجتمع scikit-learn (برعاية NumFOCUS ومؤسسة Inria)
سنة الإطلاق2007
الموقع الرسميscikit-learn.org
مستودع GitHubscikit-learn/scikit-learn
الوثائق الرسميةغير محدد
الحزمة على PyPIscikit-learn
الترخيصBSD-3-Clause (PyPI license_expression)
حالة المشروعنشطة صدر لها إصدار خلال آخر 12 شهراً
آخر إصدار10 سبتمبر 2026 (الإصدار 1.9.1)
لغة البرمجةPython، Cython
أنظمة التشغيلMacOS، POSIX، Unix، Windows (كما تعلنها الحزمة على PyPI)
إصدار Python المطلوب>=3.11
مستوى الصعوبةمبتدئ

آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)

نظرة عامة

تقدم scikit-learn واجهة موحدة (fit/predict/transform) لعشرات الخوارزميات: الانحدار الخطي واللوجستي، وأشجار القرار والغابات العشوائية، وSVM، وk-means، وPCA، إلى جانب أدوات تقسيم البيانات والتحقق المتقاطع والمقاييس وخطوط المعالجة (Pipeline).

هي الخيار الأول للبيانات الجدولية والتجارب الأساسية، وتُستخدم مقاييسها حتى في مشاريع التعلم العميق لحساب الدقة وAUC ومصفوفة الالتباس. لا تستهدف الشبكات العصبية العميقة ولا المعالجات الرسومية.

متى تختارها؟ اخترها لأي مشروع تعلم آلي كلاسيكي على بيانات جدولية، ولمقاييس التقييم في كل المشاريع.

الاستخدامات

الاستخدامات الرئيسية

  • تصنيف وانحدار البيانات الجدولية
  • التجميع وتقليل الأبعاد
  • التحقق المتقاطع وحساب المقاييس
  • خطوط معالجة قابلة لإعادة الإنتاج

المجالات العلمية

  • علم البيانات
  • الطب والإحصاء الحيوي
  • الأعمال والصناعة

أنواع المشاريع المناسبة

  • التنبؤ بمخاطر مرض من بيانات سريرية
  • تصنيف الرسائل
  • تقسيم العملاء

تطبيقات بحثية

  • خطوط أساس (Baselines) لمقارنة النماذج المقترحة
  • حساب المقاييس والتحقق المتقاطع الطبقي

التعلم الآلي الكلاسيكيتحليل البيانات الجدولية

الخصائص التقنية

تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».

دعم المعالج المركزي (CPU)مدعوم
دعم المعالج الرسومي (GPU)غير مدعوم
التوافق مع CUDAغير مدعوم
التدريب أو الحوسبة الموزعةجزئي أو عبر إضافةتوازي على أنوية الجهاز عبر joblib، وتوزيع محدود عبر Dask أو Ray.
الاشتقاق التلقائي (Autodiff)غير مدعوم
نشر النماذج (Deployment)جزئي أو عبر إضافةتُحفظ النماذج بـ joblib/pickle، ويمكن تحويل كثير منها إلى ONNX عبر مشروع skl2onnx.
نماذج مدربة مسبقاًلا ينطبق
أنواع البيانات المدعومةمصفوفات NumPy ومصفوفات متناثرة وجداول pandas
التكامل مع مكتبات أخرىNumPy، Pandas، Imbalanced-learn، Optuna، SHAP، MLflow
المرونة (تقدير تحريري)عالية ضمن التعلم الكلاسيكي
الأداء (تقدير تحريري)جيدة على CPU
المجتمع (تقدير تحريري)ضخم
جودة التوثيق (تقدير تحريري)من أفضل التوثيقات في المجال

التثبيت والتشغيل

Shell
pip install scikit-learn

التوافق: Python >=3.11 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026

يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.

أمثلة برمجية

الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.

مبتدئخط معالجة وتحقق متقاطع على بيانات سرطان الثدينُفّذ واختُبر

الهدف: تدريب مصنف مع توحيد السمات داخل خط معالجة لتجنب تسرب البيانات.

Python — example.py
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import StratifiedKFold, cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

X, y = load_breast_cancer(return_X_y=True)
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000))
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=0)
scores = cross_val_score(model, X, y, cv=cv, scoring="roc_auc")
print("عدد العينات والسمات:", X.shape)
print("AUC لكل طية:", scores.round(4))
print(f"المتوسط: {scores.mean():.4f} ± {scores.std():.4f}")

شرح الكود

وضع StandardScaler داخل Pipeline يضمن أن التوحيد يُحسب من بيانات التدريب في كل طية فقط، فلا تتسرب معلومات طية الاختبار. بيانات load_breast_cancer مضمنة في scikit-learn ولا تحتاج تنزيلاً.

المتطلبات

Shell
pip install scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

عدد العينات والسمات: (569, 30)
AUC لكل طية: [0.9846 0.999  0.998  1.     0.9956]
المتوسط: 0.9955 ± 0.0056

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — scikit-learn 1.9.1, python 3.13.18

صفحة المثال
متوسطبحث شبكي عن معاملات الغابة العشوائيةنُفّذ واختُبر

الهدف: اختيار معاملات النموذج بالتحقق المتقاطع ثم التقييم على مجموعة اختبار منفصلة.

Python — example.py
from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import GridSearchCV, train_test_split

X, y = load_wine(return_X_y=True)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.25, stratify=y, random_state=1)
grid = GridSearchCV(RandomForestClassifier(random_state=0),
                    {"n_estimators": [50, 150], "max_depth": [None, 4]}, cv=4, n_jobs=1)
grid.fit(X_tr, y_tr)
print("أفضل معاملات:", grid.best_params_)
print(f"دقة التحقق المتقاطع: {grid.best_score_:.3f}")
print(classification_report(y_te, grid.predict(X_te), digits=3))

شرح الكود

نقسم البيانات أولاً إلى تدريب واختبار، ونجري GridSearchCV على التدريب فقط، ثم نقيّم أفضل نموذج مرة واحدة على الاختبار. التقييم على البيانات التي اختيرت بها المعاملات يعطي تقديراً متفائلاً.

المتطلبات

Shell
pip install scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

أفضل معاملات: {'max_depth': None, 'n_estimators': 50}
دقة التحقق المتقاطع: 0.970
              precision    recall  f1-score   support

           0      0.938     1.000     0.968        15
           1      1.000     0.944     0.971        18
           2      1.000     1.000     1.000        12

    accuracy                          0.978        45
   macro avg      0.979     0.981     0.980        45
weighted avg      0.979     0.978     0.978        45

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — scikit-learn 1.9.1, python 3.13.18

صفحة المثال
تطبيقيمقاييس التشخيص: الحساسية والنوعية وAUCنُفّذ واختُبر

الهدف: حساب المقاييس التي تهم الطبيب لا الدقة وحدها.

Python — example.py
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import confusion_matrix, roc_auc_score
from sklearn.model_selection import train_test_split

X, y = load_breast_cancer(return_X_y=True)
y = 1 - y                       # 1 = malignant (positive class)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, stratify=y, random_state=0)
clf = GradientBoostingClassifier(random_state=0).fit(X_tr, y_tr)
prob = clf.predict_proba(X_te)[:, 1]
tn, fp, fn, tp = confusion_matrix(y_te, prob >= 0.5).ravel()
print(f"الحساسية (Sensitivity): {tp / (tp + fn):.3f}")
print(f"النوعية (Specificity): {tn / (tn + fp):.3f}")
print(f"AUC: {roc_auc_score(y_te, prob):.3f}")
print("مصفوفة الالتباس:", [[tn, fp], [fn, tp]])

شرح الكود

في التشخيص الطبي قد تكون الدقة مضللة مع عدم توازن الفئات. نحسب الحساسية (Recall للفئة الإيجابية) والنوعية من مصفوفة الالتباس وAUC من الاحتمالات. في بيانات load_breast_cancer الفئة 1 تعني ورماً حميداً، لذلك نعكس التسمية لتكون الإيجابية هي الخبيث.

المتطلبات

Shell
pip install scikit-learn

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

الحساسية (Sensitivity): 0.953
النوعية (Specificity): 0.935
AUC: 0.986
مصفوفة الالتباس: [[np.int64(100), np.int64(7)], [np.int64(3), np.int64(61)]]

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — scikit-learn 1.9.1, python 3.13.18

صفحة المثال

كل أمثلة Scikit-learn في مستكشف الأكواد

المزايا

  • واجهة موحدة وبسيطة
  • توثيق ممتاز مع أمثلة
  • مقاييس وأدوات تقييم شاملة

القيود

  • لا تدعم GPU
  • غير مخصصة للتعلم العميق

المراجع والتحقق

سجل الإصدارات المتحقق منها

الإصدارتاريخ الإصدارتاريخ التحقق
1.9.110 سبتمبر 202621 نوفمبر 2026

آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.

أبلغ عن معلومة تحتاج تحديثاً