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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تصنيف الصور

متقدمتصنيف صور Image Classification

وصف المشكلة

تصنيف صور الأرقام المكتوبة يدوياً (8×8 بكسل) بخوارزميات تعلم الآلة والشبكة العصبية، ثم بناء مصنف صور حقيقي بالكاميرا في Teachable Machine.

الأهداف

  • تمثيل الصورة كمتجه بكسلات
  • مقارنة kNN وSVM وRandom Forest وMLP
  • تجربة التعلم بالنقل في Teachable Machine

نوع المشكلة

تصنيف صور Image Classification

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. افتح image-classification.ows في Orange لتصنيف جدول البكسلات.
  2. استخدم PCA ثم Scatter Plot لرؤية تجمع الأرقام في بعدين.
  3. في Teachable Machine: Image Project ← فئتان أو أكثر ← التقط 50 صورة على الأقل لكل فئة ← Train ← Preview.
  4. صدّر نموذج Teachable Machine (TensorFlow.js) إن أردت استخدامه في صفحة ويب.

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييمعرض وتصوير

Orange

FileFileData TableData TableTest and ScoreTest and ScorekNNkNNSVMSVMRandom ForestRandom ForestNeural NetworkNeural NetworkConfusion MatrixConfusion MatrixScatter PlotScatter Plot
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: افتحه في Orange لتجد العناصر (Widgets) والاتصالات نفسها.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (8)
  • File → Data Table
  • File → Test and Score
  • kNN → Test and Score
  • SVM → Test and Score
  • Random Forest → Test and Score
  • Neural Network → Test and Score
  • Test and Score → Confusion Matrix
  • File → Scatter Plot

KNIME

CSV ReaderCSV ReaderPartitioningPartitioningRandom Forest LearnerRandom ForestLearnerRandom Forest PredictorRandom ForestPredictorScorerScorer
مخطط توضيحي بأسماء عُقد KNIME (Nodes) كما تظهر في مستودع العُقد، لتبنيه بنفسك بالترتيب نفسه؛ وليس ملف KNIME بصيغة KNWF.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (5)
  • CSV Reader → Partitioning
  • Partitioning → Random Forest Learner
  • Random Forest Learner → Random Forest Predictor
  • Random Forest Predictor → Scorer
  • Partitioning → Random Forest Predictor

ملفات المشروع

ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع scikit-learn 1.9.1، 10-fold stratified CV, shuffle, random_state=42:
• kNN (k=5): Accuracy 97.9% (± 1.1%)، F1-macro 0.979
• SVM (RBF): Accuracy 98.4% (± 0.9%)، F1-macro 0.984
• Random Forest: Accuracy 97.9% (± 0.8%)، F1-macro 0.979
• MLP (1x64): Accuracy 98.3% (± 0.9%)، F1-macro 0.983
نتائج Teachable Machine تعتمد على صورك أنت، لذلك لا ننشر لها أرقاماً.

مقاييس التقييم

  • Accuracy
  • Confusion Matrix لعشر فئات

تفسير النتائج

كل النماذج تتجاوز 97% لأن الصور صغيرة ونظيفة ومتمركزة. الصور الحقيقية الأكبر والأكثر تنوعاً تحتاج شبكات التفافية CNN أو تعلماً بالنقل كما في Teachable Machine.

أسئلة للمناقشة

  • أي الأرقام تُخلط أكثر ببعضها ولماذا؟
  • لماذا تحتاج الصور الكبيرة CNN بدلاً من MLP؟
  • كيف تتأكد أن نموذج Teachable Machine لم يتعلم الخلفية بدل الشيء؟

جرّبه في مختبر الشبكة العصبية المرئي

مشاريع مشابهة