
KNIME Analytics Platform
منصة مجانية مفتوحة المصدر لبناء سير عمل بصري لتحليل البيانات وتعلم الآلة من عقد (Nodes) تُوصل ببعضها دون كتابة كود.
آخر تحقق من المعلومات:

منصة مفتوحة المصدر لتحليل البيانات وبناء نماذج تعلم الآلة عبر سير عمل بصري (Workflow) يتكون من عقد (Nodes) تُسحب إلى لوحة العمل وتُوصل ببعضها. كل عقدة تنفذ مهمة واحدة واضحة: قراءة ملف، تنظيف عمود، تدريب نموذج، حساب مقاييس. هذا يجعل KNIME مناسبة جداً للتعليم والبحث لأن كل خطوة في التحليل مرئية وقابلة للتكرار.
تتميز KNIME بمكتبة عقد ضخمة وتكاملات مع Python وR وأدوات أخرى، وتصلح للمشاريع من البسيطة حتى المؤسسية. ولها كتب عربية منشورة في موقع dlarabic.com يمكنك الرجوع إليها.
بطاقة الأداة
| الاسم | KNIME Analytics Platform |
|---|---|
| المجال | تحليل البيانات، تعلم الآلة، أتمتة سير العمل، التقارير، والتكامل مع Python وR |
| الجهة المطورة | KNIME AG (سويسرا) ومجتمع KNIME |
| آخر إصدار تحققنا منه | KNIME Analytics Platform 5.12.0 (صدر في 6 يوليو 2026 حسب سجل التغييرات الرسمي) |
| أنظمة التشغيل | Windows، macOS، Linux (حمّل المثبّت المناسب من صفحة التنزيل الرسمية) |
| الترخيص | نسخة مجانية مع خطط أو وظائف مدفوعة |
| مفتوحة المصدر؟ | مفتوحة المصدر |
| تفاصيل الترخيص والتسعير | KNIME Analytics Platform مجانية ومفتوحة المصدر بترخيص GNU GPL v3 مع أذونات إضافية من KNIME للعقد. المنتجات المدفوعة منفصلة: KNIME Business Hub وخطط Pro/Team في KNIME Community Hub للتعاون والنشر والجدولة. لم نتحقق من الأسعار، راجعها في الموقع الرسمي. |
| المتطلبات التقنية | حاسوب مكتبي بنظام 64-بت. يُنصح بذاكرة 8 جيجابايت أو أكثر للبيانات المتوسطة. تكاملات Python والتعلم العميق تحتاج إعداد بيئة Python إضافية حسب الأدلة الرسمية. |
| مستوى الصعوبة | مبتدئ |
أنواع المشكلات
- التصنيف Classification
- الانحدار Regression
- التجميع Clustering
- تنظيف البيانات ودمجها
- السلاسل الزمنية
- تنقيب النصوص (بإضافة Text Processing)
- أتمتة التقارير
الخوارزميات المدعومة واسم العقدة
- Decision Tree: عقدتا Decision Tree Learner وDecision Tree Predictor
- Random Forest: Random Forest Learner وRandom Forest Predictor
- KNN: عقدة K Nearest Neighbor
- Logistic Regression: Logistic Regression Learner وPredictor
- Naive Bayes: Naive Bayes Learner وPredictor
- SVM: SVM Learner وSVM Predictor
- Linear Regression: Linear Regression Learner وRegression Predictor
- k-Means: عقدة k-Means
- DBSCAN وHierarchical Clustering
- Gradient Boosted Trees Learner
أنواع البيانات
- CSV وExcel
- قواعد البيانات عبر عقد DB
- JSON وXML
- نصوص (بإضافة)
- صور (بإضافات)
الاستيراد والتصدير
استيراد: CSV Reader وExcel Reader وعقد قواعد البيانات. تصدير البيانات: CSV Writer وExcel Writer. تصدير سير العمل كاملاً كملف .knwf واستيراده من قائمة File، ومشاركته عبر KNIME Hub.
الدليل التعليمي
- مقدمة عن KNIME
- تثبيت البرنامج
- التعرف على الواجهة
- العقد Nodes وسير العمل Workflows
- قراءة ملفات CSV وExcel
- معالجة البيانات
- تنظيف البيانات
- استكشاف البيانات
- التصور البياني
- تعلم الآلة Machine Learning
- التعلم العميق والتكاملات المتاحة
- تقييم النماذج
- تصدير النتائج
- إدارة المشاريع
مقدمة عن KNIME
KNIME (تُنطق «نايم») تعمل بمبدأ «سير العمل»: سلسلة عقد متصلة تمر عبرها البيانات من اليمين إلى اليسار في المخطط (أو من اليسار إلى اليمين بحسب اتجاه رسمك). كل عقدة لها حالة تظهر بإشارة ضوئية: أحمر (غير مهيأة)، أصفر (مهيأة وجاهزة)، أخضر (نُفذت بنجاح).
ميزة KNIME الكبرى للباحثين أن سير العمل نفسه وثيقة قابلة للتكرار: يستطيع زميلك فتحه وإعادة تنفيذه والحصول على النتيجة نفسها.
تثبيت البرنامج
- افتح صفحة التنزيل الرسمية knime.com/downloads واختر نظام تشغيلك.
- حمّل المثبّت وشغّله، ثم اختر مجلد مساحة العمل (Workspace) الذي ستُحفظ فيه مشاريعك.
- عند أول تشغيل تظهر الواجهة الحديثة؛ افتح أحد الأمثلة لتتأكد أن التثبيت يعمل.
- لإضافة تكاملات (نصوص، تعلم عميق، Python) استخدم قائمة الإضافات Extensions داخل البرنامج.
التعرف على الواجهة
- مستكشف المساحة Space Explorer: مشاريعك ومجلداتك.
- مستودع العقد Node Repository: آلاف العقد مع بحث بالاسم.
- لوحة سير العمل Workflow Editor: حيث تسحب العقد وتوصلها.
- وصف العقدة Node Description: شرح المدخلات والمخرجات والإعدادات.
- مساعد الذكاء الاصطناعي K-AI في الإصدارات الحديثة لاقتراح العقد والإجابة عن الأسئلة.
العقد Nodes وسير العمل Workflows
العقدة صندوق له منافذ إدخال وإخراج. المثلث الأسود منفذ بيانات (جدول)، والمربع الأزرق منفذ نموذج. توصل مخرج عقدة بمدخل أخرى بالسحب. انقر مرتين على العقدة لفتح إعداداتها، ثم نفّذها (Execute)، وانقر بالزر الأيمن لرؤية جدول المخرجات.
لتنظيم سير عمل كبير اجمع عدة عقد في Metanode أو Component، وأضف تعليقات Annotations تشرح كل مرحلة.
قراءة ملفات CSV وExcel
- اسحب عقدة CSV Reader (أو Excel Reader) إلى اللوحة.
- افتح إعداداتها واختر الملف، وتحقق من الفاصل (Delimiter) وسطر العناوين والترميز UTF-8 للنصوص العربية.
- راجع أنواع الأعمدة المقترحة (Number، String) في المعاينة.
- نفّذ العقدة وافتح جدول المخرجات للتأكد من القراءة الصحيحة.
معالجة البيانات
أشهر عقد التحويل: Column Filter لاختيار الأعمدة، Row Filter لتصفية الصفوف بشرط، Column Rename، String Manipulation وMath Formula لإنشاء أعمدة محسوبة، Joiner لدمج جدولين، GroupBy للتجميع والإحصاءات حسب فئة، Pivot لإعادة تشكيل الجدول.
تنظيف البيانات
- Missing Value: تعويض القيم المفقودة لكل نوع عمود (المتوسط، الوسيط، القيمة الأكثر تكراراً، قيمة ثابتة) أو حذف الصف.
- Duplicate Row Filter: إزالة الصفوف المكررة.
- Normalizer: تطبيع Min-Max أو Z-score، ويُطبق على بيانات الاختبار بعقدة Normalizer (Apply) بنفس معاملات التدريب لتجنب تسرب البيانات.
- Numeric Outliers: كشف القيم الشاذة بطريقة المدى الربيعي IQR.
استكشاف البيانات
استخدم عقدة Statistics أو Data Explorer لعرض المتوسط والانحراف المعياري وعدد القيم المفقودة وتوزيع كل عمود. وعقدة Linear Correlation لحساب مصفوفة الارتباط. ابدأ كل مشروع بهذه الخطوة قبل أي نموذج.
التصور البياني
عقد العرض الحديثة مثل Bar Chart وLine Plot وScatter Plot وBox Plot وHistogram وPie Chart تعرض رسوماً تفاعلية. ويمكن جمع عدة رسوم داخل Component لصنع لوحة معلومات Dashboard بسيطة.
تعلم الآلة Machine Learning
- قسّم البيانات بعقدة Partitioning (مثلاً 70% تدريب و30% اختبار، مع خيار Stratified sampling للتصنيف).
- وصّل جزء التدريب بعقدة Learner (مثل Decision Tree Learner).
- وصّل النموذج الناتج وجزء الاختبار بعقدة Predictor المقابلة.
- وصّل مخرج Predictor بعقدة Scorer لحساب الدقة ومصفوفة الالتباس.
- للتحقق المتقاطع استخدم الزوج X-Partitioner وX-Aggregator حول المتعلم والمتنبئ.
التعلم العميق والتكاملات المتاحة
توفر KNIME تكاملات للتعلم العميق (مثل تكامل Keras/TensorFlow) تُبنى فيها الشبكة من عقد طبقات، لكنها تحتاج تثبيت بيئة Python محددة وفق «دليل تثبيت التعلم العميق» في التوثيق الرسمي. تختلف الإضافات المتاحة بين الإصدارات، لذا تحقق من التوثيق لإصدارك قبل البدء. للتجارب الخفيفة يكفي غالباً RProp MLP Learner لشبكة عصبية بسيطة.
تقييم النماذج
Scorer للتصنيف (Accuracy وCohen's kappa ومصفوفة الالتباس ومقاييس كل فئة)، وNumeric Scorer للانحدار (R² وMAE وMSE وRMSE)، وROC Curve أو Binary Classification Inspector لمنحنى ROC والمساحة تحته AUC.
تصدير النتائج
CSV Writer وExcel Writer لحفظ الجداول، وImage Writer لحفظ الرسوم، وModel Writer لحفظ النموذج المدرب. ويمكن تصدير سير العمل كاملاً ملفاً .knwf من قائمة File ‹ Export.
إدارة المشاريع
نظّم المشاريع في مجلدات داخل مساحة العمل، وسمِّ العقد بأسماء وصفية، واستخدم Components لإعادة الاستخدام، وشارك سير العمل عبر KNIME Community Hub. للعمل الجماعي والجدولة في المؤسسات توجد منتجات KNIME المدفوعة.
