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

Orange Data Mining

أداة مجانية مفتوحة المصدر لتنقيب البيانات والتعلم الآلي بالسحب والإفلات، مع تصور تفاعلي فوري وإضافات للنصوص والصور والسلاسل الزمنية.

آخر تحقق من المعلومات:

أداة مفتوحة المصدر لتنقيب البيانات والتعلم الآلي والتصور، طورها مختبر المعلوماتية الحيوية في جامعة ليوبليانا. تعتمد على عناصر واجهة Widgets تُوضع على لوحة Orange Canvas وتُوصل ببعضها، وكل عنصر يعرض نتائجه فوراً بشكل تفاعلي، لذلك تعد من أنسب الأدوات لتعليم المبتدئين وطلاب الدراسات العليا.

بطاقة الأداة

الاسمOrange Data Mining
المجالالتعليم، تنقيب البيانات، التصور البياني، التعلم الآلي، تحليل النصوص والصور (بإضافات)
الجهة المطورةمختبر المعلوماتية الحيوية Bioinformatics Lab، كلية الحاسوب والمعلومات، جامعة ليوبليانا (سلوفينيا)
آخر إصدار تحققنا منهOrange 3.41.0
أنظمة التشغيلWindows (مثبّت ونسخة محمولة)، macOS (Apple silicon وIntel)، Linux عبر pip أو Anaconda
الترخيصمجانية بالكامل
مفتوحة المصدر؟مفتوحة المصدر
تفاصيل الترخيص والتسعيربرنامج حر بترخيص GNU GPL الإصدار 3 أو أحدث. محتوى الموقع غير البرمجي بترخيص CC BY-SA. قد تحمل الإضافات تراخيص خاصة بها. الأداة مجانية بالكامل والتبرع اختياري.
المتطلبات التقنيةحاسوب مكتبي حديث. التثبيت عبر pip يتطلب Python 3.11 أو أحدث (حسب صفحة الحزمة Orange3). معظم نماذج التضمين في إضافة Image Analytics تعمل على خادم خارجي (تُرسل إليه الصور)، ويوجد نموذج SqueezeNet محلي.
مستوى الصعوبةمبتدئ

أنواع المشكلات

  • التصنيف
  • الانحدار
  • التجميع
  • التحليل الاستكشافي والتصور
  • تنقيب النصوص (إضافة Text)
  • تحليل الصور (إضافة Image Analytics)
  • السلاسل الزمنية (إضافة Timeseries)

الخوارزميات المدعومة واسم العقدة

  • Tree
  • Random Forest
  • kNN
  • SVM
  • Logistic Regression
  • Naive Bayes
  • Neural Network (MLP)
  • Linear Regression
  • Gradient Boosting
  • AdaBoost
  • k-Means
  • Hierarchical Clustering
  • DBSCAN
  • PCA

أنواع البيانات

  • CSV وExcel وملفات ‎.tab‎ الخاصة بـ Orange
  • قواعد SQL
  • نصوص (إضافة)
  • صور (إضافة)

الاستيراد والتصدير

استيراد بعنصر File أو CSV File Import أو SQL Table، وتصدير البيانات بعنصر Save Data، والنماذج بعنصر Save Model، وحفظ سير العمل ملفاً ‎.ows‎.

الدليل التعليمي

  1. التعرف على Orange Canvas
  2. العناصر Widgets
  3. Data Table
  4. File
  5. Select Columns
  6. Data Sampler
  7. Impute
  8. Normalize (التطبيع)
  9. Discretize
  10. Scatter Plot
  11. Box Plot
  12. Distributions
  13. Tree
  14. Random Forest
  15. SVM
  16. KNN
  17. Logistic Regression
  18. Neural Network
  19. Test & Score
  20. Confusion Matrix
  21. ROC Analysis
  22. Image Analytics
  23. Text Mining

التعرف على Orange Canvas

اللوحة البيضاء في الوسط هي Canvas، وعلى جانبها صندوق العناصر Widgets مقسماً إلى فئات: Data وTransform وVisualize وModel وEvaluate وUnsupervised. اسحب العنصر إلى اللوحة، ثم اسحب من حافته لتوصيله بعنصر آخر.

العناصر Widgets

كل عنصر له مدخلات ومخرجات (Data أو Learner أو Model أو Evaluation Results). انقر مرتين على العنصر لفتح نافذته. التغيير في أي عنصر يمر تلقائياً إلى العناصر التالية، فترى أثر كل قرار فوراً.

Data Table

يعرض الجدول بأعمدته وأدوارها (Feature أو Target أو Meta). استخدمه بعد كل خطوة تحويل للتأكد من النتيجة.

File

يقرأ CSV وExcel و‎.tab‎. في نافذته تستطيع تغيير نوع العمود (numeric أو categorical أو text) ودوره، وأهمها تحديد العمود الهدف Target للتصنيف أو الانحدار.

Select Columns

لتحديد الخصائص المستخدمة في النموذج، ونقل عمود إلى Target أو Meta (مثل رقم المعرّف الذي لا يجوز إدخاله في التدريب).

Data Sampler

يقسم البيانات إلى عينة وباقٍ (مثلاً 70% و30%) مع خيار Stratify للحفاظ على نسب الفئات. مخرجه Data Sample للتدريب وRemaining Data للاختبار.

Impute

يعوض القيم المفقودة: بالمتوسط أو القيمة الأكثر تكراراً، أو بقيمة ثابتة، أو بنموذج، أو بحذف الصفوف. يمكن تحديد طريقة لكل عمود.

Normalize (التطبيع)

لا يوجد في Orange عنصر مستقل اسمه Normalize؛ التطبيع يتم من عنصر Preprocess باختيار «Normalize Features» (توحيد إلى متوسط 0 وانحراف 1، أو مجال [0,1]) أو من عنصر Continuize. وعند وضع Preprocess مدخلاً لعنصر Test and Score يُطبق التطبيع داخل كل طية تحقق فيتجنب تسرب البيانات.

Discretize

يحول الأعمدة الرقمية إلى فئات (مجالات)، بعرض متساوٍ أو تكرار متساوٍ أو طريقة Entropy-MDL. مفيد لبعض الخوارزميات ولتفسير النتائج.

Scatter Plot

رسم انتشار بين خاصيتين مع تلوين حسب الفئة. زر «Find Informative Projections» يقترح أزواج الخصائص الأكثر فصلاً للفئات.

Box Plot

يعرض الوسيط والربيعيات والقيم الشاذة لكل خاصية، ويمكن تقسيمه حسب الفئة لمقارنة المجموعات.

Distributions

مدرج تكراري لكل خاصية مع تلوين حسب الفئة، لفهم شكل التوزيع واكتشاف الالتواء.

Tree

شجرة قرار؛ أهم إعداداتها أقصى عمق Max depth وأقل عدد أمثلة في الورقة. شاهد الشجرة الناتجة بعنصر Tree Viewer.

Random Forest

مجموعة أشجار؛ أهم إعداداتها عدد الأشجار وعدد الخصائص في كل تقسيم. غالباً أدق من شجرة واحدة وأقل عرضة للإفراط في التعلم.

SVM

آلة المتجهات الداعمة؛ اختر النواة Kernel (RBF غالباً) ومعامل التكلفة C. تتأثر بمقياس البيانات فاستخدم التطبيع.

KNN

عنصر kNN؛ عدد الجيران k ومقياس المسافة. حساس جداً لمقياس الخصائص: في تجربتنا على بيانات Wine دون تطبيع كانت دقة kNN ‏0.674 فقط (انظر مشروع مقارنة الخوارزميات).

Logistic Regression

نموذج خطي احتمالي للتصنيف مع تنظيم Regularization من نوع Ridge (L2) أو Lasso (L1) ومعامل القوة C.

Neural Network

شبكة MLP (من مكتبة scikit-learn داخلياً): عدد الخلايا في الطبقات المخفية، دالة التنشيط، المُحسِّن، وعدد التكرارات. مناسبة للبيانات الجدولية الصغيرة، وليست بيئة تعلم عميق كاملة.

Test & Score

قلب التقييم في Orange: يستقبل البيانات وعدة متعلمات ويحسب CA وAUC وF1 وPrecision وRecall بطريقة التحقق المتقاطع (Cross validation) أو العينات العشوائية أو بيانات اختبار منفصلة.

Confusion Matrix

يتصل بمخرج Test and Score ويعرض لكل نموذج عدد الأمثلة المصنفة صحيحاً وخطأً لكل فئة. انقر خلية لتحديد أمثلتها وإرسالها لعنصر آخر لفحصها.

ROC Analysis

يرسم منحنى ROC لكل نموذج لفئة هدف تختارها، ويساعد على اختيار عتبة القرار عند اختلاف تكلفة الأخطاء.

Image Analytics

إضافة تُثبت من Options ‹ Add-ons. السلسلة المعتادة: Import Images ثم Image Embedding (يحوّل كل صورة إلى متجه خصائص بشبكة مدربة مسبقاً) ثم أي متعلم مثل Logistic Regression ثم Test and Score. انتبه: معظم نماذج التضمين في العنصر تعمل على خادم خارجي تُرسل إليه الصور، ويوجد خيار SqueezeNet يعمل محلياً؛ فلا ترسل صوراً حساسة أو طبية حقيقية إلى الخادم.

Text Mining

إضافة Text: Corpus لقراءة النصوص، Preprocess Text للتقطيع والتطبيع وحذف كلمات التوقف، Bag of Words لتحويل النص إلى أعداد، Word Cloud، وSentiment Analysis، ثم أي متعلم للتصنيف. دعم العربية في بعض المراحل محدود، فجرّب وراجع النتائج.

الدروس المرتبطة

المشاريع المرتبطة

كتب ومقالات من الموقع

مصادر التحقق

قارنها بأداة أخرى