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 الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر 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

WEKA

بيئة مجانية مفتوحة المصدر (Java) لتعلم الآلة وتنقيب البيانات، تضم مئات الخوارزميات وواجهات Explorer وExperimenter وKnowledge Flow.

آخر تحقق من المعلومات:

لقطة حقيقية من البرنامجلقطة شاشة من WEKA
لقطة حقيقية من WEKA 3.8.6 Explorer: ملف iris.arff من مشروع «تصنيف أزهار Iris» مفتوح، ومصنّف J48 مقيَّم بالتحقق المتقاطع (10 طيات). افتح المشروعالأيقونة من حزمة weka-stable 3.8.6 (University of Waikato)، رخصة GPLv3.

WEKA (Waikato Environment for Knowledge Analysis) بيئة مفتوحة المصدر بلغة Java طورتها جامعة وايكاتو في نيوزيلندا، وهي من أقدم أدوات تعلم الآلة استخداماً في التعليم والبحث. تقدم واجهة Explorer لتجربة الخوارزميات بسرعة، وExperimenter لمقارنة الخوارزميات إحصائياً، وKnowledge Flow لبناء سير عمل بصري.

بطاقة الأداة

الاسمWEKA
المجالالتعليم والبحث الأكاديمي في تعلم الآلة وتنقيب البيانات
الجهة المطورةجامعة وايكاتو University of Waikato، نيوزيلندا
آخر إصدار تحققنا منهالإصدار المستقر 3.8 (ملفات 3.8.7) والإصدار التطويري 3.9 (ملفات 3.9.7)
أنظمة التشغيلWindows (Intel وARM)، macOS (Intel وARM)، Linux (Intel وARM)، أي نظام فيه Java عبر ملف zip
الترخيصمجانية بالكامل
مفتوحة المصدر؟مفتوحة المصدر
تفاصيل الترخيص والتسعيربرنامج حر بترخيص GNU GPL v3. مجاني بالكامل.
المتطلبات التقنيةالمثبّتات الرسمية تتضمن آلة Java (Bellsoft OpenJDK)؛ نسخة zip تتطلب Java مثبتة. البيانات تُحمّل في الذاكرة، فزد ذاكرة Java للملفات الكبيرة.
مستوى الصعوبةمتوسط

أنواع المشكلات

  • التصنيف
  • الانحدار
  • التجميع
  • قواعد الارتباط
  • اختيار الخصائص
  • مقارنة الخوارزميات إحصائياً

الخوارزميات المدعومة واسم العقدة

  • J48 (تنفيذ C4.5 لشجرة القرار)
  • RandomForest
  • IBk (KNN)
  • SMO (SVM)
  • Logistic
  • NaiveBayes
  • MultilayerPerceptron
  • LinearRegression
  • M5P
  • SimpleKMeans
  • HierarchicalClusterer
  • EM
  • Apriori وFPGrowth

أنواع البيانات

  • ARFF (التنسيق الأصلي)
  • CSV
  • قواعد بيانات عبر JDBC

الاستيراد والتصدير

يفتح ARFF وCSV ويحفظ ARFF وCSV من Preprocess، ويحفظ النماذج من قائمة نتائج Classify (Save model)، ويحفظ النتائج نصاً.

الدليل التعليمي

  1. Explorer
  2. Preprocess
  3. Classify
  4. Cluster
  5. Associate
  6. Select Attributes
  7. Visualize
  8. تقييم النماذج
  9. مقارنة الخوارزميات

Explorer

الواجهة الأساسية، فيها تبويبات Preprocess وClassify وCluster وAssociate وSelect attributes وVisualize. ابدأ بفتح ملف من Preprocess ‹ Open file.

Preprocess

يعرض الخصائص وإحصاءاتها، ويطبق المرشحات Filters مثل: unsupervised.attribute.ReplaceMissingValues للتعويض، Normalize وStandardize للتطبيع، Discretize للتقطيع، unsupervised.instance.RemoveDuplicates لحذف التكرار، Remove لحذف أعمدة.

Classify

  1. اختر المصنف من Choose (مثل trees.J48).
  2. اختر طريقة الاختبار: Cross-validation بعشر طيات غالباً، أو Percentage split.
  3. تأكد من اختيار عمود الفئة الصحيح في القائمة المنسدلة.
  4. اضغط Start واقرأ النتائج: Correctly Classified Instances وKappa ومقاييس كل فئة وConfusion Matrix.

Cluster

خوارزميات SimpleKMeans وEM وHierarchicalClusterer وغيرها. خيار Classes to clusters evaluation يقارن التجميع بالفئات الحقيقية إن وجدت.

Associate

استخراج قواعد الارتباط بخوارزمية Apriori أو FPGrowth، مع تحديد أدنى دعم lowerBoundMinSupport وأدنى ثقة minMetric. يتطلب خصائص فئوية (nominal).

Select Attributes

اختيار الخصائص بمقيِّم وطريقة بحث: مثلاً CfsSubsetEval مع BestFirst، أو InfoGainAttributeEval مع Ranker لترتيب الخصائص حسب أهميتها.

Visualize

مصفوفة رسوم انتشار لكل أزواج الخصائص ملونة بالفئة، مع تكبير أي رسم.

تقييم النماذج

يعرض WEKA الدقة وKappa وMAE وRMSE ومقاييس TP Rate وFP Rate وPrecision وRecall وF-Measure وROC Area لكل فئة، ومصفوفة الالتباس. استخدم دائماً Cross-validation للبيانات الصغيرة.

مقارنة الخوارزميات

واجهة Experimenter تشغل عدة خوارزميات على عدة مجموعات بيانات بتكرارات متعددة، ثم تختبر الفروق إحصائياً (Paired T-Tester corrected) لتعرف هل الفرق بين نموذجين حقيقي أم ناتج عن الصدفة.

الدروس المرتبطة

المشاريع المرتبطة

مصادر التحقق

قارنها بأداة أخرى