Machine Learning
تعلم الآلة
التعريف
فرع من الذكاء الاصطناعي تتعلم فيه الخوارزميات أنماطاً من البيانات لتحسين أدائها في مهمة ما دون برمجة صريحة لكل حالة.
في تعلم الآلة لا يكتب المبرمج القواعد بنفسه، بل يقدّم بيانات وأمثلة، وتستنتج الخوارزمية نموذجاً يعمّم على بيانات جديدة. التعريف الشائع لـ Tom Mitchell: «يُقال إن برنامجاً يتعلم من الخبرة E بالنسبة لمهمة T ومقياس أداء P إذا تحسّن أداؤه في T، مقيساً بـ P، مع زيادة E».
أنواعه الرئيسية: التعلم الموجّه (Supervised) بأمثلة موسومة، وغير الموجّه (Unsupervised) لاكتشاف البنية في بيانات غير موسومة، والمعزز (Reinforcement) بالتجربة والمكافأة.
Definition
Machine learning is a subfield of AI that develops algorithms which learn patterns from data and improve their performance on a task with experience, instead of being explicitly programmed with rules.
شرح مبسّط للمبتدئين
بدلاً من أن نكتب للحاسوب قاعدة «إذا كانت الرسالة تحتوي كذا فهي رسالة مزعجة»، نعطيه آلاف الرسائل المصنفة، فيتعلم بنفسه كيف يميّز الرسائل المزعجة.
شرح أكاديمي متخصص
يُصاغ التعلم الموجّه عادةً كمسألة تقليل الخطر التجريبي: نختار دالة \(f_\theta\) من فضاء فرضيات تقلّل متوسط دالة الخسارة على بيانات التدريب، مع تنظيم يضبط سعة النموذج حتى يعمّم على التوزيع الحقيقي للبيانات.
أمثلة عملية
- تصفية البريد المزعج.
- التنبؤ بأسعار المنازل من مساحتها وموقعها.
- تجميع العملاء في شرائح متشابهة.
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y)
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train) # التعلم من البيانات
pred = model.predict(X_test) # التنبؤ ببيانات جديدة
print("Accuracy:", round(accuracy_score(y_test, pred), 3))شرح الكود
نقسم بيانات Iris إلى تدريب واختبار، وندرّب نموذج انحدار لوجستي على بيانات التدريب فقط، ثم نقيس الدقة على بيانات لم يرها النموذج.
النتيجة المتوقعة
Accuracy: 0.967
التطبيقات والاستخدامات
- التسويق: التنبؤ بسلوك العملاء.
- المالية: كشف الاحتيال.
- الصحة: التنبؤ بخطر الإصابة بالأمراض.
المزايا
- يتكيف مع البيانات الجديدة.
- يعالج مسائل يصعب كتابة قواعدها يدوياً.
القيود والعيوب
- جودة النموذج مرهونة بجودة البيانات وتمثيلها.
- خطر فرط التخصيص أو نقص التخصيص.
- قد يصعب تفسير بعض النماذج.
المصادر العلمية
مراجع ومصادر علمية
-
كتابPattern Recognition and Machine Learning مرجع كلاسيكي في تعلم الآلة الاحتمالي.
-
كتابThe Elements of Statistical Learning (2nd ed.) مرجع إحصائي في التعلم الآلي، متاح مجاناً من موقع المؤلفين.
-
بحث علميSome Studies in Machine Learning Using the Game of Checkers من أوائل الأعمال التي استخدمت مصطلح تعلم الآلة.
-
مقالةA Few Useful Things to Know About Machine Learning مقالة عن فرط التخصيص وهندسة الخصائص وتعميم النماذج.
