مدخل الى الذكاء الإصطناعي وتعلم الآلة

تالالمذ ت :ل:ذل اطجك تفال 65 عمومًــا هــو دراســة أجهــزة الحاســب بمــا فيهــا مــن:)Computer Science(علــوم الحاســب أســس نظريــة و حســابية، كمــا تشــتمل علــى دراســة الخوارزميــات، وبُنــى المعطيــات وأساســيات تصميــم الشــبكات ونمذجــة البيانــات وغيرهــا... وهــو فــرع مــن فــروع علــوم الحاســب يهــدف :)Artificial Intelligence(الــذكاء الاصطناعــي إلــى تعزيــز قــدرة الآلات والحواســيب علــى أداء مهــام مُعينــة تُحاكــي وتُشــابه تلــك الّتــي تقــوم بهــا الكائنــات الذكيّــة؛ كالقــدرة علــى التفكيــر، أو التعلُــم مــن التجــارب الســابقة، أو غيرهــا مــن العمليــات الاأخــرى الّتــي تتطلــب عمليــات ذهنيــة. وهــو جــزء مهــم مــن الــذكاء الاصطناعــي، وهــو أحــد فــروع :)Machine Learning(تعلــم الآلــة الــذكاء الاصطناعــي الّــذي يُعنــى بجعــل الحاســوب قــادرًا علــى التعلُــم مــن تلقــاء نفســه مــن أيّ خبــرات أو تجــارب ســابقة، ممــا يجعلــه قــادرًا علــى التنبــؤ واتخــاذ القــرار المُناســب بصــورة أســرع، ولكــن تعلــم الآلــة ليــس الفــرع الوحيــد الّــذي يــؤدي هــذه المهمــة. وهــي مــن أحــد أشــهر :)Artificial Neural Networks(الشــبكات العصبيــة الاصطناعيــة الطــرق الشــعبية فــي مجــال تعلّــم الآلــة، ولكــن هنــاك طــرق أخــرى جيــدة أيضًــا.

تالالمذ ت :ل:ذل اطجك تفال 66 هــو طريقــة حديثــة لبنــاء وتدريــب :)Deep Learning(التعلــم العميــق واســتخدام الشــبكات العصبيــة. وهــي بالأســاس هيكليــة جديــدة للشــبكات العصبيــة. . حتــى أننــا نســتخدم نفــس ”الشــبكات العصبيــة العاديــة “وحاليًــا لا أحــد يفصــل التعلــم العميــق عــن المكتبــات لهــم. مــن الأفضــل دومًــا تســمية نــوع الشــبكة وتجنــب اســتخدام الكلمــات الرنانــة. مــن المهــم دائمًــا تذكــر بأنــه لا توجــد طريقــة واحــدة أبــدًا لحــل مشــكلة معينــة فــي مجــال تعلّــم الآلــة بــل هنــاك دائمًــا العديــد مــن الخوارزميــات الّتــي يمكنهــا حــل نفــس المشــكلة، وتبقــى مهمــة اختيــار الطريقــة أو الخوارزميــة الأنســب عائــدة إليــك؛ إذ يمكنــك حــلّ أيّ شــيء باســتخدام شــبكة عصبيــة اصطناعيــة، مــن )GPU( بطاقــة معالجــة الرســوميات)أو حتــى شــراء(ولكــن مــن الّــذي ســيدفع لــك ثمــن اســتئجار ؟GeForcesنوع لنبدأ بنظرة عامة أساسية على الاتجاهات الأربعة السائدة حاليًا في مجال تعلّم الآلة. . . تعلم الآلة التقليدي جــاءت الطــرق الأولــى لتعلّــم الآلــة مــن مجــال الإحصــاء البحــت فــي خمســينات القــرن الماضــي. إذ اعتمــد العلمــاء علــى حــلّ معظــم المهــام الرياضيــة الرســمية مــن خــلال البحــث عــن الأنمــاط فــي الأرقــام، وتقييــم قــرب نقــاط البيانــات، وحســاب اتجــاه المتجهــات.

تالالمذ ت :ل:ذل اطجك تفال 67 يعمــل حاليًــا نصــف الإنترنــت علــى هــذه الخوارزميــات. فعندمــا تــرى قائمــة بالمقــالات المرشــحة لــك قراءتهــا فــي أحــد المواقــع، أو عندمــا يحظــر البنــك الّــذي تتعامــل معــه بطاقتــك عنــد تمريــرك إياهــا علــى الآلــة فــي محطــة وقــود عشــوائية فــي مــكان مجهــول بعيــدة عــن ســكنك، فعلــى الأرجــح هــذه الأفعــال ناتجــة عــن خوارزميــات تعلّــم الآلــة. تعــد الشــركات التكنولوجيــا الكبــرى مــن أكبــر المعجبيــن بالشــبكات العصبيــة، إذ أنهــا تســتطيع لإحــدى 2%الاســتفادة منهــا بقــدر أكبــر مــن الشــركات الناشــئة. فمثــلاً يمكــن لدقــة صغيــرة ولتكــن مليــار دولار. 2خوارزمياتهــا الحساســة أن تعــود بالنفــع علــى إيــرادات الشــركة بمبلــغ مالــي ضخــم يبلــغ ولكــن عندمــا تكــون شــركتك صغيــرة وناشــئة، فهــذه النســبة ليســت ذات فائــدة كبيــرة. فــإذا أمضــى المهندســين فــي فريقــك البرمجــي ســنة كاملــة يعملــون علــى تطويــر خوارزميــة توصيــة مــن الزيــارات تأتي مــن محركات 99%جديــدة لموقــع التجــارة الإلكترونيــة الخــاص بــك، مــع معرفتهــم بــأن البحــث، عندهــا ســتكون فائــدة الخوارزميــة قليــل جــدًا إذ لــم عديمــة الفائــدة تمامًــا وخصيصًــا أن معظــم المســتخدمين لــم يفتحــوا الصفحــة الرئيســية وهــذا ســيكون أكبــر هــدر لطاقــة فريقــك البرمجــي وبذلــك ســيكون أســوء اســتثمار لهــذه العقــول خــلال هــذه الســنة. بصــرف النظــر عــن مــا يقــال عــن هــذه الطــرق إلا أنهــا ســهلة ســهولة كبيــرة، بــل إنهــا مثــل أساســيات الرياضيــات وأغلبنــا يســتخدمها يوميًــا بــدون أن يفكــر بهــا.

تالالمذ ت :ل:ذل اطجك تفال 68 ويســمى أيضًــا التعلُّــم الخاضــع (ينقســم تعلُّــم الآلــة الكلاســيكي إلــى فئتيــن وهمــا التعلُّــم الموجَّــه .)ويســمى أيضًــا التعلّــم غيــر الخاضــع للإشــراف ( و التعلُّــم غيــر الموجَّــه )للإشــراف . . . )Supervised Learning(التعلم الموجه يــزود الآلــة بجميــع الإجابــات الصحيحــة والدقيقــة، مثــل ”مُعلّــم “ أو ”مشــرف “تحتــوي الآلــة علــى المعلــم بهــذا الطريقــة فعليًــا )أو صَنَّــف (تحديــد فيمــا إذا كان الشــكل فــي الصــورة لقطــة أو كلــب. قَسَّــم البيانــات إلــى قطــط وكلاب، ويســتخدم الجهــاز هــذه الأمثلــة الصحيحــة للتعلــم منهــا واحــدًا تلــو الآخــر. أمــا التعلــم غيــر الموجَّــه فــأن ســيترك الآلــة بمفردهــا مــع كومــة كبيــرة مــن صــور الحيوانــات ومهمتهــا ســتكون تصنيــف هــذه الصــور وذلــك لأن البيانــات غيــر مصنفــة، ولا يوجــد مُعلِّــم يُحــدِّد لنــا مــا الشــكل الموجــود فــي هــذه الصــور، ولذلــك ســتحاول الآلــة بمفردهــا العثــور علــى أي أنمــاط فــي الصــور لتحديــد الفــوارق ومعرفــة مــا الموجــود فــي الصــور. ســنتحدث عــن هــذه الطرائــق فــي التعــرف علــى الأنمــاط لاحقًــا. مــن الواضــح أن الآلــة ســتتعلم أســرع بكثيــر مــع معلّــم، لذلــك فالتعلُّــم الموجَّــه مســتخدمٌ بكثــرة فــي المهــام الواقعيــة. هنــاك نوعيــن رئيســيين لطريقــة التعلــم الموجّــه وهمــا: : التنبؤ بصنف كائن معين.)Classification(التصنيف : التنبؤ بنقطة معينة على محور رقمي.)Regression(الانحدار

تالالمذ ت :ل:ذل اطجك تفال 69 أ)Classification(التصنيف تقســيم الكائنــات أو العناصــر بنــاءً علــى إحــدى الســمات المعروفــة مســبقًا. افصــل الجــوارب بحســب اللــون، والمســتندات بحســب اللغــة، والموســيقى بحســب الأســلوب. وعمومًــا يســتخدم التصنيــف مــن أجــل: تصفية البريد الإلكتروني من الرسائل المزعجة. كشف عن اللغة المستخدمة. البحث عن وثائق مماثلة. تحليل المشاعر. التعرف على الحروف والأرقام المكتوبة بخط اليد. الكشف عن الغش. ومن بعض الخوارزميات الشائعة المستخدمة للتصنيف: .)Naive Bayes(خوارزمية بايز أو المصنّف المعتمد على قانون بايز في الاحتمالات .)Decision Tree(خوارزمية شجرة القرار .)Logistic Regression(خوارزمية الانحدار اللوجستي .)K-Nearest Neighbours(خوارزمية الجار الأقرب .)Support Vector Machine(خوارزمية الدعم الآلي للمتجه ويوجد أيضًا العديد من الخوارزميات الأخرى. غالبًــا مــا يعتمــد مجــال تعلُّــم الآلــة علــى تصنيــف الأشــياء. إذ تكــون الآلــة فــي هــذه الحالــة مثــل طفــل يتعلــم كيفيــة فــرز الألعــاب: فهــا هــي الدميــة، وهــذه هــي الســيارة، وهــذه هــي الشــاحنة ...إلــخ ولكــن مهــلاً. هــل هــذا الأمــر صحيــح؟ هــل ســيعرف الطفــل المعنــى الحقيقــي للدميــة أو للســيارة؟ ليســتطيع بعدهــا تمييــز أي دميــة مهمــا اختلــف شــكلها ولونهــا وطريقــة صنعهــا؟ أي بعبــارة أخــرى، هــل سيســتطيع أن يعمــم مــا تعلمــه؟ حتــى )Features(فــي التصنيــف ســنحتاج دائمًــا لمعلّــم. ويجــب تصنيــف البيانــات بميّــزات تتمكــن الآلــة مــن تعييــن الأصنــاف المناســبة بنــاءً علــى هــذه الميّــزات. فــي الحقيقــة يمكننــا تصنيــف كلّ ، )كمــا تفعــل خوارزميــة فيســبوك (شــيئ تقريبًــا ابتــداءً مــن تصنيــف المســتخدمين بنــاءً علــى اهتماماتهــم ، والموســيقى المبنيــة )وهــذا أمــر مهــم لمحــركات البحــث (والمقــالات المســتندة إلــى اللغــة أو الموضــوع

تالالمذ ت :ل:ذل اطجك تفال 70 هــذا الأمــر نشــاهده فــي قوائــم تشــغيل (علــى الأســلوب ســواءً أكانــت موســيقى جــاز أو هيــب هــوب ...إلــخ ، وحتــى تصنيــف رســائل البريــد الإلكترونــي الخاصــة بــك.)Spotifyالخاصــة بتطبيــق )Naive Bayes(فــي تصفيــة الرســائل المزعجــة وغيــر المرغــوب بهــا، تســتخدم خوارزميــة بايــز علــى نطــاق واســع. إذ تحســبُ الآلــة عــدد الكلمــات الجيــدة فــي الرســالة وعــدد الكلمــات الاحتياليــة أيضًــا ، ومــن ثــمّ )Dataset(بنــاءً علــى تصنيــف ســابق للكلمــات موجــود فــي قاعــدة بيانــات أو مجموعــة بيانــات تضــرب الاحتمــالات باســتخدام معادلــة بايــز، وتجمــعُ النتائــج النهائيــة وبهــذه البســاطة أصبــح لدينــا جهــاز يســتفيد مــن طرائــق تعلّــم الآلــة مــن أجــل أن يزيــد ذكائــه ومعرفتــه. إن -بعدهــا بفتــرة وجيــزة تعلــم مرســلو البريــد العشــوائي كيفيــة التعامــل مــع هــذه المرشــحات والّتــي تعتمــد علــى خوارزميــة بايــز فعكفــوا علــى إضافــة الكثيــر مــن الكلمــات المصنّفــة -صــح التعبيــر فــي نهايــة البريــد الإلكترونــي لتُضــاف هــذه الكلمــات إلــى العمليــة الحســابية الخاصــة ”جيــدة “علــى أنهــا بحســاب احتمــالات كــون الرســالة مزعجــة أم لا. ومــن المفارقــة أن هــذه الثغــرة ســمّيت لاحقًــا بتســمم . دخلــت خوارزميــة بايــز التاريــخ باعتبارهــا مــن أوائــل الخوارزميــات )Bayesian poisoning(بايــز الأنيقــة والمفيــدة عمليًــا فــي ترشــيح رســائل البريــد الإلكترونــي، ولكــن فــي وقتنــا الحالــي لا تســتخدم هــذه الخوارزميــة وإنمــا تســتخدم خوارزميــات أكثــر قــوة وذكاءً معتمــدًا علــى الشــبكات العصبيــة الاصطناعيــة لتصفيــة رســائل البريــد العشــوائي المزعــج.

تالالمذ ت :ل:ذل اطجك تفال 71 إليــك مثــال عملــي آخــر علــى تطبيقــات خوارزميــات التصنيــف. لنفتــرض أنــك بحاجــة لاقتــراض بعض المــال عــن طريــق بطاقتــك الائتمانيــة. كيــف ســيعرف البنــك إذا كنــت تريــد فعــلاً أن تســدد هــذا القــرض أم لا؟ وبالتأكيــد لا توجــد طريقــة مباشــرة لمعرفــة ذلــك، مثــل أن يســألك مثــلاً. ولكــن لــدى البنــك الكثيــر مــن الملفــات الشــخصية لأشــخاص اقترضــوا مــالاً فــي الماضــي. فــي الواقــع لــدى البنــك جميــع البيانــات المهمــة حقيقــة أن -والأهــم مــن ذلــك -حــول أعمــار الأشــخاص المقترضيــن ومســتوى تعليمهــم ومهنهــم ورواتبهــم هــل هــؤلاء المقترضيــن ســددوا القــرض أم لا. وهــذه البيانــات مهمــة جــدًا إذ يمكننــا تمريرهــا للنظــام الداخلــي للبنــك الّــذي يعتمــد علــى تعلّــم الآلــة للعثــور علــى الأنمــاط المحــددة الموجــودة فــي الأشــخاص الّذيــن يســددون القــروض، وبذلــك يمكننــا الحصــول علــى الإجابــة المبنيــة علــى هــذه البيانــات الســابقة. فــي الواقــع لا توجــد مشــكلة حقيقيــة فــي الحصــول علــى إجابــة مــن هــذه البيانــات. وإنمــا تكمــن المشــكلة فــي أنــه لا يســتطيع البنــك أن يثــق فــي إجابــة الآلــة ثقــةً عميــاء. فمــاذا لــو حــدث فشــل فــي النظــام أو فــي جــزء منــه مثــل تعطــل أحــد الأقــراص الصلبــة المخــزن عليهــا قواعــد البيانــات المطلوبــة، أو أن أحــد قراصنــة الإنترنــت هجــم على الخــادم وتلاعب بالخوارزميــات أو البيانــات. فمــا الّــذي ســيحدث فــي هــذه الحالــة؟ . والتــي ستقسِّــم جميــع البيانــات تلقائيًــا إلــى أللتعامــل مــع هــذه الحالــة لدينــا خوارزميــة شــجرة القــرار أســئلة أجوبتهــا نعــم أو لا. قــد يبــدو الأمــر غريبًــا بعــض الشــيء مــن منظــور بشــري، فمثــلاً مــا المشــكلة إذا دولارًا أمريكيًــا؟ بالرغــم مــن ذلــك تضــع الآلــة مثــل هــذه الأســئلة 128.12كان الدائــن يكســب أكثــر مــن لتقســيم البيانــات بشــكل أفضــل فــي كلّ خطــوة. وهكــذا تُصنــعُ شــجرة القــرار. كلمــا كان الفــرع أعلــى كلمــا كان الســؤال أعــم. يمكــن لأي محلــل أن يأخــذ ناتــج الخوارزميــة ويعلِّــم تمامًــا مــا هــو القــرار المناســب. يمكــن ألا يشــعر بــأن كلّ تفاصيلهــا منطقيــة إلا أنــه يســتطيع أن يبنــي عليهــا قــراره. ب. )Decision Trees(ارقرأشجار ال تســتخدم خوارزميــة شــجرة القــرار علــى نطــاق واســع فــي المجــالات ذات المســؤولية العاليــة مثــل: التشــخيص والطــب وفــي الأمــور الماليــة. باللغة الإنجليزية لتفصيل أكثرهذا الفيديو شاهد أ

تالالمذ ت :ل:ذل اطجك تفال 72 ، ونــادرًا C4.5 وخوارزميــة CARTمــن أكثــر الخوارزميــات شــيوعًا لتشــكيل الأشــجار همــا خوارزميــة مــا تســتخدم طريقــة بنــاء أشــجار القــرار الأساســية الصرفــة فــي وقتنــا الحالــي إلا أنهــا غالبًــا مــا تضــع حجــر المعتمــدة علــى أشــجار القــرار تعمــل بطريقــة )Ensembles(الأســاس للأنظمــة الكبيــرة، بــل إن المُجمّعــات ســنتحدث لاحقًــا فــي هــذا الفصــل (أفضــل مــن المجمعــات المعتمــدة علــى الشــبكات العصبيــة الاصطناعيــة .)عــن كلّ جــزء منهــم بالتفصيــل عندمــا تبحــث عــن شــيء مــا فــي غوغــل، فمــا يحــدث بالضبــط هــو أن مجموعــة مــن الأشــجار ســتبحث عــن إجابــة أو مجموعــة مــن الإجابــات المناســبة لــك. وهــذه الأشــجار ســريعة جــدًا، ولذلــك تحبهــا محركات البحث. والتــي يشــار إليهــا اختصــارًا )Support Vector Machines(تعــدّ خوارزميــة الدعــم الآلــي للمتجــه هــي الطريقــة الأكثــر شــيوعًا للتصنيــف الكلاســيكي. والمســتخدمة لتصنيــف كلّ شــيئ موجــود )SVM( تقربيًــا مثــل: النباتــات حســب مظهرهــا فــي الصــور، والوثائــق بحســب الفئــات ...إلــخ

تالالمذ ت :ل:ذل اطجك تفال 73 الفكــرة وراء خوارزميــة الدعــم الآلــي للمتجــه بســيطة جــدًا إذ تحــاول رســم خطيــن بيــن نقــاط البيانــات الخاصــة بــك مــع أكبــر هامــش بينهمــا. هنــاك جانــب مفيــد جــدًا مــن خوارزميــات التصنيــف وهــو الكشــف عــن البيانــات الشــاذة. فعندمــا لا تتناســب الميــزة مــع أيّ مــن الفئــات، فإننــا نبرزهــا. وتســتخدم هــذه الطريقــة حاليًــا فــي الطــب وتحديــدًا فــي أجهــزة التصويــر بالرنيــن المغناطيســي، تبــرز الحواســيب جميــع المناطــق المشــبوهة أو انحرافــات الاختبــار. كمــا تســتخدم أيضًــا فــي أســواق الأســهم للكشــف عــن الســلوك غيــر الطبيعــي للتجــار لمعرفــة مــا يحــدث وراء الكواليــس. الجميــل فــي الأمــر أنــه عندمــا نعلّــم الحاســب الأشــياء الصحيحــة فنكــون علمنــاه تلقائيًــا مــا هــي الأشــياء الخاطئــة. القاعــدة الأساســية هــي كلّمــا زاد تعقيــد البيانــات، زاد تعقيــد الخوارزميــة. بالنســبة للنصــوص والأرقــام والجــداول ســنختار النهــج الكلاســيكي إذ النمــاذج الناتجــة ســتكون أصغــر، وتتعلــم أســرع وتعمــل بوضــوح أكبــر. أمَّــا بالنســبة للصــور ومقاطــع الفيديــو وجميــع أنــواع البيانــات المعقــدة الأخــرى، ســنتجه بالتأكيــد نحــو الشــبكات العصبيــة. منــذ خمــس ســنوات فقــط كان بإمكانــك العثــور علــى مصنــف للوجــه مبنــي علــى خوارزميــة الدعــم . حاليًــا أصبــح مــن الســهل الاختيــار مــن بيــن مئــات الخوارزميــات المعتمــدة علــى )SVM(الآلــي للمتجــه الشــبكات العصبيــة المدربــة مســبقًا. أمــا بالنســبة لمرشــحات البريــد العشــوائي فلــم يتغيــر شــيئ، فــلا تــزال .)SVM(بعــض الأنظمــة مكتوبــة بخوارزميــة الدعــم الآلــي للمتجــه

تالالمذ ت :ل:ذل اطجك تفال 74 . )Regression(الانحدار وهو طريقة لرسم خط بين مجموعة نقاط. نعم، هذا هو التعلّم الآلة! يستخدم الانحدار حاليًا في تطبيقات متعددة، مثل: توقعات أسعار الأسهم. تحليل حجم الطلب والمبيعات. التشخيص الطبي. أي ارتباطات عددية. ومن الخوارزميات الشائعة نذكر: .)Linear(خوارزمية الانحدار الخطي .)Polynomial(خوارزمية الانحدار متعدد الحواف الانحــدار هــو فــي الأســاس آليــة للتصنيــف ولكــن هنــا نتوقــع رقمًــا بــدلاً مــن فئــة. ومــن الأمثلــة علــى ذلــك توقــع ســعر الســيارة مــن خــلال المســافة المقطوعــة، وتوقــع حركــة المــرور بحســب وقــت محــدد مــن اليــوم، وتوقــع حجــم الطلــب مــن خــلال نمــو الشــركة، ومــا إلــى ذلــك. ويكــون مــن الواجــب اســتخدام الانحــدار عندمــا تعتمــد مشــكلة معينــة علــى الوقــت. كلّ مــن يعمــل فــي مجــالات التمويــل والتحليــل المالــي يحــب خوارزميــات الانحــدار. حتــى أن . وطريقــة اســتخدامها سلســة جــدًا مــن الداخــل )Excel(معظمهــا مدمــج فــي برنامــج مايكروســوفت إكســل

تالالمذ ت :ل:ذل اطجك تفال 75 . علــى عكــس )Average Correlation(إذ تحــاول الآلــة ببســاطة رســم خــط يشــير إلــى متوســط الارتبــاط الشــخص الّــذي يحــاول رســم شــكل الانحــدار يدويًــا علــى الســبورة، فــإن الآلــة ترســم الشــكل بدقــة رياضيــة عاليــة جــدًا، بحســاب متوســط الفاصــل الزمنــي لــكل نقطــة. عندمــا يكــون خــط الانحــدار مســتقيمًا فيكــون هــذا الانحــدار خطيًــا، أمــا عندمــا يكــون خــط الانحــدار . وهــذه الأنــواع الرئيســية من الانحــدار. والبعض )Polynomial(منحنيًــا فيكــون الانحــدار متعــدد الحــواف وســيكون شــكله مميــز كتميــز )Logistic Regression(الآخــر أكثــر غرابــة مثــل الانحــدار اللوجســتي الخــروف الأســود فــي قطيــع غنــم. ولكــن لا تدعــه يخدعــك، لأنــه مجــرد طريقــة تصنيــف وليــس انحــدارًا. لا بــأس فــي الخلــط بيــن الانحــدار والتصنيــف إذ يتحــول العديــد مــن المصنّفــات لتنفيذ عمليــة انحدار بقليــل مــن الضبــط والإعــداد. وعمومًــا تُســتخدَم طــرق الانحــدار عندمــا لا يمكننــا تحديــد فئــة الكائــن، وإنمــا يمكننــا تحديــد ومعرفــة مــدى قربــه مــن هــذه الفئــة، وهنــا بالضبــط تأتــي مهمتــه. . . . )Unsupervised learning(التعلم غير الموجه ظهــر التعلّــم غيــر الموجّــه بعــد ظهــور التعلّــم الموجّــه بقليــل، وتحديــدًا فــي التســعينيات. ويســتخدم أقــل مــن التعلّــم الموجّــه، ولكــن فــي بعــض الأحيــان لــن يكــون لدينــا خيــار آخــر ســوى اســتخدامه.

تالالمذ ت :ل:ذل اطجك تفال 76 تعــدّ البيانــات المصنّفــة نــوع فاخــر مــن البيانــات. ولكــن مــاذا لــو كنــت رغبــت فــي إنشــاء تصنيــف ؟ هــل يجــب عليــك التقــاط صــور يدويًــا لمليــون حافلــة فــي الشــوارع )الباصــات(مخصــص للحافــلات وتصنيــف كلّ واحــدةٍ منهــا؟ مســتحيل، سيســتغرق هــذا الأمــر عمــرًا بأكملــه. فــي هــذا النــوع مــن التعلــم مــن منظورنــا نحــن نعطيهــا أومــر معينــة للتجميــع أو تقليــل الأبعــاد ومحاولــة الربــط بينهــا ومعرفــة )Features(وهــي تــؤدي هــذه المهمــة مــن خــلال تحليلهــا لقيــم الميّــزات العلاقــات أو الارتبــاط بيــن هــذه البيانــات. كمــا يمكــن أن تكــون البيانــات معقــدة للغايــة، ولذلــك لا يمكــن لهــذه الخوارزميــات التكهــن بالنتيجــة المطلوبــة بصــورة صحيحــة. نحــاول فــي تلــك الحــالات تنظيــم بياناتنــا أو إعــادة هيكلتهــا فــي صيغــة منطقيــة أكثــر مــن الســابق مــن أجــل معرفــة فيمــا إذا اســتطاعت هــذه الخوارزميــات اســتنتاج شــيئ مــا، وبذلــك الأمــر لــه عــدة جوانــب للحــلّ ومتعلّــق بنوعيــة البيانــات وطريقــة تنظيمهــا وجودتهــا. ولكــن هنــاك بعــض الأمــل إذ لدينــا الملاييــن مــن المنصــات الّتــي توفــر خدمــات رخيصــة نســبيًا تبــدأ دولار أمريكــي، وغالبًــا نعتمــد عليهــا لمســاعدتنا فــي تصنيــف البيانــات وهــذه الطريقــة المعتمــدة الّتــي 5مــن تجــري وفقهــا أمــور تطويــر البيانــات فــي هــذا المجــال. بعض الأنواع للتعلُّم غير الموجَّه: .)Clustering(التجميع .)Dimensionality Reduction(تقليل الأبعاد أو التعميم .)Association rule learning(تعلم قواعد الربط

تالالمذ ت :ل:ذل اطجك تفال 77 . .)Clustering(التجميع تُقسِّــم عمليــة التجميــع الكائنــات علــى أســاس ميِّــزات غيــر معروفــة. إذ تختــار الآلــة أفضــل طريقــة لفــرز الميّــزات الّتــي تراهــا مناســبة. هذه بعض التطبيقات لعملية التجميع في وقتنا الحالي: .)أو تقسيم أنواع العملاء، أو طريقة ولائهم للعلامة التجارية(تقسيم السوق دمج نقاط قريبة على الخريطة. ضغط الصورة. تحليل وتسمية البيانات الجديدة. الكشف عن السلوك غير الطبيعي. ومن بعض خوارزميات الشائعة للتجميع: .K-mean_clusteringخوارزمية .Mean-Shiftخوارزمية .DBSCANخوارزمية تعــدّ عمليــة التجميــع فعليًــا عمليــة تصنيــف ولكــن المفارقــة هنــا أنهــا لا تحتــوي علــى فئــات محــددة مســبقًا. مشــابهة جــدًا لعمليــة تقســيم الجــوارب فــي الــدرج بحســب ألوانهــم، وذلــك عندمــا لا تتذكــر كلّ الألــوان الّتــي لديــك فعندهــا ســتجلب الجــورب الأول ذو اللــون الأســود وتضعــه جانبًــا وتأخــذ الجــورب

تالالمذ ت :ل:ذل اطجك تفال 78 )بحســب بعــض الميــزات(الثانــي، وهكــذا. تحــاول خوارزميــات التجميــع العثــور علــى كائنــات متشــابهة ودمجهــا فــي مجموعــة فتُجمِّــع الكائنــات الّتــي لديهــا الكثيــر مــن الميــزات المماثلــة فــي فئــة واحــدة، وتســمح لنــا بعــض الخوارزميــات حتــى تحديــد العــدد الدقيــق للمجموعــات الّتــي نريدهــا. علــى خرائــط الــوِب. )أو المؤشــرات (مــن أحــد أشــهر الأمثلــة علــى التجميــع هــي تجميــع العلامــات فمثــلاً عندمــا تبحــث عــن جميــع المطاعــم النباتيــة المحيطــة بــك، ســيجمِّعُ محــرك البحــث الخــاص بالخريطة جميــع المطاعــم علــى شــكل أرقــام، ولــو أنــه لــم يجمِّعهــا لــك فحتمًــا ســيتجمد متصفحــك بعــد عمليــة البحث لأنــه ســيحاول رســم جميــع المطاعــم النباتيــة الموجــودة علــى ســطح الكــرة الأرضيــة وعددهــم ســيكون كبيــرًا بــكلّ تأكيــد. Appleومــن بعــض الاســتخدامات الأخــرى لخوارزميــات التجميــع تطبيقــات الهواتــف المحمولة مثــل إذ كِلاهمــا يســتخدمان خوارزميــات تجميــع معقــدة أكثــر مــن المثــال الســابق، Google Photos وPhotos وذلــك لأنهــم يبحثــان عــن الوجــوه المميــزة فــي الصــور بهــدف إنشــاء ألبومــات خاصــة لأصدقائــك. لا يعــرف التطبيــق عــدد أصدقــاؤك ولا حتــى كيــف تبــدوا أشــكالهم، ولكنــه مــع ذلــك يحــاول العثــور علــى ميــزات صريحــة فــي وجوههــم، والموازنــة بينهــا لمعرفــة عددهــم، وعــرض الألبومــات وفقًــا لذلــك. ، يمكنــك PNGومــن بعــض الاســتخدامات الأخــرى هــي ضغــط الصــورة فعنــد حفــظ الصــورة بلاحقــة لونًــا. هــذا يعنــي أن آليــة التجميــع ســتأخذ جميــع البكســلات 32ضبــط مجموعــة الألــوان وليكــن عددهــا وتضبطــه علــى جميــع البكســلات الحمــراء. وبذلــك يكــون ”المتوســط الأحمــر “ وتحســب قيمــة ”المحمــرة “ لدينــا ألــوان أقــل، ممــا يــؤدي فــي نهايــة المطــاف إلــى حجــم ملــف أقــل، وبذلــك تنخفــضُ مصاريــف التخزين المحلــي أو الســحابي. ومــع ذلــك يمكــن أن نواجــه بعــض مشــاكل فــي الألــوان مثــل الألــوان القريبــة مــن لونيــن بنفــس . إذ لا يمكننــا تصنيفــه فيمــا إذا كان أخضــرًا أم أزرق؟ هنــا يأتــي )Cyan(الوقــت مثــل لــون الأزرق الســمائي .K-Meansدور خوارزميــة . . . K-meanخوارزمية نقطة لونيــة بطريقة 32 مجموعــة مــن النقــاط اللونيــة والبالــغ عددهــا K-Meansإذ تعيّــن خوارزميــة . )Centroids( بالنقــاط المركزيــة)أو الألــوان(عشــوائية فــي مجموعــة الألــوان. وتســمى هــذه النقــاط مركــزي. وبعدهــا ســنُلاحظ أننــا حصلنــا )لــون (وتُحــدد النقــاط المتبقيــة علــى أنهــا مخصصــة لأقــرب نقطــة

تالالمذ ت :ل:ذل اطجك تفال 79 ثــم ننقــل النقطــة المركزيــة إلــى وســط مجرتنــا، 32نوعًــا مــا علــى مــا يشــبه المجــرات حــول هــذه الألــوان ونُكــرِّر ذلــك حتــى تتوقــف النقطــة المركزيــة عــن التحــرك. مجموعــة مُحــدَّدة ومســتقرة. وإليــك شــرحًا كرتونيًــا 32نفَّذنــا جميــع المهــام بنجــاح، ولدينــا وتفصيليًا لما جرى: البحــث عــن الألــوان المركزيــة مريــح، إلا أن التجميعــات فــي الحيــاة الواقعيــة ليســت دائمًــا على شــكل دوائــر. لنفتــرض أنــك عالــم جيولوجيــا وتحتــاج للعثــور علــى بعــض المعــادن المتماثلــة علــى الخريطــة. فــي هــذه الحالــة، يمكــن تشــكيل تجميعــات بطريقــة غريبــة وحتــى متشــعبة. ولا يمكنــك أيضًــا أن تعــرف عددهــم لــن تتناســب مــع هــذه الحالــة، وإنمــا ســتكون K-means؟ بــكل تأكيــد أن خوارزميــة 100 أم10فهــل هــم .50 مفيــدةً أكثر DBSCANخوارزميــة

تالالمذ ت :ل:ذل اطجك تفال 80 . . .DBSCANخوارزمية لنفتــرض أنَّ النقــاط لدينــا هــم أنــاس فــي ســاحة البلــدة. اَبحــث عــن أي ثلاثــة أشــخاص يقفــون بالقــرب مــن بعضهــم البعــض واطلــب منهــم أن يمســكوا أيديهــم ثــم اطلــب منهــم البــدء فــي الإمســاك بأولئــك الجيــران الّذيــن يمكنهــم الوصــول إليهــم. وهكــذا دواليــك إلــى أن نصــل لشــخص لا يســتطيع الإمســاك بــأي شــخص آخــر. هــذه هــي مجموعتنــا الأولــى. كــرِّر هــذه العمليــة ليُجمــعُ كلّ النــاس بمجموعــات. هو فعليًا مجرد بيانات شاذة. -ملاحظة: الشخص الّذي ليس لديه من يمسك يده إليك رسم توضيحي يبين لك كيف سيبدو الحل: نلاحــظ أن التجميــع مشــابه تمامًــا للتصنيــف، إذ يمكــن اســتخدام المجموعــات للكشــف عــن الحــالات أو Kالشــاذة. هــل لاحظــت بــأن المســتخدم يتصــرف بطريقــة غيــر طبيعيــة بعــد اشــتراكه بموقعــك بخدمتــك؟ دع الآلــة تحجبــه مؤقتًــا، وتنشــئ تذكــرة للدعــم الفنــي لفحــص هــذا النشــاط المريــب لاتخــاذ القــرار المناســب. فربمــا يكــون روبــوت آلــي يحــاول إشــغال الخــادم الّــذي تحجــزه لموقعــك. فــي الحقيقــة للمُســتخدم وإنمــا ســنأخذ جميــع أفعــال ونشــاطات ”الســلوك الطبيعــي “لــن نحتــاج حتــى لمعرفــة ماهيّــة أم لا.”نموذجيًــا“المســتخدم ونحملهــا إلــى نموذجنــا ونتــرك الآلــة تُقــرِّر مــا إذا كان هــذا المســتخدم يمكــن أن لا يعمــل هــذا النهــج بطريقــة جيــد بالموازنــة مــع التصنيــف، ولكــن القــرار النهائــي ســيُبنى علــى المحاولــة والتجربــة.