مدخل الى الذكاء الإصطناعي وتعلم الآلة

تالالمذ ت :ل:ذل اطجك تفال 81 . . .)Dimensionality Reduction(تقليل الأبعاد وهــي عمليــة تجميــع ميّــزات محــددة بداخــل ميِّــزات )Generalization(وتعــرف أيضًــا بالتعميــم ذات مســتوى أعــم وأعلــى. ومن بعض التطبيقات العملية لهذه الطريقة نجد: أنظمة التوصية. الجميلة.)المحاكاة(التصورات نمذجة الموضوعات والبحث عن وثائق مماثلة. تحليل الصور المزيفة. إدارة المخاطر. ومن بعض الخوارزميات الشائعة لتطبيقها: ويشــار لهــا Principal Component Analysis(خوارزميــة تحليــل المكونــات الرئيســية .)PCAاختصارًا ويشــار لهــا Singular Value Decomposition(خوارزميــة تحليــل القيمــة المفــردة .)SVDاختصارًا .Latent Dirichlet allocationخوارزمية

تالالمذ ت :ل:ذل اطجك تفال 82 LSA ويشــار إليهــا اختصــارًا Latent Semantic Analysis(خوارزميــة التحليــل الدلالــي الكامــن .)GLSA أوpLSAأو .)التي تستخدم في مجال الرؤية الحاسوبية( t-SNEخوارزمية شــيئ “اســتخدم علمــاء البيانــات المتعصبــون ســابقًا هــذه الأســاليب، وكان عليهــم العثــور علــى فــي أكــوام ضخمــة مــن الأرقــام؛ وعندمــا لــم تســاعدهم مخططــات إكســل بهــذه المهمــة ”مثيــر للاهتمــام أجبــروا الآلات علــى العثــور علــى الأنمــاط حتــى حصلــوا علــى طريقــة تقليــل الأبعــاد أو ميّــزة تعلّــم كيفيــة تقليل البعد. ، عوضًــا عــن مجموعــة مــن )Abstractions(مــن الأفضــل دائمًــا اســتخدام التلخيــص أو التجريــد الميــزات المجــزأة. فمثــلاً، يمكننــا دمــج كلّ الــكلاب ذات الآذان مثلثيــة الشــكل والأنــوف الطويلــة والذيــل . نعــم فقدنــا بعــض المعلومــات حــول ”شــبيرد “الكبيــر ليصبــح لدينــا تلخيــص لشــكل كلــب لطيــف وهــو كلــب الصفــات المميــزة الخاصــة بالكلــب شــبيرد، إلا أن التلخيــص الجديــد يعــدُّ أكثــر فائــدة لتســمية الأغــراض وتوضيحهــا. بالإضافــة إلــى ذلــك، إن النمــاذج المُلخَّصــة تتعلَّــم بطريقــة أســرع، ولا تظهــر لديهــا مشــكلة وهــي تســتخدم -الّتــي ســنتحدث عنهــا بالتفصيــل لاحقًــا- بكثــرة )Overfitting( ”فــرض التخصيــص“ عــددًا أقــل مــن الميّــزات. . إذ يمكننــا تلخيــص مواضيــع مــن ”لنمذجــة المواضيــع“أصبحــت هــذه الخوارزميــات أداة مذهلــة كلمــات محــددة لمعانيهــا وهــذا مــا تفعلــه خوارزميــة التحليــل الدلالــي الكامــن. تعتمــد علــى عــدد مــرات

تالالمذ ت :ل:ذل اطجك تفال 83 بكثــرة فــي المقــالات التقنيــة،”تقنيــة“تكــرار كلمــة معينــة فــي موضــوع محــدد مثــل: اســتخدام كلمــة وبالتأكيــد ســنعثر علــى أســماء الأشــخاص السياســيين بكثــرة فــي الأخبــار السياســية وهكــذا. كمــا يمكننــا بــكل تأكيــد إنشــاء مجموعــات مــن جميــع الكلمــات فــي المقــالات، ولكننــا ســنفقد جميــع الروابــط المهمــة بيــن معانــي الكلمــات خصيصًــا العلاقــة بيــن الكلمــات ذات المعنــى نفســه مثــل المُدَّخِــرة . ) الموجــودة فــي مســتندات مختلفــة ]Accumulator[، والمقصــود بهــا المُدَّخِــرات الكهربائيــة Battery( إلا أنَّ خوارزميــة التحليــل الدلالــي الكامــن ســتتعامل معهــا بالطريقــة الصحيحــة، ولهــذا الســبب تحديــدًا سُــمِّيت لذلــك نحــن بحاجــة إلــى ربــط الكلمــات والمســتندات فــي ميــزة واحــدة للحفــاظ علــى هــذه الاتصــالات تــؤدي هــذه المهمــة )Singular decomposition(الكامنــة واتضــح لنــا بــأن خوارزميــة التفكيــك المفــرد بقــوة، ممــا يشــفُ عــن فائــدة المجموعــات المجمعــة بحســب الموضــوع الّتــي تحدثنــا عنهــا ســابقًا. والتصفيــة )Recommender Systems(مــن الاســتخدامات الشــائعة الأخــرى هــي أنظمــة التوصيــة مــن أجــل تقليــل الأبعــاد. ممــا يبــدو أنــه إذا كنــت تســتخدمه فــي )Collaborative Filtering(التعاونيــة تلخيــص تقييمــات المســتخدمين، فســتحصل علــى نظــام رائــع للتوصيــة بالأفــلام والموســيقى والألعــاب بــل وحتــى أي شــيء تريــده.

تالالمذ ت :ل:ذل اطجك تفال 84 الآلــي، ولكــن مــن الممكــن رؤيــة )أو التجريــد (ســنتمكن بالــكاد مــن فهــم فهمًــا كامــلاً لفكــرة التلخيــص بعــض الارتباطــات عــن قــرب. إذ يرتبــط بعضهــا بعمــر المســتخدم فمثــلاً يلعــب الأطفــال لعبــة مايــن كرافــت ويشــاهدون معهــا الرســوم المتحركــة بكثــرة، ويرتبــط بعــض المســتخدمين الآخريــن بنوعيــة )Minecraft( فيلــم معينــة أو بهوايــات مخصصــة وهكــذا تســتطيع الآلات الحصــول علــى هــذه المفاهيــم التجريديــة عاليــة المســتوى مــن دون حتــى فهــم ماهيتهــا، بنــاءً فقــط علــى معرفــة تقييمــات المســتخدم. . . . )Association Rule Learning(تعلم قواعد الربط وهي طريقة للبحث عن الأنماط في تدفق الطلبات. حاليا تستخدم في عدد من المجالات مثل: التنبؤ بالمبيعات والخصومات. تحليل البضائع المشترية معًا. معرفة كيفية وضع المنتجات على الرفوف. تحليل أنماط تصفح الإنترنت.

تالالمذ ت :ل:ذل اطجك تفال 85 الخوارزميات الشائعة لها هي .Aprioriخوارزمية .Eclatخوارزمية .FP-growthخوارزمية التســوق الإلكترونيــة أو الواقعيــة، كمــا تســتخدم )ســلاّت (وتســتخدم هــذه الطريقــة لتحليــل عربــات أيضًــا لأتمتــة اســتراتيجية التســويق، والمهــام الأخــرى المتعلقــة بمثــل هــذه الأحــداث. وتحديــدًا عندمــا جــرب هــذه الأشــياء. -يكــون لديــك تسلســل لشــيئ معيــن وترغــب فــي إيجــاد أنمــاط فيــه لنفتــرض أن العميــل ســيأخذ ســتة عبــوات مــن العصائــر ويذهــب إلــى طاولــة المحاســبة ثــم إلــى بــاب الخــروج. هــل يجــب أن نضــع الفــول الســوداني بجانــب الطريــق المــؤدي إلــى طاولــة المحاســبة؟ وفــي حــال وضعناهــا، كــم مــرة سيشــتريها النــاس بالمجمــل؟ لربمــا تتماشــى العصائــر مــع الفــول الســوداني، ولكــن مــا هــي التسلســلات الأخــرى الّتــي يمكننــا التنبــؤ بهــا اعتمــادًا علــى البيانــات؟ هــل يمكــن لتغييــرات بســيطة فــي ترتيــب البضائــع أن تــؤدي إلــى زيــادة كبيــرة فــي الأربــاح؟ وينطبــق نفــس الشــيء علــى التجــارة الإلكترونيــة. إذ المهمــة هنــا أكثــر حماســية وإثــارة للاهتمــام، فما الّــذي سيشــتريه العميــل فــي المــرة القادمــة؟ هــل سيشــتري المنتجــات النباتيــة؟ أم الحيوانيــة؟ تعتمــد الأســاليب الكلاســيكية لتعلــم الآلــة علــى نظــرة مباشــرة على جميع الســلع المشــترية باســتخدام الأشــجار أو المجموعــات. يمكــن للخوارزميــات البحــث عــن الأنمــاط فقــط، ولكــن لا يمكنهــا تعميمهــا أو إعادة إنتاجهــا بمــا يتوافــق مــع الأمثلــة الجديدة. أمــا فــي العالــم الحقيقــي فــإنَّ كلَّ متجــر تجزئــة كبيــر يبنــي حــلاً خاصًــا ومناســبًا لــه، لذلــك لا نــرى تطــورات كبيــرة فــي هــذا المجــال. وعلــى المســتوى التقنــي فــإن أعلــى مســتوى مــن التقنيــات المســتخدمة .)أو تســمى أحيانًــا الأنظمــة الناصحــة (هــي أنظمــة التوصيــة

تالالمذ ت :ل:ذل اطجك تفال 86 . .)Reinforcement Learning(التعلم المعزز وهو عملية رمي روبوت في متاهة وتركه بمفرده ليجد طريق الخروج بنفسه. من بعض التطبيقات العملية المستخدمة حاليًا: السيارات ذاتية القيادة. روبوت تنظيف الأرضية. الألعاب.

تالالمذ ت :ل:ذل اطجك تفال 87 أتمتة التداول إدارة موارد المؤسسة. من أبرز الخوارزميات الشائعة لها: .)Q-Learning(خوارزمية التعلم المعزز وفق النموذج الحر .SARSAخوارزمية خطة ماركوف للتعلّم المُعزَّز لاتخاذ القرار .DQNخوارزمية التعلم المُعزَّز العميق وفق النموذج الحر .A3Cخوارزمية الناقد المميز غير المتزامن .)Genetic algorithm(الخوارزمية الجينية أخيــرًا، نصــل إلــى شــيئ يشــبه الــذكاء الحقيقــي. فــي كثيــر مــن المقــالات نــرى خطــأ شــائعًا بــأن يصنــف التَعلُّــم المعــزز تحــت قســم التعلُّــم الموجَّــه أو أحيانًــا فــي قســم التَعلُّــم غيــر المُوجَّــه. لــذا وجــب التنويــه إلــى كونــه طريقــة تعلُّــم منفصلــة. يســتخدم التَعلُّــم المعــزز فــي الحــالات الّتــي لا تتعلــق فيهــا مشــكلتك بالبيانــات علــى الإطــلاق، وإنمــا لديــك بيئــة افتراضيــة تتعامــل معهــا. مثــل عالــم ألعــاب الفيديــو أو مدينــة افتراضيــة للســيارات ذاتية القيادة. معرفــة جميــع قواعــد الطرقــات الجويــة فــي العالــم لــن تُعلِّــم الطيــار الآلــي كيفيــة القيــادة علــى بأحــد الطــرق الجويــة. وبغــض النظــر عــن مقــدار البيانــات الّتــي نجمعهــا، لا يــزال يتعــذر علينــا توقــع جميــع المواقــف المحتملــة. وهــذا هــو الســبب الأساســي لهــدف التعلــم المعــزز وهــو تقليــل الخطــأ، وليــس التنبــؤ بجميــع التحــركات المحتملــة. إن البقــاء علــى قيــد الحيــاة فــي البيئــة الافتراضيــة هــي الفكــرة الأساســية للتعلــم المعــزز. إذ ســنعتمد علــى تــرك الروبــوت الصغيــر الفقيــر يتجــول فــي الحيــاة الافتراضيــة ونُعاقبــه علــى الأخطــاء ونُكافئــه علــى الأفعــال الصحيحــة. بنفــس الطريقــة الّتــي نعلــم بهــا أطفالنــا، أليــس كذلــك؟ الطريقــة أكثــر فعاليــة لتدريــب الروبــوت هــي بنــاء مدينــة افتراضيــة والســماح للســيارة ذاتيــة القيــادة بتعلــم كلّ طــرق القيــادة وحيلهــا فيهــا أولاً. فــي الحقيقــة هــذه هــي الطريقــة المعتمــدة فــي تدريــب الروبوت الموجــودة فــي الســيارات ذاتيــة القيــادة، إذ ننشــئ فــي البدايــة مدينــة افتراضيــة اســتنادًا لخريطــة المدينــة ونتــرك الســيارة )لمحــاكاة الواقــع (الحقيقيــة، ونضيــف إليهــا أشــخاصًا افتراضييــن يمشــون فــي الشــوارع تقليــل العــدد الّــذي تقتلــه مــن النــاس بأقــل مــا “تتعلــم بمفردهــا وذلــك بوضــع هــدف نصــب أعيننــا وهــو

تالالمذ ت :ل:ذل اطجك تفال 88 وهكــذا يســتمر الروبــوت فــي التــدرب إلــى أن يصــل لمرحلــة لا يقتــل بهــا أحــد. عندمــا يــؤدي”يمكــن عندهــا ســنُحرِّرَه ونختبــره فــي الشــوارع الحقيقيــة. GTAالروبــوت أداءً جيــدًا فــي لعبــة قد يكون هناك نهجان مختلفان للتعلم المعزز وهما: .)Model-Based(نهج قائم على نموذج .)Model-Free(نهج غير قائم على نموذج أو النهج الحر إن النهــج القائــم علــى نمــوذج يعنــي أن الســيارة بحاجــة لحفــظ كامــل الخريطــة أو أجزائهــا. هــذا نهــج قديــم جــدًا لأنــه مــن المســتحيل بالنســبة للســيارة الفقيــرة ذاتيــة القيــادة أن تحفــظ الكوكــب بأكملــه. أمَّــا فــي النهــج غيــر القائــم علــى نمــوذج فــلا تحفــظ الســيارة كلَّ حركــة ولكنهــا تحــاول تعميــم المواقــف، ومحاولــة التصــرف بعقلانيــة إلــى جانــب محاولتهــا الحصــول علــى أقصــى مكافــأة. أمــام الــذكاء الصنعــي؟ هــل تعلــم Go المتداولــة حــول خســار بطــل العالــم بلعبــة أهــل تذكــر الأخبــار بــأن عــدد التركيبــات القانونيــة المحتملــة للعــبِ بهــذه اللعبــة أكبــر مــن عــدد الــذرات الموجــودة فــي الكــون . ولكــن هــل ســنطلب مــن هــذا الروبــوت المســكين حفــظ 51كلَّــه؟ حتــى أن العلمــاء أثبتــوا ذلــك لاحقًــا كلّ ذلك؟ ، إذ Goفــي الواقــع أن الآلــة لــم تتذكــر جميــع التركيبــات المحتملــة للعــب ومــع ذلــك فــازت بلعبــة تمامًــا كمــا فعلــت فــي لعبــة الشــطرنج عندمــا هزمــت (حاولــت تطبيــق أفضــل حركــة فــي كلّ دور علــى حــدة . هــي فعليًــا اختــارت )52 والّتــي ســميت بمبــاراة القــرن 1997غــاري كاســباروف فــي المبــاراة الشــهيرة ســنة لــكلّ حالــة، وقــد فعلــت مــا يكفــي للتغلــب علــى البشــر. )مــن ناحيــة المكســب (ببســاطة أفضــل حركــة رابط أحد الأخبارهنا تجد أ

تالالمذ ت :ل:ذل اطجك تفال 89 )Q-learning(يعــد هــذا النهــج مفهومًــا أساســيًا أدى لظهــور التَعلُّــم المعــزز وفــق النمــوذج الحــرّ وهــو فــرع مــن فــروع التعلّــم المعــزز بــل وظهــور الخوارزميــات مثــل خوارزميــة خطــة ماركــوف للتعلّــم . )DQN( وخوارزميــة التعلّــم المعــزز العميــق وفــق النمــوذج الحــرّ )SARSA(المعــزز لاتخــاذ القــرار إذ يتعلــم الروبــوت أداء الفعــل الأكثــر )Quality( ”الجــودة “ يشــير إلــى ”Q“ومــن الجديــر بالذكــر أن حــرف .)Markov chain( فــي كلّ حالــة ويحفــظ جميــع المواقــف علــى أنهــا سلســلة ماركوفيــة بســيطة ”نوعيــة “ يمكــن للآلــة اختبــار مليــارات المواقــف والحــالات فــي البيئــة افتراضيــة، ويمكنهــا تذكــر جميــع الحلول الّتــي أدت لمكافــأة أكبــر. ولكــن كيــف يمكنهــا أن تميــز المواقــف الّتــي رأتهــا مســبقًا عــن المواقــف الجديــدة كليًــا؟ فمثــلاً إذا كانــت الســيارة ذاتيــة القيــادة فــي إحــدى التقاطعــات بيــن الشــوارع وكانــت إشــارة المــرور حمــراء وتحولــت فجــأة الإشــارة الخضــراء فهــل هــذا يعنــي أنهــا يمكــن أن تســير مباشــرة؟ مــاذا لــو كانــت هنــاك ســيارة إســعاف تســير فــي شــارع قريــب وتطلــب مــن الســيارات الأخــرى إفســاح الطريــق لهــا؟ لا أحــد يعــرف “الإجابــة الحاليــة علــى هــذا الســؤال وفــق المعطيــات المتاحــة إلــى يومنــا هــذا هــو ، فعليًــا لا توجــد إجابــة ســهلة. لطالمــا اســتمر الباحثــون فــي ”مــا الّــذي ســتفعله هــذه الســيارة ذاتيــة القيــادة المحاولــة للعثــور علــى إجابــة، ولكــن فــي الوقــت نفســه لا يجــدون ســوى الحلــول المؤقتــة لبعــض الحــالات. فيعتمــد البعــض علــى محــاكاة جميــع المواقــف يدويًــا الّتــي تنتــج حــلاً للحــالات الاســتثنائية، مثــل: مشــكلة ، ويتعمــق البعــض الآخــر أكثــر مــن ذلــك ويتــرك للشــبكات العصبيــة مهمــة )trolley problem(العربــة

تالالمذ ت :ل:ذل اطجك تفال 90 إلــى شــبكات التعلــم)Q-learning(اكتشــافها، وهــذا قادنــا لتطــور التعلــم المعــزز وفــق النمــوذج الحــر . لكنهــا ليســت بالحــل المثالــي أيضًــا. )Deep Q-Network(المعــزز العميــق . . . طريقة المجموعات وهو مجموعة أشجار غبية تتعلّم تصحيح أخطاء بعضها البعض. من بعض تطبيقاتها العملية في وقتنا الحالي: الفــارق هنــا أنهــا تقــدم (جميــع التطبيقــات الّتــي تعمــل علــى الخوارزميــات الكلاســيكية .)أداء أفضل أنظمة البحث. الرؤية الحاسوبية. الكشف عن الأغراض. من أبرز الخوارزميات الشائعة لها: .)Random Forest(خوارزمية الأشجار العشوائية .)Gradient Boosting(خوارزمية التدرج المعزز حــان الوقــت للأســاليب الحديثــة والكبيــرة. تعــدُّ المجمعــات والشــبكات العصبيــة مقاتــلان رئيســيان يمهــدان طريقنــا نحــو التفــرد فــي عمليــة التَعلُّــم. واليــوم ينتجــون أكثــر النتائــج دقــة ويســتخدمون علــى نطــاق واســع فــي جميــع الأحــداث.

تالالمذ ت :ل:ذل اطجك تفال 91 علــى الرغــم مــن فعاليتهــا العاليــة إلا أن الفكــرة الكامنــة وراءهــا بســيطة للغايــة إذ تعتمــد علــى أخــذ مجموعــة مــن الخوارزميــات ذات الفعاليــة العاديــة، وتجبرهــا علــى تصحيــح أخطــاء بعضهــا بعضًا، فســتكون الجــودة الإجماليــة للنظــام أفضــل مــن أفضــل خوارزميــات تعمــل بطريقــة منفــردة. ســتحصل علــى نتائــج أفضــل إذا أخــذت أكثــر الخوارزميــات تقلبًــا فــي النتائــج، والّتــي تتوقــع نتائــج مختلفــة تمامًــا فــي حالــة حــدوث ضوضــاء صغيــرة علــى بيانــات الدخــل مثــل خوارزميــات أشــجار القــرار وأشــجار الانحــدار، فهــذه الخوارزميــات حساســة للغايــة، حتــى أنــه يمكــن لقيمــة شــاذة واحــدة خارجيــة مطبقــة علــى بيانــات الدخــل أن تجعــل النمــاذج يجــن جنونهــا. فــي الحقيقــة هــذا بالضبــط مــا نحتــاج إليــه. هنالك ثلاث طرق لبناء المجمعات: .)Stacking(طريقة التكديس .)Bagging(طريقة التعبئة .)Boosting(طريقة التعزيز سنشرح كلّ واحدٍ منهم على حدة: أ. )Stacking(طريقة التكديس تُمــرَّر مجموعــة مــن النمــاذج المتوازيــة كمدخــلات للنمــوذج الأخيــر والّــذي ســيؤدي إلــى اتخــاذ القرار النهائي.

تالالمذ ت :ل:ذل اطجك تفال 92 تعنــي أي أن خلــط تكديــس ”مختلفــة “تَنتــجُ هــذه النمــاذج مــن تطبيــق خوارزميــات مختلفــة وكلمــة نفــس الخوارزميــات علــى نفــس البيانــات لــن يكــون له أي معنــى أو أهميــة. وإن عمليــة اختيــار الخوارزميات أمــر متــروك لــك مطلــق الحريــة فــي اختبــاره إلا أنَّــه بالنســبة للنمــوذج المعنــي باتخــاذ القــرار النهائــي، فعــادةً مــا يكــون الانحــدار خيــارًا جيــدًا لخوارزميتــه. ب. )Bagging(طريقة التعبئة . نســتخدم فــي هــذه الطريقــة الخوارزميــة )Bootstrap Aggregating(وهــي معروفــة أيضًــا باســم نفســها، ولكــن ندربهــا علــى مجموعــات فرعيــة مختلفــة مــن البيانــات الأصليــة، ونحســب فــي النهايــة متوســط الإجابــات فقــط. يمكــن أن تتكــرر البيانــات فــي مجموعــات فرعيــة عشــوائية. فمثــلاً، يمكننــا الحصــول علــى مجموعات ومــا إلــى ذلــك. نســتخدم ”3-1-2” و”1-2-2” و”2-2-3“ مثــل”1-2-3“فرعيــة مــن المجموعــة مجموعــات البيانــات الجديــدة هــذه لتعليــم الخوارزميــة نفســها عــدَّة مــرات، ثــمّ نتوقــع الإجابــة النهائيــة عــن طريــق خوارزميــة البســيطة التصويــت بالأغلبيــة. )Random Forest(أشــهر مثــال علــى اســتخدام طريقــة التعبئــة هــي خوارزميــة الغابــات العشــوائية . )الّتــي ســبق وأن وتحدثنــا عنهــا فــي الفقــرات الســابقة (والتــي ببســاطة تعبــأ باســتخدام أشــجار القــرار فمثــلاً عنــد فتحــك لتطبيــق الكاميــرا الخــاص بهاتفــك ورؤيتــك لمربعــات مرســومة حــول وجــوه الأشــخاص فيجــب أن تســأل نفســك، كيــف حــدث ذلــك؟

تالالمذ ت :ل:ذل اطجك تفال 93 فــي الحقيقــة مــن المحتمــل أن تكــون هــذه النتيجــة بفضــل خوارزميــة الغابــات العشــوائية ، )Real-time(وذلــك لأن الشــبكات العصبيــة بطيئــة جــدًا عنــد تشــغيلها فــي الزمــن الحقيقــي وبالمقابــل تكــون طريقــة التعبئــة مثاليــة بهــذه الحــالات لأنــه يمكنهــا أن تبنــي أشــجار القــرار علــى جميــع البطاقــات الرســومية الضعيفــة والقويــة بــل وحتــى علــى المعالجــات الجديــدة الفاخــرة الخاصــة بتعلّم الآلة! فــي بعــض المهــام، تكــون الاســتراتيجية المتبعــة هــي التركيــز على قــدرة الغابة العشــوائية علــى العمل بالتــوازي مثلمــا يحــدث عنــد اســتخدام الشــبكات العصبيــة الاصطناعيــة أمــا طريقــة التجميــع لا تســتطيع العمــل بالتــوازي، والبعــض الآخــر مــن التطبيقــات تتطلــب الســرعة الّتــي تســتطيع تحققهــا طــرق المجموعات بغــض النظــر عــن أســلوب تطبيقهــا وتحديــدًا فــي المهــام الّتــي تتطلــب معالجــة بالزمــن الحقيقــي. ولكنَّهــا فــي النهايــة مســألة مفاضلــة بيــن خيــاري الدقــة أو الســرعة وذلــك بحســب كلّ مهمــة. . )Boosting(طريقة التعزيز وهــي الطريقــة الّتــي تعتمــد علــى تدريــب الخوارزميــات واحــدةً تلــو الأخــرى. وتولــي كلّ خوارزميــة لاحقــة معظــم اهتمامهــا لنقــاط البيانــات الّتــي أخطــأت الخوارزميــة الســابقة فــي تفســيرها، وتكــرر هــذه العمليــة إلــى أن تصبــح النتيجــة مرضيــة. كمــا هــو الحــال فــي طريقــة التعبئــة، تســتخدم الخوارزميــة مجموعــات فرعيــة متنوعــة مــن بياناتنــا ولكــن هــذه المــرة لــن نُنشــئَها بطريقــة عشــوائية. وإنَّمــا فــي كلّ عينــة فرعيــة، نأخــذ جــزءًا مــن البيانــات

تالالمذ ت :ل:ذل اطجك تفال 94 الّتــي فشــلت الخوارزميــة الســابقة فــي معالجتهــا. وبذلــك نُنشــئ خوارزميــة جديــدة لتتعلــم كيفيــة إصــلاح الأخطــاء الموجــودة فــي الخوارزميــة الســابقة. الميــزة الرئيســية فــي طــرق التجميــع هــي الدقــة الممتــازة بالموازنــة مــع الوقــت المأخــوذ، وتعد أســرع بكثيــر مــن الشــبكات العصبيــة. تقريبًــا الأمر أشــبه ما يمكن بســباق بين ســيارة وشــاحنة على المضمــار. يمكن للشــاحنة أن تــؤدي المزيــد مــن الأفعال، ولكن في حال أردت أن تســير بســرعة فحتمًا ســتأخذ الســيارة. لإلقاء افتح موقع فيســبوك أو موقع )وتحديــدًا طريقة التعزيز (نظــرة علــى مثــال حقيقي لاســتخدام طرق التجميع غوغــل واكتــب أي اســتعلام فــي مربع البحث. هل يمكنك ســماع جيوش من الأشــجار تــزأر وتتحطم معًا لفرز .53النتائــج حســب الصلــة؟ ذلــك بســبب أن هــذه الشــركات يســتخدمون طريقــة التجميــع باســتخدام التعزيــز حاليًــا هنــاك ثــلاث أدوات شــائعة لتطبيــق طريقــة التعزيــز، يمكنــك قــراءة هــذا التقريــر المفصــل الّــذي ( .)XGBoost مقابــلLightGBM مقابــلCatBoostيــوازن بينهــا

تالالمذ ت :ل:ذل اطجك تفال 95 . . والتعلم العميق)Neural Networks(الشبكات العصبية )Deep Leaning( . . .)Neural Networks(الشبكات العصبية الشــبكات العصبيــة: وهــي عبــارة عــن مجموعــة مــن الخلايــا العصبيــة الاصطناعيــة الموجــودة فــي طبقــات مُتوضِّعَــة فــوق بعضهــا بعضًــا، ولهــا طبقــة أوليــة، وطبقــة النهائيــة، تتلقــى الطبقــة الأوليــة المعلومــات الخــام، وتعالجهــا لتُمرِّرهــا لاحقًــا للطبقــة الّتــي تليهــا وهكــذا إلــى أن نحصــل علــى الخــرج مــن الطبقــة النهائيــة. بعض أشهر تطبيقاتها العملية المستخدمة في وقتنا الحالي: تحديد الكائن في الصور ومقاطع الفيديو. التعرف على الكلام والتراكيب اللغوية. معالجة الصور وتحويل التنسيق. الترجمة الآلية. بالإضافة إلى أنه يمكنها أن تعمل عوضًا عن جميع تطبيقات طرق تعلّم الآلة السابقة. من بعض الهيكليات الشائعة للشبكات العصبية: .)Perceptron(الشبكات العصبية بيرسيبترون .)CNN(الشبكات العصبية التلافيفية

تالالمذ ت :ل:ذل اطجك تفال 96 .)RNN(الشبكات العصبية المتكررة .)Autoencoders(الشبكات العصبية ذات الترميز التلقائي إن أي شــبكة عصبيــة اصطناعيــة هــي فــي الأســاس مجموعــة مــن الخلايــا العصبيــة الاصطناعيــة الّتــي بينهــا، وإن الخليــة العصبيــة الاصطناعيــة هــي مجــرد )Connections( و الاتصــالات)Neurons( تابــع لديــه مجموعــة مــن المدخــلات وخــرج وحيــد. وتتمثــل مهمــة الخليــة العصبيــة الاصطناعيــة فــي أخــذ جميــع الأرقــام مــن مدخلاتهــا، وأداء الوظيفــة المنوطــة إليهــا وإرســال النتيجــة للخــرج. الاتصــالات تشــبه إلــى حــدٍ مــا القنــوات بيــن الخلايــا العصبيــة الحقيقيــة، إذ تربــط مخرجــات خليــة عصبيــة معينــة لمدخــل خليــة عصبيــة أخــرى حتــى يتمكنــوا مــن إرســال الأرقــام والنتائــج لبعضهــا بعضًــا، ، وهــو مشــابه لقــوة الاتصــال للإشــارة؛ فعندمــا )Weight(وكلّ اتصــال لــه وســيط واحــد فقــط وهــو الــوزن . هــذه الأوزان تطلــب مــن الخليــة العصبيــة 5 يتحــول إلــى 0.5 مــن خــلال اتصــال بــوزن 10يمــر الرقــم الاصطناعيــة أن تســتجيب أكثــر للدخــل ذو الــوزن الأكبــر، وأقــل للدخــل ذو الــوزن الأقــل. تُعدَّل هــذه الأوزان عنــد التدريــب وهكــذا تتعلّــم الشــبكة العصبيــة الاصطناعيــة. فيمــا يلــي مثــال لخلايــا عصبيــة اصطناعيــة بســيطة ولكنهــا مفيــدة فــي الحيــاة الواقعيــة: ســتجمع وإلا ســتعطي 1 فســتُعطي النتيجــة Nجميــع الأرقــام مــن مدخلاتهــا وإذا كان هــذا العــدد أكبــر مــن .0النتيجة