machine learning بالعربي: (شرح تعلم الآلة بالتفصيل 2024)

هل تبحث عن machine learning ؟ هذا ما سنتاوله هذا اليوم من خلال تقديم مقال شامل لك تابع معنا، في عالم ينبض بالتكنولوجيا والابتكار يتصاعد اهتمامنا بـmachine learning وتطورها باستمرار. ومن بين هذه التقنيات التي تعكف على تحويل العالم نجد machine learning بالعربي.

machine learning عربى


يعد التعلّم الآلي (باختصار ML) مجال فرعي للذكاء الاصطناعي (Artificial Intelligence) حيث يركز على تطوير الخوارزميات حسابية مصصمة من أجل محاكاة ذكاء الإنسان بالاعتماد على الأنماط والاستدلال.

كما تتعلم بواسطة Data لاتخاذ القرارات وتسمح لأجهزة الكمبيوتر أيضاً بالتعلم والتحسن تلقائيًا عبر التجربة دون أن تتم برمجتها.

الهدف الرئيسي من Machine Learning بالعربي هو تمكين الآلات من التعرف على الانماط والتنبؤ واتخاذ القرارات دون تدخل بشري.

إليك أهم أساسيات (basics) الـ machine learning التي أنصح بها كل مبتدئ في هذا المجال:


أنواع machine learning


هناك أنواع مختلفة من machine learning عربي بما في ذلك:

1. التعلم الخاضع للإشراف Supervised learning


يتم تدريب النموذج على بيانات مصنفة التي تعتبر مصحوبة بتسمية ويحاول النموذج التنبؤ بها، حيث تتوفر بيانات الإدخال وتسميات المخرجات المقابلة أثناء عملية التدريب كما تتعلم الخوارزمية من تعيين المدخلات إلى المخرجات بناء على الأمثلة المعطاة.

2. التعلم غير الخاضع للإشراف - Unsupervised Learning


يتضمن تدريب نموذج على بيانات غير مصنفة. كما تحاول الخوارزمية العثور على أنماط وهياكل في data دون توجيه صريح وغالبا ما يستخدم هذا النوع من التعلم للتجميع وتقليل الأبعاد ويتضمن التجميع تجميع نقاط بيانات متشابهة معا.

بينما تقليل الابعاد يتضمن التقليل من عدد المتغيرات العشوائية التي تكون قيد الدراسة للحصول على الكثير من المتغيرات الرئيسية.

3. التعلم المعزز - Reinforcement Learning


يتعلم الوكيل اتخاذ القرارات من خلال التفاعل مع بيئته عن طريق مكافأته أو معاقبته (بالنقاط) على الإجراءات التي يتخذها وهدفه هو تعظيم المكافأة الإجمالية بمرور وقت.

ما هي الية عمل التعلم الالي ؟


التعلم الآلي يهدف إلى تمكين الآلات من التعلم من البيانات والقيام بمهام تحتاج إلى ذكاء بشري، في التعلم الآلي يتم استخدام بيانات المدخلات والمخرجات لتدريب نماذج رياضية تستطيع التنبؤ بالنتائج أو التصنيف بدون تدخل بشري.

هذه النماذج تعتمد على خوارزميات تعلم آلي تحدد شكل ومعاملات الدوال الرياضية التي توصف العلاقة بين البيانات، وكلما زادت كمية ونوعية البيانات، كلما تحسنت دقة وكفاءة النماذج.

أمثلة على تعلّم الآلة في حياتنا اليومية


يحتوي learning الآلة على العديد من التطبيقات الواقعية التي تعيد تشكيل الصناعات وتحسن حياتنا. فيما يلي بعض الأمثلة على machine learning:

1. التعرف على الصور والكلام

تعمل algorithms التعلم الآلي على تشغيل انظمة التعرف على الصور المستخدمة في التعرف على الوجه واكتشاف الأشياء. 

2. أنظمة التوصية

تعتبر هذه الأنظمة واحدة من اكثر تطبيقات تعلم الآلة مثل: Netflix و Amazon التي تستخدم machine learning arabic لتحليل سلوك المستخدم وتفضيلاته لتقديم توصيات مخصصة للمنتجات أو الأفلام التي قد تعجبك. 

3. كشف الاحتيال

تستخدم المؤسسات المالية منها البنوك والشركات التعلم الآلة machine learning للكشف عن الأنشطة الاحتيالية من خلال تحليل أنماط المعاملات والإبلاغ عن السلوك المشبوه في الوقت الفعلي.

4. المساعدين الصوتيين

كل من هذه البرامج Siri و Alexa و Google Assistant تقوم بإستخدام تعلُّم الألة machine learning لفهم أوامرك الصوتية وتقديم ردود فعلية.

5. وسائل التواصل الاجتماعي

تستخدم منصات الوسائط الاجتماعية تقنية تعلم الآلي (Machine Learning) لمجموعة متنوعة من المهام من تخصيص خلاصتك إلى تصفية المحتوى غير المناسب.

6. التنقل

يمكن للتعلم الآلي تحليل أنماط حركة المرور والظروف الجوية وعوامل أخرى لتقدير أفضل طريق ووقت لسفرنا، ونجد خرائط Google تعلم الآلة لتقديم تحديثات وتوصيات بشأن حركة المرور في الوقت الفعلي.

7. البريد الإلكتروني الذكي

يمكن أن يساعدنا التعلم الآلي في إدارة رسائل البريد الإلكتروني الخاصة بنا بشكل أكثر كفاءة عن طريق تصفية الرسائل غير المرغوب فيها وتصنيف الرسائل واقتراح الردود وجدولة التذكيرات.

8. تحسين ذكاء الأعمال

يمكنه تحليل مجموعات البيانات الكبيرة والمعقدة، واستخراج الأفكار، وتحسين عملية صنع القرار كمشروع Wild Me الذي ميزات التعلم الآلي Azure من Microsoft وDevOps لمكافحة انقراض الحيوانات من خلال تتبع وتوثيق وإجراء تحليلات لبيانات مجموعات الحياة البرية استنادًا إلى صور الحيوانات.


خوارزميات machine learning 


خوارزمية machine learning هي النماذج والطرق الرياضية التي تستخدم لتمكين الآلات من التعلم من البيانات وإجراء تنبؤات أو قرارات بعض الأنواع الشائعة لهذه خوارزمية:

  • الانحدار الخطي.

  • الانحدار اللوجستي.

  • أشجار القرار.

  • غابة عشوائية.

  • آلات المتجه الداعم (SVM).

  • ﺍﻟﺠﺎﺭ ﺍﻷﻗﺭﺏ K-Nearest Neighbors (KNN).

  • شبكات عصبية - Neural Network.

  • الخوارزمية التصنيفية - K-Means Clustering.

  • تحليل العنصر الرئيسي - Principal Component Analysis (PCA).

ما الفرق بين تعلم الآلة والتعلّم العميق ؟


تعلم الآلة والتعلم العميق (Deep Learning) كلاهما مجموعتان فرعيتان من الذكاء الاصطناعي تتضمن نماذج تدريب لاتخاذ تنبؤات أو قرارات بناءا على البيانات. ومع ذلك هناك بعض الاختلافات الرئيسية بين deep learning و machine learning:

أولاً: يشير معنى الذكاء الاصطناعي (Artificial Intelligence) إلى تطوير برامج التي تتصرف بذكاء وتحاكي تفكير البشري.

يركز مجال الذكاء الاصطناعي على ثلاث مهارات: التعلم والتفكير والتصحيح الذاتي للحصول على أقصى قدر من الكفاءة، كما يمكن أن يشير أيضاً إلى برامج قائمة على تعلم الآلة machine learning أو حتى برامج الحاسوب المبرمجة بشكل صريح.

التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي يهدف إلى عمل أو انشاء تنبؤات من خلال التعلم المراقب بينما deep learning قادر على تحقيق نتائج عالية الدقة.

1. في machine learning التقليدي تقوم بتصميم وتطوير ميزات أو سمات البيانات وتحديدها يدويا قبل تدريب نموذج.

تشتغل هذه الميزات كمدخل لخوارزمية machine learning ويتعرف نموذج على النمط والعلاقات بين هذه الميزات والمتغير الهدف.

من ناحية أخرى يتعلم deep learning تلقائيا التمثيلات الهرمية للبيانات من المدخلات الأولية بفضل استخدام الشبكات العصبية الاصطناعية ذات الطبقات المتعددة (ANN).

يمكنها هذه للشبكات عصبية تعلم التسلسلات الهرمية للميزات مباشرة من البيانات الأولية مما يلغي الحاجة إلى هندسة الميزات اليدوية.

2. غالبا ما تتطلب خوارزميات machine learning التقليدية بيانات مصممة بعناية ومعالجتها مسبقا مع ميزات ذات صلة لتحقيق أداء جيد.

بينما التعلم العميق (Deep Learning) يعمل مع البيانات الأولية وغير المهيكلة مثل الصور والصوت والنص مباشرة. يمكنه التعامل مع بيانات عالية الأبعاد وتعلم الانماط المعقدة مما يجعله مناسبا تماما للمهام التي تتضمن بيانات معقدة وواسعة النطاق.

3. نماذج التعلم الآلي التقليدية في العموم بسيطة ولها معلمات أقل مقارنة بنماذج التعلم العميق.

نماذج deep learning أكثر تعقيدا وتتكون من طبقات متعددة وعدد كبير من الخلاياالمترابطة. يسمح لهم هذا التعقيد بتعلم أنماط معقدة وأداء جيد في مهام مثل التعرف على الصور.

تعلم الآلة بالعربي machine learning أقل كثافة من الناحية الحسابية ويمكن تنفيذه غالبا على الأجهزة القياسية، بينما Deep Learning اكثر تطلبا من الناحية الحسابية خاصة بالنسبة للشبكات واسعة النطاق. غالبا ما تتطلب أجهزة متخصصة.

هل الآلة اذكى من الانسان ؟


هذا سؤال مثير للاهتمام ومعقد للغاية تمت مناقشته لفترة طويلة لا توجد إجابة محددة، لأن الأنواع المختلفة من الذكاء لها نقاط قوة وضعف مختلفة ومع ذلك، فإن بعض الطرق الممكنة لمقارنة الذكاء الآلي والبشري هي:

1. السرعة والدقة: يمكن للآلات معالجة وتخزين كميات هائلة من البيانات بشكل أسرع وأكثر دقة من البشر حيث يمكنهم أيضا إجراء حسابات وعمليات معقدة تتجاوز القدرات البشرية. ومع ذلك قد لا تكون الآلات قادرة على التعامل مع المواقف التي تتطلب المرونة أو الإبداع أو الفطرة السليمة.

2. التعلم والتكيف: يمكن للآلات التعلم من البيانات وتحسين أدائها بمرور الوقت دون برمجة صريح. يمكن للآلات أيضا التكيف مع البيئات والأهداف المتغيرة، لكنها قد تحتاج إلى توجيه أو تدخل بشري للقيام بذلك.

من ناحية أخرى يمكن للبشر التعلم من مصادر وخبرات مختلفة وتطبيق معارفهم على مجالات وسياقات جديدة يمكن للبشر أيضا التعامل مع عدم اليقين والغموض بشكل أفضل من الآلات.

3. العواطف والإبداع: لا تستطيع الآلات تجربة المشاعر أو التعبير عنها وهي ضرورية للذكاء البشري. تؤثر العواطف على صنع القرار البشري والتواصل والتفاعلات الاجتماعية.

تفتقر الآلات إلى القدرة على توليد أفكار أو منتجات أصلية وجديدة وهو ما يسمى الإبداع. الإبداع هو السمة المميزة للذكاء البشري، لأنه يسمح للبشر بالابتكار وحل المشكلات بطرق فريدة.

ما هو نوع تعلم الآلة الأكثر استخدامًا للتعرف على الصور ؟


النوع الأكثر شيوعا من التعلم الآلي المستخدم للتعرف على الصور هو التعلم العميق، وهو فرع من الشبكات العصبية الاصطناعية التي يمكنها التعلم من كميات كبيرة من البيانات وأداء المهام المعقدة.

يمكن أن تحقق نماذج التعلم العميق دقة ومرونة عالية في التعرف على الصور باستخدام خوارزميات مختلفة وفيما يلي بعض خوارزميات التعلم العميق الشائعة للتعرف على الصور هي:

1. YOLO: خوارزمية سريعة ودقيقة للكشف عن الكائنات يمكنها معالجة الصور في الوقت الفعلي وتحديد مواقع كائنات متعددة من فئات مختلفة في صورة واحدة.

2. ResNet: شبكة CNN عميقة يمكنها التعلم من مجموعات البيانات الكبيرة جدا والتغلب على مشكلة التدرجات المتلاشية باستخدام اتصالات التخطي والكتل المتبقية.

3. BERT: نموذج قائم على المحولات يمكنه تشفير كل من المعلومات المرئية والنصية وأداء مهام مثل: التسميات التوضيحية للصور والإجابة على الأسئلة المرئية واسترجاع نص الصورة.

إليك فيديو حول كورس عربي خاص بتعلم الآلة بالتفصيل لـ تعلّم لغة برمجة بايثون phyton:

شاهد الدورة:



خاتمة

في ختام رحلتنا إلى عالم الذكاء الاصطناعي و التعلم الآلي (Machine) نكتشف أن هذه التقنيات الرائعة لم تعد مجرد أحلام خيالية بل أصبحت جزءًا لا يتجزأ من حياتنا اليومية.