مقدمة إلى التعلم الآلي:

ما هو التعلم الآلي؟

التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يركز على تطوير الخوارزميات والتقنيات التي تسمح للحواسيب بتعلم واتخاذ تنبؤات أو قرارات استنادًا إلى البيانات، دون أن يتم برمجتها صراحة لذلك. بمعنى آخر، يُمكّن التعلم الآلي الحواسيب من التعرف على الأنماط في البيانات واتخاذ قرارات أو تنبؤات ذكية دون تدخل بشري.

أهمية وتطبيقات التعلم الآلي:

أصبح التعلم الآلي أمرًا مهمًا بشكل متزايد في مختلف الصناعات بسبب قدرته على تحليل حجم كبير من البيانات وتحديد الأنماط واتخاذ قرارات أو تنبؤات بدقة عالية. تشمل بعض التطبيقات الرئيسية للتعلم الآلي ما يلي:

1. التحليل التنبؤي: تُستخدم خوارزميات التعلم الآلي على نطاق واسع في التحليل التنبؤي، مثل توقع المبيعات، وتنبؤ سلوك العملاء، وتوقع فشل المعدات في الصيانة التنبؤية.

2. معالجة اللغة الطبيعية ((NLP  تمكن تقنيات معالجة اللغة الطبيعية المدعومة بالتعلم الآلي الحواسيب من فهم وتفسير وتوليد اللغة البشرية. تشمل التطبيقات الروبوتات الدردشة، وتحليل المشاعر، وترجمة اللغة.

3. رؤية الحاسوب: تُستخدم خوارزميات التعلم الآلي في تطبيقات رؤية الحاسوب لتحليل وتفسير البيانات البصرية، مثل تصنيف الصور، وكشف الأجسام، والتعرف على الوجوه.

4. الرعاية الصحية: يلعب التعلم الآلي دورًا حاسمًا في الرعاية الصحية لمهام مثل تشخيص الأمراض، وتوصيات العلاج الشخصية، واكتشاف الأدوية.

5. المالية: في المالية، يُستخدم التعلم الآلي في كشف الاحتيال، والتداول الخوارزمي، وتقييم الائتمان، وإدارة المخاطر.

6. أنظمة التوصية: يُمكّن التعلم الآلي من أنظمة التوصية المستخدمة من قِبل منصات مثل نيتفليكس، وأمازون، وسبوتيفاي من تخصيص المحتوى والمنتجات للمستخدمين استنادًا إلى تفضيلاتهم وسلوكهم

7. المركبات الذاتية: تُستخدم خوارزميات التعلم الآلي بشكل أساسي في المركبات الذاتية لتحليل بيئتها، واتخاذ قرارات القيادة، والتنقل بأمان.

أساسيات التعلم الآلي - أنواع التعلم الآلي

عند الحديث عن أساسيات التعلم الآلي ، يجب أن تعلم أنه يتكون من ثلاثة أنواع مختلفة:

1. التعلم الآلي المُشرف (Supervised Machine Learning)

في هذا النوع ، تشرف على الآلة أثناء تدريبها للعمل بشكل مستقل. يتطلب هذا بيانات تدريب مُسمىة، أي أن البيانات تحمل معلومات تصف كل عينة.تشمل المهام الشائعة للتعلم الآلي المشرف التصنيف (التنبؤ بالعلامات الفئوية) والتحويل (التنبؤ بالقيم المستمرة).

2. التعلم الآلي من غير المُشرف (Unsupervised Machine Learning)

هنا تتوفر بيانات تدريب، ولكنها لن تكون مُسمىة. على سبيل المثال، قد يكون لديك مجموعة كبيرة من صور لأشياء مختلفة، لكن ليس لديك معلومات حول ماهية هذه الأشياء. سيحاول التعلم الآلي غير المُشرف اكتشاف أنماط في البيانات وتجميع البيانات معًا بناءً على هذه الأنماط (على سبيل المثال، تجميع صور القطط معًا). تشمل المهام في التعلم الآلي غير المشرف التجميع (تجميع نقاط البيانات المتشابهة معًا) وتقليل الأبعاد (تقليل عدد الميزات مع الحفاظ على المعلومات المهمة).

3. التعلم الآلي التعزيزي (Reinforcement Learning)

في هذا النوع، يتعلم النظام من تلقاء نفسه عن طريق التجربة والخطأ. يتلقى النظام مكافآت على اتخاذ قرارات صحيحة وعقوبات على اتخاذ قرارات خاطئة. بمرور الوقت، يتعلم النظام كيفية اتخاذ القرارات التي تزيد من مكافآته. على سبيل المثال، يمكن استخدام التعلم الآلي التعزيزي لتدريب برنامج ذكاء اصطناعي على لعب لعبة فيديو. يتلقى البرنامج مكافأة على الفوز باللعبة وعقوبة على الخسارة. بمرور الوقت، يتعلم البرنامج كيفية الفوز باللعبة.

التعلم الآلي المُشرف (Supervised Learning)

لفهم كيفية عمل التعلم الآلي المُشرف، ألق نظرة على المثال التالي، حيث يتعين عليك تدريب نموذج أو نظام للتعرف على تفاحة.

1. تحضير البيانات:

• أولاً، يجب عليك توفير مجموعة بيانات تحتوي على صور لنوع من الفاكهة، على سبيل المثال، التفاح.
• بعد ذلك، ستقدم مجموعة بيانات أخرى تُعلم النموذج بأن هذه صور تفاح. تسمى هذه البيانات بـ "البيانات المُسمىة" لأن كل عينة في البيانات مصحوبة بوصف يحدد ماهيتها (على سبيل المثال، صورة مُسمى عليها "تفاحة").

2. مرحلة التدريب:

بمجرد تحضير البيانات المُسمىة، يستخدم النموذج هذه البيانات لتعلم كيفية التعرف على التفاح. يتضمن ذلك تحليل البيانات واستخراج الميزات التي تميز التفاح عن الفواكه الأخرى.

3. اختبار النموذج:

بعد مرحلة التدريب، يمكنك تقديم مجموعة جديدة من البيانات تحتوي فقط على صور للتفاح. في هذه المرحلة، يستطيع النظام التعرف على نوع الفاكهة ويتذكرها.

هذه هي الطريقة التي يعمل بها التعلم الآلي المُشرف. أنت تقوم بتدريب النموذج على إجراء عملية محددة بشكل مستقل. غالبًا ما يُستخدم هذا النوع من النماذج في تصفية البريد العشوائي من حسابات البريد الإلكتروني الخاصة بك.

التعلم الآلي من غير المُشرف (Unsupervised Learning)

تخيل مجموعة بيانات فوضوية: مجموعة من الصور لأفكار مختلفة من الفاكهة. تقوم بإدخال هذه البيانات إلى النموذج، ويقوم النموذج بتحليلها للتعرف على أي أنماط. في النهاية، يقوم النظام بتصنيف الصور إلى ثلاثة أنواع، كما هو موضح في الصورة، بناءً على أوجه التشابه بينها. تستخدم شركة فليبكارت هذا النموذج للعثور على منتجات تناسبك بشكل جيد ولتوصيتك بها.

التعلم الآلي التعزيزي Reinforcement Learning))

في التعلم الآلي التعزيزي، لا يتم تزويد النظام ببيانات مُسمىة مثلما في التعلم الآلي المُشرف. يشمل التعلم الآلي بالتعزيز تدريب وكيل على التفاعل مع بيئة من أجل تحقيق أقصى قدر من المكافآت التراكمية. يتعلم الوكيل من خلال المحاولة والخطأ، حيث يتلقى تغذية راجعة على شكل مكافآت أو عقوبات عن أفعاله. 

هكذا يعمل التعلم الآلي التعزيزي؛ يتعلم النظام من أخطائه وتجاربه. . يُستخدم التعلم الآلي بالتعزيز عادة في مجالات مثل الروبوتات، وألعاب الفيديو، والأنظمة الذاتية.

 وتُستخدم هذه النماذج في ألعاب مثل Prince of Persia و Assassin's Creed و FIFA، حيث تزداد صعوبة اللعبة كلما تحسنت مهاراتك فيها.

المقارنة بين التعلم الآلي المُشرف وبدون الأشراف(Supervised and Unsupervised Learni)

يختلف التعلم الآلي المُشرف وغير المُشرف بعدة طرق:

 1. نوع البيانات:

      ·         التعلم الآلي المُشرف: تستخدم بيانات مُسمىة، أي أن كل عينة في البيانات مصحوبة بوصف يحدد ماهيتها (على سبيل المثال، صورة مُسمى عليها "تفاحة"). يتعلم النظام من هذه البيانات المُسمىة ويقوم بتنبؤات مستقبلية.

      ·         التعلم الآلي غير المُشرف: لا يتطلب أي بيانات مُسمىة، لأن هدفه هو البحث عن أنماط في بيانات المدخلات وتنظيمها.

 2. الملاحظات (التغذية الراجعة):

      ·         التعلم الآلي المُشرف: تحصل على ملاحظات على البيانات التي قدمتها للنظام. أي أن النظام، بعد أن يقدم لك الإخراج، يتذكر النتيجة ويستخدمها في العملية التالية.

     ·         التعلم الآلي غير المُشرف: لا يحدث ذلك في التعلم الآلي غير المُشرف، حيث لا يعتمد على أي تغذية راجعة.

 3. الاستخدامات:

     ·         التعلم الآلي المُشرف: يُستخدم في الغالب للتنبؤ بالبيانات، أي توقع قيم جديدة بناءً على البيانات المُتاحة. على سبيل المثال، يمكن استخدامه للتنبؤ بسعر الأسهم بناءً على البيانات التاريخية.

     ·         التعلم الآلي غير المُشرف: يُستخدم للعثور على أنماط أو هياكل خفية مخبأة في البيانات التي لم تكن معروفة مسبقًا. على سبيل المثال، يمكن استخدامه لتجميع العملاء إلى مجموعات بناءً على عادات الشراء الخاصة بهم.