Unlimited Plugins, WordPress themes, videos & courses! Unlimited asset downloads! From $16.50/m
Advertisement
  1. Code
  2. Python
Code

مقدمة للتعلم الألي في "Python"

by
Difficulty:BeginnerLength:MediumLanguages:

Arabic (العربية/عربي) translation by Amr Salah (you can also view the original English article)

التعلم الآلي هو إعطاء أجهزة الكمبيوتر القدرة على التعلم بدون برمجة صريحة لها. ويتم ذلك عن طريق إعطاء البيانات لأجهزة الكمبيوتر وجعلها تحول البيانات إلى نماذج قرار يتم استخدامها بعد ذلك للتنبؤات المستقبلية.

في هذا البرنامج التعليمي ، سوف نتحدث عن التعلم الآلي وبعض المفاهيم الأساسية المطلوبة من أجل البدء في التعلم الآلي. سنضع أيضًا بعض الأمثلة على "بايثون" للتنبؤ بعناصر أو أحداث معينة.

مقدمة للتعلم الألي 

التعلم الآلي هو نوع من التكنولوجيا التي تهدف إلى التعلم من التجربة. على سبيل المثال ، كإنسان ، يمكنك تعلم كيفية لعب الشطرنج ببساطة عن طريق ملاحظة أشخاص آخرين يلعبون الشطرنج. وبنفس الطريقة ، تتم برمجة أجهزة الكمبيوتر عن طريق تزويدها بالبيانات التي تتعلم منها ، ومن ثم يمكنها التنبؤ بالعناصر أو الشروط المستقبلية.

لنفترض ، على سبيل المثال ، أنك تريد كتابة برنامج يمكنه معرفة ما إذا كان نوع معين من الفاكهة برتقالة أو ليمون. قد تجد أنه من السهل كتابة مثل هذا البرنامج وسيعطي النتائج المطلوبة ، ولكن قد تجد أيضًا أن البرنامج لا يعمل بفعالية لمجموعات البيانات الكبيرة. هنا يأتي دور التعلم الآلي.

فيما يلي خطوات مختلفة في التعلم الآلي:

  1. تجميع البيانات
  2. تصفية البيانات
  3. تحليل البيانات
  4. التدريب خوارزمية
  5. اختبار الخوارزم
  6. باستخدام الخوارزميات للتوقعات المستقبلية

يستخدم التعلم الآلي أنواعًا مختلفة من الخوارزميات للعثور على أنماط ، وتصنف هذه الخوارزميات إلى مجموعتين:

  • التعلم تحت الإشراف
  • التعلم الغير خاضع للرقابة

التعلم تحت الإشراف

التعلم المرصود هو علم تدريب الكمبيوتر على التعرف على العناصر من خلال إعطائه عينة من البيانات. ثم يتعلم الكمبيوتر منه ويستطيع التنبؤ بمجموعات البيانات المستقبلية استنادًا إلى البيانات المستفادة.

على سبيل المثال ، يمكنك تدريب جهاز كمبيوتر على تصفية رسائل البريد العشوائي استنادًا إلى المعلومات السابقة.

تم استخدام التعلم المشرف في العديد من التطبيقات ، على سبيل المثال ، "الفيسبوك" ، للبحث عن الصور على أساس وصف معين. يمكنك الآن البحث عن الصور على "Facebook" بالكلمات التي تصف محتويات الصورة. نظرًا لأن موقع الشبكات الاجتماعية يحتوي بالفعل على قاعدة بيانات للصور التي يتم تعليقها ، فإنه قادر على البحث ومطابقة الوصف مع ميزات من الصور بدرجة معينة من الدقة.

هناك خطوتان فقط للمشاركة في التعلم تحت الإشراف:

  • التدريب
  • اختبار

وتشمل بعض خوارزميات التعلم تحت الإشراف:

  • أشجار القرار
  • دعم أجهزة ناقل
  • naive Bayes
  • k-nearest neighbor
  • الانحدار الخطي

مثال

سنقوم بكتابة برنامج بسيط لشرح كيفية عمل التعلم تحت الإشراف باستخدام مكتبة Sklearn و لغة "Python". "Sklearn" هي مكتبة التعلم الآلي للغة برمجة "Python" مع مجموعة من الميزات مثل التحليل المتعدد ، الانحدار ، وخوارزميات التجميع.

يتفاعل "Sklearn" أيضًا جيدًا مع مكتبات "NumPy" و "SciPy".

تثبيت "Sklearn"

يوفر دليل التثبيت "Sklearn" طريقة بسيطة جدًا لتثبيته لعدة أنظمة أساسية. يتطلب العديد من التبعيات:

  • Python (>= 2.7 or >= 3.3),
  • NumPy (>=1.82)
  • SciPy (>=0.13.3)

إذا كانت لديك هذه الاعتمادات بالفعل ، فيمكنك تثبيت "Sklearn" ببساطة مثل:

أسهل طريقة هي ببساطة تثبيت "Anaconda". هذا يعتني بجميع الاعتماديات لذا لا داعي للقلق حول تثبيتها واحدة تلو الأخرى.

لاختبار ما إذا كان "Sklearn" يعمل بشكل صحيح ، قم ببساطة باستيراده من مترجم "بايثون" على النحو التالي:

في حالة حدوث أي خطأ، فأنت على ما يرام.

الآن بعد أن انتهينا من التثبيت ، دعنا نعود إلى مشكلتنا. نريد أن نفرق بين الحيوانات المختلفة. لذلك سنقوم بتصميم خوارزمية يمكن أن تحدد على وجه التحديد ما إذا كان حيوان معين إما حصانًا أو دجاجة.

نحتاج أولاً إلى جمع بعض عينات البيانات من كل نوع من أنواع الحيوانات. يتم عرض بعض عينات البيانات في الجدول أدناه.

الارتفاع (بوصة) الوزن (كجم)
درجة الحرارة (درجة مئوية)
التسمية
7
0.6
40 الدجاج (0)
7
0.6 41
الدجاج (0)
37
0.8 37
الحصان (1)
37
0.8 38
الحصان (1)

تعطي بيانات العينة التي حصلنا عليها بعض السمات المشتركة للحيوانات والبيانات من اثنين من الحيوانات. كلما كانت بيانات العينة أكبر ، كلما كانت النتائج أكثر دقة وأقل تحيزًا.

باستخدام هذا النوع من البيانات ، يمكننا ترميز خوارزمية وتدريبها على التعرف على حيوان على أساس القيم المدربة وتصنيفها إما كحصان أو دجاجة. الآن سوف نمضي قدما ونكتب الخوارزمية التي ستنجز المهمة.

أولاً، استيراد الوحدة النمطية شجرة من Sklearn..

تحديد السمات التي تريد استخدامها لتصنيف الحيوانات.

حدد الناتج الذي سيعطيه كل مصنف. سيتم تمثيل الدجاج بنسبة 0 ، في حين سيتم تمثيل الحصان بنسبة 1.

ثم نحدد المصنف الذي سيكون مبنيًا على شجرة القرار.

تغذية أو تناسب البيانات الخاصة بك إلى مصنف.

يظهر الرمز الكامل للخوارزمية أدناه.

يمكننا الآن التنبؤ بمجموعة معينة من البيانات. إليك كيفية التنبؤ بحيوان بارتفاع 7 بوصات ووزن 0.6 كجم ودرجة حرارة 41:

إليك كيفية التنبؤ بحيوان بارتفاع 38 بوصة ، ووزن 600 كجم ، ودرجة حرارة 37.5:

كما ترون أعلاه ، لقد قمت بتدريب الخوارزمية لتتعرف على جميع خصائص وأسماء الحيوانات ، وتستخدم معرفة هذه البيانات لاختبار حيوانات جديدة.

التعلم الغير خاضعة للرقابة

التعلم غير المراقب هو عندما تقوم بتدريب جهازك مع مجموعة من المدخلات فقط. ستتمكن الآلة بعد ذلك من العثور على علاقة بين بيانات الإدخال وأي بيانات أخرى قد ترغب في التنبؤ بها. على عكس التعلم تحت الإشراف ، حيث تقدم آلة مع بعض البيانات لتدرب عليها ، فإن التعلم غير الخاضع للإشراف يهدف إلى جعل الكمبيوتر يجد أنماطًا أو علاقات بين مجموعات البيانات المختلفة.

يمكن تقسيم التعلم دون إشراف إلى:

  • تجميع
  • الربط

التجميع: التجميع يعني تجميع البيانات بطبيعتها. على سبيل المثال ، يمكنك تصنيف عادات التسوق للمستهلكين واستخدامها للإعلان عن طريق استهداف المستهلكين استنادًا إلى مشترياتهم وعادات التسوق.

الربط: الربط هو المكان الذي تحدد فيه القواعد التي تصف مجموعات كبيرة من بياناتك. يمكن تطبيق هذا النوع من التعلم في ربط الكتب استنادًا إلى المؤلف أو الفئة ، سواء كانت كتب تحفيزية أو خيالية أو تعليمية.

تشمل خوارزميات التعلم الشائعة غير الخاضعة للرقابة ما يلي:

  • k-means clustering
  • تجميع التسلسل الهرمي

سيكون التعلم بدون إشراف بمثابة تكنولوجيا مهمة في المستقبل القريب. ويرجع ذلك إلى حقيقة أن هناك الكثير من البيانات التي لم تتم تصفيتها والتي لم يتم ترقيمها بعد.

الاستنتاج

أتمنى أن يساعدك هذا البرنامج التعليمي في بدء التعلم الآلي. هذه مجرد مقدمة - التعلم الآلي لديه الكثير لتغطيته ، وهذا مجرد جزء مما يمكن أن يفعله التعلم الآلي.

بالإضافة إلى ذلك ، لا تتردد في معرفة ما هو متاح لدينا للبيع والدراسة في سوق Envato ، ولا تتردد في طرح أي أسئلة وتقديم ملاحظاتك القيمة باستخدام التغذية أدناه.

يعتمد قرار استخدام خوارزمية التعلم الآلي الخاضع للإشراف أو غير الخاضع للإشراف على عوامل مختلفة ، مثل بنية وحجم البيانات.

يمكن تطبيق التعلم الآلي في جميع مناطق حياتنا تقريبًا ، على سبيل المثال ، في منع الاحتيال ، وتخصيص تغذية الأخبار في مواقع وسائل الإعلام الاجتماعية لتناسب تفضيلات المستخدمين والبريد الإلكتروني وتصفية البرامج الضارة ، والتنبؤات الجوية ، وحتى في قطاع التجارة الإلكترونية للتنبؤ عادات التسوق المستهلك.

Advertisement
Advertisement
Advertisement
Advertisement
Looking for something to help kick start your next project?
Envato Market has a range of items for sale to help get you started.