ما هو تعلم الآلة؟ – التعريف والأنواع
يتألف العالم من بيانات والعديد من البيانات. غالبًا ما تكون البيانات في شكل مستندات وموسيقى ومقاطع فيديو وصور وغير ذلك الكثير.
بصرف النظر عن الأشخاص، يتم إنشاء البيانات من العديد من الموارد الأخرى مثل الهواتف المحمولة والأجهزة اللوحية وأجهزة الكمبيوتر والأجهزة الأخرى.
تقليديا، قام البشر بتحليل البيانات وتكييف الأنظمة لتغيير أنماط البيانات. ومع ذلك، فإن حجم البيانات يفوق قدرة البشر على فهمها وكتابة تلك القواعد يدويًا.
يأتي التعلم الآلي بوعد اشتقاق المعنى من جميع البيانات؛ إنه نظام آلي يمكنه التعلم من البيانات وأيضًا التغيير في البيانات إلى مشهد متغير.
أصبح التعلم الآلي سريعًا ميزة متوقعة، وتحرص كل شركة على استخدامه في منتجاتها بطريقة ما.
ما هو تعلم الآلة؟ [تعريف]
يمكن تقليل تعلم الآلة إلى خمس كلمات:
يشار إلى استخدام البيانات على أنه تدريب والإجابة على الأسئلة تشير إلى إجراء تنبؤات أو استدلال. يشير التدريب إلى استخدام بياناتنا للإبلاغ عن إنشاء النموذج التنبئي وضبطه.
يمكن استخدام النموذج التنبئي لتقديم تنبؤات على بيانات غير مرئية من قبل والإجابة على هذه الأسئلة.
يمكن تحسين النموذج بمرور الوقت حيث يتم تجميع المزيد من البيانات، ويمكن أيضًا نشر نماذج جديدة.
بدأت قيمة ML في الظهور؛ أشياء مثل وضع علامات على العناصر والأشخاص داخل الصور هي تعلم آلي في اللعب. في تطبيقات الفيديو مثل YouTube، فإن التوصية بالفيديو التالي لمشاهدته يتم دعمها أيضًا من خلال التعلم الآلي.
يحتوي محرك بحث Google الأكثر استخدامًا على العديد من أنظمة التعلم الآلي في جوهره، بدءًا من فهم نص استعلامك إلى تعديل النتائج بناءً على اهتماماتك. اليوم، أصبحت تطبيقات التعلم الآلي واسعة النطاق بالفعل، بما في ذلك التعرف على الصور واكتشاف الاحتيال وأنظمة التوصية.
يستخدم التعلم الآلي لجعل المهام البشرية أفضل وأسرع وأكثر راحة من ذي قبل. اليوم ليس بعيدًا عندما نتوقع أن تكون تقنيتنا مخصصة وثاقبة وتصحيح الذات.
كيف يعمل التعلم الآلي؟
التعلم الآلي تحت الغطاء هو نموذج من 7 خطوات يتألف من:
- جمع البيانات
- تحضير البيانات
- اختيار النموذج
- تمرين
- تقييم
- ضبط Hyperparameter
- تنبؤ
دعونا نناقش الآن سير عمل ML بمساعدة مثال:
في هذا المثال، نقوم بإنشاء نظام يجيب على السؤال حول ما إذا كان المشروب المعطى نبيذًا أم بيرة.
هذا النظام يبني للإجابة على السؤال يسمى النموذج، ويتم إنشاؤه من خلال عملية التدريب. يتطلب التعلم الآلي منا بناء نموذج دقيق يجيب في الغالب على أسئلتنا بشكل صحيح.
نحتاج إلى جمع البيانات لتدريب النموذج، وهي الخطوة الأولى في العملية.
1. جمع البيانات
يتم جمع البيانات من أكواب النبيذ والبيرة.
هناك العديد من الجوانب التي يمكننا جمع البيانات، كل شيء من كمية الرغوة إلى شكل الزجاج. في هذا المثال، نختار اللون باعتباره الطول الموجي للضوء ومحتوى الكحول كنسبة مئوية ونشير إليهما كميزات
. تتضمن الخطوة الأولى شراء مجموعة من المشروبات المختلفة من متجر البقالة الخاص بنا وأيضًا الحصول على بعض المعدات لإجراء قياساتنا كمطياف لقياس لوننا ومقياس كثافة السوائل لقياس محتوى الكحول.
تعتبر خطوة جمع البيانات ضرورية لأن جودة أو كمية البيانات التي تم جمعها تحدد جودة النموذج التنبئي. ينتج عن جمع اللون ومحتوى الكحول لكل مشروب جدول ألوان، ومحتوى كحول، وما إذا كانت بيرة أو نبيذ، وهي بيانات التدريب الخاصة بنا.
2. تحضير البيانات
تتطلب الخطوة تحميل البيانات في مكان مناسب وإعدادها لتدريب التعلم الآلي.
نضع بياناتنا ثم نقوم بترتيب الطلب عشوائيًا لأننا لا نريد أن يتعلم النظام أن هذا ليس جزءًا من تحديد ما إذا كان المشروب عبارة عن بيرة أو نبيذ. يجب أن يتمتع النظام بالقدرة على تحديد المشروب، سواء كان بيرة أو نبيذًا، بغض النظر عن التسلسل.
يمكن أيضًا إجراء التصورات ذات الصلة في هذه المرحلة لمعرفة ما إذا كانت هناك أي علاقة ذات صلة بين المتغيرات المختلفة وأيضًا معرفة ما إذا كان هناك أي اختلالات في البيانات.
إذا جمعنا المزيد من نقاط البيانات للبيرة أكثر من النبيذ، فإن النموذج المدرب منحاز بشدة نحو تخمين أن كل ما يراه تقريبًا هو البيرة لأنه سيكون مناسبًا في معظم الأوقات.
ومع ذلك، في العالم الحقيقي، قد يصادف النموذج كمية متساوية من النبيذ والبيرة، وبالتالي سيكون تخمين البيرة الخطأ في نصف الوقت.
قمنا أيضًا بتقسيم البيانات إلى قسمين، الجزء الأول المستخدم في تدريب النموذج هو مجموعة البيانات، والجزء الثاني يستخدم لتقييم أداء النموذج المدرب.
مطلوب تقييم أداء النموذج لأننا لن نستخدم نفس البيانات التي تم تدريب النموذج من خلالها لأنه سيكون قادرًا على حفظ الأسئلة.
تحتاج البيانات التي يتم جمعها أحيانًا إلى معالجة مثل الازدواجية والتطبيع وتصحيح الخطأ وغيرها. تقوم خطوة إعداد البيانات بتعديل البيانات وفقًا لذلك.
Machine Learning AZ ™: Python & R in Data Science [2023]
3. اختيار نموذج البيانات
هناك العديد من النماذج التي ابتكرها الباحثون وعلماء البيانات على مر السنين. بعضها مناسب تمامًا لبيانات الصور والبعض الآخر للتسلسلات مثل النص أو الموسيقى، والبعض الآخر للبيانات الرقمية.
في حالتنا، نستخدم نموذجًا خطيًا صغيرًا نظرًا لأن لدينا ميزتين – اللون والكحول.
4. التدريب
يعد التدريب أيضًا الجزء الأكبر من عملية التعلم الآلي. تستخدم هذه الخطوة البيانات لتحسين قدرة النموذج بشكل تدريجي على التنبؤ بما إذا كان مشروبًا معينًا هو نبيذ أو بيرة. صيغة الخط المستقيم هي
حيث تشير x إلى الإدخال، وm هي ميل الخط، وb هي تقاطع y، وy هي قيمة الخط في هذا الموضع x. المنحدر م وتقاطع ص ب هما القيمتان الوحيدتان المتاحتان للتعديل أو التدريب.
لا توجد طريقة أخرى للتأثير على موضع الخط لأن المتغيرات الوحيدة هي x والمدخلات وy الناتج.
في التعلم الآلي، هناك العديد من m لأنه قد يكون هناك العديد من الميزات. يتم إنشاء مصفوفة تعرف بمصفوفة الوزن w من هذه القيم.
وبالمثل، بالنسبة لـ “ب “، نرتبهم معًا ونطلق عليهم اسم التحيزات. يتضمن التدريب تهيئة بعض القيم العشوائية لـ w وb ومحاولة التنبؤ بمخرجات تلك القيم.
على الرغم من ضعف أدائه في البداية، يمكن مقارنة تنبؤ النموذج بالمخرجات التي كان يجب أن ينتجها وضبط القيم في w وb، بحيث يكون هذا التنبؤ أكثر دقة في المرة القادمة. لذلك تتكرر هذه العملية. كل تكرار أو دورة لتحديث الأوزان والتحيزات تسمى خطوة تدريب واحدة.
5. التقييم
بمجرد اكتمال التدريب، حان الوقت لتقييم النموذج لمعرفة ما إذا كان مؤهلاً ومدربًا جيدًا. يسمح لنا التقييم باختبار نموذجنا مقابل البيانات التي لم يتم استخدامها مطلقًا للتدريب.
يسمح لنا المقياس بمعرفة كيفية أداء النموذج مقابل البيانات التي لم يراها بعد. يهدف التقييم إلى تمثيل كيفية أداء النموذج في العالم الحقيقي.
6. ضبط Hyperparameter
بعد الضبط، نقوم بإجراء الضبط للتحقق مما إذا كان هناك مجال إضافي لتحسين التدريب؛ يتم ذلك عن طريق ضبط بعض معلماتنا. المدرجة أدناه هي أمثلة لضبط المعلمات التي يمكن إجراؤها:
كم مرة يتم تشغيل المجموعة المدربة أثناء التدريب: يمكننا عرض البيانات عدة مرات، ومن خلال القيام بذلك، من المحتمل أن نؤدي إلى دقة أعلى.
معدل التعلم: يحدد معدل التعلم إلى أي مدى ينتقل الخط خلال كل خطوة بناءً على المعلومات من خطوة التدريب السابقة.
بالنسبة للنماذج المعقدة، يمكن أن تلعب الظروف الأولية دورًا مهمًا بالإضافة إلى تحديد نتيجة التدريب. تُرى الاختلافات اعتمادًا على ما إذا كان النموذج يبدأ في التدريب بقيم تمت تهيئتها عند الصفر مقابل بعض توزيع القيم.
خلال هذه المرحلة من التدريب، هناك العديد من الاعتبارات، ويجب على المرء أن يحدد ويحدد ما الذي يجعل نموذجًا مفيدًا لك؛ خلاف ذلك، قد نجد أنفسنا نعدّل المعلمات لفترة طويلة.
هذه المعلمات تسمى hyperparameters.
7. التنبؤ أو الاستدلال
يمكننا أخيرًا اختبار النموذج للتنبؤ بما إذا كان مشروب معين هو نبيذ أو بيرة، بالنظر إلى اللون أو نسبة الكحول. يمكّننا التعلم الآلي من التفريق بين النبيذ والبيرة باستخدام النموذج بدلاً من الحكم البشري والقواعد القياسية.
أنواع التعلم الآلي
1. الإشراف على التعلم
تتضمن طريقة التعلم الإشراف على نشاط معين أو توجيهه والتأكد من أنه يتم بشكل صحيح. إنها طريقة نقوم من خلالها بتعليم الآلة باستخدام البيانات المصنفة.
إنه يحل نوعين من المشاكل:
الانحدار: هو تحليل تنبؤي يستخدم للتنبؤ بالمتغيرات المستمرة. على سبيل المثال، التنبؤ بسعر السهم.
التصنيف: يتضمن التنبؤ بعلامة أو فئة. على سبيل المثال، تصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها أو ليست بريدًا عشوائيًا.
2. التعلم غير الخاضع للإشراف
في هذا النوع من التعلم، يتم تدريب الآلة على البيانات غير المسماة دون أي توجيه. يكتشف الأنماط والاتجاهات الخفية في البيانات.
إنه يحل نوعين من المشاكل:
الارتباط: يتضمن اكتشاف الأنماط في البيانات وإيجاد التكرارات المشتركة والمزيد.
التكتل واكتشاف الشذوذ: يتضمن التجميع تسويقًا مستهدفًا، بينما يتتبع اكتشاف الشذوذ الأنشطة غير العادية. على سبيل المثال. عمليات الاحتيال على بطاقات الائتمان.
تحقق هنا: الفرق بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف
3. تعزيز التعلم
في هذا التعلم، يتفاعل الوكيل مع البيئة من خلال إنتاج الإجراءات واكتشاف الأخطاء والمكافآت. على سبيل المثال، في البداية، لا يعرف الإنسان الآلي غير المدرب شيئًا عن المحيط الذي يوجد فيه.
لذلك، بعد تنفيذ إجراءات محددة، يكتشف المزيد عن محيطه. يُعرف الروبوت هنا بالوكيل، والمناطق المحيطة هي البيئة، لذلك يمكن أن يحصل كل فعل على مكافأة أو عقاب.
تطبيقات التعلم الآلي
1. مساعدين افتراضيين
يعمل مساعدو Google وAlexa وCortana وSiri والعديد من مساعدي Google الآخرين مثلهم على تحسين حياتنا بطريقة مهمة.
إنهم يعملون من خلال تسجيل ما نقوله ثم إرساله إلى الخادم، وهو السحابة. ثم يتم فك الشفرة بمساعدة التعلم الآلي والشبكة العصبية، ثم يتم توفير الإخراج.
يسعى النظام للعمل بدون شبكة WiFi لأنه لا يمكنه الاتصال بالخادم.
2. التنبؤات المرورية
تتنبأ الخرائط بما إذا كانت حركة المرور واضحة أو بطيئة الحركة أو مزدحمة للغاية بناءً على مقياسين:
متوسط الوقت المستغرق في أيام محددة في أوقات محددة على هذا الطريق.
بيانات موقع المركبات في الوقت الفعلي من تطبيقات خرائط Google وأجهزة الاستشعار.
3. تخصيص وسائل التواصل الاجتماعي
لقد لاحظنا جميعًا أنه إذا بحثنا عبر الإنترنت عن بعض المنتجات التي نخطط لشرائها، فسننتهي بتوصيات وإعلانات حول المنتج على مواقع وتطبيقات اجتماعية أخرى مثل Facebook وInstagram.
تعمل خوارزمية التعلم الآلي وراء التوصية بالمنتجات.
4. تصفية البريد الإلكتروني العشوائي
يتم تحليل الرسائل وعزلها كرسائل غير مرغوب فيها أو ليست بريدًا عشوائيًا من خلال مرشحات البريد العشوائي. إنه يعمل من خلال تحليل جمع البيانات والبحث عن كلمات رئيسية مثل “اليانصيب” أو “الفائز” في رسائل البريد الإلكتروني.
مرشحات البريد العشوائي من الأنواع التالية:
- مرشحات المحتوى
- مرشحات الرأس
- مرشحات القائمة السوداء العامة
- عوامل التصفية المستندة إلى القواعد
- مرشحات الأذونات
- مرشحات التحدي والاستجابة
5. التكنولوجيا الطبية المساعدة
بمساعدة التعلم الآلي، ابتكرت التكنولوجيا الطبية لتشخيص الأمراض. يسمح بتحليل الأشعة المقطعية ثنائية الأبعاد والتوصل إلى نماذج ثلاثية الأبعاد تتنبأ بمكان وجود آفات في الدماغ بالضبط.
يعمل بشكل جيد مع أورام المخ وآفات السكتة الدماغية. كما أنها تستخدم في تصوير الجنين وتحليل القلب.
راتب مهندس تعلم الآلة
| 1. مستوى الدخول |
| 2. المستوى المتوسط |
| 3. مستوى متقدم |
المصدر: Payscale
ملخص
أصبح التعلم الآلي مجالًا عصريًا لهذا القرن. التعلم الآلي مقابل الذكاء الاصطناعي هو حديث البلدة في أيام الأطروحات حيث يتم استخدام كلاهما بالتبادل، ML هو مجرد دراسة لتدريب نظام لتحسين مهمة محددة يتم تقديمها تدريجياً في حين أن الذكاء الاصطناعي هو تطوير الآلات لتكون قادرة على التصرف وأداء مهمة مثل العقول البشرية.
أصبح ML ميزة محورية تريد المؤسسات إضافة أي من منتجاتها.
إنه يقود فكرة الأتمتة وتسهيل المهام على البشر. إنها تكتسب شعبية وتزيد من قائمة المناطق التي يتم استخدامها فيها مثل الأجهزة الإلكترونية، والمنازل الذكية، والزراعة، والصحة، وغيرها الكثير.
يستخدم التعلم الآلي في حياتنا اليومية بطريقة أو بأخرى. هل تستخدم التعلم الآلي على مدار اليوم؟ وهل هو مفيد لك؟ كيف؟ أيضًا، دعنا نعرف تقنيات التعلم الآلي التي تفضلها للتطوير؟
المصدر: hackr
اقرا ايضا:
