# ملحق: التعلم الآلي في العالم الحقيقي  > رسم تخطيطي بواسطة [Tomomi Imura](https://www.twitter.com/girlie_mac) في هذا المنهج، تعلمت العديد من الطرق لتحضير البيانات للتدريب وإنشاء نماذج التعلم الآلي. لقد قمت ببناء سلسلة من نماذج الانحدار، التجميع، التصنيف، معالجة اللغة الطبيعية، ونماذج السلاسل الزمنية الكلاسيكية. تهانينا! الآن، قد تتساءل عن الهدف من كل هذا... ما هي التطبيقات الواقعية لهذه النماذج؟ على الرغم من أن الذكاء الاصطناعي، الذي يعتمد عادةً على التعلم العميق، قد جذب الكثير من الاهتمام في الصناعة، إلا أن هناك تطبيقات قيمة لنماذج التعلم الآلي الكلاسيكية. قد تكون تستخدم بعض هذه التطبيقات بالفعل اليوم! في هذه الدرسة، ستستكشف كيف تستخدم ثمانية صناعات ومجالات مختلفة هذه الأنواع من النماذج لجعل تطبيقاتها أكثر أداءً، موثوقية، ذكاءً، وقيمة للمستخدمين. ## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/) ## 💰 المالية قطاع المالية يقدم العديد من الفرص للتعلم الآلي. العديد من المشاكل في هذا المجال يمكن نمذجتها وحلها باستخدام التعلم الآلي. ### كشف الاحتيال في بطاقات الائتمان تعلمنا عن [تجميع k-means](../../5-Clustering/2-K-Means/README.md) في وقت سابق من الدورة، ولكن كيف يمكن استخدامه لحل مشاكل تتعلق بالاحتيال في بطاقات الائتمان؟ تجميع k-means مفيد في تقنية كشف الاحتيال في بطاقات الائتمان التي تسمى **كشف القيم الشاذة**. القيم الشاذة، أو الانحرافات في الملاحظات حول مجموعة من البيانات، يمكن أن تخبرنا إذا كانت بطاقة الائتمان تُستخدم بشكل طبيعي أو إذا كان هناك شيء غير عادي يحدث. كما هو موضح في الورقة المرتبطة أدناه، يمكنك تصنيف بيانات بطاقات الائتمان باستخدام خوارزمية تجميع k-means وتعيين كل معاملة إلى مجموعة بناءً على مدى كونها شاذة. بعد ذلك، يمكنك تقييم المجموعات الأكثر خطورة للتمييز بين المعاملات الاحتيالية والشرعية. [مرجع](https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.680.1195&rep=rep1&type=pdf) ### إدارة الثروات في إدارة الثروات، يتولى فرد أو شركة التعامل مع الاستثمارات نيابةً عن عملائهم. وظيفتهم هي الحفاظ على الثروة وتنميتها على المدى الطويل، لذا من الضروري اختيار الاستثمارات التي تحقق أداءً جيدًا. إحدى الطرق لتقييم أداء استثمار معين هي من خلال الانحدار الإحصائي. [الانحدار الخطي](../../2-Regression/1-Tools/README.md) هو أداة قيمة لفهم كيفية أداء صندوق معين بالنسبة إلى معيار معين. يمكننا أيضًا استنتاج ما إذا كانت نتائج الانحدار ذات دلالة إحصائية، أو مدى تأثيرها على استثمارات العميل. يمكنك حتى توسيع تحليلك باستخدام الانحدار المتعدد، حيث يمكن أخذ عوامل المخاطر الإضافية في الاعتبار. للحصول على مثال عن كيفية عمل ذلك لصندوق معين، تحقق من الورقة أدناه حول تقييم أداء الصندوق باستخدام الانحدار. [مرجع](http://www.brightwoodventures.com/evaluating-fund-performance-using-regression/) ## 🎓 التعليم قطاع التعليم هو أيضًا مجال مثير للاهتمام حيث يمكن تطبيق التعلم الآلي. هناك مشاكل مثيرة يمكن معالجتها مثل كشف الغش في الاختبارات أو المقالات أو إدارة التحيز، سواء كان غير مقصود أو مقصود، في عملية التصحيح. ### التنبؤ بسلوك الطلاب [Coursera](https://coursera.com)، مزود دورات تعليمية مفتوحة عبر الإنترنت، لديه مدونة تقنية رائعة حيث يناقشون العديد من القرارات الهندسية. في هذه الدراسة، قاموا برسم خط انحدار لمحاولة استكشاف أي علاقة بين تقييم NPS (Net Promoter Score) المنخفض والاحتفاظ بالدورة أو الانسحاب منها. [مرجع](https://medium.com/coursera-engineering/controlled-regression-quantifying-the-impact-of-course-quality-on-learner-retention-31f956bd592a) ### تقليل التحيز [Grammarly](https://grammarly.com)، مساعد الكتابة الذي يتحقق من الأخطاء الإملائية والنحوية، يستخدم أنظمة [معالجة اللغة الطبيعية](../../6-NLP/README.md) المتقدمة في جميع منتجاته. نشروا دراسة حالة مثيرة للاهتمام في مدونتهم التقنية حول كيفية تعاملهم مع التحيز الجنسي في التعلم الآلي، والذي تعلمت عنه في درسنا [المقدمة إلى الإنصاف](../../1-Introduction/3-fairness/README.md). [مرجع](https://www.grammarly.com/blog/engineering/mitigating-gender-bias-in-autocorrect/) ## 👜 التجزئة قطاع التجزئة يمكن أن يستفيد بالتأكيد من استخدام التعلم الآلي، بدءًا من تحسين تجربة العملاء إلى إدارة المخزون بطريقة مثلى. ### تخصيص رحلة العميل في Wayfair، وهي شركة تبيع السلع المنزلية مثل الأثاث، مساعدة العملاء في العثور على المنتجات المناسبة لذوقهم واحتياجاتهم أمر بالغ الأهمية. في هذه المقالة، يصف المهندسون من الشركة كيف يستخدمون التعلم الآلي ومعالجة اللغة الطبيعية "لإظهار النتائج المناسبة للعملاء". على وجه الخصوص، تم بناء محرك نوايا الاستعلام الخاص بهم لاستخدام استخراج الكيانات، تدريب المصنفات، استخراج الأصول والآراء، ووضع علامات على المشاعر في مراجعات العملاء. هذا مثال كلاسيكي على كيفية عمل معالجة اللغة الطبيعية في التجارة الإلكترونية. [مرجع](https://www.aboutwayfair.com/tech-innovation/how-we-use-machine-learning-and-natural-language-processing-to-empower-search) ### إدارة المخزون الشركات المبتكرة والرشيقة مثل [StitchFix](https://stitchfix.com)، وهي خدمة صناديق تشحن الملابس للمستهلكين، تعتمد بشكل كبير على التعلم الآلي للتوصيات وإدارة المخزون. فرق التصميم لديهم تعمل مع فرق البضائع، في الواقع: "أحد علماء البيانات لدينا قام بتجربة خوارزمية جينية وطبقها على الملابس للتنبؤ بما سيكون قطعة ملابس ناجحة لا توجد اليوم. قدمنا ذلك لفريق البضائع والآن يمكنهم استخدامه كأداة." [مرجع](https://www.zdnet.com/article/how-stitch-fix-uses-machine-learning-to-master-the-science-of-styling/) ## 🏥 الرعاية الصحية قطاع الرعاية الصحية يمكنه الاستفادة من التعلم الآلي لتحسين مهام البحث وأيضًا مشاكل لوجستية مثل إعادة إدخال المرضى أو وقف انتشار الأمراض. ### إدارة التجارب السريرية السمية في التجارب السريرية هي مصدر قلق كبير لصانعي الأدوية. ما مقدار السمية المقبولة؟ في هذه الدراسة، أدى تحليل طرق التجارب السريرية المختلفة إلى تطوير نهج جديد للتنبؤ باحتمالات نتائج التجارب السريرية. على وجه الخصوص، تمكنوا من استخدام الغابة العشوائية لإنتاج [مصنف](../../4-Classification/README.md) قادر على التمييز بين مجموعات الأدوية. [مرجع](https://www.sciencedirect.com/science/article/pii/S2451945616302914) ### إدارة إعادة إدخال المرضى الرعاية في المستشفيات مكلفة، خاصة عندما يتعين إعادة إدخال المرضى. تناقش هذه الورقة شركة تستخدم التعلم الآلي للتنبؤ بإمكانية إعادة الإدخال باستخدام [التجميع](../../5-Clustering/README.md) الخوارزمي. تساعد هذه المجموعات المحللين على "اكتشاف مجموعات من حالات إعادة الإدخال التي قد تشترك في سبب مشترك". [مرجع](https://healthmanagement.org/c/healthmanagement/issuearticle/hospital-readmissions-and-machine-learning) ### إدارة الأمراض سلطت الجائحة الأخيرة الضوء على الطرق التي يمكن أن يساعد بها التعلم الآلي في وقف انتشار الأمراض. في هذه المقالة، ستتعرف على استخدام ARIMA، منحنيات لوجستية، الانحدار الخطي، وSARIMA. "هذا العمل هو محاولة لحساب معدل انتشار هذا الفيروس وبالتالي التنبؤ بالوفيات، حالات الشفاء، والحالات المؤكدة، بحيث يساعدنا ذلك على الاستعداد بشكل أفضل والبقاء على قيد الحياة." [مرجع](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7979218/) ## 🌲 البيئة والتكنولوجيا الخضراء الطبيعة والبيئة تتكون من العديد من الأنظمة الحساسة حيث يتداخل الحيوانات والطبيعة. من المهم أن تكون قادرًا على قياس هذه الأنظمة بدقة والتصرف بشكل مناسب إذا حدث شيء ما، مثل حريق غابات أو انخفاض في عدد الحيوانات. ### إدارة الغابات تعلمت عن [التعلم المعزز](../../8-Reinforcement/README.md) في الدروس السابقة. يمكن أن يكون مفيدًا جدًا عند محاولة التنبؤ بأنماط في الطبيعة. على وجه الخصوص، يمكن استخدامه لتتبع المشاكل البيئية مثل حرائق الغابات وانتشار الأنواع الغازية. في كندا، استخدم مجموعة من الباحثين التعلم المعزز لبناء نماذج ديناميكيات حرائق الغابات من صور الأقمار الصناعية. باستخدام عملية "الانتشار المكاني (SSP)" المبتكرة، تصوروا حريق الغابة كـ "وكيل في أي خلية في المناظر الطبيعية." "مجموعة الإجراءات التي يمكن أن يتخذها الحريق من موقع في أي وقت تشمل الانتشار شمالًا، جنوبًا، شرقًا، غربًا أو عدم الانتشار. هذا النهج يعكس الإعداد المعتاد للتعلم المعزز حيث تكون ديناميكيات عملية اتخاذ القرار ماركوف (MDP) وظيفة معروفة للانتشار الفوري للحريق." اقرأ المزيد عن الخوارزميات الكلاسيكية المستخدمة من قبل هذه المجموعة في الرابط أدناه. [مرجع](https://www.frontiersin.org/articles/10.3389/fict.2018.00006/full) ### استشعار حركة الحيوانات بينما أحدث التعلم العميق ثورة في تتبع حركات الحيوانات بصريًا (يمكنك بناء [متعقب دب قطبي](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) خاص بك هنا)، لا يزال للتعلم الآلي الكلاسيكي مكان في هذه المهمة. أجهزة الاستشعار لتتبع حركات الحيوانات في المزارع وإنترنت الأشياء تستخدم هذا النوع من المعالجة البصرية، ولكن تقنيات التعلم الآلي الأساسية أكثر فائدة لمعالجة البيانات الأولية. على سبيل المثال، في هذه الورقة، تم مراقبة وتحليل وضعيات الأغنام باستخدام خوارزميات مصنف مختلفة. قد تتعرف على منحنى ROC في الصفحة 335. [مرجع](https://druckhaus-hofmann.de/gallery/31-wj-feb-2020.pdf) ### ⚡️ إدارة الطاقة في دروسنا حول [التنبؤ بالسلاسل الزمنية](../../7-TimeSeries/README.md)، استدعينا مفهوم عدادات وقوف السيارات الذكية لتوليد الإيرادات لمدينة بناءً على فهم العرض والطلب. تناقش هذه المقالة بالتفصيل كيف أن التجميع، الانحدار، والتنبؤ بالسلاسل الزمنية مجتمعين ساعدوا في التنبؤ باستخدام الطاقة المستقبلية في أيرلندا، بناءً على العدادات الذكية. [مرجع](https://www-cdn.knime.com/sites/default/files/inline-images/knime_bigdata_energy_timeseries_whitepaper.pdf) ## 💼 التأمين قطاع التأمين هو قطاع آخر يستخدم التعلم الآلي لبناء وتحسين نماذج مالية واكتوارية قابلة للتطبيق. ### إدارة التقلبات MetLife، مزود التأمين على الحياة، صريح بشأن الطريقة التي يحلل بها ويقلل من التقلبات في نماذجه المالية. في هذه المقالة ستلاحظ تصورات التصنيف الثنائي والرتبي. ستكتشف أيضًا تصورات التنبؤ. [مرجع](https://investments.metlife.com/content/dam/metlifecom/us/investments/insights/research-topics/macro-strategy/pdf/MetLifeInvestmentManagement_MachineLearnedRanking_070920.pdf) ## 🎨 الفنون، الثقافة، والأدب في الفنون، على سبيل المثال في الصحافة، هناك العديد من المشاكل المثيرة للاهتمام. كشف الأخبار المزيفة هو مشكلة كبيرة حيث ثبت أنها تؤثر على رأي الناس وحتى تقوض الديمقراطيات. يمكن أيضًا أن تستفيد المتاحف من استخدام التعلم الآلي في كل شيء بدءًا من إيجاد الروابط بين القطع الأثرية إلى تخطيط الموارد. ### كشف الأخبار المزيفة كشف الأخبار المزيفة أصبح لعبة القط والفأر في وسائل الإعلام اليوم. في هذه المقالة، يقترح الباحثون أن نظامًا يجمع بين العديد من تقنيات التعلم الآلي التي درسناها يمكن اختباره ونشر النموذج الأفضل: "هذا النظام يعتمد على معالجة اللغة الطبيعية لاستخراج الميزات من البيانات ثم يتم استخدام هذه الميزات لتدريب مصنفات التعلم الآلي مثل Naive Bayes، Support Vector Machine (SVM)، Random Forest (RF)، Stochastic Gradient Descent (SGD)، والانحدار اللوجستي (LR)." [مرجع](https://www.irjet.net/archives/V7/i6/IRJET-V7I6688.pdf) تظهر هذه المقالة كيف أن الجمع بين مجالات التعلم الآلي المختلفة يمكن أن ينتج نتائج مثيرة للاهتمام يمكن أن تساعد في وقف انتشار الأخبار المزيفة وإحداث أضرار حقيقية؛ في هذه الحالة، كان الدافع هو انتشار الشائعات حول علاجات COVID التي أثارت العنف الجماعي. ### التعلم الآلي في المتاحف المتاحف على أعتاب ثورة الذكاء الاصطناعي حيث أصبح تصنيف المجموعات الرقمية وإيجاد الروابط بين القطع الأثرية أسهل مع تقدم التكنولوجيا. مشاريع مثل [In Codice Ratio](https://www.sciencedirect.com/science/article/abs/pii/S0306457321001035#:~:text=1.,studies%20over%20large%20historical%20sources.) تساعد في فك ألغاز المجموعات غير القابلة للوصول مثل أرشيف الفاتيكان. ولكن، الجانب التجاري للمتاحف يستفيد أيضًا من نماذج التعلم الآلي. على سبيل المثال، قام معهد الفنون في شيكاغو ببناء نماذج للتنبؤ بما يهتم به الجمهور ومتى سيحضر المعارض. الهدف هو إنشاء تجارب زوار فردية ومُحسنة في كل مرة يزور فيها المستخدم المتحف. "خلال السنة المالية 2017، تنبأ النموذج بالحضور والإيرادات بدقة تصل إلى 1 بالمائة، يقول Andrew Simnick، نائب الرئيس الأول في معهد الفنون." [مرجع](https://www.chicagobusiness.com/article/20180518/ISSUE01/180519840/art-institute-of-chicago-uses-data-to-make-exhibit-choices) ## 🏷 التسويق ### تقسيم العملاء أكثر استراتيجيات التسويق فعالية تستهدف العملاء بطرق مختلفة بناءً على مجموعات متنوعة. تناقش هذه المقالة استخدام خوارزميات التجميع لدعم التسويق المتمايز. يساعد التسويق المتمايز الشركات على تحسين التعرف على العلامة التجارية، الوصول إلى المزيد من العملاء، وكسب المزيد من المال. [مرجع](https://ai.inqline.com/machine-learning-for-marketing-customer-segmentation/) ## 🚀 التحدي حدد قطاعًا آخر يستفيد من بعض التقنيات التي تعلمتها في هذا المنهج، واكتشف كيف يستخدم التعلم الآلي. ## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/) ## المراجعة والدراسة الذاتية فريق علوم البيانات في Wayfair لديه عدة فيديوهات مثيرة للاهتمام حول كيفية استخدامهم لتعلم الآلة في شركتهم. من المفيد [إلقاء نظرة](https://www.youtube.com/channel/UCe2PjkQXqOuwkW1gw6Ameuw/videos)! ## الواجب [بحث عن تعلم الآلة](assignment.md) --- **إخلاء المسؤولية**: تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.