localizeflow[bot]
ec25fb32a8
|
4 months ago | |
|---|---|---|
| .. | ||
| README.md | 4 months ago | |
| assignment.md | 7 months ago | |
README.md
تقنيات التعلم الآلي
عملية بناء واستخدام وصيانة نماذج التعلم الآلي والبيانات التي تستخدمها هي عملية مختلفة جدًا عن العديد من سير العمل الأخرى في التطوير. في هذا الدرس، سنقوم بتبسيط العملية، وتحديد التقنيات الرئيسية التي تحتاج إلى معرفتها. سوف:
- تفهم العمليات الأساسية التي تقوم عليها التعلم الآلي على مستوى عالٍ.
- تستكشف المفاهيم الأساسية مثل "النماذج"، و"التنبؤات"، و"بيانات التدريب".
اختبار قبل المحاضرة
🎥 انقر على الصورة أعلاه لفيديو قصير يشرح هذا الدرس.
المقدمة
على مستوى عالٍ، يتألف فن إنشاء عمليات التعلم الآلي (ML) من عدد من الخطوات:
- حدد السؤال. تبدأ معظم عمليات التعلم الآلي بطرح سؤال لا يمكن الإجابة عليه باستخدام برنامج شرطي بسيط أو محرك قواعد معتمد على الشروط. غالبًا ما تدور هذه الأسئلة حول التنبؤات بناءً على مجموعة من البيانات.
- جمع وتحضير البيانات. لكي تكون قادرًا على الإجابة على سؤالك، تحتاج إلى بيانات. جودة وأحيانًا كمية بياناتك ستحدد مدى قدرتك على الإجابة عن سؤالك الأولي. تصور البيانات هو جانب مهم من هذه المرحلة. تشمل هذه المرحلة أيضًا تقسيم البيانات إلى مجموعة تدريب ومجموعة اختبار لبناء نموذج.
- اختر طريقة التدريب. اعتمادًا على سؤالك وطبيعة بياناتك، تحتاج إلى اختيار كيفية تدريب النموذج لتعكس بياناتك بشكل أفضل وتجعل التنبؤات دقيقة. هذا هو الجزء من عملية التعلم الآلي الذي يتطلب خبرة محددة، وغالبًا كمية كبيرة من التجارب.
- تدريب النموذج. باستخدام بيانات التدريب الخاصة بك، ستستخدم خوارزميات مختلفة لتدريب نموذج للتعرف على الأنماط في البيانات. قد يستخدم النموذج أوزانًا داخلية يمكن تعديلها لإعطاء أولوية لأجزاء معينة من البيانات على أخرى لبناء نموذج أفضل.
- تقييم النموذج. تستخدم بيانات لم تُرى من قبل (بيانات الاختبار) من المجموعة التي جمعتها لتقييم أداء النموذج.
- ضبط المعاملات. بناءً على أداء النموذج، يمكنك إعادة العملية باستخدام معاملات مختلفة، أو متغيرات، تتحكم في سلوك الخوارزميات المستخدمة لتدريب النموذج.
- التنبؤ. استخدم مدخلات جديدة لاختبار دقة النموذج الخاص بك.
ما السؤال الذي يجب طرحه
تتمتع الحواسيب بمهارة خاصة في اكتشاف الأنماط المخفية في البيانات. هذه الفائدة مفيدة جدًا للباحثين الذين لديهم أسئلة حول مجال معين لا يمكن الإجابة عليها بسهولة عن طريق إنشاء محرك قواعد معتمد على الشروط. على سبيل المثال، في مهمة تأمينية، قد يتمكن عالم بيانات من إنشاء قواعد مصنوعة يدويًا حول وفاة المدخنين مقابل غير المدخنين.
لكن عندما يتم إدخال العديد من المتغيرات الأخرى في المعادلة، قد يثبت نموذج التعلم الآلي فعاليته أكثر في التنبؤ بمعدلات الوفيات المستقبلية بناءً على التاريخ الصحي السابق. مثال أكثر بهجة قد يكون تكوين توقعات الطقس لشهر أبريل في موقع معين بناءً على بيانات تشمل خط العرض، وخط الطول، وتغير المناخ، والقرب من المحيط، وأنماط التيار النفاث، وغير ذلك.
✅ هذه شرائح العرض حول نماذج الطقس تقدم منظورًا تاريخيًا لاستخدام التعلم الآلي في تحليل الطقس.
المهام قبل البناء
قبل البدء في بناء النموذج، هناك عدة مهام يجب إكمالها. لاختبار سؤالك وتكوين فرضية بناءً على توقعات النموذج، تحتاج إلى تحديد وتكوين عدة عناصر.
البيانات
لكي تتمكن من الإجابة على سؤالك بأي درجة من اليقين، تحتاج إلى كمية جيدة من البيانات من النوع المناسب. هناك أمران تحتاج إلى القيام بهما في هذه المرحلة:
- جمع البيانات. مع وضع الدرس السابق حول النزاهة في تحليل البيانات في الاعتبار، اجمع بياناتك بعناية. كن واعيًا لمصادر هذه البيانات، وأي تحيزات كامنة قد تكون لديها، ودوّن أصلها.
- تحضير البيانات. هناك عدة خطوات في عملية تحضير البيانات. قد تحتاج إلى جمع البيانات وتطبيعها إذا كانت قادمة من مصادر متنوعة. يمكنك تحسين جودة وكمية البيانات من خلال عدة طرق مثل تحويل السلاسل النصية إلى أعداد (كما نفعل في التجميع). قد تنتج أيضًا بيانات جديدة بناءً على الأصلية (كما نفعل في التصنيف). يمكنك تنظيف وتحرير البيانات (كما سنفعل قبل درس تطبيق الويب). وأخيرًا، قد تحتاج أيضًا إلى عشوائيتها وخلطها، اعتمادًا على تقنيات التدريب الخاصة بك.
✅ بعد جمع ومعالجة بياناتك، خذ لحظة لترى إذا كان شكلها سيسمح لك بمعالجة السؤال الذي تقصده. قد تكون البيانات غير مناسبة لمهمتك المحددة، كما نكتشف في دروسنا في التجميع!
السمات والهدف
الميزة هي خاصية قابلة للقياس في بياناتك. في العديد من مجموعات البيانات، يتم التعبير عنها كعنوان عمود مثل "التاريخ" أو "الحجم" أو "اللون". متغير الميزة الخاص بك، الذي يُمثل عادةً بـX في الكود، يمثل المتغير المدخل الذي سيتم استخدامه لتدريب النموذج.
الهدف هو الشيء الذي تحاول التنبؤ به. الهدف، والذي يُمثل عادةً بـy في الكود، يمثل الإجابة على السؤال الذي تحاول طرحه على بياناتك: في ديسمبر، ما لون اليقطين سيكون الأرخص؟ في سان فرانسيسكو، أي الأحياء سيكون لديها أفضل سعر عقار؟ في بعض الأحيان يُشار إلى الهدف أيضًا على أنه خاصية التسمية.
اختيار متغير الميزة الخاص بك
🎓 اختيار الميزة واستخلاص الميزة كيف تعرف أي متغير تختار عند بناء نموذج؟ من المحتمل أن تمر بعملية اختيار ميزة أو استخلاص ميزة لاختيار المتغيرات الصحيحة لأفضل نموذج أداء. ومع ذلك، فهما ليسا نفس الشيء: "استخلاص الميزة ينشئ ميزات جديدة من دوال الميزات الأصلية، في حين أن اختيار الميزة يعيد مجموعة فرعية من الميزات." (المصدر)
تصور بياناتك
جانب مهم في أدوات عالم البيانات هو القدرة على تصور البيانات باستخدام العديد من المكتبات الممتازة مثل Seaborn أو MatPlotLib. تمثيل بياناتك بصريًا قد يسمح لك بالكشف عن ترابطات مخفية يمكن أن تستفيد منها. قد تساعدك تصوراتك أيضًا في اكتشاف تحيز أو بيانات غير متوازنة (كما نكتشف في التصنيف).
قسّم مجموعة بياناتك
قبل التدريب، تحتاج إلى تقسيم مجموعة البيانات إلى جزأين أو أكثر من أحجام غير متساوية لكنها لا تزال تمثل البيانات جيدًا.
- التدريب. هذا الجزء من مجموعة البيانات يتم ملاءمته لنموذجك لتدريبه. هذه المجموعة تشكل أغلبية مجموعة البيانات الأصلية.
- الاختبار. مجموعة بيانات الاختبار هي مجموعة مستقلة من البيانات، غالبًا مأخوذة من البيانات الأصلية، تستخدمها لتأكيد أداء النموذج المبني.
- التحقق. مجموعة التحقق هي مجموعة أصغر مستقلة من الأمثلة تستخدمها لضبط المعاملات الفائقة للنموذج، أو الهيكل، لتحسين النموذج. بناءً على حجم بياناتك والسؤال الذي تسأله، قد لا تحتاج إلى بناء هذه المجموعة الثالثة (كما نذكر في التنبؤ بالسلاسل الزمنية).
بناء نموذج
باستخدام بيانات التدريب الخاصة بك، هدفك هو بناء نموذج، أو تمثيل إحصائي لبياناتك، باستخدام خوارزميات مختلفة لتدريبه. تدريب النموذج يعرضه للبيانات ويسمح له بعمل فرضيات حول الأنماط التي يكتشفها، ويُحققها، ويقبلها أو يرفضها.
اختر طريقة التدريب
اعتمادًا على سؤالك وطبيعة بياناتك، ستختار طريقة لتدريب النموذج. من خلال تصفح وثائق Scikit-learn - التي نستخدمها في هذه الدورة - يمكنك استكشاف العديد من الطرق لتدريب نموذج. بناءً على خبرتك، قد تضطر إلى تجربة عدة طرق مختلفة لبناء أفضل نموذج. من المحتمل أن تمر بعملية يقيم فيها علماء البيانات أداء النموذج من خلال تغذيته ببيانات غير معروفة مسبقًا، والتحقق من الدقة، والتحيز، ومشكلات أخرى تقلل الجودة، واختيار طريقة التدريب الأنسب للمهمة.
تدريب نموذج
مزودًا ببيانات التدريب، تكون جاهزًا لـ'ملاءمتها' لإنشاء نموذج. ستلاحظ في العديد من مكتبات التعلم الآلي وجود الكود 'model.fit' - هذا هو الوقت الذي ترسل فيه متغير الميزات الخاص بك كمصفوفة من القيم (عادة 'X') ومتغير الهدف (عادة 'y').
تقييم النموذج
بمجرد اكتمال عملية التدريب (قد يستغرق الأمر عدة تكرارات، أو "عصور"، لتدريب نموذج كبير)، ستكون قادرًا على تقييم جودة النموذج باستخدام بيانات الاختبار لقياس أدائه. هذه البيانات هي جزء فرعي من البيانات الأصلية التي لم يحللها النموذج سابقًا. يمكنك طباعة جدول للمعايير حول جودة النموذج الخاص بك.
🎓 ملاءمة النموذج
في سياق التعلم الآلي، تشير ملاءمة النموذج إلى دقة الدالة الأساسية للنموذج أثناء محاولته تحليل البيانات التي ليست مألوفة له.
🎓 النموذج ناقص الملاءمة و النموذج زائد الملاءمة هما مشكلتان شائعتان تضعفان جودة النموذج، حيث أن النموذج إما لا يناسب البيانات بشكل كافٍ أو يناسبها بشكل مفرط. هذا يؤدي إلى أن يقوم النموذج بعمل توقعات متطابقة جدًا أو ضعيفة جدًا مع بيانات التدريب الخاصة به. النموذج زائد الملاءمة يتنبأ ببيانات التدريب بدقة شديدة لأنه تعلم تفاصيل الضوضاء في البيانات جيدًا جدًا. النموذج ناقص الملاءمة غير دقيق لأنه لا يمكنه تحليل بيانات التدريب أو البيانات التي لم يرها بعد بدقة.
رسم معلوماتي بواسطة جن لوبر
ضبط المعاملات
بمجرد الانتهاء من تدريبك الأولي، راقب جودة النموذج وفكر في تحسينها عن طريق تعديل "المعاملات الفائقة" له. اقرأ المزيد عن العملية في الوثائق.
التنبؤ
هذه هي اللحظة التي يمكنك فيها استخدام بيانات جديدة تمامًا لاختبار دقة نموذجك. في بيئة تعلم آلي "تطبيقية"، حيث تبني أصول ويب لاستخدام النموذج في الإنتاج، قد يتضمن هذا العملية جمع مدخلات المستخدم (مثل ضغط زر، على سبيل المثال) لتعيين متغير وإرساله إلى النموذج للقيام بالاستدلال أو التقييم.
في هذه الدروس، ستكتشف كيفية استخدام هذه الخطوات للتحضير والبناء والاختبار والتقييم والتنبؤ - كل حركات عالم البيانات وأكثر، مع تقدمك في رحلتك لتصبح مهندس تعلم آلي "متكامل".
🚀التحدي
ارسم مخطط تدفق يعكس خطوات ممارس التعلم الآلي. أين ترى نفسك الآن في العملية؟ أين تتوقع أن تجد صعوبة؟ ما الذي يبدو سهلاً بالنسبة لك؟
اختبار بعد المحاضرة
المراجعة والدراسة الذاتية
ابحث عبر الإنترنت عن مقابلات مع علماء بيانات يتحدثون عن عملهم اليومي. إليك واحدة.
الواجب
قم بإجراء مقابلة مع عالم بيانات
إخلاء المسؤولية: تم ترجمة هذا المستند باستخدام خدمة الترجمة الآلية Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الحرجة، يوصى بالترجمة البشرية المهنية. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.