شرح أهم نماذج التعلم الآلي

التعلم الآلي (ML) هو ابتكار تقني يستمر في إثبات قيمته في العديد من القطاعات.

يرتبط التعلم الآلي بالذكاء الاصطناعي والتعلم العميق. نظرًا لأننا نعيش في عصر تكنولوجي يتقدم باستمرار ، فمن الممكن الآن التنبؤ بما سيأتي بعد ذلك ومعرفة كيفية تغيير نهجنا باستخدام ML.

وبالتالي ، فأنت لست مقيدًا بالطرق اليدوية ؛ تقريبا كل مهمة في الوقت الحاضر مؤتمتة. هناك خوارزميات مختلفة للتعلم الآلي مصممة لأعمال مختلفة. يمكن لهذه الخوارزميات حل المشكلات المعقدة وتوفير ساعات من وقت العمل.

من الأمثلة على ذلك لعب الشطرنج ، وملء البيانات ، وإجراء العمليات الجراحية ، واختيار الخيار الأفضل من قائمة التسوق ، وغير ذلك الكثير.

سأشرح خوارزميات ونماذج التعلم الآلي بالتفصيل في هذه المقالة.

ها نحن ذا!

ما هو تعلم الآلة؟

التعلم الآلي هو مهارة أو تقنية تحتاج فيها الآلة (مثل الكمبيوتر) إلى بناء القدرة على التعلم والتكيف باستخدام النماذج والخوارزميات الإحصائية دون أن تكون مبرمجة بشكل كبير.

نتيجة لذلك ، تتصرف الآلات بشكل مشابه للبشر. إنه نوع من الذكاء الاصطناعي يسمح لتطبيقات البرامج بأن تصبح أكثر دقة في التنبؤات وأداء مهام مختلفة من خلال الاستفادة من البيانات وتحسين نفسها.

نظرًا لأن تقنيات الحوسبة تنمو بسرعة ، فإن التعلم الآلي اليوم يختلف عن التعلم الآلي السابق. يثبت التعلم الآلي وجوده من التعرف على الأنماط إلى نظرية التعلم لأداء مهام معينة.

باستخدام التعلم الآلي ، تتعلم أجهزة الكمبيوتر من الحسابات السابقة لإنتاج قرارات ونتائج موثوقة وقابلة للتكرار. بمعنى آخر ، التعلم الآلي هو علم اكتسب زخمًا جديدًا.

على الرغم من استخدام العديد من الخوارزميات لفترة طويلة ، فإن القدرة على تطبيق العمليات الحسابية المعقدة تلقائيًا على البيانات الضخمة ، بشكل أسرع وأسرع ، مرارًا وتكرارًا ، هي تطور حديث.

بعض الأمثلة المعلنة هي كما يلي:

  • خصومات وعروض التوصية عبر الإنترنت ، مثل تلك التي تقدمها Netflix و Amazon
  • سيارة جوجل ذاتية القيادة ومبالغ فيها بشدة
  • كشف الاحتيال واقتراح بعض الطرق لتخطي تلك المشاكل

و أكثر من ذلك بكثير.

لماذا تحتاج إلى التعلم الآلي؟

يعد التعلم الآلي مفهومًا مهمًا ينفذه كل صاحب عمل في تطبيقاته البرمجية لمعرفة سلوك العملاء وأنماط تشغيل الأعمال والمزيد. يدعم تطوير أحدث المنتجات.

تجعل العديد من الشركات الرائدة ، مثل Google و Uber و Instagram و Amazon وما إلى ذلك ، التعلم الآلي جزءًا أساسيًا من عملياتها. ومع ذلك ، فإن الصناعات التي تعمل على كمية كبيرة من البيانات تعرف أهمية نماذج التعلم الآلي.

المنظمات قادرة على العمل بكفاءة مع هذه التكنولوجيا. تستخدم الصناعات مثل الخدمات المالية والحكومة والرعاية الصحية وتجارة التجزئة والنقل والنفط والغاز نماذج التعلم الآلي لتقديم نتائج عملاء أكثر قيمة.

من يستخدم التعلم الآلي؟

يستخدم التعلم الآلي في الوقت الحاضر في العديد من التطبيقات. المثال الأكثر شهرة هو محرك التوصيات على Instagram و Facebook و Twitter وما إلى ذلك.

يستخدم Facebook التعلم الآلي لإضفاء الطابع الشخصي على تجارب الأعضاء في خلاصات الأخبار الخاصة بهم. إذا توقف المستخدم بشكل متكرر للتحقق من نفس فئة المنشورات ، يبدأ محرك التوصية في عرض المزيد من منشورات الفئة نفسها.

خلف الشاشة ، يحاول محرك التوصية دراسة سلوك الأعضاء عبر الإنترنت من خلال أنماطهم. يتم ضبط موجز الأخبار تلقائيًا عندما يغير المستخدم الإجراء الخاص به.

فيما يتعلق بمحركات التوصية ، تستخدم العديد من المؤسسات نفس المفهوم لتشغيل إجراءات العمل الهامة الخاصة بهم. هم انهم:

  • برنامج إدارة علاقات العملاء (CRM): يستخدم نماذج التعلم الآلي لتحليل رسائل البريد الإلكتروني للزوار ومطالبة فريق المبيعات بالرد الفوري على الرسائل الأكثر أهمية أولاً.
  • ذكاء الأعمال (BI): يستخدم بائعو التحليلات وذكاء الأعمال التقنية لتحديد نقاط البيانات الأساسية والأنماط والشذوذ.
  • نظم معلومات الموارد البشرية (HRIS): تستخدم نماذج التعلم الآلي في برمجياتها لتصفية تطبيقاتها والتعرف على أفضل المرشحين للوظيفة المطلوبة.
  • السيارات ذاتية القيادة: تتيح خوارزميات التعلم الآلي لشركات تصنيع السيارات التعرف على الشيء أو الشعور بسلوك السائق للتنبيه على الفور لمنع وقوع الحوادث.
  • المساعدون الافتراضيون: المساعدون الافتراضيون هم مساعدون أذكياء يجمعون بين النماذج الخاضعة للإشراف وغير الخاضعة للإشراف لتفسير الكلام وتوفير سياق العرض.
  كيفية تثبيت Docker Engine على CentOS

ما هي نماذج التعلم الآلي؟

نموذج ML هو برنامج كمبيوتر أو تطبيق تم تدريبه على الحكم على بعض الأنماط والتعرف عليها. يمكنك تدريب النموذج بمساعدة البيانات وتزويده بالخوارزمية حتى يتعلم من تلك البيانات.

على سبيل المثال ، تريد إنشاء تطبيق يتعرف على المشاعر بناءً على تعبيرات وجه المستخدم. هنا ، تحتاج إلى تغذية النموذج بصور مختلفة للوجوه المصنفة بمشاعر مختلفة وتدريب نموذجك جيدًا. الآن ، يمكنك استخدام نفس النموذج في التطبيق الخاص بك لتحديد الحالة المزاجية للمستخدم بسهولة.

بعبارات بسيطة ، نموذج التعلم الآلي هو تمثيل مبسط للعملية. هذه هي أسهل طريقة لتحديد شيء ما أو التوصية بشيء للمستهلك. كل شيء في النموذج يعمل كتقريب.

على سبيل المثال ، عندما نرسم كرة أو نصنعها ، نعطيها شكل كرة. لكن الكرة الأرضية الفعلية ليست كروية كما نعلم. هنا ، نفترض الشكل لبناء شيء ما. تعمل نماذج ML بشكل مشابه.

دعنا نمضي قدمًا في نماذج وخوارزميات التعلم الآلي المختلفة.

أنواع نماذج التعلم الآلي

يتم تصنيف جميع نماذج التعلم الآلي على أنها تعلم خاضع للإشراف وغير خاضع للإشراف ومعزز. يتم تصنيف التعلم الخاضع للإشراف وغير الخاضع للإشراف كذلك كمصطلحات مختلفة. دعونا نناقش كل واحد منهم بالتفصيل.

# 1. التعلم الخاضع للإشراف

التعلم الخاضع للإشراف هو نموذج تعلم آلي مباشر يتضمن تعلم وظيفة أساسية. تقوم هذه الوظيفة بتعيين مدخل إلى الإخراج. على سبيل المثال ، إذا كانت لديك مجموعة بيانات تتكون من متغيرين ، العمر كمدخل والارتفاع كإخراج.

باستخدام نموذج التعلم الخاضع للإشراف ، يمكنك بسهولة توقع ارتفاع الشخص بناءً على عمر ذلك الشخص. لفهم نموذج التعلم هذا ، يجب أن تمر عبر الفئات الفرعية.

# 2. تصنيف

التصنيف هو مهمة نمذجة تنبؤية مستخدمة على نطاق واسع في مجال التعلم الآلي حيث يتم توقع تسمية لبيانات إدخال معينة. إنه يستلزم مجموعة بيانات التدريب مع مجموعة واسعة من حالات المدخلات والمخرجات التي يتعلم منها النموذج.

تُستخدم مجموعة بيانات التدريب للعثور على أدنى طريقة لتعيين عينات بيانات الإدخال إلى تسميات الفصل المحددة. أخيرًا ، تمثل مجموعة بيانات التدريب المشكلة التي تحتوي على عدد كبير من عينات المخرجات.

يتم استخدامه لتصفية البريد العشوائي ، والبحث عن المستندات ، والتعرف على الأحرف بخط اليد ، واكتشاف الاحتيال ، وتحديد اللغة ، وتحليل المشاعر. الإخراج منفصل في هذه الحالة.

# 3. تراجع

في هذا النموذج ، يكون الإخراج دائمًا مستمرًا. تحليل الانحدار هو في الأساس نهج إحصائي يصمم العلاقة بين واحد أو أكثر من المتغيرات المستقلة والمتغير المستهدف أو المتغير التابع.

يسمح الانحدار بمعرفة كيف يتغير عدد المتغير التابع فيما يتعلق بالمتغير المستقل بينما المتغيرات المستقلة الأخرى ثابتة. يتم استخدامه للتنبؤ بالراتب والعمر ودرجة الحرارة والسعر والبيانات الحقيقية الأخرى.

تحليل الانحدار هو طريقة “أفضل تخمين” التي تنشئ تنبؤًا من مجموعة البيانات. بكلمات بسيطة ، ملاءمة نقاط البيانات المختلفة في رسم بياني للحصول على القيمة الأكثر دقة.

مثال: توقع سعر تذكرة الطيران هو عمل انحدار شائع.

# 4. تعليم غير مشرف عليه

يستخدم التعلم غير الخاضع للإشراف أساسًا لاستخلاص الاستنتاجات وكذلك العثور على أنماط من بيانات الإدخال دون أي إشارات إلى النتائج المسمى. تُستخدم هذه التقنية لاكتشاف مجموعات وأنماط البيانات المخفية دون الحاجة إلى تدخل بشري.

يمكنه اكتشاف الاختلافات والتشابهات في المعلومات ، مما يجعل هذه التقنية مثالية لتجزئة العملاء ، وتحليل البيانات الاستكشافية ، والتعرف على الأنماط والصورة ، واستراتيجيات البيع العابر.

  14 دروس Kubernetes للمبتدئين حتى الماجستير

يتم استخدام التعلم غير الخاضع للإشراف أيضًا لتقليل عدد الميزات المحدودة للنموذج باستخدام عملية تقليل الأبعاد التي تتضمن نهجين: تحليل القيمة الفردية وتحليل المكون الرئيسي.

# 5. تجمع

التجميع هو نموذج تعليمي غير خاضع للإشراف يتضمن تجميع نقاط البيانات. يتم استخدامه بشكل متكرر للكشف عن الاحتيال وتصنيف المستندات وتجزئة العملاء.

تتضمن خوارزميات التجميع أو التجميع الأكثر شيوعًا التجميع الهرمي ، والتجميع القائم على الكثافة ، وتجميع متوسط ​​الإزاحة ، وتجميع الوسائل k. يتم استخدام كل خوارزمية بشكل مختلف للعثور على المجموعات ، ولكن الهدف واحد في كل حالة.

# 6. تخفيض الأبعاد

إنها طريقة لتقليل المتغيرات العشوائية المختلفة قيد الدراسة للحصول على مجموعة من المتغيرات الرئيسية. بمعنى آخر ، تسمى عملية تقليل أبعاد مجموعة الميزات تقليل الأبعاد. تسمى الخوارزمية الشائعة لهذا النموذج بتحليل المكونات الرئيسية.

تشير لعنة هذا إلى حقيقة إضافة المزيد من المدخلات لأنشطة النمذجة التنبؤية ، مما يجعل من الصعب تصميمها. يستخدم بشكل عام لتصور البيانات.

# 7. تعزيز تعلم الآلة

إنه نموذج مشابه للتعلم الآلي الخاضع للإشراف. يشار إليه على أنه نموذج التعلم الآلي السلوكي. الاختلاف الوحيد عن التعلم الخاضع للإشراف هو أن الخوارزمية لم يتم تدريبها باستخدام بيانات العينة.

يتعلم نموذج التعلم المعزز مع تقدمه في طريقة التجربة والخطأ. أجبر تسلسل النتائج الناجحة النموذج على تطوير أفضل توصية لمشكلة معينة. غالبًا ما يستخدم هذا في الألعاب والملاحة والروبوتات والمزيد.

أنواع خوارزميات التعلم الآلي

# 1. الانحدارالخطي

الفكرة هنا هي العثور على سطر يناسب البيانات التي تحتاجها بأفضل طريقة ممكنة. هناك امتدادات في نموذج الانحدار الخطي تتضمن انحدارًا خطيًا متعددًا وانحدارًا متعدد الحدود. هذا يعني العثور على أفضل مستوى يناسب البيانات وأفضل منحنى يناسب البيانات ، على التوالي.

# 2. الانحدار اللوجستي

الانحدار اللوجستي مشابه جدًا لخوارزمية الانحدار الخطي ولكنه يستخدم بشكل أساسي للحصول على عدد محدود من النتائج ، دعنا نقول اثنين. يستخدم الانحدار اللوجستي على الانحدار الخطي أثناء نمذجة احتمالية النتائج.

هنا ، يتم إنشاء معادلة لوجستية بطريقة رائعة بحيث يكون متغير الإخراج بين 0 و 1.

# 3. شجرة القرار

يستخدم نموذج شجرة القرار على نطاق واسع في التخطيط الاستراتيجي والتعلم الآلي وبحوث العمليات. يتكون من عقد. إذا كان لديك المزيد من العقد ، فستحصل على نتائج أكثر دقة. تتكون العقدة الأخيرة من شجرة القرار من البيانات التي تساعد في اتخاذ القرارات بشكل أسرع.

وبالتالي ، يُشار أيضًا إلى العقد الأخيرة باسم أوراق الأشجار. تعتبر أشجار القرار سهلة وبديهية في البناء ، لكنها تقصر من حيث الدقة.

# 4. غابة عشوائية

إنها تقنية تعلم جماعية. بعبارات بسيطة ، إنه مبني من أشجار القرار. يتضمن نموذج الغابات العشوائية عدة أشجار قرار باستخدام مجموعات بيانات تمهيدية للبيانات الحقيقية. يختار عشوائيًا مجموعة فرعية من المتغيرات في كل خطوة من الشجرة.

يحدد نموذج الغابة العشوائية طريقة التنبؤ لكل شجرة قرار. ومن ثم ، فإن الاعتماد على نموذج “فوز الأغلبية” يقلل من مخاطر الخطأ.

على سبيل المثال ، إذا قمت بإنشاء شجرة قرارات فردية وتوقع النموذج 0 في النهاية ، فلن يكون لديك أي شيء. ولكن إذا قمت بإنشاء 4 أشجار قرار في وقت واحد ، فقد تحصل على قيمة 1. هذه هي قوة نموذج التعلم العشوائي للغابات.

# 5. دعم شاحنات النقل

آلة المتجهات الداعمة (SVM) هي خوارزمية تعلم آلي خاضعة للإشراف معقدة ولكنها بديهية عندما نتحدث عن المستوى الأساسي.

على سبيل المثال ، إذا كان هناك نوعان من البيانات أو الفئات ، فستجد خوارزمية SVM حدًا أو مستوى مفرطًا بين فئات البيانات هذه وتزيد الهامش بين الاثنين. هناك العديد من المستويات أو الحدود التي تفصل بين فئتين ، ولكن يمكن لطائرة واحدة زيادة المسافة أو الهامش بين الفئات.

# 6. تحليل المكونات الرئيسية (PCA)

يعني تحليل المكون الرئيسي إسقاط معلومات ذات أبعاد أعلى ، مثل الأبعاد الثلاثة ، على مساحة أصغر ، مثل بعدين. ينتج عن هذا الحد الأدنى من أبعاد البيانات. بهذه الطريقة ، يمكنك الاحتفاظ بالقيم الأصلية في النموذج دون إعاقة الموضع ولكن تقليل الأبعاد.

  كيفية نقل لقطات شاشة Nintendo Switch إلى هاتف ذكي لاسلكيًا

بكلمات بسيطة ، إنه نموذج لتقليل الأبعاد يستخدم بشكل خاص لجلب المتغيرات المتعددة الموجودة في مجموعة البيانات إلى أقل المتغيرات. يمكن القيام بذلك عن طريق تجميع تلك المتغيرات معًا التي يكون مقياس قياسها هو نفسه ولها ارتباطات أعلى من غيرها.

الهدف الأساسي من هذه الخوارزمية هو إظهار مجموعات المتغيرات الجديدة لك ومنحك وصولاً كافياً لإنجاز عملك.

على سبيل المثال ، يساعد PCA في تفسير الاستطلاعات التي تتضمن العديد من الأسئلة أو المتغيرات ، مثل استطلاعات الرأي حول الرفاهية أو ثقافة الدراسة أو السلوك. يمكنك رؤية الحد الأدنى من المتغيرات في نموذج PCA.

# 7. ساذج بايز

تُستخدم خوارزمية Naive Bayes في علم البيانات وهي نموذج شائع يستخدم في العديد من الصناعات. الفكرة مأخوذة من نظرية بايز التي تشرح معادلة الاحتمال مثل “ما هو احتمال Q (متغير الإخراج) بالنظر إلى P.

إنه تفسير رياضي يُستخدم في العصر التكنولوجي اليوم.

بصرف النظر عن هذه ، فإن بعض النماذج المذكورة في جزء الانحدار ، بما في ذلك شجرة القرار ، والشبكة العصبية ، والغابات العشوائية ، تقع أيضًا ضمن نموذج التصنيف. الفرق الوحيد بين المصطلحين هو أن الناتج منفصل بدلاً من كونه مستمرًا.

# 8. الشبكة العصبية

تعد الشبكة العصبية مرة أخرى النموذج الأكثر استخدامًا في الصناعات. إنها في الأساس شبكة من المعادلات الرياضية المختلفة. أولاً ، يأخذ متغيرًا واحدًا أو أكثر كمدخل ويمر عبر شبكة المعادلات. في النهاية ، يمنحك نتائج في متغير إخراج واحد أو أكثر.

بمعنى آخر ، تأخذ الشبكة العصبية متجهًا للمدخلات وترجع متجه المخرجات. إنها تشبه المصفوفات في الرياضيات. يحتوي على طبقات مخفية في منتصف طبقات الإدخال والإخراج تمثل كل من وظائف التنشيط والخطية.

# 9. خوارزمية K- أقرب الجيران (KNN)

يتم استخدام خوارزمية KNN لكل من مشاكل التصنيف والانحدار. يستخدم على نطاق واسع في صناعة علوم البيانات لحل مشاكل التصنيف. علاوة على ذلك ، يخزن جميع الحالات المتاحة ويصنف القضايا القادمة بأخذ أصوات جيرانه.

تقوم وظيفة المسافة بالقياس. على سبيل المثال ، إذا كنت تريد بيانات عن شخص ما ، فأنت بحاجة إلى التحدث إلى أقرب الأشخاص إلى ذلك الشخص ، مثل الأصدقاء والزملاء وما إلى ذلك. بطريقة مماثلة ، تعمل خوارزمية KNN.

تحتاج إلى التفكير في ثلاثة أشياء قبل تحديد خوارزمية KNN.

  • البيانات تحتاج إلى معالجة مسبقة.
  • تحتاج المتغيرات إلى التطبيع ، أو يمكن أن تؤدي المتغيرات الأعلى إلى تحيز النموذج.
  • KNN مكلف حسابيًا.

# 10. K-Means Clustering

يأتي ضمن نموذج تعلم آلي غير خاضع للإشراف يحل مهام التجميع. هنا يتم تصنيف مجموعات البيانات وتصنيفها إلى عدة مجموعات (دعنا نقول K) بحيث تكون جميع النقاط داخل الكتلة غير متجانسة ومتجانسة من البيانات.

تشكل K-Means مجموعات مثل هذا:

  • تختار K-Means عدد نقاط البيانات K ، والتي تسمى النقط الوسطى ، لكل مجموعة.
  • تشكل كل نقطة بيانات كتلة بها أقرب عنقود (النقط الوسطى) ، أي مجموعات K.
  • هذا يخلق النقطه الوسطى الجديدة.
  • ثم يتم تحديد أقرب مسافة لكل نقطة. تتكرر هذه العملية حتى لا تتغير النقط الوسطى.

استنتاج

تعد نماذج وخوارزميات التعلم الآلي شديدة الأهمية للعمليات الحرجة. تجعل هذه الخوارزميات حياتنا اليومية سهلة وبسيطة. بهذه الطريقة ، يصبح من الأسهل إخراج أكبر العمليات الضخمة في ثوانٍ.

وبالتالي ، يعد ML أداة قوية تستخدمها العديد من الصناعات في الوقت الحاضر ، ويتزايد الطلب عليها باستمرار. واليوم ليس بعيدًا حيث يمكننا الحصول على إجابات أكثر دقة لمشاكلنا المعقدة.