الهدف
بنهاية هذا الدرس، سيكون الطالب قادرًا على التمييز بين أنواع التعلم الآلي وتطبيقاتها، واختيار النهج المناسب لمشكلة معينة.
شرح الدرس
أنواع التعلم الآلي:
- التعلم الخاضع للإشراف (Supervised Learning): التدريب على بيانات مُوسومة (مدخلات + إجابات). يُتنبأ بـ: قيمة (Regression) أو فئة (Classification).
- التعلم غير الخاضع للإشراف (Unsupervised Learning): بيانات غير مُوسومة. يبحث عن أنماط مخفية: التجميع (Clustering)، تقليل الأبعاد.
- التعلم المعزز (Reinforcement Learning): الوكيل يتعلم بالتجربة والمكافأة والعقوبة.
دورة تطوير نموذج ML:
- تعريف المشكلة
- جمع وتنقية البيانات
- استخراج الميزات (Feature Engineering)
- اختيار الخوارزمية وتدريب النموذج
- التقييم والضبط
- النشر والمراقبة
مشكلة الإفراط في التخصيص (Overfitting) ونقصه (Underfitting): النموذج المعقد جدًا يُبالغ في تفسير التدريب. البسيط جدًا لا يلتقط النمط.
أسئلة تدريبية
1. مشفى يريد تصنيف الأورام الخبيثة/الحميدة من صور الأشعة. نظام آخر يُجمّع مرضى متشابهين بدون تشخيص مسبق. ما نوع التعلم في كل منهما؟
عرض الإجابة
تصنيف الأورام: Supervised Learning — النموذج يتدرب على صور مُوسومة (خبيثة/حميدة) من قِبل أطباء. تجميع المرضى: Unsupervised Learning — النموذج يبحث عن أنماط مشتركة بين المرضى دون معرفة مسبقة بالتصنيفات.
2. ما الفرق بين Classification وRegression في التعلم الخاضع للإشراف؟ أيهما يُناسب التنبؤ بسعر السهم؟ وأيهما لتحديد ما إذا كان البريد سبامًا؟
عرض الإجابة
Regression: يُتنبأ بقيمة مستمرة (رقم). Classification: يُتنبأ بفئة (فئة من فئات محددة). سعر السهم: Regression (قيمة مستمرة). البريد سبام/غير سبام: Classification (فئتان). سعر السهم إذا سألنا ‘هل سيرتفع أم ينخفض؟’ = Classification ثنائي.
3. ما خوارزمية K-Nearest Neighbors (KNN)؟ اشرح مبدأها بمثال من حياة طالب.
عرض الإجابة
KNN: لتصنيف عنصر جديد، ابحث عن الـ K أقرب أمثلة في بيانات التدريب وصوّت للفئة الأكثر. مثال: تريد معرفة هل مادة جديدة ستعجبك — انظر لأقرب 5 طلاب متشابهين معك في الاهتمامات وانظر ما أعجبهم. إذا أعجبت الأكثرية (3 من 5) = ستعجبك.
4. ما Feature Engineering؟ ولماذا يُعدّ من أهم مراحل تطوير نموذج ML؟
عرض الإجابة
Feature Engineering: إنشاء أو تحويل أو اختيار المتغيرات (Features) من البيانات الخام لتُقدَّم للنموذج. مثال: من تاريخ الميلاد تُستخرج: العمر، الجيل، هل هو يوم عطلة. أهميته: النموذج الجيد مع Features رديئة سيُعطي نتائج سيئة (‘Garbage In Garbage Out’). Feature Engineering يُحوّل البيانات الخام لمعلومات ذات معنى يستطيع النموذج الاستفادة منها.
5. نموذج تصنيف يُعطي دقة 95% على بيانات التدريب و58% على الاختبار. وآخر يُعطي 78% على التدريب و75% على الاختبار. أيهما تختار للنشر؟
عرض الإجابة
الثاني (78%-75%). الأول يعاني Overfitting واضحًا — أداؤه الحقيقي في الواقع أقرب لـ58%. الثاني يُعمّم بشكل جيد (فجوة صغيرة بين التدريب والاختبار) — أداؤه في الواقع متوقع أن يكون قريبًا من 75%. الهدف ليس أعلى دقة تدريب بل أفضل تعميم لبيانات جديدة.
6. ما خوارزمية Decision Tree (شجرة القرار)؟ وما ميزتها في التفسير مقارنة بالشبكات العصبية؟
عرض الإجابة
Decision Tree: نموذج يتخذ قرارات بسلسلة شروط متفرعة (إذا العمر > 35 AND الدخل > X → فئة A). ميزتها في التفسير: كل قرار قابل للشرح — يمكنك تتبع الشجرة خطوة بخطوة ومعرفة لماذا صنّف النموذج هذا المثال بهذه الفئة. الشبكات العصبية صناديق سوداء لا تُفسَّر بسهولة — Decision Tree قابلة للتدقيق.
7. ما Ensemble Learning؟ ولماذا يُعطي عادةً أداءً أفضل من نموذج واحد؟
عرض الإجابة
Ensemble Learning: دمج تنبؤات نماذج متعددة للحصول على نتيجة أفضل. مثال Random Forest: عشرات أشجار القرار تُصوّت للتصنيف النهائي. السبب في الأداء الأفضل: كل نموذج يُخطئ في حالات مختلفة — الجمع يُصحح أخطاء الفرد. مشابه للديمقراطية: قرار المجموعة أكثر صوابًا من قرار الفرد في المتوسط.
8. ما مشكلة التوزيع غير المتوازن للفئات (Class Imbalance)؟ وكيف تُؤثر على نموذج تعلم آلي؟
عرض الإجابة
Class Imbalance: فئة واحدة تهيمن على البيانات — مثال: 99% من المعاملات البنكية غير احتيالية. النموذج إذا تنبأ ‘غير احتيالي’ دائمًا يُعطي دقة 99% لكنه فاشل وظيفيًا! التأثير: الدقة مقياس مضلل هنا. الحل: (1) استخدام Recall وPrecision وF1 كمقاييس. (2) Oversampling للأقلية (SMOTE) أو Undersampling للأكثرية. (3) أوزان مختلفة للفئات.
9. ما الفرق بين Precision وRecall؟ متى تُقدّم كل منهما على الأخرى؟
عرض الإجابة
Precision: من كل ما قال النموذج ‘إيجابي’، كم كان صحيحًا؟ (لا تُريد إزعاج عملاء بتنبيهات خاطئة). Recall: من كل الإيجابيات الحقيقية، كم رصد النموذج؟ (لا تُريد تفويت حالة). تُقدّم Recall: كشف السرطان (تفويت حالة = كارثة). تُقدّم Precision: نظام توصية (تنبيه خاطئ = إزعاج بسيط).
10. ما مفهوم Transfer Learning؟ وكيف يُوفّر وقتًا وموارد في تطوير نماذج جديدة؟
عرض الإجابة
Transfer Learning: استخدام نموذج مُدرَّب مسبقًا على مهمة كبيرة (مثل تصنيف ملايين الصور) كنقطة انطلاق لمهمة جديدة (تصنيف صور طبية) بدلًا من البدء من الصفر. التوفير: (1) لا يحتاج ملايين الصور الطبية — بضع آلاف كافية للـ Fine-tuning. (2) أسرع بكثير في التدريب. (3) غالبًا أداء أفضل. المنطق: المعرفة عامة كالحواف والأشكال مشتركة بين مجالات مختلفة.
11. ما الفرق بين نموذج الخط الأساسي (Baseline Model) والنموذج المتقدم؟ ولماذا يُبنى الأول أولًا؟
عرض الإجابة
Baseline Model: نموذج بسيط جدًا يُبنى أولًا كمرجع (مثال: دائمًا توقع الفئة الأكثر شيوعًا، أو انحدار خطي بسيط). نموذج متقدم: Deep Learning، Ensemble، خوارزميات معقدة. يُبنى الأساسي أولًا لأن: (1) يُحدد الحد الأدنى للأداء المطلوب تجاوزه. (2) إذا النموذج المعقد لا يتفوق على البسيط — زيادة التعقيد غير مبررة. (3) مرجع سريع للتقييم.
12. شركة تُريد اختيار الخوارزمية الأنسب لتجميع عملائها. ما المعايير التي تستخدمها للاختيار بين K-Means وDBSCAN وHierarchical Clustering؟
عرض الإجابة
K-Means: يناسب حين تعرف عدد التجمعات المطلوبة مسبقًا وهي كروية الشكل تقريبًا. DBSCAN: يكتشف عدد التجمعات تلقائيًا ويُعالج التجمعات ذات الأشكال غير المنتظمة ويُحدد الشواذ. Hierarchical: يُنتج شجرة هرمية — مفيد حين تريد مستويات متعددة من التجميع. للعملاء: K-Means شائع وفعّال إذا كان العدد التقريبي للشرائح معروفًا.