1. ما هو الذكاء الاصطناعي (AI)؟
- الذكاء الاصطناعي هو مجال يهدف إلى تمكين الآلات من أداء مهام تتطلب ذكاءً بشريًا مثل الفهم والتعلم والتفكير.
2. ما هو تعلم الآلة (Machine Learning – ML)؟
- تعلم الآلة هو فرع من الذكاء الاصطناعي يمكّن الأنظمة من التعلم من البيانات وتحسين أدائها دون الحاجة إلى برمجة صريحة.
3. الفرق بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق
| المصطلح | التعريف |
| الذكاء الاصطناعي (AI) | مجال واسع يشمل جميع التقنيات التي تحاكي الذكاء البشري. |
| تعلم الآلة (ML) | فرع من الذكاء الاصطناعي يركز على تعليم الأنظمة من البيانات. |
| التعلم العميق (DL) | نوع متقدم من تعلم الآلة يعتمد على الشبكات العصبية العميقة. |
أنواع تعلم الآلة
1. التعلم الموجه (Supervised Learning)
- يعتمد على بيانات تحتوي على مدخلات ومخرجات معروفة.
- أمثلة: تصنيف الصور، التنبؤ بأسعار العقارات.
2. التعلم غير الموجه (Unsupervised Learning)
- يعتمد على بيانات لا تحتوي على مخرجات معروفة، ويكتشف الأنماط فيها.
- أمثلة: تجميع العملاء حسب سلوكهم، كشف الاحتيال.
3. التعلم المعزز (Reinforcement Learning)
- يعتمد على نظام المكافأة والعقاب لتحسين الأداء بمرور الوقت.
- أمثلة: الذكاء الاصطناعي في الألعاب، التحكم بالروبوتات.
المكونات الأساسية لتعلم الآلة
| المصطلح | التعريف |
| الميزات (Features) | الخصائص أو المتغيرات التي تستخدم لتدريب النموذج. |
| التسمية (Label) | القيم الصحيحة المرتبطة بكل عينة تدريب. |
| مجموعة التدريب (Training Set) | البيانات المستخدمة لتدريب النموذج. |
| مجموعة الاختبار (Test Set) | البيانات المستخدمة لتقييم النموذج. |
| التحقق المتقاطع (Cross Validation) | تقنية لتقييم النموذج عبر تقسيم البيانات إلى أجزاء متعددة. |
| التعميم (Generalization) | قدرة النموذج على الأداء الجيد مع بيانات جديدة لم يسبق له رؤيتها. |
مقاييس تقييم النماذج
| المصطلح | التعريف |
| الدقة (Accuracy) | نسبة التوقعات الصحيحة من إجمالي التوقعات. |
| الاسترجاع (Recall) | مدى قدرة النموذج على العثور على كل الحالات الإيجابية. |
| الدقة التنبؤية (Precision) | نسبة الحالات المصنفة بشكل صحيح ضمن الفئة الإيجابية. |
| مصفوفة الالتباس (Confusion Matrix) | جدول يوضح أداء النموذج في تصنيف البيانات. |
| مقياس F1 (F1 Score) | مقياس يجمع بين الدقة والاسترجاع. |
الخوارزميات الأساسية في تعلم الآلة
1. خوارزميات التصنيف (Classification)
- الانحدار اللوجستي (Logistic Regression): تُستخدم في التصنيف الثنائي (مثل تحديد ما إذا كان البريد إلكترونيًا مزعجًا أم لا).
- شجرة القرار (Decision Tree): نموذج يستخدم شجرة قرارات لاتخاذ التصنيفات.
- الغابات العشوائية (Random Forest): مجموعة من أشجار القرار لتحسين دقة التصنيف.
- دعم المتجهات (SVM – Support Vector Machines): تفصل بين الفئات باستخدام حدود قرارات محددة.
2. خوارزميات التنبؤ (Regression)
- الانحدار الخطي (Linear Regression): يُستخدم للتنبؤ بالقيم العددية مثل أسعار المنازل.
- نماذج السلاسل الزمنية (Time Series Models): تُستخدم لتوقع البيانات المستقبلية مثل أسعار الأسهم.
3. خوارزميات الشبكات العصبية الاصطناعية (Neural Networks)
- الشبكات العصبية الاصطناعية (ANN – Artificial Neural Networks): نموذج مستوحى من الدماغ البشري يستخدم في التعلم العميق.
- الشبكات التلافيفية (CNN – Convolutional Neural Networks): تُستخدم في معالجة الصور والتعرف على الوجوه.
- الشبكات المتكررة (RNN – Recurrent Neural Networks): تُستخدم في تحليل البيانات المتسلسلة مثل النصوص والصوت.
مشاكل وتحديات في تعلم الآلة
| المشكلة | الوصف |
| فرط التكيّف (Overfitting) | عندما يتعلم النموذج تفاصيل زائدة من بيانات التدريب ويؤدي بشكل سيئ على بيانات جديدة. |
| نقص التكيّف (Underfitting) | عندما يكون النموذج بسيطًا جدًا ولا يتعلم الأنماط الأساسية. |
| عدم التوازن في البيانات (Data Imbalance) | عندما تكون بعض الفئات ممثلة أكثر من غيرها في البيانات. |
| تحيز البيانات (Bias) | عندما يكون النموذج متحيزًا نحو فئة معينة بسبب البيانات غير المتوازنة. |
مصطلحات متقدمة في تعلم الآلة
| المصطلح | التعريف |
| تقليل الأبعاد (Dimensionality Reduction) | تقنيات مثل PCA تُستخدم لتقليل عدد الميزات وتحسين الأداء. |
| التعلم بالنقل (Transfer Learning) | استخدام نموذج تم تدريبه مسبقًا لمهمة جديدة. |
| التعلم شبه الموجه (Semi-Supervised Learning) | مزيج من التعلم الموجه وغير الموجه باستخدام بيانات قليلة موسومة. |
| التعلم الفوقي (Meta-Learning) | التعلم حول كيفية التعلم، بحيث يتمكن النموذج من التكيف بسرعة مع مهام جديدة. |
| التعلم المتصل (Continual Learning) | قدرة النماذج على التعلم باستمرار دون نسيان المعرفة السابقة. |
معالجة البيانات في تعلم الآلة
| المصطلح | التعريف |
| تنظيف البيانات (Data Cleaning) | إزالة القيم المفقودة أو الخاطئة من البيانات. |
| تطبيع البيانات (Normalization) | تحويل القيم إلى نطاق موحد (عادة بين 0 و1) لتسهيل التدريب. |
| توحيد البيانات (Standardization) | ضبط البيانات لتكون لها متوسط 0 وانحراف معياري 1. |
| تحليل المكونات الأساسية (PCA) | طريقة لتقليل أبعاد البيانات دون فقدان الكثير من المعلومات. |
| تحويلات الميزة (Feature Engineering) | إنشاء ميزات جديدة أو تعديل الميزات الحالية لتحسين أداء النموذج. |
أمان البيانات وأخلاقيات الذكاء الاصطناعي
| المصطلح | التعريف |
| تحيز البيانات (AI Bias) | تأثير التحيز في البيانات على قرارات النموذج. |
| قابلية التفسير (Explainability) | القدرة على تفسير كيفية اتخاذ النموذج لقراراته. |
| التعلم الخصوصي (Privacy-Preserving Learning) | تقنيات مثل التعلم الفيدرالي للحفاظ على خصوصية البيانات. |
| الهجمات العدائية (Adversarial Attacks) | هجمات على النماذج تجعلها تعطي نتائج خاطئة عمدًا. |
الخطوات العملية لتعلم الآلة
- جمع البيانات: الحصول على بيانات مناسبة وتحليلها.
- معالجة البيانات: تنظيف البيانات وتحديد الميزات المهمة.
- اختيار النموذج المناسب: اختيار الخوارزمية التي تناسب المشكلة.
- تدريب النموذج: تعليم النموذج باستخدام بيانات التدريب.
- تقييم الأداء: قياس دقة النموذج باستخدام مجموعة الاختبار.
- تحسين النموذج: ضبط المعلمات وتحسين الأداء.