باختصار
«التعلم الآلي والذكاء الاصطناعي» (الفصل 7) من منهج البرمجة والذكاء الاصطناعي للصف الثاني الثانوي، الترم التاني. الملخص مقسّم لـ: أهداف التعلم، المصطلحات والتعريفات، أساسيات التعلم الآلي، أنواع التعلم الآلي الثلاثة، تطبيقات وأمثلة محلولة.
أهداف التعلم
- تمييز الفرق بين البرمجة التقليدية والتعلم الآلي من حيث طريقة حل المشكلات.
- تعريف الأنواع الثلاثة الرئيسية للتعلم الآلي: الخاضع للإشراف، غير الخاضع للإشراف، والتعلم المعزز.
- شرح مفهوم التصنيف وتطبيقه على أمثلة واقعية مثل تصنيف البريد الإلكتروني.
- توضيح مفهوم التجميع (Clustering) وكيفية استخدامه لاكتشاف بنى مخفية في البيانات.
- التعرف على مشكلة الصندوق الأسود وتأثير جودة البيانات والتحيز على أداء النماذج.
- استيعاب دور الإنسان في اختيار البيانات، دالة الهدف، وطريقة التقييم لضمان موثوقية النماذج.
المصطلحات والتعريفات
| المصطلح | التعريف الكامل (مستخرج من النص) |
|---|---|
| التعلم الآلي | مجال يستخدم خوارزميات تتعلم أنماطًا من البيانات لبناء نموذج يؤدي مهمة محددة (مثل التنبؤ أو التصنيف أو دعم القرار) على بيانات جديدة. |
| البرمجة التقليدية | كتابة قواعد قرار (إجراءات) يحددها المبرمج، ثم يُطبق الحاسوب هذه القواعد على بيانات الإدخال لإنتاج الإجابات. |
| الخاضع للإشراف | نوع من التعلم الآلي يتعلم من أمثلة موسومة (بيانات مدخلات مع قيم أو فئات مستهدفة معروفة). |
| غير الخاضع للإشراف | نوع من التعلم الآلي يكتشف مجموعات أو بنى في البيانات دون وجود وسوم أو قيم مستهدفة. |
| التعلم المعزز | تعلم يتفاعل فيه وكيل مع بيئة، يختار أفعالًا ويتلقى إشارات مكافأة، بهدف زيادة مجموع المكافآت المتوقعة مع الزمن. |
| التصنيف | عملية التنبؤ بالفئة التي ينتمي إليها إدخال جديد بناءً على نموذج تدرب على بيانات موسومة. |
| السمة | دليل في بيانات التدريب يُستَخدم لتوقع الفئة؛ مثال: عدد الكلمات المشبوهة في رسالة بريد إلكتروني. |
| التجميع (Clustering) | طريقة تقسم البيانات إلى عناقيد وفق سمات ومقياس تشابه محدد من قبل المصمم، دون الحاجة إلى وسوم مسبقة. |
| مشكلة الصندوق الأسود | صعوبة رؤية الأسس التي يعتمد عليها النموذج في اتخاذ قراراته، حتى وإن تحسّن النموذج ببيانات أكثر. |
| التحيز (Bias) | بيانات منحرفة تؤدي إلى أحكام منحرفة من النموذج. |
| دالة الهدف | المعيار الذي يحدده البشر لتقييم جودة النموذج أثناء التدريب. |
| الوكيل | الطرف المتعلم في التعلم المعزز الذي يتخذ إجراءات في موقف معين. |
| الإجراء | خيار يمكن للوكيل اختياره في موقف معين. |
| المكافأة | إشارة عددية يحصل عليها الوكيل من البيئة بعد تنفيذ إجراء لتوجيه التعلم نحو هدف محدد. |
أساسيات التعلم الآلي
التعلم الآلي هو نهج يُعتمد فيه على بيانات التدريب بدلاً من كتابة القواعد يدويًا. عندما يصعب على الإنسان صياغة جميع القواعد (مثال: التمييز بين قطة وكلب في صورة)، يُزوَّد النظام بكمية كبيرة من الأمثلة المصنفة، وتُستخدم خوارزمية لتعديل معلمات النموذج حتى يتعلم الأنماط التي تساعده على التنبؤ في أمثلة جديدة.
- دور الإنسان: يحدد المهمة، يجمع البيانات، يضع دالة الهدف، ويختار طريقة التقييم. النموذج لا يعمل بمعزل عن هذه الاختيارات؛ فالنتائج تتأثر بكمية وجودة البيانات، وطريقة التدريب، وطريقة التقييم.
- الاعتماد على البيانات: كلما ارتفعت خطورة القرار (مثال: قرارات طبية أو قضائية) يزداد الاعتماد على البيانات بدلاً من الرقابة البشرية المباشرة. ومع ذلك، لا يمكن إلغاء الدور البشري تمامًا.
- التحكم في جودة البيانات: النموذج قد يتحسن ببيانات أكثر إذا كانت مناسبة وعالية الجودة، لكن زيادة البيانات وحدها لا تضمن تحسينًا إذا كانت البيانات منحرفة أو غير ممثلة.
- مشكلة الصندوق الأسود: رغم أن النموذج قد يحقق دقة عالية، قد يبقى من الصعب معرفة السبب وراء قراره، ما يستدعي توخي الحذر خاصة في القرارات ذات الأثر البشري الكبير.
أنواع التعلم الآلي الثلاثة
التعلم الآلي يُقسم إلى ثلاثة أنواع رئيسية، يختلف اختيار كل نوع بحسب نوع البيانات المتوفرة وطبيعة المشكلة المراد حلها.
| الخاصية | التعلم الخاضع للإشراف | التعلم غير الخاضع للإشراف | التعلم المعزز |
|---|---|---|---|
| البيانات | مدخلات مع وسوم (قيمة أو فئة مستهدفة) معروفة | مدخلات بدون وسوم | مدخلات + إشارة مكافأة من البيئة |
| المهمة | التنبؤ بقيمة أو فئة جديدة | اكتشاف بنى أو مجموعات محتملة | اختيار أفعال لتحقيق أقصى مكافأة مع الزمن |
| مثال شائع | تصنيف رسائل البريد الإلكتروني إلى "مزعجة" أو "عادية" | تجميع عملاء متجر وفق أنماط الشراء | تدريب وكيل للعب لعبة شطرنج أو قيادة سيارة ذاتية |
| متطلبات | مجموعة تدريب موسومة، دالة هدف واضحة | مقياس تشابه وإعدادات يحددها المصمم | سياسة تحدد كيفية اختيار الأفعال بناءً على المكافآت |
| نتيجة | نموذج يحدد فئة الإدخال الجديد | عناقيد (Clusters) تُظهر بنية مخفية | سياسة (Policy) تُحسّن اتخاذ القرار بمرور الوقت |
ملاحظات هامة حول الاختيار
- إذا كانت القيم أو الفئات المستهدفة معروفة وتحتاج إلى تنبؤ، يُفضَّل التعلم الخاضع للإشراف.
- إذا كان الهدف هو استكشاف بنية البيانات دون معرفة مسبقة بالتصنيفات، يُستَخدم التعلم غير الخاضع للإشراف.
- إذا كان بالإمكان تعريف هدف أو مكافأة ويمكن للوكيل التفاعل المتكرر مع البيئة، يكون التعلم المعزز هو الأنسب.
تطبيقات وأمثلة محلولة
مثال 1: تصنيف البريد الإلكتروني (تعلم خاضع للإشراف)
الخطوة 1 – جمع البيانات: جمع مجموعة من الرسائل المصنفة مسبقًا إلى فئتين: "مزعجة" و"عادية".
الخطوة 2 – استخراج السمات: من كل رسالة نحدد سمات مثل عدد الكلمات المشبوهة، وجود عناوين مرسِل غير مألوفة، وطول النص.
الخطوة 3 – تدريب النموذج: نستخدم خوارزمية (مثال: شجرة قرار) لتعديل معلمات النموذج بحيث يتعلم العلاقة بين السمات والفئة.
الخطوة 4 – التنبؤ: عند وصول رسالة جديدة، يُحسب قيم السمات ثم يُطبق النموذج لتحديد ما إذا كانت "مزعجة" أم "عادية".
النقطة التعليمية: اختيار السمات المناسبة يؤثر بشكل كبير على دقة النموذج؛ بعض السمات قد تُحدَّد يدويًا وبعضها قد يتعلمها النموذج تلقائيًا.
مثال 2: تجميع عملاء متجر (تعلم غير خاضع للإشراف)
الخطوة 1 – جمع البيانات: جمع سجلات شراء العملاء (عدد المشتريات، الفئات المفضلة، قيمة الفاتورة). لا توجد فئات مسبقة.
الخطوة 2 – تحديد مقياس التشابه: نختار مسافة إقليدية بين المتجهات التي تمثل كل عميل.
الخطوة 3 – اختيار خوارزمية التجميع: نستخدم خوارزمية k‑means لتقسيم العملاء إلى k عناقيد.
الخطوة 4 – تفسير النتائج: كل عنقود يُظهر نمط شراء مميز؛ يمكن للمسوقين استهداف كل مجموعة بحملات مخصصة.
النقطة التعليمية: عدد العناقيد k يُحدَّد من قبل المصمم وقد يتطلب تجريب قيم مختلفة لتقييم معقولية التجميع.
تنبيهات الامتحان (أخطاء شائعة)
- خلط بين التعلم الخاضع وغير الخاضع للإشراف – لا يُستخدم التصنيف في حالة عدم وجود وسوم.
- إهمال تأثير التحيز في البيانات – البيانات المنحرفة تُنتج أحكامًا منحرفة، لذا يجب فحص تمثيل البيانات قبل التدريب.
- الاعتماد الكلي على النموذج دون مراجعة النتائج – بسبب مشكلة الصندوق الأسود، يجب دائمًا فحص مخرجات النموذج وتفسيرها.
- استخدام كمية بيانات أكبر كضمان للدقة – زيادة البيانات لا تكفل تحسين الأداء إذا كانت غير مناسبة أو ذات جودة منخفضة.
قائمة المراجعة (أكثر من 12 نقطة)
- [ ] فهم الفرق الأساسي بين البرمجة التقليدية والتعلم الآلي.
- [ ] معرفة تعريف كل نوع من أنواع التعلم الآلي الثلاثة ومتى يُستَخدم.
- [ ] تمييز مفهوم السمة ودورها في عملية التصنيف.
- [ ] القدرة على شرح مشكلة الصندوق الأسود وتأثيرها على الثقة بالنماذج.
- [ ] التعرف على مفهوم التحيز وكيفية تجنبه عبر اختيار بيانات ممثلة.
- [ ] معرفة خطوات تدريب نموذج تصنيف من جمع البيانات إلى التنبؤ.
- [ ] معرفة خطوات تجميع البيانات باستخدام خوارزمية k‑means أو غيرها.
- [ ] القدرة على اختيار مقياس التشابه المناسب للبيانات (مثال: مسافة إقليدية).
- [ ] فهم دور دالة الهدف وطريقة التقييم في تحسين النموذج.
- [ ] معرفة ما هو الوكيل، الإجراء، والمكافأة في التعلم المعزز.
- [ ] القدرة على توضيح سياسة الاختيار في التعلم المعزز وكيفية تحسينها مع الزمن.
- [ ] مراجعة أمثلة التصنيف (البريد المزعج) والتجميع (تقسيم العملاء).
- [ ] التأكد من أن البيانات المستخدمة ذات جودة وممثلة للواقع.
- [ ] التحقق من عدم وجود تسرب للبيانات (Data Leakage) أثناء التدريب.
- [ ] مراجعة النتائج وتفسيرها يدويًا لتجنب الاعتماد الكلي على الصندوق الأسود.
بالتوفيق في امتحاناتك!
الملخص ده مكتوب بالذكاء الاصطناعي من نص الفصل في الكتاب المدرسي، وآخر تحديث ليه كان 7 أكتوبر 2026. لقيت فيه غلطة؟ ابعتهالنا على واتساب ونصلّحها. إزاي بنكتب الملخصات.