تعلُّم الآلة مشروحًا بأرقام حقيقية
دروس قصيرة بلغة مبسّطة — دون حاجة إلى خلفية رياضية. كل فكرة تُشرح بمثال عملي يمكنك تتبّعه يدويًا، وكل مصطلح يرتبط بمعجم ثنائي اللغة متوافق مع معجم سدايا الرسمي لمصطلحات الذكاء الاصطناعي.
الدروس
ست قراءات قصيرة بالترتيب — أو انتقل مباشرة إلى ما تحتاجه.
ما النموذج؟ وكيف يتم التدريب؟
من أين يأتي «النموذج» فعليًا: التدريب والاختبار، ولماذا نحجب جزءًا من البيانات.
اقرأ الدرسالانحدار بمثال عملي
توقّع رقمًا — خمسة منازل ومعادلة واحدة، وكل مقاييس الخطأ محسوبة يدويًا.
اقرأ الدرسالتصنيف بمثال عملي
توقّع صنفًا — عشرة عملاء، ومصفوفة دقة مملوءة يدويًا، وما الذي تخفيه الدقة.
اقرأ الدرسالتنبؤ الزمني: مبيعات الشهر القادم
توقّع المستقبل من الماضي — الإزاحات وأفق التنبؤ، ولماذا تنحرف التوقعات البعيدة.
اقرأ الدرسافهم مقاييسك
R² وMAE والإحكام والاستدعاء وغيرها — ماذا يعني كل مقياس ومتى تثق به.
اقرأ الدرسقراءة تقرير مجموعة بياناتك
حوالي ثلاثين فحصًا تلقائيًا يجريها بيانِي على بياناتك، وما المطلوب منك حيال كل نتيجة.
اقرأ الدرسقبل أن تدرّب نموذجك
أمران يستحقان المعرفة قبل نموذجك الأول: الأخطاء التي تخدع معظم المبتدئين، ومتى لا يكون النموذج هو الأداة المناسبة.
الأخطاء الشائعة
فرط التخصيص
عندما يتعلّم نموذجك بيانات التدريب أكثر من اللازم—فيحفظ كل تفصيل بدلاً من تعلّم الأنماط العامة. يؤدّي أداءً ممتازًا على بيانات التدريب لكنه ضعيف على البيانات الجديدة.
العلامات: دقة عالية على بيانات التدريب لكن دقة منخفضة على بيانات الاختبار. الحل: استخدم بيانات أكثر، أو بسّط نموذجك، أو استخدم تقنيات التنظيم.
بيانات رديئة
مدخلات رديئة تعني مخرجات رديئة. إذا كانت بياناتك تحتوي على أخطاء أو قيم مفقودة أو لا تمثّل الواقع، فسيتعلّم نموذجك أنماطًا خاطئة.
مشكلات شائعة: قيم مفقودة، أخطاء إملائية، تنسيقات غير متّسقة، معلومات قديمة. الحل: نظّف بياناتك قبل التدريب—احذف التكرارات، واملأ القيم المفقودة، وتحقّق من الأخطاء.
تسرب البيانات
عندما تتسرّب معلومات من المستقبل أو الإجابة نفسها بشكل عَرَضي إلى بيانات التدريب. يبدو نموذجك مثاليًا، لكنه يغشّ.
مثال: التنبؤ بفقدان العملاء مع تضمين "عدد الأيام منذ آخر عملية شراء" بينما لن تكون هذه المعلومة متاحة وقت التنبؤ. الحل: استخدم فقط الخصائص التي ستكون متاحة عند إجراء تنبؤات حقيقية.
متى لا تستخدم الذكاء الاصطناعي
ليس تعلّم الآلة هو الحل الصحيح دائمًا. إليك حالات ينبغي فيها التفكير في بدائل:
- القواعد البسيطة أفضل: إذا كانت قاعدة بسيطة من نوع "إذا… فإنّ…" تحلّ مشكلتك (مثل "إذا كان العمر > 18، فهو مؤهَّل")، فاستخدمها بدلاً من ذلك. فهي أسرع وأرخص وأسهل فهمًا.
- بيانات غير كافية: يحتاج تعلّم الآلة إلى أمثلة ليتعلّم منها. إذا كان لديك عدد قليل جدًا من نقاط البيانات (مثل 10–20)، فقد تكون الإحصاءات التقليدية أو خبرة المختصّين أفضل.
- لا نمط واضح: إذا كانت بياناتك عشوائية تمامًا دون أنماط كامنة، فلا يمكن لأي نموذج أن يتعلّم شيئًا مفيدًا.
- القابلية للتفسير حاسمة: في القطاعات الخاضعة للتنظيم (الرعاية الصحية، التمويل)، قد تحتاج إلى تفسير كل قرار. بعض نماذج الذكاء الاصطناعي "صناديق سوداء" يصعب تفسيرها.
- متطلّبات الزمن الحقيقي: إذا كنت بحاجة إلى نتائج فورية ولا يمكنك انتظار تدريب النموذج، فقد يكون الحل الجاهز أو النظام القائم على القواعد أسرع.
- التكلفة تفوق الفائدة: إذا كان بناء النموذج وصيانته يكلّف أكثر من القيمة التي يقدّمها، فالتزم بالحلول الأبسط.
تذكّر: الذكاء الاصطناعي أداة، وليس حلاً سحريًا. استخدمه عندما يضيف قيمة، لا لمجرّد أنه رائج.
كل مصطلح، باللغتين
يعرّف المعجم كل مقياس ومفهوم تستخدمه الدروس — بعربية وإنجليزية مبسّطتين، مع مثال عملي صغير لكل منها. تتبع المصطلحات العربية معجم سدايا الرسمي للذكاء الاصطناعي.