أساسيات تعلّم الآلة

فكرة Machine Learning

تقنية بتتعلم أنماط وقواعد من كمية كبيرة من البيانات عشان تحكم وتتنبأ ببيانات جديدة. هي أشهر طريقة لتشغيل الـ AI.

• البرمجة التقليدية: الإنسان يدّي القواعد + البيانات، والكمبيوتر يطلّع الإجابة بتنفيذ القواعد.
• Machine learning: الإنسان يدّي بيانات (وإجابات صحيحة لو متاحة)، والكمبيوتر يلاقي القواعد بنفسه.
• بنستخدمه لما القواعد صعب نكتبها بالكلام (كلب ولا قطة؟ رسالة سبام؟ تحويل صوت لنص).

حدود تعلّم الآلة

• جودة وتحيّز بيانات التدريب بتأثر على النتيجة: بيانات متحيزة ← أحكام متحيزة (bias).
• Black-box problem: صعب نعرف أساس حكم النموذج.
• يُستخدم كأداة تدعم قرار الإنسان مش بديل عنه.

الأنواع التلاتة

• Supervised learning: بيانات = (مدخل + إجابة صحيحة/label) ← يتعلم قواعد التنبؤ بالإجابة.
• Unsupervised learning: مدخل فقط بدون إجابات ← يكتشف بنية أو مجموعات مخفية.
• Reinforcement learning: أفعال ونتائجها (مكافآت) ← يتعلم يختار أفعال أفضل.

Classification (مثال Supervised)

بيتنبأ النوع (class) اللي بتنتمي له البيانات (سبام/عادي، صور أشعة سليمة/غير سليمة، كلب/قطة/طائر). المرحلتين: Training (يتعلم القواعد من بيانات عليها labels) ثم Prediction (يصنّف بيانات جديدة).

Feature: معلومة في البيانات مفيدة للتنبؤ (كلمات الإيميل، عنوان المرسل، طول النص). اختيار الـ features بيأثر جداً على الدقة.

Clustering (مثال Unsupervised)

بيجمّع العناصر المتشابهة في مجموعات (clusters) بدون إجابات جاهزة. مثال: تجميع عملاء متجر حسب عادات الشراء، أو تجميع مقالات متشابهة.

• الفرق عن classification: هل الـ labels معطاة مسبقاً؟ (classification نعم، clustering لا).
• الإنسان بيفسّر نتيجة التجميع ويستخدمها في التسويق وتطوير المنتجات.

Reinforcement learning

بيتعلم اختيار الأفعال من المكافأة (reward) الناتجة بالتجربة والخطأ. مثال: لعبة للحصول على سكور عالي، روبوت يتعلم المشي، سيارة ذاتية تتعلم قيادة آمنة.

• State: الموقف اللي فيه الـ agent.
• Action: الاختيارات الممكنة.
• Reward: تقييم رقمي للنتيجة (جيد/سيء).
• مناسب لما الإجابة الصحيحة مش معروفة لكن جودة النتيجة ممكن تتقيّم.