ملخص المحاضرة الثانية
#أساسيات_علم_البيانات
د. #غالب_الجعفري - نظري
تلخيص الطالب : محمد الجند
دعواتكم له ولنا بالتوفيق
#مشاركة من الطالب محمد الجند
#أساسيات_علم_البيانات
د. #غالب_الجعفري - نظري
تلخيص الطالب : محمد الجند
دعواتكم له ولنا بالتوفيق
#مشاركة من الطالب محمد الجند
👍1
المحاضرة الأولى مصورة
#حساب_تفاضل_و_تكامل
#صور #محاضرات
د. #فاطمة_الهادي - عملي
#علم_البيانات الدفـعـ(1)ــة
#حساب_تفاضل_و_تكامل
#صور #محاضرات
د. #فاطمة_الهادي - عملي
#علم_البيانات الدفـعـ(1)ــة
10. Deep Learning.pdf
1.3 MB
المحاضرة الحادية عشر
#أساسيات_علم_البيانات
#محاضرات
أ.د. #غالب_الجعفري نظري
#علم_البيانات الدفـعـ(1)ــة
#أساسيات_علم_البيانات
#محاضرات
أ.د. #غالب_الجعفري نظري
#علم_البيانات الدفـعـ(1)ــة
11. Recommendation Engines.pdf
2 MB
المحاضرة الثانية عشر
#أساسيات_علم_البيانات
#محاضرات
أ.د. #غالب_الجعفري نظري
#علم_البيانات الدفـعـ(1)ــة
#أساسيات_علم_البيانات
#محاضرات
أ.د. #غالب_الجعفري نظري
#علم_البيانات الدفـعـ(1)ــة
شرح مفصل لتعلم الآلة باستخدام مثال القبول الجامعي
تخيل أنك مدير قبول في جامعة كبيرة. لديك آلاف الطلاب يتقدمون للالتحاق كل عام. كيف تختار من تستقبله؟ بالتأكيد، لا يمكنك مراجعة كل طلب يدويًا وتقييمه بناءً على شعورك الشخصي. هنا يأتي دور تعلم الآلة لمساعدتك في اتخاذ قرار أكثر دقة وعلمية.
ما هو تعلم الآلة في هذا السياق؟
تعلم الآلة هو فرع من الذكاء الاصطناعي يتيح للحاسوب تعلم أنماط ومعلومات من البيانات الضخمة، ثم استخدام هذه المعرفة لاتخاذ قرارات أو تنبؤات. في مثالنا، سنستخدم تعلم الآلة لتدريب نموذج حاسوبي على التنبؤ بنجاح الطلاب في الجامعة بناءً على بياناتهم السابقة.
كيف يعمل ذلك؟
* جمع البيانات:
* البيانات التاريخية: تجمع بيانات عن جميع الطلاب الذين تم قبولهم في السنوات السابقة. هذه البيانات تشمل:
* معدل الطالب في الثانوية
* نتيجة اختبار القبول
* نتيجة المفاضلة النهائية
* التحصيل العلمي للطالب خلال سنوات دراسته في الجامعة (نجاح، رسوب، متوسط الدرجات، إلخ)
* البيانات الجديدة: تجمع بيانات عن الطلاب المتقدمين للقبول في العام الحالي.
* تحضير البيانات:
* تنظيف البيانات: تتأكد من أن البيانات خالية من الأخطاء والقيم المفقودة.
* تحويل البيانات: تحويل البيانات إلى صيغة يمكن للحاسوب فهمها ومعالجتها. مثلاً، تحويل الدرجات النسبية إلى أرقام.
* بناء النموذج:
* اختيار الخوارزمية: تختار خوارزمية تعلم آلة مناسبة لمهمتك. هناك العديد من الخوارزميات، ولكل منها استخدامات محددة.
* تدريب النموذج: تعطي النموذج البيانات التاريخية، ويحاول النموذج إيجاد علاقة بين المدخلات (معدل الثانوية، نتيجة الاختبار، إلخ) والمخرجات (نجاح الطالب في الجامعة).
* التنبؤ:
* بيانات الطلاب الجدد: تعطي النموذج المدرب بيانات الطلاب الجدد الذين تقدموا للقبول.
* التنبؤ بالنجاح: يستخدم النموذج العلاقة التي تعلمها للتنبؤ بمدى احتمال نجاح كل طالب جديد.
* اتخاذ القرار:
* القبول أو الرفض: بناءً على تنبؤات النموذج، يمكنك اتخاذ قرار بشأن قبول الطلاب الجدد. يمكنك تحديد حد أدنى معين من الاحتمال للنجاح لقبول الطالب.
لماذا نستخدم تعلم الآلة في هذا المثال؟
* دقة أكبر: النماذج يمكنها تحليل كميات كبيرة من البيانات بشكل أسرع وأدق من البشر، مما يقلل من الأخطاء في عملية الاختيار.
* إنصاف: يمكن للنموذج أن يأخذ في الاعتبار مجموعة متنوعة من العوامل، مما يضمن أن عملية الاختيار تكون عادلة ومنصفة لجميع المتقدمين.
* كفاءة: يمكن أتمتة جزء كبير من عملية القبول، مما يوفر الوقت والجهد للموظفين.
* تحسين مستمر: يمكن تحديث النموذج بشكل دوري باستخدام بيانات جديدة، مما يحسن من دقته على مر الزمن.
أمثلة على الخوارزميات التي يمكن استخدامها:
* الانحدار اللوجستي: يستخدم لتوقع احتمال حدوث حدث (مثل نجاح الطالب) بناءً على مجموعة من المتغيرات المستقلة.
* أشجار القرار: تقسم البيانات إلى مجموعات فرعية بناءً على قيم المتغيرات، مما يساعد على فهم العلاقة بين المتغيرات المستقلة والمتغير التابع.
* الغابات العشوائية: مجموعة من أشجار القرار التي تعمل معًا لتحسين دقة التنبؤ.
ملاحظات هامة:
* أهمية جودة البيانات: جودة البيانات المستخدمة لتدريب النموذج تؤثر بشكل كبير على دقة النتائج.
* التحيز في البيانات: يجب الحرص على تجنب أي تحيز في البيانات التي تستخدم لتدريب النموذج، حتى لا تؤثر على النتائج النهائية.
* تفسير النتائج: يجب تفسير نتائج النموذج بعناية، ولا يجب الاعتماد عليها بشكل كامل لاتخاذ القرارات النهائية.
باختصار، تعلم الآلة يمكن أن يكون أداة قوية لمساعدة الجامعات في اتخاذ قرارات قبول أكثر علمية ومنصفة.
تخيل أنك مدير قبول في جامعة كبيرة. لديك آلاف الطلاب يتقدمون للالتحاق كل عام. كيف تختار من تستقبله؟ بالتأكيد، لا يمكنك مراجعة كل طلب يدويًا وتقييمه بناءً على شعورك الشخصي. هنا يأتي دور تعلم الآلة لمساعدتك في اتخاذ قرار أكثر دقة وعلمية.
ما هو تعلم الآلة في هذا السياق؟
تعلم الآلة هو فرع من الذكاء الاصطناعي يتيح للحاسوب تعلم أنماط ومعلومات من البيانات الضخمة، ثم استخدام هذه المعرفة لاتخاذ قرارات أو تنبؤات. في مثالنا، سنستخدم تعلم الآلة لتدريب نموذج حاسوبي على التنبؤ بنجاح الطلاب في الجامعة بناءً على بياناتهم السابقة.
كيف يعمل ذلك؟
* جمع البيانات:
* البيانات التاريخية: تجمع بيانات عن جميع الطلاب الذين تم قبولهم في السنوات السابقة. هذه البيانات تشمل:
* معدل الطالب في الثانوية
* نتيجة اختبار القبول
* نتيجة المفاضلة النهائية
* التحصيل العلمي للطالب خلال سنوات دراسته في الجامعة (نجاح، رسوب، متوسط الدرجات، إلخ)
* البيانات الجديدة: تجمع بيانات عن الطلاب المتقدمين للقبول في العام الحالي.
* تحضير البيانات:
* تنظيف البيانات: تتأكد من أن البيانات خالية من الأخطاء والقيم المفقودة.
* تحويل البيانات: تحويل البيانات إلى صيغة يمكن للحاسوب فهمها ومعالجتها. مثلاً، تحويل الدرجات النسبية إلى أرقام.
* بناء النموذج:
* اختيار الخوارزمية: تختار خوارزمية تعلم آلة مناسبة لمهمتك. هناك العديد من الخوارزميات، ولكل منها استخدامات محددة.
* تدريب النموذج: تعطي النموذج البيانات التاريخية، ويحاول النموذج إيجاد علاقة بين المدخلات (معدل الثانوية، نتيجة الاختبار، إلخ) والمخرجات (نجاح الطالب في الجامعة).
* التنبؤ:
* بيانات الطلاب الجدد: تعطي النموذج المدرب بيانات الطلاب الجدد الذين تقدموا للقبول.
* التنبؤ بالنجاح: يستخدم النموذج العلاقة التي تعلمها للتنبؤ بمدى احتمال نجاح كل طالب جديد.
* اتخاذ القرار:
* القبول أو الرفض: بناءً على تنبؤات النموذج، يمكنك اتخاذ قرار بشأن قبول الطلاب الجدد. يمكنك تحديد حد أدنى معين من الاحتمال للنجاح لقبول الطالب.
لماذا نستخدم تعلم الآلة في هذا المثال؟
* دقة أكبر: النماذج يمكنها تحليل كميات كبيرة من البيانات بشكل أسرع وأدق من البشر، مما يقلل من الأخطاء في عملية الاختيار.
* إنصاف: يمكن للنموذج أن يأخذ في الاعتبار مجموعة متنوعة من العوامل، مما يضمن أن عملية الاختيار تكون عادلة ومنصفة لجميع المتقدمين.
* كفاءة: يمكن أتمتة جزء كبير من عملية القبول، مما يوفر الوقت والجهد للموظفين.
* تحسين مستمر: يمكن تحديث النموذج بشكل دوري باستخدام بيانات جديدة، مما يحسن من دقته على مر الزمن.
أمثلة على الخوارزميات التي يمكن استخدامها:
* الانحدار اللوجستي: يستخدم لتوقع احتمال حدوث حدث (مثل نجاح الطالب) بناءً على مجموعة من المتغيرات المستقلة.
* أشجار القرار: تقسم البيانات إلى مجموعات فرعية بناءً على قيم المتغيرات، مما يساعد على فهم العلاقة بين المتغيرات المستقلة والمتغير التابع.
* الغابات العشوائية: مجموعة من أشجار القرار التي تعمل معًا لتحسين دقة التنبؤ.
ملاحظات هامة:
* أهمية جودة البيانات: جودة البيانات المستخدمة لتدريب النموذج تؤثر بشكل كبير على دقة النتائج.
* التحيز في البيانات: يجب الحرص على تجنب أي تحيز في البيانات التي تستخدم لتدريب النموذج، حتى لا تؤثر على النتائج النهائية.
* تفسير النتائج: يجب تفسير نتائج النموذج بعناية، ولا يجب الاعتماد عليها بشكل كامل لاتخاذ القرارات النهائية.
باختصار، تعلم الآلة يمكن أن يكون أداة قوية لمساعدة الجامعات في اتخاذ قرارات قبول أكثر علمية ومنصفة.