مسار التعلم الآلي

1. التعلم تحت الإشراف (Supervised Learning)

هو النوع الأكثر شيوعاً واستخداماً في التطبيقات التجارية. الفكرة ببساطة هي "التدريب بالأمثلة". كما تعلم الطفل أن هذا "تفاح" وهذا "موز" من خلال الإشارة إليها، نحن نعلم الآلة بنفس الطريقة.

ينقسم إلى نوعين رئيسيين:

• التصنيف (Classification): عندما تكون النتيجة "فئة".
  مثال: هل هذا البريد "Spam" أم "Normal"؟ هل الورم "حميد" أم "خبيث"؟
• الانحدار (Regression): عندما تكون النتيجة "رقماً مستمراً".
  مثال: توقع سعر منزل بناءً على مساحته وموقعه. توقع درجة الحرارة غداً.

2. التعلم غير الخاضع للإشراف (Unsupervised Learning)

هنا التحدي أكبر. نعطي الآلة كومة من البيانات الهائلة "بدون أي تصنيفات". ونطلب منها: "اكتشفي الأنماط الخفية بنفسك". لا يوجد معلم يصحح الإجابات.

أهم الخوارزميات:

• التجميع (Clustering): تقسيم البيانات إلى مجموعات متشابهة.
  مثال: تقسيم عملاء المتجر إلى شرائح (عشاق التكنولوجيا، المتسوقون الاقتصاديون) لاستهدافهم بإعلانات محددة.
• تقليل الأبعاد (Dimensionality Reduction): تبسيط البيانات المعقدة جداً مع الحفاظ على جوهر المعلومات، لتسهيل معالجتها ورؤيتها (مثل PCA).
• كشف الشذوذ (Anomaly Detection): معرفة البيانات "الغريبة" التي لا تشبه البقية.
  مثال: كشف عمليات الاحتيال البنكي (معاملة غريبة في وقت غير معتاد).

3. التعلم المعزز (Reinforcement Learning)

التعلم بالمحاولة والخطأ، مبدأ "الثواب والعقاب". تخيل أنك تدرب كلباً. إذا فعل شيئاً جيداً تعطيه مكافأة، وإذا أخطأ لا يحصل على شيء.

• آلية العمل: يوجد "عميل" (Agent) يتفاعل مع "بيئة" (Environment) ويتخذ "إجراءات" (Actions). بناءً على هذه الإجراءات يحصل على "مكافأة" (+Reward) أو "عقاب" (-Reward). هدفه تعظيم المكافآت على المدى الطويل.
• التطبيقات المذهلة: الروبوتات التي تتعلم المشي، الذكاء الاصطناعي الذي هزم أبطال العالم في الشطرنج و Go (AlphaGo)، والسيارات ذاتية القيادة التي تتعلم عدم الاصطدام.

4. كيف نقيس ذكاء النموذج؟

بعد بناء النموذج، كيف نعرف أنه جيد؟ لا نعتمد على التخمين، بل على مقاييس دقيقة:

• الدقة (Accuracy): نسبة التوقعات الصحيحة الكلية. (خادعة أحياناً!).
• المصفوفة الدقيقة (Confusion Matrix): توضح أين أخطأ النموذج بالضبط (هل صنف مريضاً على أنه سليم؟ كارثة!).
• Overfitting (التعلم الزائد): عندما يحفظ النموذج البيانات بدلاً من فهمها (ينجح في التدريب ويفشل في الواقع).
• Underfitting (التعلم الناقص): النموذج "غبي" جداً لدرجة أنه لم يفهم حتى البيانات الأساسية.