الاحتمالات للذكاء الاصطناعي

الاحتمالات هي اللغة التي تتحدث بها النماذج عن عدم اليقين. عندما يتنبأ نموذج بأن احتمال هذا البريد المزعج هو 0.95، أو أن احتمال هذا المريض مصاب بمرض معين هو 0.7 — هذه أرقام احتمالية. هذه الصفحة تشرح الأساسيات العملية بدون الدخول في تعريفات أكاديمية ثقيلة.

ما هو الاحتمال؟

الاحتمال (Probability) = رقم بين 0 و1 يعبّر عن فرصة وقوع حدث ما.

• 0 = الحدث مستحيل.
• 1 = الحدث مؤكد.
• 0.5 = فرصة 50/50.

أمثلة عملية في الذكاء الاصطناعي

القاعدة الأساسية للجمع (احتمال A أو B)

إذا كان الحدثان A و B متنافيين (لا يمكن أن يحدثا معًا):

P(A أو B) = P(A) + P(B)

مثال: احتمال ظهور 1 أو 2 على نرد = 1/6 + 1/6 = 1/3.

قاعدة الضرب (احتمال A و B معًا)

إذا كان A و B مستقلّين (لا يؤثّر أحدهما على الآخر):

P(A و B) = P(A) × P(B)

مثال: احتمال ظهور 1 على النرد و صورة على العملة = (1/6) × (1/2) = 1/12.

الاحتمال الشرطي (Conditional Probability)

الاحتمال الشرطي = احتمال حدث ما بمعلومية حدث آخر:

P(A | B) = P(A و B) / P(B)

الرمز | يعني "بشرط أن" أو "بمعلومية".

مثال من الذكاء الاصطناعي

لتشخيص طبي:

• P(مريض) = 0.01 (1% من الناس مصابون)
• P(اختبار_موجب | مريض) = 0.95 (الاختبار يلتقط 95% من المرضى)
• P(اختبار_موجب | غير_مريض) = 0.05 (5% false positives)

السؤال: إذا كانت نتيجة الاختبار إيجابية، فما احتمال أن يكون المريض فعلًا مصابًا؟

الإجابة المباشرة (المُضِلّة): 95%. لكن الجواب الصحيح مختلف جدًا — وهذا ما يحلّه نظرية بايز.

نظرية بايز (Bayes' Theorem)

P(A | B) = [P(B | A) × P(A)] / P(B)

التطبيق على المثال الطبي

• P(مصاب | اختبار_موجب) = [P(اختبار_موجب | مصاب) × P(مصاب)] / P(اختبار_موجب)
• = (0.95 × 0.01) / P(اختبار_موجب)
• = 0.0095 / P(اختبار_موجب)

لحساب P(اختبار_موجب)، نستخدم قانون الاحتمال الكلي:

P(اختبار_موجب) = P(موجب|مصاب) × P(مصاب) + P(موجب|غير_مصاب) × P(غير_مصاب)
               = (0.95 × 0.01) + (0.05 × 0.99)
               = 0.0095 + 0.0495
               = 0.059

إذن:

P(مصاب | اختبار_موجب) = 0.0095 / 0.059 ≈ 0.16

فقط 16% من الذين نتيجتهم إيجابية مصابون فعلًا! هذا لأن المرض نادر (1%) والـ false positives تتراكم.

هذه نتيجة counter-intuitive لكنها حاسمة في تعلّم الآلة — كثير من المشاكل "تبدو سهلة" لأن الإيجابيات الكاذبة تسيطر على التنبؤات عندما يكون الحدث نادرًا.

التوزيعات الاحتمالية (Probability Distributions)

دالّة تربط كل قيمة محتملة باحتمالها. أشهر التوزيعات في ML:

التوزيع الطبيعي (Normal / Gaussian)

• منحنى الجرس الكلاسيكي.
• كثير من الظواهر الطبيعية تتبعه (الطول، الوزن، أخطاء القياس...).
• معلمتان: المتوسط (μ) والانحراف المعياري (σ).

import numpy as np
samples = np.random.normal(loc=100, scale=15, size=1000)
# 1000 عيّنة من توزيع طبيعي، متوسط 100 وانحراف معياري 15

توزيع برنولي (Bernoulli)

• نتيجتان فقط: 0 أو 1.
• مثل: عملة (وجه/ظهر)، نتيجة Spam/Not Spam.

# عيّنة من توزيع برنولي
outcomes = np.random.binomial(1, 0.3, size=10)  # 10 تجارب، احتمال نجاح 30%

التوزيع الفئوي (Categorical)

• أكثر من فئتين (مثل فئات تصنيف صورة: قطة، كلب، سيارة...).
• يعمّم برنولي.

توزيع بواسون (Poisson)

• عدد الأحداث في فترة زمنية (مثل عدد الزوار في الدقيقة).
• معلمته: معدّل الحدوث (λ).

الإنتروبيا (Entropy)

الإنتروبيا = مقياس عدم اليقين في توزيع احتمالي.

• إنتروبيا صفر = النتيجة مؤكّدة (لا عدم يقين).
• إنتروبيا عالية = النتيجة عشوائية جدًا.

الصيغة:

H(P) = -Σ P(x) × log(P(x))

لماذا تهمّ في تعلّم الآلة؟

• شجرة القرار (Decision Tree) تختار السمة التي تقلل الإنتروبيا أكثر عند كل تقسيم.
• Cross-Entropy Loss هو دالّة الفقد القياسية في التصنيف.

# حساب الإنتروبيا لتوزيع
import numpy as np

def entropy(p):
    p = np.asarray(p)
    return -np.sum(p * np.log2(p + 1e-12))

print(entropy([1.0, 0.0]))           # 0 — مؤكد
print(entropy([0.5, 0.5]))           # 1.0 — عشوائي بالكامل بين فئتين
print(entropy([0.9, 0.1]))           # 0.469 — شبه مؤكد

الاستقلال والارتباط

• مستقلّان: تعلّم A لا يغيّر معرفتك بـ B.
• مرتبطان: تعلّم A يغيّر معرفتك بـ B.

في تعلّم الآلة:

• الافتراض الكلاسيكي Naive Bayes يفترض أن الميزات مستقلة (تبسيط قوي لكن فعّال).
• Multicollinearity (في Linear Regression) مشكلة لأن الميزات مترابطة → تقدير غير مستقر.

كيف تظهر الاحتمالات في مشاريع AI؟

• Logistic Regression = نموذج ينتج احتمال أن العينة إيجابية.
• Naive Bayes = تطبيق مباشر لقاعدة بايز.
• Softmax (في الشبكات العصبية) = توزيع احتمالي على عدّة فئات.
• Cross-Entropy Loss = مقياس "بعد التوزيع المُتنبّأ به عن الحقيقي".
• Bayesian Networks = شبكات احتمالية للنمذجة في عدم اليقين.

أخطاء شائعة

• "95% دقّة" تعني 95% من المرضى مصابون: لا! هذا ما يفسّره بايز — الدقّة في الاختبار ليست احتمال الإصابة بعد الاختبار.
• خلط الاحتمال بالتردد: الاحتمال مفهوم نظري، التردد نسبي. هما قريبان لكن ليسا نفس الشيء في الرياضيات الصارمة.
• تجاهل الاحتمال المرجعي (Prior): في Bayes، الـ prior يهمّ كثيرًا. تجاهله يعني نتائج مضلّلة.

الخطوات التالية

• الإحصاء — تقييم النماذج وفهم البيانات.
• نظرة على أنواع التعلّم — كيف تستخدم هذه المفاهيم في ML.
• المتجهات والمصفوفات — الأساس الرياضي.