نظرة على أنواع التعلّم في الآلة

بعد أن بنيت أساس الرياضيات في المتجهات والمصفوفات والاحتمالات والإحصاء، تبدأ ML Foundations. هذه الصفحة تعطيك الصورة الكبيرة قبل الدخول في كل نوع بتفصيل.

ثلاثة أنماط أساسية

كل خوارزمية تعلّم آلي تقع في واحد من ثلاثة أنماط:

التعلّم المُوجَّه (Supervised Learning)

ما هو؟

تعطي النموذج أزواج (X, y):

• X = ميزات (مثلًا: كلمات البريد).
• y = الإجابة الصحيحة (مثلًا: 1 = مزعج، 0 = ليس مزعج).

النموذج يتعلّم دالّة f(X) ≈ y، ثم يستخدمها على بيانات جديدة.

نوعان فرعيان

الانحدار (Regression): y رقم مستمر (سعر، درجة حرارة، عمر).

التصنيف (Classification): y فئات (مزج/غير مزعج، قطة/كلب، 0/1/2).

أمثلة عملية

خوارزميات شائعة

• Linear Regression، Logistic Regression
• Decision Trees، Random Forest
• Support Vector Machines (SVM)
• K-Nearest Neighbors (KNN)
• Neural Networks (لأي نوع بيانات تقريبًا)

التعلّم غير المُوجَّه (Unsupervised Learning)

ما هو؟

تعطي النموذج X فقط — بدون إجابات. النموذج يبحث عن بنية: تجميعات، أنماط، تمثيلات مضغوطة.

ثلاثة استخدامات رئيسية

1. التجميع (Clustering)

قسّم البيانات إلى مجموعات متشابهة بدون معرفة مسبقة بالفئات:

عملاء شركة:
- مجموعة 1: شباب يشترون ألعاب (عمر 18-25، ميزانية متوسّطة)
- مجموعة 2: أُسر تشتري لوازم (عمر 30-45، ميزانية عالية)
- مجموعة 3: متقاعدون (عمر 60+، ميزانية منخفضة)

خوارزميات: K-Means، Hierarchical Clustering، DBSCAN.

2. تقليل الأبعاد (Dimensionality Reduction)

اختزل عدد الميزات مع الاحتفاظ بأكبر قدر من المعلومات:

بيانات 1000 ميزة → 10 مكونات رئيسية (PCA)

خوارزميات: PCA، t-SNE (للتصوير)، UMAP.

3. اكتشاف الحالات الشاذة (Anomaly Detection)

اكتشف نقاط البيانات "الغريبة" عن الباقي:

99% من العمليات عادية → 1% منها "شاذ" = محتمل احتيال

خوارزميات: Isolation Forest، One-Class SVM، DBSCAN.

التعلّم المعزَّز (Reinforcement Learning)

ما هو؟

النموذج (Agent) يتفاعل مع بيئة (Environment)، ويتلقى مكافأة أو عقاب على كل فعل. يتعلّم سياسة (Policy) تزيد المكافأة التراكمية على المدى الطويل.

الفرق عن الباقيين

أمثلة

• AlphaGo: تغلب على أفضل لاعبي Go.
• روبوت يمشي: يتعلّم الحركة عبر المحاولة والخطأ.
• سيارة ذاتية: تتعلّم من القيادة الفعلية (أو المحاكاة).
• أنظمة التوصية: تختبر أي توصية، تشاهد ردّ فعل المستخدم، تتعلّم.

صعوبات RL

• المكافأة المتأخرة: قد يبدو القرار الحالي جيّدًا لكنّه يؤدّي إلى فشل بعد 100 خطوة.
• استكشاف مقابل استغلال: هل تجرّب شيء جديد أم تكرّر ما نجح؟
• كثافة العينات: RL يحتاج ملايين التجارب عادةً.

كيف تختار النمط المناسب؟

Semi-supervised و Self-supervised

نمطين مهمّين تعلّمتهما ML الحديثة:

• Semi-supervised: مزيج من بيانات مُسمّاة قليلة + بيانات بدون تصنيف كثيرة. مفيد عندما التصنيف مكلّف.
• Self-supervised: النموذج يُولّد "تسميات" بنفسه من بنية البيانات (مثل نماذج اللغة الكبيرة).

أخطاء شائعة

• استخدام supervised حيث unsupervised أنسب: إذا لم يكن لديك تسميات، لا تحاول توليدها يدويًا. استكشف البيانات أولًا.
• اعتبار unsupervised "ضعيف": في الواقع، أقوى النماذج الحديثة (مثل LLMs) بدأت self-supervised.
• تجاهل RL في الإنتاج: كثير من القرارات (تخصيص ميزانيات الإعلانات، توزيع المخزون) يمكن نمذجتها كـ RL.

الخطوات التالية

• التعلّم الموجَّه وغير الموجَّه — الفرق التفصيلي والمقارنة.
• الانحدار والتصنيف — النوعان الرئيسيان داخل Supervised.
• ما هو الذكاء الاصطناعي وتعلّم الآلة؟ — الأساس الذي بنيت عليه.

💡 تذكّر: ML ليست دائمًا الحلّ. قبل بناء أي نموذج، اسأل: هل هناك حلّ أبسط؟ راجع متى لا تستخدم الذكاء الاصطناعي.