🧠 مرجع الذكاء الاصطناعي وتعلّم الآلة بالعربي

AI vs ML vs DL

الفرق بين الذكاء الاصطناعي وتعلّم الآلة والتعلّم العميق

ثلاثة مفاهيم متداخلة لكن بمستويات مختلفة: الذكاء الاصطناعي أوسع، تعلّم الآلة جزء منه يركّز على التعلّم من البيانات، والتعلّم العميق فرع يستخدم شبكات عصبية عميقة.

Supervised Learning

التعلّم الموجه (Supervised Learning)

التعلّم الموجه يدرّب النموذج على بيانات لكل عيّنة فيها مُدخل ومُخرَج معلوم (تسمية)، ليتنبّأ بالمخرجات لعَيّنات جديدة لم يرها.

Unsupervised Learning

التعلّم غير الموجه (Unsupervised Learning)

التعلّم غير الموجه يكتشف بنية البيانات من دون تسميات: التجميع يجمع عيّنات متشابهة، والتخفيض يختزل الأبعاد مع الاحتفاظ بأكبر قدر من المعلومات.

Train/Test Split

تقسيم البيانات إلى تدريب واختبار

تقسيم البيانات لقسمين: قسم لتدريب النموذج، وقسم مستقل تمامًا لتقييمه. القاعدة الذهبية: لا ترَ بيانات الاختبار أبدًا أثناء التدريب أو اختيار النموذج.

Cross-Validation

التحقّق المتقاطع (Cross-Validation)

التحقّق المتقاطع يقسّم البيانات عدة مرات ويُدرّب النموذج في كل مرة على جزء ويُقيّمه على جزء آخر، ثم يُعدّل النتائج — للحصول على تقدير أكثر استقرارًا لأداء النموذج.

Overfitting

فرط التعلّم (Overfitting)

فرط التعلّم يعني أن النموذج يحفظ بيانات التدريب بدل تعلّم الأنماط العامة، فيصبح أداؤه ممتازًا على التدريب وضعيفًا على بيانات جديدة — الفجوة بين الدقتين علامة عليه.

Bias-Variance Tradeoff

مقايضة الانحياز والتباين (Bias-Variance)

تحت شروط معيّنة (الانحدار الموجه، squared loss) يمكن تفكيك خطأ التعميم المتوقّع إلى Bias² + Variance + Noise. الانحياز من البساطة المفرطة، والتباين من الحساسية المفرطة لبيانات التدريب.

Confusion Matrix

مصفوفة الارتباك (Confusion Matrix)

جدول يقارن تنبؤات النموذج بالحقيقة لمشكلة تصنيف: True/False Positives و True/False Negatives — منها تُشتق دقة، Precision، Recall، F1.

Precision / Recall

الدقة والاستدعاء (Precision / Recall)

Precision تجيب "من قلت إيجابي، كم كان فعلاً إيجابيًا؟" — Recall تجيب "من الإيجابيات الحقيقية، كم أمسكت؟" — المعياران لا يتحسّنان معًا تلقائيًا.

Classification Metrics

مقاييس تقييم التصنيف

Accuracy و F1 و ROC-AUC و Cohen's Kappa وغيرها — كل مقياس يجيب على سؤال مختلف، واختيار المقياس الخطأ لمشكلة غير متوازنة يعطي إحساسًا زائفًا بالأداء.

Linear Regression

الانحدار الخطي (Linear Regression)

الانحدار الخطي يفترض علاقة خطية بين المُدخلات والمُخرج: y = w·X + b، ويُقدّر w وb بأقل ما يمكن من مجموع مربعات الفروق (OLS).

Logistic Regression

الانحدار اللوجستي (Logistic Regression)

الانحدار اللوجستي خوارزمية تصنيف لا انحدار — يستخدم الدالة Sigmoid لاحتمال y∈{0,1}، رغم اسم "regression" في اسمه.

Decision Tree

شجرة القرار (Decision Tree)

شجرة القرار تقسّم البيانات بسلسلة أسئلة ثنائية (if/else) على الميزات، حتى تصل لتصنيف أو قيمة نهائية في كل ورقة. سهلة التفسير لكن عرضة لفرط التعلّم.

Random Forest

الغابة العشوائية (Random Forest)

الغابة العشوائية تجمّع عدة أشجار قرار تدرّبت على بيانات/ميزات مختلفة، ثم تصوّت/متوسط تنبؤاتها — تقليل التباين مع الاحتفاظ بقدرة التعلّم.

fit / predict

واجهة fit و predict في scikit-learn

كل نماذج scikit-learn تتبع نفس الواجهة: fit(X, y) للتدريب، predict(X) للتنبؤ، و predict_proba(X) لاحتمالات التصنيف — اتساق يجعل التبديل بين النماذج سهلًا.

sklearn Pipeline

خط أنابيب scikit-learn (Pipeline)

Pipeline يربط عدة خطوات معالجة و/أو نموذج في كائن واحد بواجهة fit/predict — يمنع تسريب البيانات (data leakage) ويبسّط الكود.

Hyperparameter Tuning

ضبط المعلمات التشعبية (Hyperparameter Tuning)

ضبط المعلمات التشعبية (مثل max_depth، n_estimators، C) يبحث في فضاء التركيبات لإيجاد أفضل أداء — عبر Grid Search أو Random Search أو Bayesian Optimization.

Neural Network

الشبكة العصبية (Neural Network)

الشبكة العصبية سلسلة من الطبقات الخطية تليها دوال تنشيط غير خطية، تُدرَّب عبر backpropagation لتعديل الأوزان — الوحدة الأساسية في التعلّم العميق.

Activation Functions

دوال التنشيط (Activation Functions)

دوال التنشيط تضيف اللاخطية للشبكة العصبية — بدونها تكديس الطبقات الخطية يبقى خطيًا. ReLU الأكثر شيوعًا للطبقات المخفية، Softmax لمُخرج التصنيف المتعدد.

Loss Functions

دوال الخسارة (Loss Functions)

دالة الخسارة تقيس مدى خطأ تنبؤ النموذج — الرقم الذي يسعى المُحسّن لتقليله. MSE للانحدار، CrossEntropy للتصنيف المتعدد، BCE للتصنيف الثنائي.

Backpropagation

الانتشار العكسي (Backpropagation)

الانتشار العكسي يحسب تدرّج الخسارة بالنسبة لكل وزن في الشبكة بتطبيق قاعدة السلسلة من المُخرج للخلف — يُمكّن المُحسّن من تحديث الأوزان بكفاءة.

Optimizers

محسنات التعلّم العميق (Optimizers)

المُحسّن يحدّث أوزان الشبكة باستخدام التدرّجات. SGD البسيط، Adam الأشهر للتطبيقات الحديثة، AdamW يضيف التنظيم الصحيح.

Regularization

التنظيم (Regularization)

التنظيم يضيف عقوبة لتعقيد النموذج لمنع فرط التعلّم — L1/L2 للأوزان، Dropout للشبكات العصبية، Early Stopping لمراقبة خطأ التحقّق.

CNN

الشبكة العصبية الالتفافية (CNN)

CNN شبكة عصبية تستخدم طبقات التفاف (Conv2d) لاستخلاص سمات مكانية من صور أو بيانات شبكية، أكثر كفاءة من MLP في الرؤية الحاسوبية.

Transformer

المحوّل (Transformer)

Transformer معمارية تعتمد على آلية الانتباه (Attention) بالكامل، تستبدل الشبكات التكرارية بمتوازية — أساس BERT و GPT ونماذج اللغة الحديثة.

DataLoader

DataLoader في PyTorch

DataLoader يغلّف Dataset ويُنتج دفعات (batches) مع خلط، تزامن المعالجات، ومعالجة مسبقة — يبسّط حلقة التدريب.

Tokenization

التقطيع اللغوي (Tokenization)

Tokenization يحوّل نص إلى قطع (tokens) يعالجها النموذج — WordPiece (BERT)، SentencePiece/Unigram (T5)، BPE (GPT). كل نموذج له مميّز يختلف عن غيره.

Embeddings

تمثيلات النص المتجهة (Embeddings)

Embedding يحوّل كل token (أو كلمة) لمتجه رقمي كثيف ذو أبعاد ثابتة (مثل 768)، يلتقط المعنى بحيث الكلمات المتشابهة دلاليًا تكون قريبة في الفضاء.

Sentiment Analysis

تحليل المشاعر (Sentiment Analysis)

تحليل المشاعر يصنّف نصًا حسب النبرة العاطفية (إيجابي/سلبي/محايد) — من مهام NLP الكلاسيكية، تستفيد من BERT/RoBERTa الحديثة بدقة عالية.

Transfer Learning

التعلّم بالنقل (Transfer Learning)

التعلّم بالنقل يأخذ نموذجًا مدربًا على بيانات ضخمة (مثل ImageNet) ويعدّل جزءًا منه لمهمة محددة — يقلل وقت التدريب ويحسّن الأداء، خصوصًا مع بيانات محدودة.