ما هو التعلم الآلي؟

التعلم الآلي هو أحد مجالات علوم الكمبيوتر الذي يستخدم تقنيات الثابتة لمنح أنظمة الكمبيوتر القدرة على " التعلم " مع البيانات ، بدون تتم برمجتها بشكل صريح.

وهذا يعني، "التعلم الآلي يدور حول التعلم من البيانات"

البرمجة الصريحة تعني، كتابة الأكواد لكل سيناريو، للتعامل مع هذا الموقف.

في التعلم الآلي، بدلاً من كتابة تعليمات برمجية واضحة لكل سيناريو، نقوم بتدريب النماذج على تعلم الأنماط من البيانات، مما يسمح لهم بإجراء تنبؤات أو قرارات للمواقف غير المرئية.

لذلك، نعطي المدخلات والمخرجات، لكن لا نكتب أي رمز لكل حالة. خوارزميات تعلم الآلة تتعامل معها تلقائيًا.

مثال بسيط يمكن استخدامه:

وظيفة الجمع:

في البرمجة الصريحة، لإضافة رقمين، نكتب كودًا محددًا يعمل في هذه الحالة فقط. لن يعمل هذا الرمز لإضافة 5 أو N أرقام بدون تعديل.

في المقابل، مع ML، يمكننا توفير ملف Excel حيث يحتوي كل صف على أرقام مختلفة ومجموعها. عندما تتدرب خوارزمية ML على مجموعة البيانات هذه، فإنها تتعلم نمط الإضافة. في المستقبل، عند إعطاء أرقام 2 أو 10 أو N، يمكنه إجراء عملية الإضافة بناءً على النمط المتعلم، دون الحاجة إلى تعليمات برمجية محددة لكل سيناريو.

أين نستخدم تعلم الآلة؟

• مصنف البريد الإلكتروني العشوائي:

في البرمجة الصريحة، كتبت العديد من شروط if-else، مثل: "إذا ظهرت الكلمة الرئيسية 3 مرات أو أكثر، فسيتم وضع علامة عليها كرسالة غير مرغوب فيها." على سبيل المثال، إذا تم استخدام كلمة "ضخم" 3 مرات، فسيتم تصنيفها كرسالة غير مرغوب فيها.

الآن، تخيل أن شركة إعلانية تدرك أن هناك خوارزمية كهذه للكشف عن الرسائل غير المرغوب فيها. لذا بدلًا من تكرار كلمة "ضخم" ثلاث مرات، يستخدمون مرادفات مثل "ضخم" و"ضخم" و"كبير". في هذه الحالة، لن تعمل القاعدة الأصلية. ماذا سيكون الحل؟ هل يجب أن أغير خوارزمياتي السابقة مرة أخرى؟ كم مرة سأتمكن من القيام بذلك؟

في ML، يتعلم النموذج من البيانات المقدمة ويقوم تلقائيًا بإنشاء خوارزميات بناءً على تلك البيانات. إذا تغيرت البيانات، فسيتم ضبط الخوارزمية وفقًا لذلك. ليست هناك حاجة لتغيير الخوارزمية يدويًا، حيث ستقوم بتحديث نفسها حسب الحاجة بناءً على البيانات الجديدة.

• تصنيف الصور:

في البرمجة الصريحة لتصنيف الصور، سنحتاج إلى كتابة قواعد يدويًا لتحديد سمات الكلب، مثل شكله أو حجمه أو لون فرائه أو ذيله. لن تعمل هذه القواعد إلا مع صور محددة ولن يتم تعميمها بشكل جيد على جميع سلالات الكلاب. إذا واجهنا سلالات أو اختلافات جديدة، فسنحتاج إلى إضافة قواعد جديدة لكل منها.

في ML، بدلاً من كتابة قواعد محددة، نزود النموذج بمجموعة بيانات كبيرة من صور الكلاب المصنفة حسب السلالة. يتعلم النموذج بعد ذلك الأنماط من البيانات، مثل الخصائص المشتركة للسلالات المختلفة، ويستخدم تلك المعرفة المكتسبة لتصنيف صور الكلاب الجديدة، حتى لو لم ير تلك السلالات الدقيقة من قبل. تتكيف الخوارزمية تلقائيًا مع الاختلافات في البيانات.

أيضًا، هناك آلاف الاستخدامات لتعلم الآلة. قد تتساءل،
لماذا لم يكن التعلم الآلي شائعًا قبل عام 2010؟

• سعة التخزين المحدودة جعلت من الصعب تخزين كميات كبيرة من البيانات بسبب النقص في محركات الأقراص الثابتة.
• لم تكن هناك بيانات متاحة كافية لتدريب نماذج التعلم الآلي بشكل فعال.
• قيود الأجهزة، مثل وحدات معالجة الرسومات والمعالجات الأقل قوة، قيدت القدرة على تشغيل الخوارزميات المعقدة بكفاءة.

في الوقت الحاضر، نقوم بإنشاء ملايين نقاط البيانات كل يوم. باستخدام هذه الكمية الهائلة من البيانات، أصبحت نماذج تعلم الآلة الآن أكثر دقة وكفاءة وقدرة على حل المشكلات المعقدة. يمكنهم تعلم الأنماط، والتنبؤ، وأتمتة المهام في مختلف المجالات مثل الرعاية الصحية، والتمويل، والتكنولوجيا، وتحسين عملية صنع القرار ودفع الابتكار.

شكرًا لك على الوقت الذي أمضيته في قراءة هذا.