# تعلم الالة Supervised learning –بسطها

يعتبر الذكاء الاصطناعي مجال جميل جداً، بحيث يعمل النموذج الذي يتم تطويره على القيام بمهام معينة، يستطيع أي شخص اعتباري القيام بها بشكل يدوي ولكن بتعليم الالة القيام بذلك فانت تختصر الوقت و الجهد ، وينقسم مجال تعلم الالة الى ثلاث أنواع وهي التعلم بالأشراف Supervised learning والقسم الثاني Unsupervised Learning التعلم من دون الاشراف والقسم الثالث Reinforcement Learning تعزيز التعلم.

في هذه المقالة سوف يتم التركيز على التعلم بالأشراف Supervised learning حيث سوف يتم تبسيط المفهوم الخاص بتعلم الالة للأشخاص غير التقنيين والذين يرغبون بفهم هذا المجال التقني بشكل تطبيقي ومن غير التطرق الى المعادلات الرياضية وتعقيدات البرمجة.

التعلم من غير الاشراف Unsupervised Learning.

يعتبر تعلم الالة من دون الاشراف، مثل الشخص الذي تعطيها صندوق بها أدوات مكتبية وتطلب منها فرز الأدوات بناء على التشابه بينهما , فقلم الرصاص سوف يكون مع القلم الحبر في مجموعة و الكتاب مع دفتر الرسم في مجموعة طبعا قام بتوزيع الأدوات بناء على التشابه الشكلي بين قلم الرصاص و قلم الحبر و لكن اذا كتبت على الحبر هذا حبر و قلم الرصاص هذا رصاص سوف يكون كل منهم في مجموعة .

مثلا يتم تصنيف الطماطم على انها من الخضروات لأنها توضع مع السلطة و لكن في الحقيقة هي من الفواكه و ليس من صنف الخضروات

تعزيز التعلم Reinforcement Learning.

مثلاً انت موظف مبيعات و يزورك كل يوم شخص اسمه احمد ، تعرض عليها منتجاتك كل يوم نوع مثلا الزيارة الأولى عرضت عليه منتج keto diet و لكن لم يتفعل معك ، و في اليوم الثاني عرضت عليه منتج للعناية بالجسم و لم يتفاعل معك ، في اليوم الثالث عرض عليه منتج الالكتروني وهنا تفاعل معك احمد و أشترى الجهاز ، في هذه القصة انت لم تكن تملك بينات عن احمد و لكن من خلال التجربة علمت بانه يحب الالكترونيات و في كل زيارة انت تعلم ماذا تعرض عليه ، هنا النموذج الذي بداخل راسك كون نموذج تعزيز التعلم من خلال التجربة و الخبرة ، هذا بشكل مبسط و مختصر.

التعلم بالأشراف Supervised learning.

من الصورة التي في الأعلى يمكنك الان التفريق بين الاثنين التعليم بالأشراف والتعلم من دون الاشراف، حيث ان الصورة تغنى عن ١٠٠٠ كلمة، ولكن بالأشرف تعطى البيانات منظمة، مرتبة كأنك طالب من مطعم ٥ نجوم بعكس مطعم الوجبات السريعة شكلي جوعان.

والا ن سوف نعمل على وضع امثلة تطبيقية تساعد القراء على فهم أساليب التعلم بالأشراف مع الأستاذ المخضرم داتا، يعني تخيل أنك مدير شركة، من أكبر الشركات ومحتاج تقارير الأداء للموظفين أو محتاج التوقعات الربحية للشركة مثلاً، ولكن بأسلوب جديد ومتطور ونسبة الأخطاء تكون قليلة، هنا يأتي دور نماذج التعلم الالي أو ما يسمى بي Machine learning حيث يعمل الأستاذ داتا على تدريس النموذج الخاص بنا وإعطائه المعايير الصحيحة للعمل.

Linear regression أرباح الشركة.

مثلا انت صاحب شركة وترغب بحساب الأرباح الشهرية للشركة، ولكن لا تعلم كيف القيام بذلك، من خلال البحث في محرك البحث عن -كيف احسب الأرباح- سوف تحصل على معادلات رياضية تخبرك طريقة لحساب الأرباح.

ومن خلال تلك المعادلات يمكنك الحصول على الأرباح الشهرية، ولكن بعد مرور سنة او أكثر ترغب في وضع نموذج يعمل على توقع الأرباح بناء على المعطيات بشكل لحظي، كيف يتم ذلك ومن سوف يقوم بذلك.

هنا يأتي دور ما يسمى التوقع الخطي Linear regression , يمكن من خلال تطبيق معادلات التوقع الخطي توقع الأرباح

ومن خلال استخدام البيانات المستخدمة سابقا في حساب الأرباح يمكنك بناء النموذج الذي سوف يساعدك في توقع الأرباح بشكل يومي وليس بشكل شهري.

مثلا إذا كانت المبيعات خلال اليوم 100 منتج يرجع النموذج الي البيانات السابقة فيعلم من خلال متوسط البيع ان الربح سوف 20% لهذا اليوم و خلال الشهر 10% وهكذا.

logistic regression #تقييم الموظفين – نموذج 1.

انت لديك اكثر من 100 موظف و تحتاج الى تصنيف الموظفين حسب الأداء في الشركة من -مجتهد- أو -كسول- هنا يأتي دور الانحدار اللوجستي و الذي يعمل على تصنيف الموظفين الى فريقين

حيث الفريق الأخضر هم المجتهدين و الأحمر هم الكسولين , ولكن على ماذا تم تصنيف الموظفين، من خلال البيانات التي يتم استلامها من الأشخاص الذين يطلقون على انفسهم data science طبعاً هم لا يوفرون البيانات و انما انت كمدير شركة تعمل على تسليمهم التقرير الخاصة بالحضور و الغياب , انجاز المهام , تقييم العملاء لكل موظف و غيرها من البيانات المتوفر لديك بحيث يعملون هم على تنظيف البيانات و ترتيبها و تحويلها الى ارقام بحيث يستطيع الكمبيوتر التعامل معها.

Classification تقييم الموظفين – نموذج 2.

في النموذج الأول تم تقييم الموظفين بناء على تصنيفين – مجتهد- أو -كسول- , ولكن تبحث عن تقييم أكثر عمق من السابق -أعجبتني كلمة عمق- نرجع لصلب الموضوع نريد تقييم الموظفين مثلاً : -مجتهد- أو -كسول- أو-مبدع- نلاحظ ان لدينا ثلاث تصنيفات من خلال الانحدار اللوجستي لا يمكن تطبيق هذا التقييم و لكن من خلال التصنيف Classification يمكنك ذلك.

وبشكل اخر يعتبر logistic regression جيد للإجابة نعم او لا، نشيط او كسول , عميل او غير عميل و يطلق عليه Binary classification حيث تعتبر كلمة binary 1 او 0 .

Multi-class classification وهو نفسه Classification ولكن هنا تقوم بوضع كل موظف في المجموعة لمناسبة له حسب المدخلات المقدمة و يمكن ان تكون المجموعات اثنتين او اكثر.

الخلاصة.

تم تبسيط الفكرة من خلال شرح تطبيقي وذلك لتسهيل الفهم على الأشخاص غير تقنيين، بحيث يعلم بان مجال تعلم الالة وجد من خلال إعطاء المعادلات الرياضية التي أوجدها الخوارزمي أو غيره من علماء الرياضيات الى جهاز الحاسوب و الذي يقوم بدورة بإيجاد الحلول المناسبة بناء على المدخلات.

انت من خلال توقعك بوقت الوصل الى مقر العمل , يعتبر نموذج لتعلم الالة و لكن من خلال الدماغ حيث كانت المدخلات , سرعة السيارة , الازدحام في الطريق, الطريق الذي سوف تسلكه الى الشركة, طبعاً نوع السيارة تعتبر هذه مدخلات ساعدتك على توقع الوصول الى الشركة.