مصطلحات أساسية في تعلم الآلة

لفهم تعلم الآلة بشكل صحيح، من المهم التعرف على المصطلحات الأساسية
التي تتكرر في هذا المجال. فالصفحة الأصلية لا تركز على خوارزمية واحدة،
بل تشرح اللغة الأساسية التي يُبنى عليها معظم الشرح اللاحق في تعلم الآلة،
مثل العلاقة بين المدخلات والمخرجات، ومعنى Labels،
ومعنى Features، وما هو Model،
وماذا يعني Training وInference.

العلاقات في تعلم الآلة

توضح الصفحة أن أنظمة تعلم الآلة تستخدم العلاقات بين المدخلات
لكي تنتج تنبؤات. أي أن النموذج يحاول فهم كيف تؤثر
قيم الإدخال على النتيجة النهائية، ثم يستخدم هذه العلاقة لاحقًا
للتنبؤ بقيم جديدة. :

في الجبر، تُكتب العلاقة غالبًا بهذا الشكل:

وتشرح الصفحة هذه المعادلة كالتالي:

• y هي القيمة التي نريد التنبؤ بها
• a هو ميل الخط
• x هي قيم الإدخال
• b هي نقطة التقاطع

أما في تعلم الآلة، فتُكتب العلاقة بصيغة مختلفة قليلًا:

وفي هذه الصيغة:

• y هو الـ Label الذي نريد التنبؤ به
• w هو الوزن Weight، وهو ما يقابل الميل
• x هي الخصائص أو Features، أي قيم الإدخال
• b هي نقطة التقاطع أو الانحياز

وهذا يوضح أن تعلم الآلة يستخدم نفس الفكرة الرياضية العامة،
لكن بمصطلحات أكثر ارتباطًا ببناء النماذج والتنبؤات. :

ما هو Label في تعلم الآلة؟

توضح الصفحة أن Label هو الشيء الذي نريد أن يتنبأ به النموذج.
بمعنى آخر، هو النتيجة أو الهدف النهائي الذي نحاول الوصول إليه من خلال
استخدام البيانات. وتشبه الصفحة ذلك بقيمة y في الرسم الخطي. :

إذا كنا مثلًا نحاول التنبؤ بسعر منزل، فإن السعر هنا هو
Label لأن هذا هو المطلوب من النموذج أن يتنبأ به. وهذا استنتاج
مباشر من تعريف الصفحة للـ label على أنه الشيء الذي نريد توقعه. :

ما هي Features في تعلم الآلة؟

توضح الصفحة أن Features هي المدخلات.
أي القيم التي يحصل عليها النموذج لكي يستخدمها في التنبؤ. وهي تشبه
قيم x في الرسم الخطي. :

وتضيف الصفحة أن هناك حالات لا يكون فيها لدينا Feature واحدة فقط،
بل عدة Features، ولكل واحدة منها وزن مختلف. وتعرض الصفحة
مثالًا على ذلك بهذه الصيغة:

y = b + w₁x₁ + w₂x₂ + w₃x₃ + w₄x₄

وهذا يعني أن النموذج قد يعتمد على أكثر من مدخل واحد عند اتخاذ القرار،
مثل المساحة وعدد الغرف والموقع وعمر العقار إذا كان الهدف هو التنبؤ
بسعر منزل. هذا المثال الأخير توضيحي، أما الصيغة متعددة الخصائص
فهي مذكورة مباشرة في الصفحة الأصلية. :

ما هو Model في تعلم الآلة؟

تعرف الصفحة Model بأنه الشيء الذي يحدد العلاقة بين
الـ Label والـ Features. بمعنى أن النموذج
هو الصيغة أو الآلية التي تتعلم من البيانات كيف تربط المدخلات
بالمخرجات. :

وتذكر الصفحة أن حياة النموذج تمر عبر 3 مراحل رئيسية:

• جمع البيانات Data Collection
• التدريب Training
• الاستدلال أو التنبؤ Inference

إذن النموذج لا يظهر من فراغ، بل يبدأ ببيانات، ثم يتعلم منها،
ثم يُستخدم لاحقًا لإنتاج تنبؤات على بيانات جديدة. :

ما هو Training؟

توضح الصفحة أن الهدف من التدريب هو إنشاء نموذج
يمكنه الإجابة عن سؤال. وتذكر مثالًا مثل:
ما هو السعر المتوقع لمنزل؟ أي أن التدريب هو المرحلة التي يتعلم فيها
النموذج من الأمثلة السابقة حتى يصبح قادرًا على الإجابة عن هذا النوع
من الأسئلة. :

وفي شرح مراحل تعلم الآلة، توضح الصفحة أن مرحلة التدريب تعني أن
بيانات الإدخال تستخدم لحساب معاملات النموذج.
أي أن الأوزان والمعاملات الداخلية لا تكون ثابتة من البداية،
بل تُحسب من خلال البيانات أثناء التدريب. :

ما هو Inference؟

تشرح الصفحة أن Inference هو استخدام النموذج المدرَّب
للتنبؤ بالقيم بالاعتماد على بيانات حية أو جديدة، وتشبه ذلك بوضع
النموذج في مرحلة الإنتاج الفعلي. :

وفي شرح المراحل، تضيف الصفحة أن مرحلة Inference تعني أن
النموذج المدرَّب ينتج بيانات صحيحة من أي إدخال.
والمقصود هنا أن النموذج بعد اكتمال تدريبه يصبح جاهزًا للاستخدام
على بيانات لم تكن جزءًا من التدريب الأصلي. :

مراحل تعلم الآلة

تلخص الصفحة تعلم الآلة في مرحلتين رئيسيتين:

1. Training: وفيها تُستخدم بيانات الإدخال لحساب معاملات النموذج
2. Inference: وفيها يستخدم النموذج المدرَّب لإنتاج النتائج من المدخلات الجديدة

هذا التقسيم مهم جدًا لأن كثيرًا من الناس يخلط بين لحظة بناء النموذج
ولحظة استخدامه، بينما الصفحة تفصل بين المرحلتين بوضوح. :

التعلم الموجّه Supervised Learning

توضح الصفحة أن Supervised Machine Learning
يستخدم مجموعة من متغيرات الإدخال للتنبؤ بقيمة متغير الإخراج.
كما توضح أنه يعتمد على بيانات معنونة Labeled Data،
أي بيانات نعرف إجاباتها مسبقًا. :

وتذكر الصفحة أن هذا النوع من التعلم يُستخدم عادة في مهمتين رئيسيتين:

• تصنيف البيانات Classify Data
• التنبؤ بالنتائج Predict Outcomes

وتعطي الصفحة مثالين واضحين:

• تحديد ما إذا كان البريد الإلكتروني Spam أم لا، اعتمادًا على أمثلة Spam معروفة
• التنبؤ بنوع الفيديوهات التي قد تعجبك، اعتمادًا على الفيديوهات التي شاهدتها سابقًا

وهذا يجعل Supervised Learning مناسبًا عندما تكون لدينا أمثلة معروفة
ونريد من النموذج أن يتعلم منها. :

التعلم غير الموجّه Unsupervised Learning

توضح الصفحة أن Unsupervised Machine Learning
يستخدم الأنماط من بيانات غير معنونة، ويحاول فهم
الأنماط أو التجمعات داخل البيانات. :

كما تذكر أن هذا النوع يُستخدم للتعامل مع العلاقات غير المعرفة مسبقًا،
مثل محاولة اكتشاف أنماط ذات معنى داخل البيانات دون أن نعطي النموذج
الإجابة الصحيحة سلفًا. وتضيف الصفحة أيضًا أنه يتعلق بإنشاء خوارزميات
حاسوبيّة يمكنها أن تحسن نفسها. :

وتشير الصفحة إلى توقع أن يتجه تعلم الآلة بدرجة أكبر نحو
التعلم غير الموجّه، بحيث يمكن للمبرمجين حل مشكلات أكثر
دون الحاجة إلى بناء نماذج مع إجابات جاهزة مسبقًا. :

التعلم بالتعزيز Reinforcement Learning

تشرح الصفحة أن Reinforcement Learning
يعتمد على التعلم غير الموجّه، لكنه يحصل على
تغذية راجعة من المستخدم حول ما إذا كان القرار
جيدًا أم سيئًا، وهذه التغذية الراجعة تساعد على تحسين النموذج. :

الفكرة هنا أن النموذج لا يعتمد فقط على بيانات ثابتة،
بل يتعلم من نتيجة أفعاله ومن رد الفعل على هذه الأفعال،
ثم يعدّل سلوكه تدريجيًا. وهذا تفسير مباشر لفكرة الصفحة
عن كون الـ feedback يساهم في تحسين النموذج. :

التعلم الذاتي الإشراف Self-Supervised Learning

توضح الصفحة أن Self-Supervised Learning
يشبه التعلم غير الموجّه لأنه يعمل على بيانات
لا تحتوي على تسميات أضافها الإنسان. :

لكنها تشرح الفرق بوضوح: فبينما يعتمد التعلم غير الموجّه
على التجميع Clustering والتجميع في مجموعات Grouping
وتقليل الأبعاد Dimensionality Reduction،
فإن التعلم الذاتي الإشراف يستخلص بنفسه استنتاجات يمكن
استخدامها في مهام الانحدار Regression والتصنيف Classification.

الخلاصة

هذا الدرس يضع الأساس اللغوي والفكري لفهم تعلم الآلة.
فهو يشرح معنى العلاقة بين المدخلات والمخرجات، ويعرّف
Labels وFeatures وModel،
ثم يوضح الفرق بين Training وInference،
وأخيرًا يقدّم نظرة عامة على الأنواع الأساسية للتعلم:
Supervised وUnsupervised وReinforcement
وSelf-Supervised. وفهم هذه المصطلحات مهم جدًا
قبل التعمق في أي خوارزمية أو تطبيق عملي في تعلم الآلة. :