مثال TensorFlow على أسعار المنازل

يعرض هذا الدرس مثالًا عمليًا متكاملًا باستخدام
TensorFlow.js لتوضيح كيف يمكن بناء نموذج
يتعلم من بيانات حقيقية ثم يستخدمها في التنبؤ.
وتركّز الصفحة هنا على الفكرة العامة للمثال أكثر من تركيزها
على تفاصيل الكود، لأن هذه التفاصيل يتم شرحها لاحقًا
في الصفحات التالية من نفس المثال.

فكرة المثال

الفكرة الأساسية في هذا المثال هي إنشاء نموذج تعلم آلة
يعتمد على بيانات مرتبطة بالمنازل، ثم استخدام هذه البيانات
لبناء نموذج قادر على التعلّم وتقليل الخطأ تدريجيًا.

وتعرض الصفحة واجهة المثال على شكل رسمين أساسيين:

• Input Data لتمثيل بيانات الإدخال
• Reduce Loss لمتابعة انخفاض الخطأ أثناء التدريب

وهذا يوضح أن المثال لا يركز فقط على بناء النموذج،
بل يهتم أيضًا بمتابعة كيف يتحسن هذا النموذج بصريًا
مع مرور الوقت.

المراحل الأربع في المثال

توضح الصفحة أن النموذج في هذا المثال يمر عبر
4 خطوات مهمة:

• جمع البيانات
• تجهيز البيانات
• تدريب النموذج
• تقييم النموذج

وهذه الخطوات الأربع مهمة جدًا، لأنها تمثل دورة العمل
الأساسية في أي مشروع تعلم آلة عملي تقريبًا.
فالنموذج لا يبدأ مباشرة بالتنبؤ، بل يمر أولًا بمراحل
تجهيز وإعداد ثم تدريب ثم تقييم.

جمع البيانات

المرحلة الأولى هي Collects Data.
وفيها يتم الحصول على البيانات التي سيتعلم منها النموذج.

وجود هذه المرحلة في بداية المثال مهم جدًا،
لأنه يوضح أن تعلم الآلة لا يبدأ من الخوارزمية،
بل من البيانات التي ستُستخدم في التدريب.
فكلما كانت البيانات أوضح وأنظف وأكثر ارتباطًا بالمشكلة،
كانت فرصة النموذج في التعلم أفضل.

تجهيز البيانات

بعد جمع البيانات، تأتي مرحلة
Prepares Data.
وفي هذه الخطوة يتم تجهيز البيانات لتصبح مناسبة للاستخدام
داخل TensorFlow.js.

هذا يعني عادةً تنفيذ أمور مثل:

• تنظيف البيانات من القيم غير المناسبة
• اختيار الحقول المهمة فقط
• تحويلها إلى الشكل الملائم للنموذج
• عرضها بصريًا لفهمها قبل التدريب

ولهذا توضح الصفحة أن الفصول التالية ستشرح
كيف يمكن جلب البيانات وتنظيفها ورسمها
ضمن هذا المثال.

تدريب النموذج

بعد تجهيز البيانات، تأتي مرحلة
Trains a Model.
وهنا يبدأ النموذج في التعلّم من البيانات الفعلية.

الفكرة الأساسية في التدريب أن النموذج يحاول
تقليل الخطأ تدريجيًا، ولهذا تعرض الصفحة جزءًا بعنوان
Reduce Loss.

ومعنى ذلك أن المثال يهتم بإظهار كيف تنخفض قيمة الخطأ
مع تقدم التدريب، لأن هذا الانخفاض هو من أهم المؤشرات
على أن النموذج بدأ يفهم العلاقة الموجودة في البيانات.

تقييم النموذج

المرحلة الرابعة هي
Evaluates the Model.
وهذه الخطوة مهمة لأن التدريب وحده لا يكفي.

بعد أن يتعلم النموذج من البيانات، يجب تقييمه
ومعرفة مدى جودة نتائجه، وهل أصبح قادرًا بالفعل
على تمثيل العلاقة الموجودة في البيانات أم لا.

ولهذا فإن التقييم يمثل المرحلة التي نتحقق فيها
من قيمة النموذج العملية بعد انتهاء التدريب.

ماذا ستتعلم في الصفحات التالية؟

توضح الصفحة أن الفصول التالية من المثال ستنتقل
من الفكرة العامة إلى التنفيذ البرمجي الفعلي.

وتذكر الصفحة أن القارئ سيتعلم:

• كيف يجلب البيانات
• كيف ينظف البيانات
• كيف يرسم البيانات
• كيف ينشئ نموذج TensorFlow
• كيف يدرب النموذج

وهذا يعني أن هذه الصفحة تعمل كمقدمة تمهيدية،
ثم يتم لاحقًا تفصيل كل خطوة في صفحة مستقلة.

الرسوم في المثال

تشرح الصفحة أن الجانب الرسومي في هذا المثال
يعتمد على مكتبة tfjs-vis.

وتصفها بأنها مكتبة صغيرة مخصصة للتصور البصري
داخل المتصفح للاستخدام مع TensorFlow.js.

كما تذكر الصفحة أن من خصائصها الأساسية:

• أدوات رسومية لتصور تعلم الآلة
• دوال لعرض كائنات TensorFlow
• إمكانية تنظيم الرسوم داخل Visor
• إمكانية استخدامها مع أدوات أخرى مثل d3 وChart.js وPlotly.js

وهذا يوضح أن المثال لا يهدف فقط إلى تدريب نموذج،
بل أيضًا إلى جعل خطوات التعلم نفسها
مرئية ومفهومة بصريًا.

لماذا هذا المثال مهم؟

قيمة هذا المثال أنه يعرض مشروعًا كاملًا بصورة مبسطة:
من البيانات، إلى التجهيز، إلى التدريب، ثم التقييم.

وهذا النوع من الأمثلة مهم جدًا للمبتدئين،
لأنه يربط بين المفاهيم النظرية وبين شكل مشروع حقيقي
يمكن تقسيمه إلى مراحل واضحة ومنظمة.

كما أن وجود الرسم الخاص بـ Input Data
والرسم الخاص بـ Reduce Loss
يجعل القارئ يرى أن تعلم الآلة ليس مجرد كود،
بل عملية يمكن تتبعها وملاحظتها خطوة بخطوة.

الخلاصة

تمثل هذه الصفحة مدخلًا إلى مثال عملي في
TensorFlow.js مرتبط ببيانات المنازل،
وتوضح أن المشروع يمر عبر 4 مراحل رئيسية:
جمع البيانات، تجهيزها، تدريب النموذج، ثم تقييمه.
كما تبيّن أن الصفحات التالية ستشرح التفاصيل البرمجية
الخاصة بجلب البيانات وتنظيفها ورسمها، ثم إنشاء النموذج
وتدريبه. وأخيرًا تؤكد أن العرض الرسومي في المثال
يعتمد على مكتبة tfjs-vis
لتوضيح البيانات وانخفاض الخطأ أثناء التدريب.