📲DiskDigger Pro v2022-01-09‼️
💡 برنامج جيد لاستعادة الصور ومقاطع الفيديو المحذوفة.
⚙️ سواء قمت بحذف ملف عن طريق الخطأ أو حتى قمت بتهيئة بطاقة الذاكرة الخاصة بك ، فإن ميزات DiskDigger القوية لاستعادة البيانات يمكنها العثور على الملفات المفقودة وتتيح لك استعادتها.
✅ موصى به.
Google Play link
🔑نسخة بريمو تم فتح الميزات المدفوعة. ⤵️
📲 -خطوات برمجية
@programmerst
💡 برنامج جيد لاستعادة الصور ومقاطع الفيديو المحذوفة.
⚙️ سواء قمت بحذف ملف عن طريق الخطأ أو حتى قمت بتهيئة بطاقة الذاكرة الخاصة بك ، فإن ميزات DiskDigger القوية لاستعادة البيانات يمكنها العثور على الملفات المفقودة وتتيح لك استعادتها.
✅ موصى به.
Google Play link
🔑نسخة بريمو تم فتح الميزات المدفوعة. ⤵️
📲 -خطوات برمجية
@programmerst
‼️Vpnify Pro v1.9.7.8‼️
💫 تحديث
💡 وكيل VPN آخر عالي السرعة ومستقر لنظام Android. قم بإلغاء حظر المواقع التي يتعذر الوصول إليها والرقابة عليها.
⚙️ الميزات:
- لا حدود للسرعة
-لا يتطلب التسجيل
- اتصال مستقر في كل مكان
- سرعة VPN فائقة
-وكسي للمواقع ضد الرقابة بكافة أشكالها
Google Play link
🔑 لايت مود + بريميوم مفتوح.
📲 -خطوات برمجية
@programmerst
💫 تحديث
💡 وكيل VPN آخر عالي السرعة ومستقر لنظام Android. قم بإلغاء حظر المواقع التي يتعذر الوصول إليها والرقابة عليها.
⚙️ الميزات:
- لا حدود للسرعة
-لا يتطلب التسجيل
- اتصال مستقر في كل مكان
- سرعة VPN فائقة
-وكسي للمواقع ضد الرقابة بكافة أشكالها
Google Play link
🔑 لايت مود + بريميوم مفتوح.
📲 -خطوات برمجية
@programmerst
👍1
📲Turbo Vpn v3.7.4 MOD
💡 خدمة VPN جيدة أخرى آمنة من الفشل لتجاوز حظر الموقع.
⚙️ الميزات:
-اتصال سريع.
- الأمان والسرية.
-4 أوضاع اتصال للاختيار من بينها.
- لا يتطلب التسجيل.
Google Play link
🔑 اتصال مفتوح لجميع خوادم vip.
📲 -خطوات برمجية
@programmerst
💡 خدمة VPN جيدة أخرى آمنة من الفشل لتجاوز حظر الموقع.
⚙️ الميزات:
-اتصال سريع.
- الأمان والسرية.
-4 أوضاع اتصال للاختيار من بينها.
- لا يتطلب التسجيل.
Google Play link
🔑 اتصال مفتوح لجميع خوادم vip.
📲 -خطوات برمجية
@programmerst
👍2
الرد التلقائي لبرنامج Telegram Pro v2.5.1‼ ️
💡 أفضل تطبيق لاتمتة الردود على الرسائل الواردة في Telegram.
⚙️ الميزات:
✓ الرد التلقائي على الرسائل في Telegram.
✓ الإعداد الفردي.
✓إرسال الردود على رسائل محددة.
✓ استبدال الإجابات (الوقت ، الاسم ...).
✓ العمل مع جهات الاتصال والمجموعات
✓ تخطيط الاستجابات مع تأخير.
✓ الذكاء الاصطناعي من Dialogflow
Google Play link
🔑 بريمو مفتوح
📲 -خطوات برمجية
@programmerst
💡 أفضل تطبيق لاتمتة الردود على الرسائل الواردة في Telegram.
⚙️ الميزات:
✓ الرد التلقائي على الرسائل في Telegram.
✓ الإعداد الفردي.
✓إرسال الردود على رسائل محددة.
✓ استبدال الإجابات (الوقت ، الاسم ...).
✓ العمل مع جهات الاتصال والمجموعات
✓ تخطيط الاستجابات مع تأخير.
✓ الذكاء الاصطناعي من Dialogflow
Google Play link
🔑 بريمو مفتوح
📲 -خطوات برمجية
@programmerst
‼️Adobe Lightroom Pro v7.2.0‼️
💫 تحديث
💡 محرر صور قوي وبديهي. يساعدك تطبيق Lightroom على إنشاء صور فوتوغرافية جميلة وتحسين مهاراتك في التصوير الفوتوغرافي.
⚙️ الميزات:
• الأنماط / التشكيلات / المنحنيات.
• خلط الألوان.
• الوضوح والملمس وإزالة الضباب.
• أدلة إرشادية تفاعلية.
• كاميرا احترافية.
• أوضاع كاميرا عالية التقنية.
• التنظيم والإدارة.
• فرشاة الشفاء.
• التصحيح الانتقائي.
• الهندسة.
⚠️ يمكن إغلاق نافذة تسجيل الدخول بعلامة تقاطع أعلى اليسار.
Google Play link
🔑بريمو مفتوح.
📲 -خطوات برمجية
@programmerst
💫 تحديث
💡 محرر صور قوي وبديهي. يساعدك تطبيق Lightroom على إنشاء صور فوتوغرافية جميلة وتحسين مهاراتك في التصوير الفوتوغرافي.
⚙️ الميزات:
• الأنماط / التشكيلات / المنحنيات.
• خلط الألوان.
• الوضوح والملمس وإزالة الضباب.
• أدلة إرشادية تفاعلية.
• كاميرا احترافية.
• أوضاع كاميرا عالية التقنية.
• التنظيم والإدارة.
• فرشاة الشفاء.
• التصحيح الانتقائي.
• الهندسة.
⚠️ يمكن إغلاق نافذة تسجيل الدخول بعلامة تقاطع أعلى اليسار.
Google Play link
🔑بريمو مفتوح.
📲 -خطوات برمجية
@programmerst
○ 1- التعلّم الموجه :
▪2 - الانحدار (Regression):
وهو طريقة لرسم خط بين مجموعة نقاط. نعم، هذا هو تعلّم الآلة ، و يستخدم الانحدار حاليًا في تطبيقات متعددة، مثل:
١- توقعات أسعار الأسهم.
٢- تحليل حجم الطلب والمبيعات.
٣- التشخيص الطبي.
٤- أي ارتباطات عددية.
▪ ومن الخوارزميات الشائعة نذكر:
١- خوارزمية الانحدار الخطي Linear.
٢- خوارزمية االانحدار متعدد الحواف Polynomial.
▪2 - الانحدار (Regression):
وهو طريقة لرسم خط بين مجموعة نقاط. نعم، هذا هو تعلّم الآلة ، و يستخدم الانحدار حاليًا في تطبيقات متعددة، مثل:
١- توقعات أسعار الأسهم.
٢- تحليل حجم الطلب والمبيعات.
٣- التشخيص الطبي.
٤- أي ارتباطات عددية.
▪ ومن الخوارزميات الشائعة نذكر:
١- خوارزمية الانحدار الخطي Linear.
٢- خوارزمية االانحدار متعدد الحواف Polynomial.
○ 1- التعلّم الموجه :
▪2 - الانحدار (Regression):
الانحدار هو في الأساس آلية للتصنيف ولكن هنا نتوقع رقمًا بدلًا من فئة. ومن الأمثلة على ذلك توقع سعر السيارة من خلال المسافة المقطوعة، وتوقع حركة المرور بحسب وقت محدد من اليوم، وتوقع حجم الطلب من خلال نمو الشركة، وما إلى ذلك.
ويكون من الواجب استخدام الانحدار عندما تعتمد مشكلة معينة على الوقت.
كلّ من يعمل في مجالات التمويل والتحليل المالي يحب خوارزميات الانحدار. حتى أن معظمها مدمج في برنامج مايكروسوفت إكسل (Excel).
وطريقة استخدامها سلسة جدًا من الداخل إذ تحاول الآلة ببساطة رسم خط يشير إلى متوسط الارتباط (Average Correlation).
على عكس الشخص الّذي يحاول رسم شكل الانحدار يدويًا على السبورة، فإن الآلة ترسم الشكل بدقة رياضية عالية جدًا، بحساب متوسط الفاصل الزمني لكل نقطة
عندما يكون خط الانحدار مستقيمًا فيكون هذا الانحدار خطيًا، أما عندما يكون خط الانحدار منحنيًا فيكون الانحدار متعدد الحواف (Polynomial).
▪2 - الانحدار (Regression):
الانحدار هو في الأساس آلية للتصنيف ولكن هنا نتوقع رقمًا بدلًا من فئة. ومن الأمثلة على ذلك توقع سعر السيارة من خلال المسافة المقطوعة، وتوقع حركة المرور بحسب وقت محدد من اليوم، وتوقع حجم الطلب من خلال نمو الشركة، وما إلى ذلك.
ويكون من الواجب استخدام الانحدار عندما تعتمد مشكلة معينة على الوقت.
كلّ من يعمل في مجالات التمويل والتحليل المالي يحب خوارزميات الانحدار. حتى أن معظمها مدمج في برنامج مايكروسوفت إكسل (Excel).
وطريقة استخدامها سلسة جدًا من الداخل إذ تحاول الآلة ببساطة رسم خط يشير إلى متوسط الارتباط (Average Correlation).
على عكس الشخص الّذي يحاول رسم شكل الانحدار يدويًا على السبورة، فإن الآلة ترسم الشكل بدقة رياضية عالية جدًا، بحساب متوسط الفاصل الزمني لكل نقطة
عندما يكون خط الانحدار مستقيمًا فيكون هذا الانحدار خطيًا، أما عندما يكون خط الانحدار منحنيًا فيكون الانحدار متعدد الحواف (Polynomial).
○ 1- التعلّم الموجه :
▪2 - الانحدار (Regression):
وهذه الأنواع الرئيسية من الانحدار كما ذكرناها في المنشور السابق .
والبعض الآخر أكثر غرابة مثل الانحدار اللوجستي (Logistic Regression) وسيكون شكله مميز كتميز الخروف الأسود في قطيع غنم.
ولكن لا تدعه يخدعك، لأنه مجرد طريقة تصنيف وليس انحدارًا.
لا بأس في الخلط بين الانحدار والتصنيف.
إذ يتحول العديد من المصنّفات لتنفيذ عملية انحدار بقليل من الضبط والإعداد.
وعمومًا تستخدم طرق الانحدار عندما لا يمكننا تحديد فئة الكائن، وإنما يمكننا تحديد ومعرفة مدى قربه من هذه الفئة، وهنا بالضبط تأتي مهمته.
في حال أردت التعمق أكثر في التعلم الموجّه، فراجع هذه السلسلة:
https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab
الئ هنا وانتهينا من التعلم الموجه كما سنكمل غداً النوع الثاني من انواع تعلّم الالة :
- التعلم غير الموجه (غير الخاضع للإشراف)💜
▪2 - الانحدار (Regression):
وهذه الأنواع الرئيسية من الانحدار كما ذكرناها في المنشور السابق .
والبعض الآخر أكثر غرابة مثل الانحدار اللوجستي (Logistic Regression) وسيكون شكله مميز كتميز الخروف الأسود في قطيع غنم.
ولكن لا تدعه يخدعك، لأنه مجرد طريقة تصنيف وليس انحدارًا.
لا بأس في الخلط بين الانحدار والتصنيف.
إذ يتحول العديد من المصنّفات لتنفيذ عملية انحدار بقليل من الضبط والإعداد.
وعمومًا تستخدم طرق الانحدار عندما لا يمكننا تحديد فئة الكائن، وإنما يمكننا تحديد ومعرفة مدى قربه من هذه الفئة، وهنا بالضبط تأتي مهمته.
في حال أردت التعمق أكثر في التعلم الموجّه، فراجع هذه السلسلة:
https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab
الئ هنا وانتهينا من التعلم الموجه كما سنكمل غداً النوع الثاني من انواع تعلّم الالة :
- التعلم غير الموجه (غير الخاضع للإشراف)💜
Medium
Machine Learning for Humans, Part 2.1: Supervised Learning
The two tasks of supervised learning: regression and classification. Linear regression, loss functions, and gradient descent.
2- التعلّم غير الموجه :
تعدّ البيانات المصنّفة نوع فاخر من البيانات. ولكن ماذا لو كنت رغبت في إنشاء تصنيف مخصص للحافلات (الباصات)؟ هل يجب عليك التقاط صور يدويًا لمليون حافلة في الشوارع وتصنيف كلّ واحدةٍ منها؟ مستحيل، سيستغرق هذا الأمر عمرًا بأكمله.
في هذا النوع من التعلم من منظورنا نحن نعطيها أومر معينة للتجميع أو تقليل الأبعاد وهي تؤدي هذه المهمة من خلال تحليلها لقيم الميّزات (Features) ومحاولة الربط بينها ومعرفة العلاقات أو الارتباط بين هذه البيانات.
كما يمكن أن تكون البيانات معقدة للغاية، ولذلك لا يمكن لهذه الخوارزميات التكهن بالنتيجة المطلوبة بصورة صحيحة.
في تلك الحالات نحاول تنظيم بياناتنا أو إعادة هيكلتها في صيغة منطقية أكثر من السابق من أجل معرفة فيّما إذا استطاعت هذه الخوارزميات استنتاج شيئ ما، وبذلك الأمر له عدة جوانب للحلّ ومتعلّق بنوعية البيانات وطريقة تنظيمها وجودتها.
ولكن هناك بعض الأمل إذ لدينا الملايين من المنصات الّتي توفر خدمات رخيصة نسبيًا تبدأ من 5 دولار أمريكي، وغالبًا نعتمد عليها لمساعدتنا في تصنيف البيانات وهذه الطريقة المعتمدة الّتي تجري وفقها أمور تطوير البيانات في هذا المجال.
▪ بعض الأنواع للتعلّم غير الموجّه:
1- التجميع (Clustering).
2- تقليل الأبعاد أو التعميم (Dimensionality Reduction).
3- تعلم قواعد الربط (Association rule learning).
.
تعدّ البيانات المصنّفة نوع فاخر من البيانات. ولكن ماذا لو كنت رغبت في إنشاء تصنيف مخصص للحافلات (الباصات)؟ هل يجب عليك التقاط صور يدويًا لمليون حافلة في الشوارع وتصنيف كلّ واحدةٍ منها؟ مستحيل، سيستغرق هذا الأمر عمرًا بأكمله.
في هذا النوع من التعلم من منظورنا نحن نعطيها أومر معينة للتجميع أو تقليل الأبعاد وهي تؤدي هذه المهمة من خلال تحليلها لقيم الميّزات (Features) ومحاولة الربط بينها ومعرفة العلاقات أو الارتباط بين هذه البيانات.
كما يمكن أن تكون البيانات معقدة للغاية، ولذلك لا يمكن لهذه الخوارزميات التكهن بالنتيجة المطلوبة بصورة صحيحة.
في تلك الحالات نحاول تنظيم بياناتنا أو إعادة هيكلتها في صيغة منطقية أكثر من السابق من أجل معرفة فيّما إذا استطاعت هذه الخوارزميات استنتاج شيئ ما، وبذلك الأمر له عدة جوانب للحلّ ومتعلّق بنوعية البيانات وطريقة تنظيمها وجودتها.
ولكن هناك بعض الأمل إذ لدينا الملايين من المنصات الّتي توفر خدمات رخيصة نسبيًا تبدأ من 5 دولار أمريكي، وغالبًا نعتمد عليها لمساعدتنا في تصنيف البيانات وهذه الطريقة المعتمدة الّتي تجري وفقها أمور تطوير البيانات في هذا المجال.
▪ بعض الأنواع للتعلّم غير الموجّه:
1- التجميع (Clustering).
2- تقليل الأبعاد أو التعميم (Dimensionality Reduction).
3- تعلم قواعد الربط (Association rule learning).
.
○ 2- التعلٌم غير الموجه :
▪1-التجميع (Clustering):
تُقسّم عملية التجميع الكائنات على أساس ميّزات غير معروفة. إذ تختار الآلة أفضل طريقة لفرز الميّزات الّتي تراها مناسبة.
▪ هذه بعض التطبيقات لعملية التجميع في وقتنا الحالي:
١- تقسيم السوق (أو تقسيم أنواع العملاء، أو طريقة ولائهم للعلامة التجارية).
٢- دمج نقاط قريبة على الخريطة.
٣- ضغط الصورة.
٤- تحليل وتسمية البيانات الجديدة.
٥- الكشف عن السلوك غير الطبيعي.
▪ ومن بعض خوارزميات الشائعة للتجميع:
١- خوارزمية K-mean_clustering.
٢- خوارزمية Mean-Shift.
٣- خوارزمية DBSCAN.
▪1-التجميع (Clustering):
تُقسّم عملية التجميع الكائنات على أساس ميّزات غير معروفة. إذ تختار الآلة أفضل طريقة لفرز الميّزات الّتي تراها مناسبة.
▪ هذه بعض التطبيقات لعملية التجميع في وقتنا الحالي:
١- تقسيم السوق (أو تقسيم أنواع العملاء، أو طريقة ولائهم للعلامة التجارية).
٢- دمج نقاط قريبة على الخريطة.
٣- ضغط الصورة.
٤- تحليل وتسمية البيانات الجديدة.
٥- الكشف عن السلوك غير الطبيعي.
▪ ومن بعض خوارزميات الشائعة للتجميع:
١- خوارزمية K-mean_clustering.
٢- خوارزمية Mean-Shift.
٣- خوارزمية DBSCAN.
○ 2- التعلم غير الموجه :
▪ 1- التجميع :
تعدّ عملية التجميع فعليًا عملية تصنيف ولكن المفارقة هنا أنها لا تحتوي على فئات محددة مسبقًا. مشابهة جدًا لعملية تقسيم الجوارب في الدرج بحسب ألوانهم، وذلك عندما لا تتذكر كلّ الألوان الّتي لديك فعندها ستجلب الجورب الأول ذو اللون الأسود وتضعه جانبًا وتأخذ الجورب الثاني ..وهكذا...
تحاول خوارزميات التجميع العثور على كائنات متشابهة (بحسب بعض الميزات) ودمجها في مجموعة.
تُجمّع الكائنات الّتي لديها الكثير من الميزات المماثلة في فئة واحدة. وتسمح لنا بعض الخوارزميات حتى تحديد العدد الدقيق للمجموعات الّتي نريدها.
من أحد أشهر الأمثلة على التجميع هي تجميع العلامات (أو المؤشرات) على خرائط الوِب.
فمثلًا عندما تبحث عن جميع المطاعم النباتية المحيطة بك، سيجمّعُ محرك البحث الخاص بالخريطة جميع المطاعم على شكل أرقام.
ولو أنه لم يجمّعها لك فحتمًا سيتجمد متصفحك بعد عملية البحث لأنه سيحاول رسم جميع المطاعم النباتية الموجودة على سطح الكرة الأرضية وعددهم سيكون كبير بكلّ تأكيد.
ومن بعض الاستخدامات الأخرى لخوارزميات التجميع تطبيقات الهواتف المحمولة مثل: Apple Photos وGoogle Photos إذ كِلاهما يستخدمان خوارزميات تجميع معقدة أكثر من المثال السابق، وذلك لإنهم يبحثان عن الوجوه المميزة في الصور بهدف إنشاء ألبومات خاصة لأصدقائك.
لا يعرف التطبيق عدد أصدقاؤك ولا حتى كيف تبدوا أشكالهم، ولكنه مع ذلك يحاول العثور على ميزات صريحة في وجوههم، والموازنة بينها لمعرفة عددهم، وعرض الألبومات وفقًا لذلك.
ومن بعض الاستخدامات الأخرى هي ضغط الصورة فعند حفظ الصورة بلاحقة PNG، يمكنك ضبط مجموعة الألوان وليكن عددها 32 لونًا.
هذا يعني أن آلية التجميع ستأخذ جميع البكسلات "المحمرة" وتحسب قيمة "المتوسط الأحمر" وتضبطه على جميع البكسلات الحمراء.
وبذلك يكون لدينا ألوان أقل، مما يؤدي في نهاية المطاف إلى حجم ملف أقل، وبذلك تنخفضُ مصاريف التخزين المحلي أو السحابي.
▪ 1- التجميع :
تعدّ عملية التجميع فعليًا عملية تصنيف ولكن المفارقة هنا أنها لا تحتوي على فئات محددة مسبقًا. مشابهة جدًا لعملية تقسيم الجوارب في الدرج بحسب ألوانهم، وذلك عندما لا تتذكر كلّ الألوان الّتي لديك فعندها ستجلب الجورب الأول ذو اللون الأسود وتضعه جانبًا وتأخذ الجورب الثاني ..وهكذا...
تحاول خوارزميات التجميع العثور على كائنات متشابهة (بحسب بعض الميزات) ودمجها في مجموعة.
تُجمّع الكائنات الّتي لديها الكثير من الميزات المماثلة في فئة واحدة. وتسمح لنا بعض الخوارزميات حتى تحديد العدد الدقيق للمجموعات الّتي نريدها.
من أحد أشهر الأمثلة على التجميع هي تجميع العلامات (أو المؤشرات) على خرائط الوِب.
فمثلًا عندما تبحث عن جميع المطاعم النباتية المحيطة بك، سيجمّعُ محرك البحث الخاص بالخريطة جميع المطاعم على شكل أرقام.
ولو أنه لم يجمّعها لك فحتمًا سيتجمد متصفحك بعد عملية البحث لأنه سيحاول رسم جميع المطاعم النباتية الموجودة على سطح الكرة الأرضية وعددهم سيكون كبير بكلّ تأكيد.
ومن بعض الاستخدامات الأخرى لخوارزميات التجميع تطبيقات الهواتف المحمولة مثل: Apple Photos وGoogle Photos إذ كِلاهما يستخدمان خوارزميات تجميع معقدة أكثر من المثال السابق، وذلك لإنهم يبحثان عن الوجوه المميزة في الصور بهدف إنشاء ألبومات خاصة لأصدقائك.
لا يعرف التطبيق عدد أصدقاؤك ولا حتى كيف تبدوا أشكالهم، ولكنه مع ذلك يحاول العثور على ميزات صريحة في وجوههم، والموازنة بينها لمعرفة عددهم، وعرض الألبومات وفقًا لذلك.
ومن بعض الاستخدامات الأخرى هي ضغط الصورة فعند حفظ الصورة بلاحقة PNG، يمكنك ضبط مجموعة الألوان وليكن عددها 32 لونًا.
هذا يعني أن آلية التجميع ستأخذ جميع البكسلات "المحمرة" وتحسب قيمة "المتوسط الأحمر" وتضبطه على جميع البكسلات الحمراء.
وبذلك يكون لدينا ألوان أقل، مما يؤدي في نهاية المطاف إلى حجم ملف أقل، وبذلك تنخفضُ مصاريف التخزين المحلي أو السحابي.
ومع ذلك يمكن أن نواجه بعض مشاكل في الألوان مثل الألوان القريبة من لونين بنفس الوقت مثل لون الأزرق السمائي (Cyan).
إذ لا يمكننا تصنيفه فيما إذا كان أخضرًا أم أزرق؟ هنا يأتي دور خوارزمية K-Means.
إذ لا يمكننا تصنيفه فيما إذا كان أخضرًا أم أزرق؟ هنا يأتي دور خوارزمية K-Means.
○ 2- التعلٌم غير الموجه :
▪1-التجميع (Clustering):
▪ خوارزمية K-mean:
إذ تعيّن خوارزمية K-Means مجموعة من النقاط اللونية والبالغ عددها 32 نقطة لونية بطريقة عشوائية في مجموعة الألوان.
وتسمى هذه النقاط (أو الألوان) بالنقاط المركزية (Centroids).
وتُحدد النقاط المتبقية على أنها مخصصة لأقرب نقطة (لون) مركزي.
وبعدها سنُلاحظ أننا حصلنا نوعًا ما على ما يشبه المجرات حول هذه الألوان 32.
ثم ننقل النقطة المركزية إلى وسط مجرتنا، ونكرر ذلك حتى تتوقف النقطة المركزية عن التحرك..
نفذنا جميع المهام بنجاح. ولدينا 32 مجموعة محددة ومستقرة. وإليك شرحًا كرتونيًا وتفصيليًا لما جرى موضحا بالصورة المرفقه.
▪1-التجميع (Clustering):
▪ خوارزمية K-mean:
إذ تعيّن خوارزمية K-Means مجموعة من النقاط اللونية والبالغ عددها 32 نقطة لونية بطريقة عشوائية في مجموعة الألوان.
وتسمى هذه النقاط (أو الألوان) بالنقاط المركزية (Centroids).
وتُحدد النقاط المتبقية على أنها مخصصة لأقرب نقطة (لون) مركزي.
وبعدها سنُلاحظ أننا حصلنا نوعًا ما على ما يشبه المجرات حول هذه الألوان 32.
ثم ننقل النقطة المركزية إلى وسط مجرتنا، ونكرر ذلك حتى تتوقف النقطة المركزية عن التحرك..
نفذنا جميع المهام بنجاح. ولدينا 32 مجموعة محددة ومستقرة. وإليك شرحًا كرتونيًا وتفصيليًا لما جرى موضحا بالصورة المرفقه.
○ 2- التعلٌم غير الموجه :
▪1-التجميع (Clustering):
البحث عن الألوان المركزية مريح.
إلا أن التجميعات في الحياة الواقعية ليست دائمًا على شكل دوائر.
لنفترض أنك عامل جيولوجيا. وتحتاج للعثور على بعض المعادن المتماثلة على الخريطة.
في هذه الحالة، يمكن تشكيل تجميعات بطريقة غريبة وحتى متشعبة.
ولا يمكنك أيضًا أن تعرف عددهم فهل هم 10؟ أم 100؟ بكل تأكيد أن خوارزمية K-means لن تتناسب مع هذه الحالة، وإنما ستكون خوارزمية DBSCAN مفيدةً أكثر.
▪1-التجميع (Clustering):
البحث عن الألوان المركزية مريح.
إلا أن التجميعات في الحياة الواقعية ليست دائمًا على شكل دوائر.
لنفترض أنك عامل جيولوجيا. وتحتاج للعثور على بعض المعادن المتماثلة على الخريطة.
في هذه الحالة، يمكن تشكيل تجميعات بطريقة غريبة وحتى متشعبة.
ولا يمكنك أيضًا أن تعرف عددهم فهل هم 10؟ أم 100؟ بكل تأكيد أن خوارزمية K-means لن تتناسب مع هذه الحالة، وإنما ستكون خوارزمية DBSCAN مفيدةً أكثر.