‼️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.
This media is not supported in your browser
VIEW IN TELEGRAM
○ 2- التعلٌم غير الموجه :
▪1-التجميع (Clustering):
▪ خوارزمية DBSCAN؛
لنفترض أن النقاط لدينا هم أناس في ساحة البلدة. اَبحث عن أي ثلاثة أشخاص يقفون بالقرب من بعضهم البعض واطلب منهم أن يمسكوا أيديهم. ثم اطلب منهم البدء في الإمساك بأولئك الجيران الّذين يمكنهم الوصول إليهم. وهكذا دواليك. إلى أن نصل لشخص لا يستطيع الامساك بأي شخص آخر. هذه هي مجموعتنا الأولى. كرر هذه العملية ليُجمعُ كلّ الناس بمجموعات.
ملاحظة: الشخص الّذي ليس لديه من يمسك يده - هو فعليًا مجرد بيانات شاذة.
إليك رسم توضيحي يبين لك كيف سيبدو الحل كما في الصورة المرفقة .
▪1-التجميع (Clustering):
▪ خوارزمية DBSCAN؛
لنفترض أن النقاط لدينا هم أناس في ساحة البلدة. اَبحث عن أي ثلاثة أشخاص يقفون بالقرب من بعضهم البعض واطلب منهم أن يمسكوا أيديهم. ثم اطلب منهم البدء في الإمساك بأولئك الجيران الّذين يمكنهم الوصول إليهم. وهكذا دواليك. إلى أن نصل لشخص لا يستطيع الامساك بأي شخص آخر. هذه هي مجموعتنا الأولى. كرر هذه العملية ليُجمعُ كلّ الناس بمجموعات.
ملاحظة: الشخص الّذي ليس لديه من يمسك يده - هو فعليًا مجرد بيانات شاذة.
إليك رسم توضيحي يبين لك كيف سيبدو الحل كما في الصورة المرفقة .
○ 2- التعلٌم غير الموجه :
▪1-التجميع (Clustering):
نلاحظ أن التجميع مشابه تمامًا للتصنيف، إذ يمكن استخدام المجموعات للكشف عن الحالات الشاذة. هل لاحظت بأن المستخدم يتصرف بطريقة غير طبيعية بعد اشتراكه بموقعكK أو بخدمتك؟ دع الآلة تحجبه مؤقتًا، وتنشئ تذكرة للدعم الفني لفحص هذا النشاط المريب لاتخاذ القرار المناسب. فربما يكون روبوت آلي يحاول إشغال الخادم الّذي تحجزه لموقعك. في الحقيقة لن نحتاج حتى لمعرفة ماهيّة "السلوك الطبيعي" للمُستخدم وإنما سنأخذ جميع أفعال ونشاطات المستخدم ونحملها إلى نموذجنا ونترك الآلة تقرر ما إذا كان هذا المستخدم "نموذجيًا" أم لا.
يمكن أن لا يعمل هذا النهج بطريقة جيد بالموازنة مع التصنيف، ولكن القرار النهائي سيُبنى على المحاولة والتجربة.
وإن كنت مهتم بخوارزميات التجميع؟ يمكنك الاطلاع على هذه المقالة :
https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68
▪1-التجميع (Clustering):
نلاحظ أن التجميع مشابه تمامًا للتصنيف، إذ يمكن استخدام المجموعات للكشف عن الحالات الشاذة. هل لاحظت بأن المستخدم يتصرف بطريقة غير طبيعية بعد اشتراكه بموقعكK أو بخدمتك؟ دع الآلة تحجبه مؤقتًا، وتنشئ تذكرة للدعم الفني لفحص هذا النشاط المريب لاتخاذ القرار المناسب. فربما يكون روبوت آلي يحاول إشغال الخادم الّذي تحجزه لموقعك. في الحقيقة لن نحتاج حتى لمعرفة ماهيّة "السلوك الطبيعي" للمُستخدم وإنما سنأخذ جميع أفعال ونشاطات المستخدم ونحملها إلى نموذجنا ونترك الآلة تقرر ما إذا كان هذا المستخدم "نموذجيًا" أم لا.
يمكن أن لا يعمل هذا النهج بطريقة جيد بالموازنة مع التصنيف، ولكن القرار النهائي سيُبنى على المحاولة والتجربة.
وإن كنت مهتم بخوارزميات التجميع؟ يمكنك الاطلاع على هذه المقالة :
https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68
Medium
The 5 Clustering Algorithms Data Scientists Need to Know
Clustering is a Machine Learning technique that involves the grouping of data points. Given a set of data points, we can use a clustering algorithm to classify each data point into a specific group…
○ 2- التعلٌم غير الموجه :
▪2- تقليل الأبعاد (Dimensionality Reduction):
وتعرف أيضًا بالتعميم (Generalization) وهي عملية تجميع ميّزات محددة بداخل ميّزات ذات مستوى أعم وأعلى.
▪ ومن بعض التطبيقات العملية لهذه الطريقة نجد:
١- أنظمة التوصية.
٢- التصورات (المحاكاة) الجميلة.
٣- نمذجة الموضوعات والبحث عن وثائق مماثلة.
٤- تحليل الصور المزيفة.
٥- إدارة المخاطر.
▪ ومن بعض الخوارزميات الشائعة لتطبيقها:
١- خوارزمية تحليل المكونات الرئيسية Principal Component Analysis ويشار لها اختصارًا (PCA).
٢- خوارزمية تحليل القيمة المفردة Singular Value Decomposition ويشار لها اختصارًا (SVD).
٣- خوارزمية Latent Dirichlet allocation.
٤- خوارزمية التحليل الدلالي الكامن Latent Semantic Analysis ويشار إليها اختصارًا (LSA أو pLSA أو GLSA).
٥- خوارزمية t-SNE (التي تستخدم في مجال الرؤية الحاسوبية).
▪2- تقليل الأبعاد (Dimensionality Reduction):
وتعرف أيضًا بالتعميم (Generalization) وهي عملية تجميع ميّزات محددة بداخل ميّزات ذات مستوى أعم وأعلى.
▪ ومن بعض التطبيقات العملية لهذه الطريقة نجد:
١- أنظمة التوصية.
٢- التصورات (المحاكاة) الجميلة.
٣- نمذجة الموضوعات والبحث عن وثائق مماثلة.
٤- تحليل الصور المزيفة.
٥- إدارة المخاطر.
▪ ومن بعض الخوارزميات الشائعة لتطبيقها:
١- خوارزمية تحليل المكونات الرئيسية Principal Component Analysis ويشار لها اختصارًا (PCA).
٢- خوارزمية تحليل القيمة المفردة Singular Value Decomposition ويشار لها اختصارًا (SVD).
٣- خوارزمية Latent Dirichlet allocation.
٤- خوارزمية التحليل الدلالي الكامن Latent Semantic Analysis ويشار إليها اختصارًا (LSA أو pLSA أو GLSA).
٥- خوارزمية t-SNE (التي تستخدم في مجال الرؤية الحاسوبية).
This media is not supported in your browser
VIEW IN TELEGRAM
○ 2- التعلٌم غير الموجه :
▪2- تقليل الأبعاد (Dimensionality Reduction):
استخدم علماء البيانات المتعصبون سابقًا هذه الأساليب، وكان عليهم العثور على "شيئ مثير للاهتمام" في أكوام ضخمة من الأرقام. وعندما لم تساعدهم مخططات إكسل بهذه المهمة أجبروا الآلات على العثور على الأنماط. حتى حصلوا على طريقة تقليل الأبعاد أو ميّزة تعلّم كيفية تقليل البعد.
من الأفضل دائمًا استخدام التلخيص أو التجريد (Abstractions)، عوضًا عن مجموعة من الميزات المجزأة.
فمثلًا، يمكننا دمج كلّ الكلاب ذات الآذان مثلثية الشكل والأنوف الطويلة والذيل الكبير ليصبح لدينا تلخيص لشكل كلب لطيف وهو كلب "شبيرد". نعم فقدنا بعض المعلومات حول الصفات المميزة الخاصة بالكلب شبيرد، إلا أن التلخيص الجديد يعدّ أكثر فائدة لتسمية الأغراض وتوضيحها.
بالإضافة إلى ذلك، إن النماذج المُلخصة تتعلّم بطريقة أسرع، ولا تظهر لديها مشكلة "فرض التخصيص" (Overfitting) - الّتي سنتحدث عنها بالتفصيل لاحقًا - بكثرة وهي تستخدم عددًا أقل من الميّزات.
▪2- تقليل الأبعاد (Dimensionality Reduction):
استخدم علماء البيانات المتعصبون سابقًا هذه الأساليب، وكان عليهم العثور على "شيئ مثير للاهتمام" في أكوام ضخمة من الأرقام. وعندما لم تساعدهم مخططات إكسل بهذه المهمة أجبروا الآلات على العثور على الأنماط. حتى حصلوا على طريقة تقليل الأبعاد أو ميّزة تعلّم كيفية تقليل البعد.
من الأفضل دائمًا استخدام التلخيص أو التجريد (Abstractions)، عوضًا عن مجموعة من الميزات المجزأة.
فمثلًا، يمكننا دمج كلّ الكلاب ذات الآذان مثلثية الشكل والأنوف الطويلة والذيل الكبير ليصبح لدينا تلخيص لشكل كلب لطيف وهو كلب "شبيرد". نعم فقدنا بعض المعلومات حول الصفات المميزة الخاصة بالكلب شبيرد، إلا أن التلخيص الجديد يعدّ أكثر فائدة لتسمية الأغراض وتوضيحها.
بالإضافة إلى ذلك، إن النماذج المُلخصة تتعلّم بطريقة أسرع، ولا تظهر لديها مشكلة "فرض التخصيص" (Overfitting) - الّتي سنتحدث عنها بالتفصيل لاحقًا - بكثرة وهي تستخدم عددًا أقل من الميّزات.
○ 2- التعلٌم غير الموجه :
▪2- تقليل الأبعاد :
أصبحت هذه الخوارزميات أداة مذهلة لنمذجة المواضيع. إذ يمكننا تلخيص مواضيع من كلمات محددة لمعانيها. هذا ما تفعله خوارزمية التحليل الدلالي الكامن.
تعتمد على عدد مرات تكرار كلمة معينة في موضوع محدد.
مثل: استخدام كلمة "تقنية" بكثرة في المقالات التقنية، وبالتأكيد سنعثر على أسماء الأشخاص السياسيين بكثرة في الأخبار السياسية وهكذا.
كما يمكننا بكل تأكيد إنشاء مجموعات من جميع الكلمات في المقالات، ولكننا سنفقد جميع الروابط المهمة بين معاني الكلمات خصيصًا العلاقة بين الكلمات ذات المعنى نفسه مثل البطارية (Battery) والبطارية المقصود بها المدخرات الكهربائية -(Accumulator) الموجودة في مستندات مختلفة. إلا أن خوارزمية التحليل الدلالي الكامن ستتعامل معها بالطريقة الصحيحة، ولهذا السبب تحديدًا سمّيت "بخوارزمية التحليل الدلالي الكامن".
لذلك نحن بحاجة إلى ربط الكلمات والمستندات في ميزة واحدة للحفاظ على هذه الاتصالات الكامنة واتضح لنا بأن خوارزمية التفكيك المفرد (Singular decomposition) تؤدي هذه المهمة بقوة مما يشفُ عن فائدة المجموعات المجمعة بحسب الموضوع الّتي تحدثنا عنها سابقًا.
▪2- تقليل الأبعاد :
أصبحت هذه الخوارزميات أداة مذهلة لنمذجة المواضيع. إذ يمكننا تلخيص مواضيع من كلمات محددة لمعانيها. هذا ما تفعله خوارزمية التحليل الدلالي الكامن.
تعتمد على عدد مرات تكرار كلمة معينة في موضوع محدد.
مثل: استخدام كلمة "تقنية" بكثرة في المقالات التقنية، وبالتأكيد سنعثر على أسماء الأشخاص السياسيين بكثرة في الأخبار السياسية وهكذا.
كما يمكننا بكل تأكيد إنشاء مجموعات من جميع الكلمات في المقالات، ولكننا سنفقد جميع الروابط المهمة بين معاني الكلمات خصيصًا العلاقة بين الكلمات ذات المعنى نفسه مثل البطارية (Battery) والبطارية المقصود بها المدخرات الكهربائية -(Accumulator) الموجودة في مستندات مختلفة. إلا أن خوارزمية التحليل الدلالي الكامن ستتعامل معها بالطريقة الصحيحة، ولهذا السبب تحديدًا سمّيت "بخوارزمية التحليل الدلالي الكامن".
لذلك نحن بحاجة إلى ربط الكلمات والمستندات في ميزة واحدة للحفاظ على هذه الاتصالات الكامنة واتضح لنا بأن خوارزمية التفكيك المفرد (Singular decomposition) تؤدي هذه المهمة بقوة مما يشفُ عن فائدة المجموعات المجمعة بحسب الموضوع الّتي تحدثنا عنها سابقًا.
👍1
○ 2- التعلٌم غير الموجه :
▪2- تقليل الأبعاد (Dimensionality Reduction):
من الاستخدامات الشائعة الأخرى هي أنظمة التوصية (Recommender Systems)
والتصفية التعاونية (Collaborative Filtering) من أجل تقليل الأبعاد. مما يبدو أنه إذا كنت تستخدمه في تلخيص تقييمات المستخدمين، فستحصل على نظام رائع للتوصية بالأفلام والموسيقى والألعاب بل وحتى أي شيئ تريده.
للمزيد من المعلومات حول هذا الموضوع نوصيك بالكتاب الرائع "برمجة الذكاء الجمعي" Programming Collective Intelligence.
بالكاد سنتمكن من فهم فهمًا كاملًا لفكرة التلخيص (أو التجريد) الآلي، ولكن من الممكن رؤية بعض الارتباطات عن قرب.
إذ يرتبط بعضها بعمر المستخدم فمثلًا يلعب الأطفال لعبة ماين كرافت (Minecraft) ويشاهدون معها الرسوم المتحركة بكثرة، ويرتبط بعض المستخدمين الآخرين بنوعية فيلم معينة أو بهوايات مخصصة وهكذا.
تستطيع الآلات الحصول على هذه المفاهيم التجريدية عالية المستوى من دون حتى فهم ماهيتها، بناءً فقط على معرفة تقييمات المستخدم.
▪2- تقليل الأبعاد (Dimensionality Reduction):
من الاستخدامات الشائعة الأخرى هي أنظمة التوصية (Recommender Systems)
والتصفية التعاونية (Collaborative Filtering) من أجل تقليل الأبعاد. مما يبدو أنه إذا كنت تستخدمه في تلخيص تقييمات المستخدمين، فستحصل على نظام رائع للتوصية بالأفلام والموسيقى والألعاب بل وحتى أي شيئ تريده.
للمزيد من المعلومات حول هذا الموضوع نوصيك بالكتاب الرائع "برمجة الذكاء الجمعي" Programming Collective Intelligence.
بالكاد سنتمكن من فهم فهمًا كاملًا لفكرة التلخيص (أو التجريد) الآلي، ولكن من الممكن رؤية بعض الارتباطات عن قرب.
إذ يرتبط بعضها بعمر المستخدم فمثلًا يلعب الأطفال لعبة ماين كرافت (Minecraft) ويشاهدون معها الرسوم المتحركة بكثرة، ويرتبط بعض المستخدمين الآخرين بنوعية فيلم معينة أو بهوايات مخصصة وهكذا.
تستطيع الآلات الحصول على هذه المفاهيم التجريدية عالية المستوى من دون حتى فهم ماهيتها، بناءً فقط على معرفة تقييمات المستخدم.
○ 2- التعلٌم غير الموجه :
▪3- تعلم قواعد الربط (Association Rule Learning):
وهي طريقة للبحث عن الأنماط في تدفق الطلبات.
▪ حاليا تستخدم في عدد من المجالات مثل:
١- التنبؤ بالمبيعات والخصومات.
٢- تحليل البضائع المشتراة معًا.
٣- معرفة كيفية وضع المنتجات على الرفوف.
٤- تحليل أنماط تصفح الإنترنت.
▪ الخوارزميات الشائعة لها هي:
١- خوارزمية Apriori.
٢- خوارزمية Eclat.
٣- خوارزمية FP-growth.
وتستخدم هذه الطريقة لتحليل عربات (سلّات) التسوق الإلكترونية أو الواقعية، كما تستخدم أيضًا لأتمتة استراتيجية التسويق، والمهام الأخرى المتعلقة بمثل هذه الأحداث. وتحديدًا عندما يكون لديك تسلسل لشيئ معين وترغب في إيجاد أنماط فيه - جرب هذه الأشياء.
▪3- تعلم قواعد الربط (Association Rule Learning):
وهي طريقة للبحث عن الأنماط في تدفق الطلبات.
▪ حاليا تستخدم في عدد من المجالات مثل:
١- التنبؤ بالمبيعات والخصومات.
٢- تحليل البضائع المشتراة معًا.
٣- معرفة كيفية وضع المنتجات على الرفوف.
٤- تحليل أنماط تصفح الإنترنت.
▪ الخوارزميات الشائعة لها هي:
١- خوارزمية Apriori.
٢- خوارزمية Eclat.
٣- خوارزمية FP-growth.
وتستخدم هذه الطريقة لتحليل عربات (سلّات) التسوق الإلكترونية أو الواقعية، كما تستخدم أيضًا لأتمتة استراتيجية التسويق، والمهام الأخرى المتعلقة بمثل هذه الأحداث. وتحديدًا عندما يكون لديك تسلسل لشيئ معين وترغب في إيجاد أنماط فيه - جرب هذه الأشياء.
○ 2- التعلٌم غير الموجه :
▪3- تعلم قواعد الربط (Association Rule Learning):
وتستخدم هذه الطريقة لتحليل عربات (سلّات) التسوق الإلكترونية أو الواقعية، كما تستخدم أيضًا لأتمتة استراتيجية التسويق، والمهام الأخرى المتعلقة بمثل هذه الأحداث.
وتحديدًا عندما يكون لديك تسلسل لشيئ معين وترغب في إيجاد أنماط فيه - جرب هذه الأشياء.
لنفترض أن العميل سيأخذ ستة عبوات من العصائر ويذهب إلى طاولة المحاسبة ثم إلى باب الخروج.
هل يجب أن نضع الفول السوداني بجانب الطريق المؤدي إلى طاولة المحاسبة؟
وفي حال وضعناها، كم مرة سيشتريها الناس بالمجمل؟
لربما تتماشى العصائر مع الفول السوداني، ولكن ما هي التسلسلات الأخرى الّتي يمكننا التنبؤ بها اعتمادًا على البيانات؟
هل يمكن لتغييرات بسيطة في ترتيب البضائع أن تؤدي إلى زيادة كبيرة في الأرباح؟
وينطبق نفس الشيء على التجارة الإلكترونية.
إذ المهمة هنا أكثر حماسية وإثارة للاهتمام، فما الّذي سيشتريه العميل في المرة القادمة؟
هل سيشتري المنتجات النباتية؟
أم الحيوانية؟
▪3- تعلم قواعد الربط (Association Rule Learning):
وتستخدم هذه الطريقة لتحليل عربات (سلّات) التسوق الإلكترونية أو الواقعية، كما تستخدم أيضًا لأتمتة استراتيجية التسويق، والمهام الأخرى المتعلقة بمثل هذه الأحداث.
وتحديدًا عندما يكون لديك تسلسل لشيئ معين وترغب في إيجاد أنماط فيه - جرب هذه الأشياء.
لنفترض أن العميل سيأخذ ستة عبوات من العصائر ويذهب إلى طاولة المحاسبة ثم إلى باب الخروج.
هل يجب أن نضع الفول السوداني بجانب الطريق المؤدي إلى طاولة المحاسبة؟
وفي حال وضعناها، كم مرة سيشتريها الناس بالمجمل؟
لربما تتماشى العصائر مع الفول السوداني، ولكن ما هي التسلسلات الأخرى الّتي يمكننا التنبؤ بها اعتمادًا على البيانات؟
هل يمكن لتغييرات بسيطة في ترتيب البضائع أن تؤدي إلى زيادة كبيرة في الأرباح؟
وينطبق نفس الشيء على التجارة الإلكترونية.
إذ المهمة هنا أكثر حماسية وإثارة للاهتمام، فما الّذي سيشتريه العميل في المرة القادمة؟
هل سيشتري المنتجات النباتية؟
أم الحيوانية؟