ما هي خوارزمية التعلم الآلي؟

ما هي خوارزمية التعلم الآلي؟

خوارزمية التعلم الآلي هي مجموعة من القواعد أو العمليات التي يستخدمها نظام الذكاء الاصطناعي لتنفيذ المهام—غالبًا لاكتشاف رؤى وأنماط جديدة للبيانات، أو للتنبؤ بقيم المخرجات من مجموعة معينة من متغيرات الإدخال. تتيح الخوارزميات للتعلم الآلي إمكانية التعلم.

يتفق محللو الصناعة على أهمية التعلم الآلي والخوارزميات الأساسية له. من Forrester، "تُضفي التطورات في خوارزميات التعلم الآلي الدقة والعمق على تحليل بيانات التسويق التي تساعد المسوقين على فهم كيفية تأثير تفاصيل التسويق—مثل المنصة أو التصميم أو الدعوة إلى اتخاذ إجراء أو الرسائل—على أداء التسويق.1". بينما تشير Gartner إلى أن "التعلم الآلي هو جوهر العديد من تطبيقات الذكاء الاصطناعي الناجحة، مما يعزز من قوته الهائلة في السوق.2".

في أغلب الأحيان، سيوفر تدريب خوارزميات التعلم الآلي (ML) على المزيد من البيانات إجابات أكثر دقة من التدريب على بيانات أقل. باستخدام الأساليب الإحصائية، يتم تدريب الخوارزميات لتحديد التصنيفات أو إجراء التنبؤات، واكتشاف رؤى رئيسية في مشاريع استخراج البيانات. يمكن أن تساعد هذه الرؤى لاحقًا في تحسين عملية اتخاذ القرار لديك لتعزيز مقاييس النمو الرئيسية.

تشمل حالات استخدام خوارزميات التعلّم الآلي القدرة على تحليل البيانات لتحديد الاتجاهات والتنبؤ بالمشاكل قبل حدوثها.3 يمكن للذكاء الاصطناعي الأكثر تقدماً أن يتيح دعماً أكثر تخصيصاً، ويقلل من أوقات الاستجابة، ويوفر إمكانية التعرف على الكلام، ويحسّن من رضا العملاء. الصناعات التي تستفيد بشكل خاص من خوارزميات التعلم الآلي لإنشاء محتوى جديد من كميات هائلة من البيانات إدارة سلسلة التوريد، والنقل والخدمات اللوجستية، والبيع بالتجزئة والتصنيع4—وكلها تتبنى الذكاء الاصطناعي التوليدي، مع قدرته على أتمتة المهام، وتعزيز الكفاءة وتوفير رؤى قيّمة، حتى للمبتدئين.

تصميم ثلاثي الأبعاد لكرات تتدحرج على مسار

أحدث الأخبار والرؤى حول الذكاء الاصطناعي 


تتوفر معارف وأخبار منسقة بمهارة حول الذكاء الاصطناعي والسحابة وغيرها في نشرة Think الإخبارية الأسبوعية. 

التعلم العميق

التعلم العميق هو تطبيق محدد للوظائف المتقدمة التي توفرها خوارزميات التعلم الآلي. يكمن التمييز في كيفية تعلم كل خوارزمية. يمكن لنماذج التعلم الآلي "العميقة" استخدام مجموعات البيانات المصنّفة، والمعروفة أيضًا باسم التعلم الخاضع للإشراف، لتوجيه خوارزميتها، ولكنها لا تتطلب بالضرورة بيانات مصنّفة. يمكن للتعلّم العميق أن يستوعب البيانات غير المنظمة في شكلها الخام (مثل النصوص أو الصور)، ويمكنه تلقائيًا تحديد مجموعة السمات التي تميز الفئات المختلفة عن بعضها البعض. وهذا يلغي بعض التدخل البشري المطلوب ويتيح استخدام مجموعات بيانات أكبر.

الطريقة الأسهل للتفكير في الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق، والشبكات العصبية هي أن نفكر فيها كسلسلة من أنظمة الذكاء الاصطناعي من الأكبر إلى الأصغر، حيث يشمل كل منها النظام التالي. الذكاء الاصطناعي (AI) هو النظام الشامل. التعلم الآلي هو جزء من الذكاء الاصطناعي. التعلم العميق هو حقل فرعي من التعلم الآلي، وتشكل الشبكات العصبية العمود الفقري لخوارزميات التعلم العميق. إن عدد طبقات العقدة، أو العمق، للشبكة العصبية هو ما يميز الشبكة العصبية الواحدة عن خوارزمية التعلم العميق، والتي يجب أن تحتوي على أكثر من ثلاث.

Mixture of Experts | بودكاست

فك تشفير الذكاء الاصطناعي: تقرير إخباري أسبوعي

انضم إلى لجنة عالمية المستوى من المهندسين والباحثين وقادة المنتجات وغيرهم وهم يجتازون طريق الذكاء الاصطناعي لتزويدك بأحدث أخباره والمعارف المتعلقة به.

كيف تعمل خوارزميات التعلم الآلي

تقسم ورقة بحثية من جامعة كاليفورنيا في بيركلي نظام التعلم لخوارزمية التعلم الآلي إلى ثلاثة أجزاء رئيسية.5

  1. عملية اتخاذ القرار: بشكل عام، تُستخدم خوارزميات التعلّم الآلي لإجراء تنبؤ أو تصنيف. استنادا إلى بعض بيانات الإدخال، التي يمكن تصنيفها أو عدم تصنيفها، ستنتج الخوارزمية تقديرًا حول نمط في البيانات.

  2. دالة الخطأ: تقوم دالة الخطأ بتقييم التنبؤ بالنموذج. إذا كانت هناك أمثلة معروفة، فيمكن لدالة الخطأ إجراء مقارنة لتقييم دقة النموذج.

3.   عملية تحسين النموذج: إذا كان النموذج يتلاءم بشكل أفضل مع نقاط البيانات في مجموعة التدريب، يتم تعديل عوامل الترجيح لتقليل التباين بين المثال المعروف وتقدير النموذج. ستكرر الخوارزمية عملية "التقييم والتحسين" هذه، وتحديث الترجيحات بشكل مستقل حتى يتم الوصول إلى مستوى محدد من الدقة للنموذج.

يستخدم التعلم الخاضع للإشراف على وجه الخصوص مجموعة تدريب لتعليم النماذج للحصول على النتائج المطلوبة. تتضمن مجموعة البيانات هذه الإدخالات والمخرجات الصحيحة، مما يمكّن النموذج من التعلم بمرور الوقت. تقيس الخوارزمية دقتها من خلال دالة الخسارة، ويتم ضبطها حتى يتم تقليل الخطأ إلى الحد الأدنى بشكل كافٍ.

أنواع خوارزميات التعلم الآلي

هناك أربعة أنواع من خوارزميات التعلم الآلي: خاضعة للإشراف، وغير خاضعة للإشراف، وشبه خاضعة للإشراف، والمعززة. اعتمادًا على ميزانيتك، وحاجتك إلى السرعة والدقة المطلوبة، فإن كل نوع ومتغير له مزاياه الخاصة. تتطلب خوارزميات التعلم الآلي المتقدمة تقنيات متعددة—بما في ذلك التعلم العميق والشبكات العصبية ومعالجة اللغة الطبيعية—وهي قادرة على استخدام كل من التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف.6 وفيما يلي الخوارزميات الأكثر شيوعًا واستخدامًا.

خوارزميات التعلم الخاضع للإشراف

يمكن تقسيم التعلم الخاضع للإشراف إلى نوعين من المشاكل عند استخراج البيانات: التصنيف والانحدار.

  • يستخدم التصنيف خوارزمية لتعيين بيانات الاختبار بدقة في فئات محددة. ويتعرف على كيانات محددة ضمن مجموعة البيانات ويحاول استخلاص بعض الاستنتاجات حول كيفية تصنيف تلك الكيانات أو تعريفها. خوارزميات التصنيف الشائعة هي المصنفات الخطية، وآلات المتجهات الداعمة (SVM)، وأشجار القرار، وﺍﻟجار الأقرب، والغابة العشوائية، والتي يتم وصفها بمزيد من التفصيل أدناه.
  • يُستخدم الانحدار لفهم العلاقة بين المتغيرات التابعة والمستقلة. يتم استخدامه بشكل شائع لإعداد التوقعات، مثل إيرادات المبيعات لنشاط تجاري معين. يعد الانحدار الخطي والانحدار اللوجستي والانحدار متعدد الحدود من خوارزميات الانحدار الشائعة.

يتم استخدام خوارزميات وتقنيات حسابية مختلفة في عمليات التعلم الآلي، وغالباً ما يتم حسابها من خلال استخدام برامج مثل Python. تشمل خوارزميات التعلم الخاضع للإشراف ما يلي:

  • AdaBoost أو التعزيز المتدرج: يُطلق عليه أيضًا التعزيز التكيفي7، تعمل هذه التقنية على تعزيز خوارزمية الانحدار ذات الأداء الضعيف من خلال دمجها مع خوارزميات أضعف لإنشاء خوارزمية أقوى تؤدي إلى أخطاء أقل. يجمع التعزيز (Boosting) بين توقعات قوة التنبؤ للعديد من المقدرات الأساسية.
  • الشبكات العصبية الاصطناعية: تُعرف أيضًا باسم شبكات ANN أوالشبكات العصبية أو الشبكات العصبية المحاكاة (SNNs)، وهي مجموعة فرعية من تقنيات التعلم الآلي وهي في قلب خوارزميات التعلم العميق. تتعرف خوارزمية المتعلم على الأنماط في إدخال البيانات باستخدام كتل بناء تسمى الخلايا العصبية، وهي تقارب الخلايا العصبية في الدماغ البشري، والتي يتم تدريبها وتعديلها بمرور الوقت. (المزيد في "الشبكات العصبية").
  • خوارزميات شجرة القرار: تستخدم للتنبؤ بالقيم العددية (مشكلات الانحدار) وتصنيف البيانات إلى فئات، وتستخدم أشجار القرار تسلسلًا متفرعًا من القرارات المرتبطة التي يمكن تمثيلها برسم تخطيطي للشجرة. تتمثل إحدى مزايا أشجار القرار في سهولة التحقق من صحتها والتدقيق فيها، على عكس الصندوق الأسود للشبكة العصبية.
  • تقليل الأبعاد: عندما تحتوي مجموعة البيانات المحددة على عدد كبير من السمات7 ، يكون لها أبعاد عالية. ومن ثم يقلل تقليل الأبعاد من عدد السمات، تاركًا فقط الرؤى أو المعلومات الأكثر أهمية. ومن الأمثلة على ذلك تحليل المكونات الأساسية.
  • الجار الأقرب: تعرف هذه الخوارزمية غير المعيارية أيضًا باسم KNN، وتصنف نقاط البيانات بناء على قربها وارتباطها بالبيانات الأخرى المتاحة. فهي تفترض أنه من الممكن العثور على نقاط بيانات مماثلة بالقرب من بعضها البعض. ونتيجة لذلك، تسعى هذه الطريقة إلى حساب المسافة بين نقاط البيانات، عادةً من خلال المسافة الإقليدية ثم تقوم بتعيين فئة بناءً على الفئة الأكثر تكرارًا.
  • الانحدار الخطي: يُستخدم الانحدار الخطي لتحديد العلاقة بين متغير تابع ومتغير مستقل واحد أو أكثر، وعادةً ما يتم الاستفادة منه للتنبؤ بالنتائج المستقبلية. عندما يكون هناك متغير مستقل واحد فقط ومتغير تابع واحد، يُعرف بالانحدار الخطي البسيط.
  • الانحدار اللوجستي: بينما يتم الاستفادة من الانحدار الخطي عندما تكون المتغيرات التابعة مستمرة، يتم اختيار الانحدار اللوجستي عندما يكون المتغير التابع فئويًا، مما يعني وجود مخرجات ثنائية، مثل "صواب" و"خطأ" أو "نعم" و"لا". في حين أن كلا نموذجي الانحدار يسعيان إلى فهم العلاقات بين إدخالات البيانات، يُستخدم الانحدار اللوجستي بشكل أساسي في حل مشكلات التصنيف الثنائي، مثل تحديد البريد الإلكتروني العشوائي.
  • الشبكات العصبية: يتم الاستفادة منها في المقام الأول في التعلم العميق، حيث تقوم الشبكة العصبية بمعالجة بيانات التدريب المدخلة عن طريق محاكاة الترابط بين الدماغ البشري من خلال طبقات العقد. تتكون كل عقدة من الإدخالات وعوامل الترجيح والتحيز (العتبة) والمخرجات. إذا تجاوزت قيمة المخرجات هذه عتبة معينة، فإنها "تطلق" أو تنشّط العقدة، وتمرر البيانات إلى الطبقة التالية في الشبكة. تتعلم الشبكات العصبية من التعديلات القائمة على دالة الخسارة من خلال عملية النزول المتدرج. عندما تكون دالة التكلفة عند الصفر أو بالقرب منه، يمكنك أن تكون واثقًا من دقة النموذج.
  • بايز الساذج: يتبنى هذا النهج مبدأ الاستقلال الطبقي المشروط عن نظرية بايز. وهذا يعني أن وجود سمة واحدة لا يؤثر على وجود سمة أخرى في احتمالية نتيجة معينة، ويكون لكل متنبئ تأثير متساوٍ على تلك النتائج. هناك ثلاثة أنواع من مصنفات بايز الساذج (Naïve Bayes): Multinomial Naïve Bayes و Bernoulli Naïve Bayes و Gaussian Naïve Bayes. تستخدم هذه التقنية بشكل أساسي في تصنيف النصوص وتحديد البريد العشوائي وأنظمة التوصية.
  • الغابات العشوائية: في الغابة العشوائية، تتنبأ خوارزمية التعلم الآلي بقيمة أو فئة من خلال الجمع بين النتائج من عدد من أشجار القرار. تشير "الغابة" إلى أشجار القرار غير المترابطة، والتي يتم تجميعها لتقليل التباين وتمكين تنبؤات أكثر دقة.
  • آلات المتجهات الداعمة (SVM): يمكن استخدام هذه الخوارزمية لكل من تصنيف البيانات والانحدار، ولكن عادةً ما تُستخدم لمشاكل التصنيف، حيث يتم إنشاء مستوى فائق حيث تكون المسافة بين فئتين من نقاط البيانات في أقصى حد لها. يُعرف هذا المستوى الفائق باسم حدود القرار، حيث يفصل فئات نقاط البيانات (مثل البرتقال مقابل التفاح) على جانبي المستوى.

خوارزميات التعلم غير الخاضع للإشراف

على عكس التعلم الخاضع للإشراف، يُستخدم التعلم غير الخاضع للإشراف بيانات غير مصنفة. من هذه البيانات، تكتشف الخوارزمية الأنماط التي تساعد في حل مشاكل التجميع أو الارتباط. يكون هذا مفيدًا بشكل خاص عندما يكون الخبراء غير متأكدين من الخصائص المشتركة داخل مجموعة البيانات. خوارزميات التجميع الشائعة هي الهرمية والتجميع بالمتوسط ونماذج المزيج الغاوسي وطرق تقليل الأبعاد مثل PCA و t-SNE.

  • التجميع: تستطيع هذه الخوارزميات التعرف على الأنماط الموجودة في البيانات بحيث يمكن تجميعها. يمكن أن تساعد الخوارزميات علماء البيانات من خلال تحديد الاختلافات بين عناصر البيانات التي أغفلها البشر.
  • التجميع الهرمي: يقوم بتجميع البيانات في شجرة من المجموعات8. يبدأ التجميع الهرمي بالتعامل مع كل نقطة بيانات على أنها مجموعة منفصلة. بعد ذلك، تقوم بتنفيذ هذه الخطوات بشكل متكرر: 1) تحديد المجموعتين اللتين يمكن أن تكونا الأقرب إلى بعضهما البعض، و2) دمج أكبر مجموعتين متقاربتين. تستمر هذه الخطوات حتى يتم دمج كافة المجموعات معًا.
  • التجميع بالمتوسط (K-means): يحدد هذا المجموعات داخل البيانات بدون تصنيفاتفي مجموعات مختلفة من خلال إيجاد مجموعات من البيانات المتشابهة مع بعضها البعض. يأتي اسم «K-mean» من المراكز التي يستخدمها لتحديد المجموعات. يتم تعيين نقطة إلى مجموعة معينة إذا كانت أقرب إلى النقطة الوسطى لتلك المجموعة من أي نقطة وسطى أخرى.

خوارزميات التعلم شبه الخاضع للإشراف

في هذه الحالة ، يحدث التعلم عندما يتم تصنيف جزء فقط من بيانات الإدخال المحددة—مما يمنح الخوارزمية نوعًا من "السبق". يمكن أن يجمع هذا النهج بين أفضل ما في العالمين10—الدقة المحسّنة المرتبطة بالتعلم الآلي الخاضع للإشراف والقدرة على الاستفادة من البيانات غير المصنفة الفعالة من حيث التكلفة، كما في حالة التعلم الآلي غير الخاضع للإشراف.

الخوارزميات المعززة

في هذه الحالة، يتم تدريب الخوارزميات تمامًا كما يتعلم البشر—من خلال المكافآت والجزاءات—والتي يتم قياسها وتتبعها بواسطة وكيل التعلم المعزز11 الذي لديه فهم عام لاحتمالية النجاح في تحريك النتيجة لأعلى مقابل تحريكها لأسفل. من خلال التجربة والخطأ، يتعلم الوكيل اتخاذ الإجراءات التي تؤدي إلى النتائج الأكثر ملاءمة بمرور الوقت. يتم استخدام التعلم المعزز بشكل شائع12 في إدارة الموارد والتشغيل الآلي وألعاب الفيديو.

حلول ذات صلة
IBM watsonx.ai

تدريب الذكاء الاصطناعي التوليدي والتحقق من صحته وضبطه ونشره، وكذلك قدرات نماذج الأساس والتعلم الآلي باستخدام IBM watsonx.ai، وهو استوديو الجيل التالي من المؤسسات لمنشئي الذكاء الاصطناعي. أنشئ تطبيقات الذكاء الاصطناعي بسرعة أكبر وببيانات أقل.

اكتشف watsonx.ai
حلول الذكاء الاصطناعي

استفد من الذكاء الاصطناعي في عملك بالاستعانة بخبرة IBM الرائدة في مجال الذكاء الاصطناعي ومحفظة حلولها المتوفرة لك.

استكشف حلول الذكاء الاصطناعي
الاستشارات والخدمات المتعلقة بالذكاء الاصطناعي

أعدّ ابتكار عمليات ومهام سير العمل الحساسة بإضافة الذكاء الاصطناعي لتعزيز التجارب وصنع القرارات في الوقت الفعلي والقيمة التجارية.

استكشف خدمات الذكاء الاصطناعي
اتخِذ الخطوة التالية

احصل على وصول شامل إلى القدرات التي تغطي دورة حياة تطوير الذكاء الاصطناعي. توصَّل إلى حلول ذكاء اصطناعي قوية باستخدام واجهات سهلة الاستخدام وتدفقات سير عمل سلسة وإمكانية الوصول إلى واجهات برمجة التطبيقات ومجموعات تطوير البرمجيات وفق معايير الصناعة (SDKs).

استكشف watsonx.ai احجز عرضًا توضيحيًا مباشرًا