‫بحث في مادة ‪ :‬مقدمة الذكاء االصطناعي‬

‫أستاذ المادة ‪ :‬عبدالمولي العماري‬

‫إعداد الطالب ‪ :‬الجارح مصباح محمد‬
 ‫أوال‪ :‬مامعني ال (‪)Classification Learning‬‬
‫تصنيف التعلم (‪ )Classification Learning‬هو أحد األفرع األساسية في مجال تعلم اآللة (‪ )Machine Learning‬ويعنى‬
‫بتطوير خوارزميات ونماذج يمكنها تصنيف البيانات إلى فئات أو مجموعات معينة بناًء على مجموعة من األمثلة أو البيانات‬
‫التدريبية‪ .‬يتم تدريب النموذج باستخدام بيانات تحتوي على مدخالت (‪ )Features‬والفئات الصحيحة المرتبطة بها (‬
‫‪.)Labels‬‬

‫على سبيل المثال‪ ،‬إذا كان لدينا مجموعة من الصور لقطط وكالب‪ ،‬يمكن استخدام نموذج تصنيف لتعليم اآللة كيف تميز بين‬
‫صور القطط وصور الكالب‪ .‬بعد تدريب النموذج على مجموعة بيانات تتضمن صوًر ا محددة ومصنفة‪ ،‬يمكن للنموذج الجديد‬
‫تصنيف صور جديدة غير معروفة إلى فئة القطط أو الكالب بناًء على التعلم السابق‪.‬‬

‫خطوات عملية التصنيف‪:‬‬

‫جمع البيانات‪ :‬الحصول على مجموعة من البيانات المصنفة (مثل صور القطط والكالب)‪.‬‬
‫معالجة البيانات‪ :‬تجهيز البيانات لالستخدام في النموذج‪ ،‬مثل تغيير حجم الصور أو تحويل النصوص إلى قيم رقمية‪.‬‬
‫بناء النموذج‪ :‬اختيار وتطوير خوارزمية التصنيف المناسبة‪ ،‬مثل الشبكات العصبية أو أشجار القرار‪.‬‬
‫تدريب النموذج‪ :‬استخدام البيانات المصنفة لتعليم النموذج كيفية التعرف على الفئات‪.‬‬
‫تقييم النموذج‪ :‬اختبار النموذج على مجموعة بيانات جديدة لتقييم دقته وفعاليته‪.‬‬
‫استخدام النموذج‪ :‬تطبيق النموذج على بيانات جديدة لتصنيفها تلقائًيا‪.‬‬

‫تطبيقات التصنيف‪:‬‬
‫تصنيف الرسائل اإللكترونية‪ :‬مثل تحديد الرسائل كـ "بريد مزعج" أو "بريد غير مزعج"‪.‬‬
‫تصنيف الصور‪ :‬مثل التعرف على الوجوه أو األنواع المختلفة من الحيوانات‪.‬‬
‫التشخيص الطبي‪ :‬مثل تصنيف صور األشعة إلى فئات مرضية معينة‪.‬‬
‫تحليل النصوص‪ :‬مثل تصنيف المقاالت اإلخبارية إلى فئات مختلفة‪.‬‬

‫‪ .‬التصنيف هو أداة قوية تستخدم في العديد من المجاالت لتسهيل وتحسين عملية اتخاذ القرارات بناًء على البيانات‬

‫ثانيا‪ :‬مامعني ال (‪)Regression Learning‬‬

‫تعلم االنحدار (‪ )Regression Learning‬هو أحد األفرع األساسية في مجال تعلم اآللة (‪ )Machine Learning‬ويختص‬
‫بتطوير خوارزميات ونماذج تهدف إلى تقدير القيم العددية المستمرة بناًء على مجموعة من البيانات المدخالت‪ .‬الهدف‬
‫الرئيسي من تعلم االنحدار هو إنشاء نموذج يمكنه التنبؤ بقيمة متغير مستهدف (‪ )Dependent Variable‬اعتماًد ا على قيم‬
‫متغيرات مستقلة (‪.)Independent Variables‬‬

‫أنواع االنحدار‪:‬‬
‫‪ .1‬االنحدار الخطي (‪:)Linear Regression‬‬
‫هو أبسط أنواع االنحدار حيث يتم افتراض أن العالقة بين المتغير المستقل والمتغير التابع هي عالقة خطية‪.‬‬
‫النموذج الرياضي لهذا االنحدار هو‪ ،) y = a + bx ( :‬حيث ( ‪ ) y‬هو المتغير التابع‪ ) x ( ،‬هو المتغير المستقل‪) a ( ،‬‬
‫هو الثابت‪ ،‬و ( ‪ ) b‬هو معامل االنحدار‪.‬‬

‫‪ .2‬االنحدار اللوجستي (‪:)Logistic Regression‬‬

‫ُيستخدم بشكل أساسي لتصنيف البيانات الثنائية (‪ ،)Binary Classification‬حيث تكون المخرجات واحدة من فئتين‪.‬‬
‫يستخدم دالة لوجستية لتحديد احتمالية االنتماء لفئة معينة‪.‬‬

‫‪ .3‬االنحدار المتعدد (‪:)Multiple Regression‬‬

‫ُيستخدم عندما يكون لدينا أكثر من متغير مستقل‪.‬‬
‫‪ .4‬االنحدار غير الخطي (‪:)NonLinear Regression‬‬
‫يتم استخدامه عندما تكون العالقة بين المتغيرات ليست خطية‪.‬‬
‫يتطلب نماذج أكثر تعقيًد ا مثل الدوال األسية أو الدوال الكثيرة الحدود‪.‬‬

‫خطوات عملية تعلم االنحدار‪:‬‬

‫‪ .1‬جمع البيانات‪ :‬الحصول على مجموعة بيانات تتضمن القيم المستقلة والقيم المستهدفة‪.‬‬
‫‪ .2‬معالجة البيانات‪ :‬تجهيز البيانات لالستخدام في النموذج‪ ،‬مثل تنظيف البيانات ومعالجة القيم المفقودة‪.‬‬
‫‪ .3‬اختيار النموذج‪ :‬اختيار خوارزمية االنحدار المناسبة بناًء على طبيعة البيانات‪.‬‬
‫‪ .4‬تدريب النموذج‪ :‬استخدام البيانات لتعليم النموذج كيفية التنبؤ بالقيم المستهدفة‪.‬‬
‫‪ .5‬تقييم النموذج‪ :‬اختبار النموذج على مجموعة بيانات جديدة لتقييم دقته وفعاليته‪.‬‬
‫‪ .6‬استخدام النموذج‪ :‬تطبيق النموذج على بيانات جديدة للتنبؤ بالقيم‪.‬‬
 ‫تطبيقات تعلم االنحدار‪:‬‬
‫التنبؤ باألسعار‪ :‬مثل التنبؤ بأسعار المنازل بناًء على خصائصها‪.‬‬
‫التنبؤ بالمبيعات‪ :‬مثل التنبؤ بمبيعات منتج معين بناًء على البيانات التاريخية‪.‬‬
‫النماذج المالية‪ :‬مثل تقدير األرباح أو العائد على االستثمار‪.‬‬
‫التنبؤ بالطقس‪ :‬مثل التنبؤ بدرجات الحرارة المستقبلية‪.‬‬

‫تعلم االنحدار هو أداة قوية تساعد في اتخاذ القرارات بناًء على البيانات والتنبؤ باالتجاهات المستقبلية‪.‬‬

‫ماهوا الفرق بين ال (‪ )Classification Learning‬و (‪)Regression Learning‬‬

‫الفرق بين التصنيف (‪ )Classification Learning‬واالنحدار (‪ )Regression Learning‬يكمن في طبيعة المتغير‬
‫المستهدف والهدف من النموذج‪:‬‬

‫الهدف وطبيعة المتغير المستهدف‪:‬‬

‫‪ .1‬التصنيف (‪:)Classification Learning‬‬
‫الهدف‪ :‬تصنيف البيانات إلى فئات أو مجموعات محددة‪.‬‬
‫طبيعة المتغير المستهدف‪ :‬يكون المتغير المستهدف (‪ )Dependent Variable‬فئة (‪ )Category‬أو مجموعة (‪،)Class‬‬
‫مثل "نعم" أو "ال"‪" ،‬قط" أو "كلب"‪" ،‬بريد مزعج" أو "بريد غير مزعج"‪.‬‬
‫أمثلة‪:‬‬
‫تصنيف رسائل البريد اإللكتروني كبريد مزعج أو غير مزعج‪.‬‬
‫تصنيف الصور إلى أنواع مختلفة من الحيوانات‪.‬‬
‫تصنيف المرضى إلى مجموعات تشخيصية معينة‪.‬‬

‫‪ .2‬االنحدار (‪:)Regression Learning‬‬

‫الهدف‪ :‬التنبؤ بقيمة عددية مستمرة‪.‬‬
‫طبيعة المتغير المستهدف‪ :‬يكون المتغير المستهدف قيمة عددية (‪ )Numeric Value‬مستمرة‪ ،‬مثل درجة الحرارة‪ ،‬سعر‬
‫المنزل‪ ،‬كمية المبيعات‪.‬‬
‫أمثلة‪:‬‬
‫التنبؤ بأسعار المنازل بناًء على مواصفاتها‪.‬‬
 ‫التنبؤ بالمبيعات المستقبلية لمنتج معين‪.‬‬
‫التنبؤ بدرجات الحرارة في األيام القادمة‪.‬‬

‫الخوارزميات المستخدمة‪:‬‬
‫خوارزميات التصنيف‪:‬‬
‫شجرة القرار (‪)Decision Tree‬‬
‫آالت الدعم المتجهية (‪)Support Vector Machines‬‬
‫خوارزمية الجار األقرب (‪)KNearest Neighbors‬‬
‫الشبكات العصبية (‪)Neural Networks‬‬
‫االنحدار اللوجستي (‪( )Logistic Regression‬رغم أن اسمه يتضمن "االنحدار"‪ ،‬إال أنه ُيستخدم ألغراض التصنيف)‪.‬‬

‫خوارزميات االنحدار‪:‬‬
‫االنحدار الخطي (‪)Linear Regression‬‬
‫االنحدار المتعدد (‪)Multiple Regression‬‬
‫االنحدار اللوجستي (‪)Polynomial Regression‬‬
‫االنحدار الشجري (‪)Decision Tree Regression‬‬
‫الشبكات العصبية (‪( )Neural Networks‬يمكن استخدامها أيًض ا ألغراض االنحدار)‪.‬‬

‫أمثلة توضيحية‪:‬‬
‫التصنيف‪:‬‬
‫لو كانت لدينا مجموعة بيانات تحتوي على صور للقطط والكالب‪ ،‬الهدف هو تصنيف كل صورة على أنها إما "قطة" أو‬
‫"كلب"‪.‬‬

‫االنحدار‪:‬‬
‫لو كانت لدينا مجموعة بيانات تحتوي على معلومات عن المنازل مثل المساحة وعدد الغرف‪ ،‬الهدف هو التنبؤ بسعر‬
‫المنزل‪.‬‬

‫الخالصة‪:‬‬
 ‫التصنيف يستخدم عندما يكون الهدف هو تحديد الفئة أو المجموعة التي ينتمي إليها كائن معين‪.‬‬
‫االنحدار يستخدم عندما يكون الهدف هو التنبؤ بقيمة عددية مستمرة بناًء على البيانات المدخلة‪.‬‬

‫كل من التصنيف واالنحدار هما جزءان أساسيان من تعلم اآللة‪ ،‬ويستخدمان في مجموعة متنوعة من التطبيقات بناًء على‬
‫طبيعة المشكلة والبيانات المتاحة‪.‬‬

‫ثالثا‪ :‬مامعني ال (‪)Association Learning‬‬

‫تعلم االرتباط (‪ )Association Learning‬هو أحد أفرع تعلم اآللة (‪ )Machine Learning‬الذي يركز على اكتشاف‬
‫العالقات واالرتباطات المثيرة لالهتمام بين المتغيرات في مجموعة كبيرة من البيانات‪ .‬الهدف الرئيسي من تعلم االرتباط هو‬
‫العثور على األنماط المتكررة والقواعد التي تربط بين العناصر المختلفة في البيانات‪.‬‬
‫الخصائص الرئيسية لتعلم االرتباط‪:‬‬
‫‪ .1‬اكتشاف األنماط والقواعد‪:‬‬
‫تعلم االرتباط يستخدم الكتشاف القواعد أو األنماط مثل "إذا حدث ‪ ،A‬فمن المحتمل أن يحدث ‪."B‬‬

‫‪ .2‬تحليل البيانات غير المنظمة‪:‬‬

‫يتم استخدامه عادة مع البيانات غير المنظمة أو البيانات الكبيرة مثل سلوك العمالء‪ ،‬معامالت البيع‪ ،‬وغيرها‪.‬‬

‫‪ .3‬التركيز على التكرار‪:‬‬

‫يبحث عن العناصر أو المجموعات التي تظهر بشكل متكرر مًع ا في البيانات‪.‬‬

‫تطبيقات تعلم االرتباط‪:‬‬

‫‪ .1‬سوق التجزئة‪:‬‬
‫تحليل سالت التسوق لمعرفة المنتجات التي يتم شراؤها مًع ا بشكل متكرر (مثل قاعدة "إذا اشترى العميل الخبز‪ ،‬فمن‬
‫المحتمل أن يشتري الحليب أيًض ا")‪.‬‬

‫‪ .2‬التسويق‪:‬‬
‫تحديد العروض أو المنتجات التي يمكن ترويجها مًع ا لزيادة المبيعات‪.‬‬

‫‪ .3‬الكشف عن االحتيال‪:‬‬
 ‫اكتشاف األنماط الغير عادية التي قد تشير إلى نشاط احتيالي‪.‬‬

‫‪ .4‬التوصيات‪:‬‬
‫تحسين أنظمة التوصية في منصات التجارة اإللكترونية عبر معرفة ما المنتجات التي يتم شراؤها مًع ا‪.‬‬

‫الخوارزميات المستخدمة في تعلم االرتباط‪:‬‬

‫‪ .1‬خوارزمية ‪:Apriori‬‬
‫واحدة من أكثر الخوارزميات شهرًة الستخراج القواعد من البيانات الكبيرة‪.‬‬
‫تعتمد على مبدأ التكرار لتحديد المجموعات المتكررة من العناصر‪.‬‬

‫‪ .2‬خوارزمية ‪:Eclat‬‬
‫تعتمد على البحث العمودي وتكون عادًة أسرع من ‪ Apriori‬في مجموعات البيانات الكبيرة‪.‬‬

‫‪ .3‬خوارزمية ‪:FPGrowth‬‬
‫تستخدم هيكل شجرة لتقليل عدد عمليات المسح على البيانات وبالتالي تكون أسرع في العثور على القواعد المتكررة‪.‬‬

‫مثال على قاعدة االرتباط‪:‬‬

‫في سوق التجزئة‪ ،‬قاعدة االرتباط يمكن أن تكون‪:‬‬
‫إذا اشترى العميل الخبز والبيض‪ ،‬فمن المحتمل أن يشتري الحليب أيًضا‪.‬‬
‫هذه القاعدة يمكن استخدامها لترتيب المنتجات في المتجر بطرق تزيد من فرص البيع المتقاطع (‪.)CrossSelling‬‬

‫خطوات عملية تعلم االرتباط‪:‬‬

‫‪ .1‬جمع البيانات‪:‬‬
‫جمع بيانات كبيرة تحتوي على معامالت أو أنشطة‪.‬‬

‫‪ .2‬معالجة البيانات‪:‬‬
‫تجهيز البيانات للتعلم‪ ،‬مثل إزالة الضوضاء وتنظيمها‪.‬‬
 ‫‪ .3‬استخدام خوارزمية تعلم االرتباط‪:‬‬
‫تطبيق خوارزمية مثل ‪ Apriori‬أو ‪ FPGrowth‬الكتشاف القواعد واألنماط‪.‬‬

‫‪ .4‬تحليل النتائج‪:‬‬
‫تقييم القواعد المكتشفة وتحديد األهم بناًء على مقاييس مثل الدعم (‪ )Support‬والثقة (‪.)Confidence‬‬

‫تعلم االرتباط هو أداة قوية تساعد الشركات على فهم أنماط سلوك العمالء بشكل أفضل واتخاذ قرارات مستنيرة بناًء على تلك‬
‫األنماط‪.‬‬

‫رابعا‪ :‬مامعني ال (‪)Clustering‬‬

‫التجميع (‪ )Clustering‬هو أحد أفرع تعلم اآللة (‪ )Machine Learning‬ويهدف إلى تقسيم مجموعة من البيانات إلى‬
‫مجموعات (‪ ) Clusters‬بحيث تكون البيانات في كل مجموعة متشابهة ببعضها البعض قدر اإلمكان‪ ،‬وتكون مختلفة عن‬
‫البيانات في المجموعات األخرى‪ .‬يتم ذلك دون وجود فئات محددة مسبًقا‪ ،‬ولذلك ُيعتبر التجميع من أساليب التعلم غير الموجه‬
‫(‪.)Unsupervised Learning‬‬

‫الخصائص الرئيسية للتجميع‪:‬‬

‫‪ .1‬التعلم غير الموجه‪:‬‬
‫ال توجد فئات أو تسميات محددة مسبًق ا للبيانات‪ .‬النموذج يكتشف األنماط والهيكل في البيانات من تلقاء نفسه‪.‬‬

‫‪ .2‬الهدف‪:‬‬
‫العثور على بنية أو أنماط ضمن البيانات التي قد ال تكون واضحة على الفور‪.‬‬

‫‪ .3‬التشابه واالختالف‪:‬‬
‫البيانات داخل نفس المجموعة تكون متشابهة بقدر اإلمكان‪ ،‬بينما البيانات في مجموعات مختلفة تكون متباينة بقدر‬
‫اإلمكان‪.‬‬

‫تطبيقات التجميع‪:‬‬
‫‪ .1‬تحليل السوق‪:‬‬
‫تقسيم العمالء إلى مجموعات بناًء على سلوك الشراء‪ ،‬مما يساعد في استهداف التسويق بشكل أكثر فعالية‪.‬‬
 ‫‪ .2‬تحليل البيانات الحيوية‪:‬‬
‫تجميع الجينات أو البروتينات ذات األنماط المتشابهة لفهم وظائفها وعالقاتها‪.‬‬

‫‪ .3‬اكتشاف األنماط‪:‬‬
‫تحليل بيانات الشبكات االجتماعية لتحديد المجتمعات أو المجموعات ذات االهتمامات المشتركة‪.‬‬

‫‪ .4‬اكتشاف الشذوذ‪:‬‬
‫الكشف عن األنماط الغير عادية في البيانات‪ ،‬والتي قد تشير إلى نشاط احتيالي أو مشاكل‪.‬‬

‫الخوارزميات المستخدمة في التجميع‪:‬‬

‫‪ .1‬خوارزمية ‪:KMeans‬‬
‫ُت عتبر واحدة من أبسط وأكثر الخوارزميات شيوًع ا‪ .‬تعتمد على تقسيم البيانات إلى \( ‪ )\ K‬مجموعات بناًء على مراكز‬
‫المجموعات‪.‬‬

‫‪ .2‬خوارزمية ‪:Hierarchical Clustering‬‬

‫تنشئ شجرة من المجموعات بحيث يمكن تحليل البيانات على مستويات مختلفة من التجميع‪.‬‬

‫‪ .3‬خوارزمية )‪:DBSCAN (DensityBased Spatial Clustering of Applications with Noise‬‬

‫تكتشف مجموعات البيانات التي تكون متجمعة بشكل كثيف وتفصلها عن الضوضاء أو النقاط الخارجية‪.‬‬

‫‪ .4‬خوارزمية ‪:Mean Shift‬‬

‫تعتمد على تحريك النقاط نحو مناطق ذات كثافة أعلى من البيانات لتحديد المجموعات‪.‬‬

‫خطوات عملية التجميع‪:‬‬

‫‪ .1‬جمع البيانات‪:‬‬
‫الحصول على مجموعة من البيانات التي نريد تجميعها‪.‬‬

‫‪ .2‬معالجة البيانات‪:‬‬
 ‫تجهيز البيانات‪ ،‬مثل تنظيفها وتطبيعها وتحويلها إلى شكل مناسب للتجميع‪.‬‬

‫‪ .3‬اختيار خوارزمية التجميع‪:‬‬

‫اختيار الخوارزمية المناسبة بناًء على طبيعة البيانات والهدف من التجميع‪.‬‬

‫‪ .4‬تطبيق الخوارزمية‪:‬‬
‫تطبيق الخوارزمية على البيانات لتحديد المجموعات‪.‬‬

‫‪ .5‬تحليل النتائج‪:‬‬
‫تفسير وتحليل المجموعات الناتجة لفهم األنماط والهيكل في البيانات‪.‬‬

‫مثال على التجميع‪:‬‬

‫إذا كان لدينا مجموعة من النقاط في فضاء ثنائي األبعاد‪ ،‬يمكن استخدام خوارزمية ‪ KMeans‬لتقسيم هذه النقاط إلى ثالث‬
‫مجموعات بحيث تكون كل مجموعة متقاربة إلى حد ما مع بعضها البعض‪.‬‬

‫التجميع هو أداة قوية في تحليل البيانات‪ ،‬يساعد في الكشف عن البنية واألنماط الخفية في مجموعات البيانات الكبيرة والمعقدة‪.‬‬

‫مالفرق بين‪ )Association Learning( :‬و (‪)Clustering‬‬

‫الفرق بين تعلم االرتباط (‪ )Association Learning‬والتجميع (‪ )Clustering‬يكمن في األهداف األساسية والطرق التي‬
‫ُت ستخدم لمعالجة البيانات واكتشاف األنماط‪ .‬فيما يلي توضيح مفصل لالختالفات بينهما‪:‬‬

‫األهداف األساسية‪:‬‬
‫تعلم االرتباط (‪:)Association Learning‬‬
‫الهدف الرئيسي هو اكتشاف العالقات واألنماط المتكررة بين العناصر المختلفة في مجموعة كبيرة من البيانات‪.‬‬
‫يتم ذلك عادًة باستخدام القواعد مثل "إذا حدث ‪ ،X‬فمن المحتمل أن يحدث ‪."Y‬‬
‫يستخدم الكتشاف القواعد والتبعيات بين العناصر المختلفة‪ ،‬مثل المنتجات التي يتم شراؤها مًع ا‪.‬‬
 ‫التجميع (‪:)Clustering‬‬
‫الهدف الرئيسي هو تقسيم البيانات إلى مجموعات متشابهة داخلًيا ومختلفة عن المجموعات األخرى‪.‬‬
‫يتم ذلك بناًء على التشابه بين البيانات دون أي معرفة مسبقة بفئات محددة‪.‬‬
‫يستخدم الكتشاف البنية أو األنماط في البيانات‪ ،‬مثل تقسيم العمالء إلى مجموعات بناًء على سلوكهم‪.‬‬

‫نوع التعلم‪:‬‬
‫تعلم االرتباط (‪:)Association Learning‬‬
‫هو نوع من التعلم غير الموجه (‪.)Unsupervised Learning‬‬
‫ال توجد فئات أو تسميات محددة مسبًق ا‪ ،‬بل يتم اكتشاف األنماط واالرتباطات من البيانات نفسها‪.‬‬

‫التجميع (‪:)Clustering‬‬
‫هو أيًض ا نوع من التعلم غير الموجه (‪.)Unsupervised Learning‬‬
‫يتم تحديد المجموعات أو الفئات تلقائًيا بناًء على التشابه بين العناصر‪.‬‬

‫طبيعة البيانات المستخدمة‪:‬‬

‫تعلم االرتباط (‪:)Association Learning‬‬
‫يتم تطبيقه على مجموعات بيانات تحتوي على معامالت أو أحداث منفصلة‪.‬‬
‫غالًبا ما ُيستخدم مع بيانات السجل‪ ،‬مثل سالت التسوق أو سجالت المعامالت‪.‬‬

‫التجميع (‪:)Clustering‬‬
‫ُيستخدم مع بيانات تحتوي على مميزات متعددة لكل عنصر‪.‬‬
‫يمكن تطبيقه على بيانات متنوعة مثل الصور‪ ،‬النصوص‪ ،‬والبيانات الحيوية‪.‬‬

‫الخوارزميات المستخدمة‪:‬‬
‫تعلم االرتباط (‪:)Association Learning‬‬
‫‪ :Apriori Algorithm‬تكتشف القواعد المتكررة باستخدام مبدأ التكرار‪.‬‬
‫‪ :Eclat Algorithm‬تعتمد على البحث العمودي لتسريع اكتشاف القواعد‪.‬‬
‫‪ :FPGrowth Algorithm‬تستخدم هيكل شجرة لتقليل عدد المسوحات الالزمة‪.‬‬
 ‫التجميع (‪:)Clustering‬‬
‫‪ :KMeans‬تقسم البيانات إلى ‪ K‬مجموعات بناًء على مراكز المجموعات‪.‬‬
‫‪ :Hierarchical Clustering‬تنشئ شجرة من المجموعات لتقديم تحليل متعدد المستويات‪.‬‬
‫‪ :DBSCAN‬تكتشف المجموعات بناًء على كثافة البيانات وتفصل الضوضاء‪.‬‬
‫‪ :Mean Shift‬تحرك النقاط نحو مناطق ذات كثافة أعلى لتحديد المجموعات‪.‬‬

‫تطبيقات‪:‬‬
‫تعلم االرتباط (‪:)Association Learning‬‬
‫تحليل سالت التسوق‪ :‬اكتشاف المنتجات التي يتم شراؤها مًع ا بشكل متكرر‪.‬‬
‫التسويق‪ :‬تحديد العروض الترويجية الفعالة بناًء على سلوك الشراء‪.‬‬
‫الكشف عن االحتيال‪ :‬اكتشاف األنماط غير العادية التي تشير إلى نشاط احتيالي‪.‬‬

‫التجميع (‪:)Clustering‬‬
‫تحليل السوق‪ :‬تقسيم العمالء إلى مجموعات بناًء على سلوك الشراء‪.‬‬
‫تحليل البيانات الحيوية‪ :‬تجميع الجينات أو البروتينات لفهم وظائفها‪.‬‬
‫الشبكات االجتماعية‪ :‬تحديد المجتمعات أو المجموعات ذات االهتمامات المشتركة‪.‬‬
‫اكتشاف الشذوذ‪ :‬الكشف عن األنماط غير العادية في البيانات‪.‬‬

‫مثال توضيحي‪:‬‬
‫تعلم االرتباط (‪:)Association Learning‬‬
‫إذا كان لديك بيانات عن مشتريات العمالء‪ ،‬يمكن اكتشاف قاعدة مثل "إذا اشترى العميل الحليب‪ ،‬فمن المحتمل أن يشتري‬
‫الخبز"‪.‬‬

‫التجميع (‪:)Clustering‬‬
‫إذا كان لديك بيانات عن العمالء تشمل العمر‪ ،‬الدخل‪ ،‬وسلوك الشراء‪ ،‬يمكن تقسيم العمالء إلى مجموعات مثل "عمالء‬
‫شباب بميزانية منخفضة"‪" ،‬عمالء كبار بميزانية عالية"‪ ،‬وهكذا‪.‬‬
 ‫خالصة‪:‬‬
‫تعلم االرتباط يركز على اكتشاف العالقات بين العناصر المختلفة في البيانات‪.‬‬
‫التجميع يركز على تقسيم البيانات إلى مجموعات متشابهة بناًء على الخصائص المشتركة‪.‬‬

‫كال األسلوبين لهما تطبيقات واسعة وقيمة كبيرة في تحليل البيانات‪ ،‬إال أن استخدام كل منهما يعتمد على طبيعة البيانات‬
‫والهدف من التحليل‪.‬‬

‫خامسا ‪ :‬بعض المجالت التي تستخدم فيها تطبيقات ال ‪Machine learning‬‬

‫تطبيقات تعلم اآللة (‪ )Machine Learning‬واسعة ومتنوعة‪ ،‬وتغطي العديد من المجاالت‪ .‬إليك بعض المجاالت الرئيسية‬
‫التي ُت ستخدم فيها تطبيقات تعلم اآللة‪:‬‬

‫‪ .1‬الرعاية الصحية‬
‫التشخيص الطبي‪ :‬استخدام تعلم اآللة لتحليل صور األشعة السينية‪ ،‬األشعة المقطعية‪ ،‬والتصوير بالرنين المغناطيسي‬
‫لتشخيص األمراض مثل السرطان وأمراض القلب‪.‬‬
‫اكتشاف األدوية‪ :‬تسريع عملية اكتشاف وتطوير األدوية من خالل تحليل البيانات الجينية والكيميائية‪.‬‬
‫تحليل السجالت الصحية‪ :‬تحسين الرعاية الصحية من خالل تحليل السجالت الصحية اإللكترونية للتنبؤ باألمراض‬
‫وتخصيص العالج‪.‬‬

‫‪ .2‬التمويل‬
‫الكشف عن االحتيال‪ :‬استخدام الخوارزميات الكتشاف األنشطة االحتيالية في المعامالت المالية‪.‬‬
‫التداول الخوارزمي‪ :‬تطوير استراتيجيات تداول تلقائية تعتمد على تحليل البيانات المالية‪.‬‬
‫تحليل االئتمان‪ :‬تقييم مخاطر االئتمان والتنبؤ بقدرة األفراد والشركات على سداد القروض‪.‬‬

‫‪ .3‬التسويق واإلعالن‬
‫التخصيص‪ :‬تخصيص اإلعالنات والعروض التسويقية بناًء على سلوك وتفضيالت العمالء‪.‬‬
‫تحليل سلوك العمالء‪ :‬تحليل البيانات لفهم أنماط الشراء وتحسين استراتيجيات التسويق‪.‬‬
‫التوصيات‪ :‬تحسين أنظمة التوصية على منصات التجارة اإللكترونية ومواقع المحتوى‪.‬‬

‫‪ .4‬التصنيع‬
‫الصيانة التنبؤية‪ :‬التنبؤ بموعد حدوث األعطال في المعدات واآلالت من خالل تحليل بيانات االستشعار‪.‬‬
 ‫الجودة‪ :‬استخدام الرؤية الحاسوبية لتحليل جودة المنتجات والكشف عن العيوب‪.‬‬
‫إدارة سلسلة التوريد‪ :‬تحسين التخطيط واإلدارة عبر التنبؤ بالطلب وتحسين المخزون‪.‬‬

‫‪ .5‬السيارات والنقل‬
‫السيارات ذاتية القيادة‪ :‬تطوير المركبات القادرة على القيادة الذاتية باستخدام تحليل البيانات الحسية‪.‬‬
‫إدارة األسطول‪ :‬تحسين الكفاءة التشغيلية ألساطيل النقل من خالل تحليل البيانات‪.‬‬
‫التنقل الذكي‪ :‬تحسين أنظمة النقل العام وخدمات الركوب المشتركة عبر تحليل البيانات‪.‬‬

‫‪ .6‬التجارة اإللكترونية‬
‫تحسين البحث‪ :‬تحسين نتائج البحث في مواقع التجارة اإللكترونية عبر تحليل سلوك المستخدم‪.‬‬
‫توصيات المنتجات‪ :‬تقديم توصيات مخصصة للمنتجات بناًء على تحليل البيانات‪.‬‬
‫إدارة المخزون‪ :‬التنبؤ بالطلب وتحسين إدارة المخزون‪.‬‬

‫‪ .7‬األمن السيبراني‬
‫الكشف عن التهديدات‪ :‬استخدام تعلم اآللة للكشف عن األنماط المشبوهة والهجمات السيبرانية‪.‬‬
‫تحليل السلوك‪ :‬مراقبة وتحليل سلوك المستخدمين الكتشاف النشاط غير المعتاد‪.‬‬

‫‪ .8‬الزراعة‬
‫الزراعة الدقيقة‪ :‬تحسين اإلنتاج الزراعي عبر تحليل بيانات االستشعار من األرض والمحاصيل‪.‬‬
‫التنبؤ بالمحاصيل‪ :‬التنبؤ بالمحاصيل بناًء على تحليل البيانات المناخية والزراعية‪.‬‬

‫‪ .9‬التعليم‬
‫التعلم المخصص‪ :‬تخصيص مسارات التعلم للطالب بناًء على تحليل أدائهم وسلوكهم‪.‬‬
‫التقييم التلقائي‪ :‬استخدام خوارزميات لتقييم الواجبات واالختبارات تلقائًيا‪.‬‬

‫‪ .10‬الترفيه واإلعالم‬
‫توصية المحتوى‪ :‬تحسين أنظمة التوصية لألفالم والموسيقى على منصات مثل ‪ Netflix‬و‪.Spotify‬‬
‫تحليل البيانات اإلعالمية‪ :‬تحليل البيانات لتحسين استراتيجيات اإلنتاج والتسويق‪.‬‬
 ‫‪ .11‬البيئة‬
‫مراقبة التغير المناخي‪ :‬تحليل البيانات المناخية للتنبؤ بالتغيرات البيئية‪.‬‬
‫إدارة الموارد الطبيعية‪ :‬تحسين إدارة الموارد المائية والزراعية عبر تحليل البيانات‪.‬‬

‫‪ .12‬العقارات‬
‫تقدير األسعار‪ :‬استخدام تعلم اآللة لتقدير أسعار العقارات بناًء على مجموعة من العوامل‪.‬‬
‫تحليل السوق‪ :‬تحليل البيانات لفهم اتجاهات السوق والتنبؤ بالتغيرات المستقبلية‪.‬‬

‫هذه مجرد أمثلة قليلة على التطبيقات المتنوعة لتعلم اآللة في مختلف المجاالت‪ .‬تعلم اآللة يمتلك القدرة على تحسين الكفاءة‪،‬‬
‫تقليل التكاليف‪ ،‬وتوفير حلول مبتكرة لمجموعة واسعة من التحديات‪.‬‬

‫النهاية‬