الذكاء الاصطناعي Artificial Intelligence

نقول عن نمودج لخوازمية من خوارزميات تعلم الألة أنه يعمل بشكل جيد إذا قام بتعميم أي بيانات إدخال جديدة من قاعدة بيانات المشكلة التي نود حلها بطريقة مناسبة. هذا سيساعدنا على عمل تنبؤات حول البيانات المستقبلية. هناك مشكلتان رئيسيتان متعلقتان بالخوارزميات المختارة و هما : 1- Overfitting : لأبسط هذه المشكلة نأخد المثال التالي، تخيل أنك زرت مدينة سياحية و ذهبت إلى الشاطئ و إستأجرت مكانا فيه شمسية و كرسي و طاولة و بعدها إكتشفت أن صاحب المكان أخد منك مبلغا أكثر من اللازم بسبب أنك لا تعرف الثمن الحقيقي و غريب عن المدينة! بعض الناس ممن يحدث معهم مثل هذا و للأسف يقعون في التعميم بأن سكان هذه المدينة كلهم لصوص! في حين يوجد الأمناء و الطيبين في هذه المدينة و بكثرة! مادام أن البشر يقعون في التعميم المغلوط (التعميم الأكثر من اللازم) فالألة أيضا ليس حالها أفضل من البشر. يحدث هذا في مجال تعلم الألة عندما نجد أن الخوارزمية تعمل بشكل جيد أثناء عملية التدريب و تقدم نسبة خطأ قليلة و لكن في مرحلة الإختبار نحصل على نتائج سيئة للغاية و لا تستطيع الخوارزمية المستعملة التعميم على البيانات الجديدة المد

Main Challenges of Machine Learning نتطرق في هذا المقال إلى التحديات أو العيوب التي تواجه أو تكون في قاعدة البيانات التي نرغب في إستعمالها في عملية التدريب و ثؤثر على النتائج بشكل سلبي. و لهذا فإن عملية تنظيف و تنقية و إصلاح البيانات عملية مهمة جدا قبل الشروع في عملية التدريب. أهم التحديات التي تواجه قاعدة البيانات هي : 1- Insufficient Quantity of Training Data : بالنسبة للبشر إذا أخبرته عن شيء ما أو وصفته له فإنه قادر على التعلم و تعميم النتائج من مثال واحد فقط، يكفي أن يشاهد صورة الحوت الأزرق ليعرفه في كل مرة يراه بعد ذلك. لكن بالنسبة للألة فالأمر معقد جدا فهي تحتاج إلى الكثير و الكثير من الأمثلة من أجل إستنتاج العلاقات العامة التي تحكم ذلك الشيء. و بالنسبة لمجال تعلم الألة فوجود قاعدة بيانات كافية أمر ضروري جدا للحصول على نتائج مرغوبة. نحتاج الألاف من الأمثلة من أجل حل مشكل عادي و مئات الألاف من الأمثلة إذا كان المشكل معقدا كما في حالة التعرف على الأشكال داخل الصور أو التعرف على الكلام.  2- Non-representative Training Data : إذا أردنا مثلا برمجة برنامج يقوم ب

Machine Learning Vocabulary 1 في هذا المقال سوف نستعرض بعض المصطلحات التي سوف نستعملها و نوظفها في المقالات القادمة إن شاء الله، في كل مرة سوف نستعرض المفاهيم و المصطلحات التي نحتاجها. 1- Examples (Items) or Database : هي قاعدة البيانات التي سوف نستعملها في عملية التدريب و الإختبار. مثلا في برنامج تصنيف الإيمايلات إلى صحيحة أو (spam) فإن قاعدة البيانات هي مجموع الإيمايلات التي سنستعملها في تدريب و إختبار خوارزمية التصنيف. 2- Training Sample : و هو جزء من قاعدة البيانات عادة يمثل 80٪ منها و يخصص من أجل تدريب الخوارزمية المستعملة. 3- Labels :  هي القيم أو صفة النوع التي تسند لعناصر قاعدة البيانات. في خوارزميات التصنيف يسند لكل عنصر في قاعدة البيانات صفة نوعه كما شرحنا في (supervised learning ). مثلا في قاعدة بيانات تصنيف الإيمايلات نسند للإيمايلات الصحيحة قيمة " non-spam" و الإيمايلات الأخرى "spam". في حالة (regression) نسند قيم حقيقة. 4- Features :  هي مجموعة الخصائص التي نستخرجها من عناصر قاعدة البيانات و تكون في الغالب عبارة

Machine Learning تعلم الألة أو (machine learning ) هو أحد أهم فروع الذكاء الإصطناعي و نعرفه بإختصار على أنه كل الطرق و الأساليب من المجالات العلمية المختلفة التي بإمكانها جعل الحواسيب تتعلم و تتصرف بذكاء و تؤدي وظائف تحاكي فيها مايقوم به الإنسان و دون تدخل منه. و هذا يتم عن طريق تدريب الحواسب على مختلف البيانات المتنوعة و الضخمة أيضا. كمثال هو كيف يمكن لحواسيبنا أو التطبيقات المثبتة عليها من معرفة أن هذا الإيمايل إيمايل صحيح أو هو عبارة عن (spam) و كثيرا ما نشاهد هذا على حواسيبنا أو هواتفنا الذكية و كيف أنه تم تصنيف بعض الرسائل الإلكترونية على أنها (spam) لأنها تحتوى على أشياء غير مناسبة أو روابط مشبوهة، و هذه العملية تتم أليا و دون تدخل الإنسان في ذلك. أيضا معرفة النقود المزورة في البنك و أماكن التعاملات المالية، التعرف على بصمات الأصابع و الوجه و العينين على الهواتف الذكية و في المطارات و الوثائق البيومترية و كاميرات المراقبة و غير ذلك من المجالات المتعددة. أهم خمسة (5) أشياء أو مهارات التي يجب أن نمتلكها أو نعرفها و نتقنها من أجل الحصول على وظيفة في مجال تعلم الألة : ١

Main functional and anatomical areas of the brain الدماغ ينقسم الى عدة مناطق تتمايز فيما بينها بنوعية الوظيفة التي تؤذها. و تنقسم هذه المناطق الى ثلاث مجموعات رئيسية.  المناطق الحسية تتلقى المدخلات الحسية من مختلف الحواس و تعالجها. المناطق الحركية وظيفتها السيطرة على المناطق الحركية في الجسم و مراقبة حركة العضلات. المناطق الترابطية تشارك في وظائف أكثر تعقيدا مثل التعلم وصنع القرار والحركات المعقدة مثل الكتابة. هذه قائمة بأهم المناطق و وظائها و هي موضحة في الصورة 1. 1- منطقة خاصة بالرؤية (التعرف على الصور و فهمها). 2- منطقة خاصة بالذاكرة القصيرة المدى و ظبط توازن الجسم و المشاعر. 3- منطقة التحكم في حركة العضلات حينما تكون الحركة برغبة منا. 4- منطقة مسؤولة على التحكم في عضلات الكلام. 5- منطقة مسؤولة عن السمع. 6- منطقة مسؤولة عن العواطف (الألم - الجوع - الغضب - الاستجابة للخوف). 7- منطقة مسؤولة عن الأمور الحسية. 8- منطقة مسؤولة عن حاسة الشم. 9- منطقة مسؤولة عن الأمور الحسية التي تأتي من العضلات و الجلد. 10- منطقة حسية ترابطية من أجل ا