ام البشاير
منسقة المحتوى
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
هل أنت مهتم بتعلم Machine Learning؟ إذا كانت إجابتك هي نعم فأنت لست وحدك!
حيث يهتم العديد من الأشخاص حول العالم بتعلم Machine Learning كل يوم، فإذا
كنت مهتماً بتعلم مهارات التعلم الآلي، فإنها لحظتك الآن.
سيساعدك هذا المقال على فهم كل من العقلية الشاملة والمهارات المحددة التي
ستحتاجها لتبدأ العمل وتصبح مهندس تعلم آلي Machine Learning.
من هو مهندس التعلم الآلي Machine Learning؟
للبدء هناك شيئان مهمان للغاية يجب أن تفهمها قبل أن تبدأ بمهنتك لتصبح مهندس
تعلم آلي Machine Learning، أولاً، إنه ليس عليك بالضرورة أن يكون لديك خلفية بحثية أو أكاديمية.
ثانياً، لا يكفي أن يكون لديك خبرة في هندسة البرمجيات أو علوم البيانات، أنت
بحاجة إلى كليهما، من المهم أيضاً فهم الاختلافات بين محلل البيانات ومهندس التعلم
الآلي Machine Learning، لكي نشرحها بأبسط صورة فإن الفرق الرئيسي يتعلق
بالهدف النهائي، فبصفك محلل بيانات فأنت تحلل البيانات من أجل إنتاج رؤى قابلة للتنفيذ.
إن امتلاك مجموعة مهارات هندسة البرمجيات أمراً مهماً للغاية للعمل في مجال
Machine Learning، حيث تعيش البيانات بين عالمين هما من يمتلك مهارات هندسة
البرمجيات لجمع البيانات وتنظيفها وتنظيمها لتحليلها ومن ثم استخدامها لمن يمتلك
مهارات في Machine Learning لاستخراج الرؤى المطلوبة.
فهم النظام البيئي
قبل الدخول إلى عالم Machine Learning هناك مفهوم عليك معرفته، وهو فهم النظام
البيئي بالكامل، فلنفترض أن تعمل على برنامج لبقالة ويريد المدير منك إصدار قسائم
توضح عليها أشياء مثل تاريخ الشراء السابق للعملاء…. وما إلى ذلك، هنا في نموذج
تحليل البيانات سيمكنك جمع كل بيانات الشراء وإجراء التحليلات اللازمة ثم اقتراح
الاستراتجية المطلوبة، حينها سيكون نهج Machine Learning هو كتابة نظام آلي
لتوليد القسائم، ولكن ما الذي يتطلبة الأمر لكتابة هذا النظام وتشغيله؟
هنا عليك أن تفهم النظام البيئي بأكمله مثل المخزون، الكتالوج، التسعير، أوامر
الشراء، إنشاء الفواتير، برامج نقاط البيع، برنامج CRM وغيرها.
الآن دعنا ندخل في تفاصيل حقيقية لما يتطلب الأمر لتصبح مهندس تعلم آلي Machine Learning:
أساسيات علوم الحاسب والبرمجة
تتضمن أساسيات علوم الكمبيوتر الهامة لمهندسي التعلم الآلي
Machine Learning مثل Data Structure
(المكدس، الكويري، المصفوفات متعددة الأبعاد، الرسوم البيانية، الأشجار…. إلخ) والخوارزميات
(البحث، الفرز، التحسين، البرمجة الديناميكية….. إلخ) الحوسبة والتعقيد
(P vs NP، مسائل NP-complete، الخوارزميات التقريبية….. وما إلى ذلك) وبنية الحواسيب
(الذواكر، ذاكرة التخزين المؤقتة، النطاق الترددي، المعالجة الموزعة…… إلخ).
الاحتمال والإحصاء
إن الاحتمالات (الاحتمالية المشروطة، قاعدة بايز…… إلخ)، والتقنيات المشتقة منه
(Bayes Nets، عمليات قرار ماركوف، نماذج ماركوف المخفية…… ما إلى ذلك) هي في
صميم العديد من خوارزميات Machine Learning، يرتبط هذا المجال كثيراً بالاحتمال
والإحصاء والذي يوفر مقاييس مختلفة (المتوسط، الوسيط، التباين…..)، وطرق التحليل
(ANOVA، اختبار الفرضيات…. إلخ) ضرورية لبناء والتحقق من صحة النماذج المرصودة، العديدة
من خوارزميات Machine Learning هي في الأساس ملحقات لإجراء النماذج الإحصائية.
نمذجة وتقييم البيانات
نمذجة البيانات هي عملية أساسية لمجموعة بيانات معينة بهدف إيجاد نماذج مفيدة
(الارتباطات، التكتلات، المتجهات الذاتية…. إلخ) و/أو التنبؤ بخصائص الحالات
غير المرئية من قبل (التصنيف، والانحدار اللوجستي… إلخ)، جزء أساسي من عملية
التقدير هذه هو التقييم المستمر لمدى جودة نموذج معين، وبالتالي سنحتاج إلى مقياس للدقة واستراتيجية تقييم.
غالباً ما تستخدم خوارزميات Machine Learning لتعديل النماذج مثل الانتشار
العكسي للشبكات العصبية، لذا فإن فهم هذه الإجراءات مهم جداً لتطبيق خوارزميات القياسية فقط.
تطبيق خوارزميات Machine Learning والمكتبات
يوجد العديد من التطبيقات القياسية لخوارزميات Machine Learning مثل
(Scikit-learn، Theano، Spark MLlib….. إلخ) ولكن لتطبيقها بشكل فعال نحتاج
إلى اختيار نموذج مناسب كـ (أشجار القرار، الجار الأقرب….) من ثم تعليم النموذج بشكل
يلائم البيانات المتواجدة (الانحدار الخطي، النسب التدريجي، الخوارزميات الجينية…. إلخ).
يجب أن تكون أيضاً على دراية بالمشاكل التي قد تحصل أثناء عملية التعليم
(كالتحيز والتباين والبيانات المفقودة…. إلخ) إذ تعد علوم البيانات وتحديات التعلم
الآلي -مثل تلك الموجودة على Kaggle- طريقة رائعة للتعرض لأنواع مختلفة من
المشاكل والفروق الدقيقة بينها.
هندسة البرمجيات وتصميم النظم
في النهاية يجب أن يحصل مهندس التعلم الآلي Machine Learning على برنامج
قادر على أن يناسب نظاماً بيئياً كبيراً من المنتجات والخدمات، أنت بحاجة إلى فهم
كيفية عمل هذه القطع المختلفة معاً والتواصل معها وإنشاء واجهات مناسبة للمكون
الخاص بك والتي سيعتمد عليها الآخرون.
إنه من الضروري تصميم نظام دقيق لتجنب الأخطاء والسماح للخوارزميات بالتوسع بشكل جيد
مع زيادة أحجام البيانات بما في ذلك تحليل المتطلبات وتصميم النظام والمعيارية
والتحكم والاختبار والتوثيق….. إلخ.
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
خمس مهارات يجب امتلاكها لتصبح مهندس تعلم آلي
هل أنت مهتم بتعلم Machine Learning؟ إذا كانت إجابتك هي نعم فأنت لست وحدك!
حيث يهتم العديد من الأشخاص حول العالم بتعلم Machine Learning كل يوم، فإذا
كنت مهتماً بتعلم مهارات التعلم الآلي، فإنها لحظتك الآن.
سيساعدك هذا المقال على فهم كل من العقلية الشاملة والمهارات المحددة التي
ستحتاجها لتبدأ العمل وتصبح مهندس تعلم آلي Machine Learning.
من هو مهندس التعلم الآلي Machine Learning؟
للبدء هناك شيئان مهمان للغاية يجب أن تفهمها قبل أن تبدأ بمهنتك لتصبح مهندس
تعلم آلي Machine Learning، أولاً، إنه ليس عليك بالضرورة أن يكون لديك خلفية بحثية أو أكاديمية.
ثانياً، لا يكفي أن يكون لديك خبرة في هندسة البرمجيات أو علوم البيانات، أنت
بحاجة إلى كليهما، من المهم أيضاً فهم الاختلافات بين محلل البيانات ومهندس التعلم
الآلي Machine Learning، لكي نشرحها بأبسط صورة فإن الفرق الرئيسي يتعلق
بالهدف النهائي، فبصفك محلل بيانات فأنت تحلل البيانات من أجل إنتاج رؤى قابلة للتنفيذ.
إن امتلاك مجموعة مهارات هندسة البرمجيات أمراً مهماً للغاية للعمل في مجال
Machine Learning، حيث تعيش البيانات بين عالمين هما من يمتلك مهارات هندسة
البرمجيات لجمع البيانات وتنظيفها وتنظيمها لتحليلها ومن ثم استخدامها لمن يمتلك
مهارات في Machine Learning لاستخراج الرؤى المطلوبة.
فهم النظام البيئي
قبل الدخول إلى عالم Machine Learning هناك مفهوم عليك معرفته، وهو فهم النظام
البيئي بالكامل، فلنفترض أن تعمل على برنامج لبقالة ويريد المدير منك إصدار قسائم
توضح عليها أشياء مثل تاريخ الشراء السابق للعملاء…. وما إلى ذلك، هنا في نموذج
تحليل البيانات سيمكنك جمع كل بيانات الشراء وإجراء التحليلات اللازمة ثم اقتراح
الاستراتجية المطلوبة، حينها سيكون نهج Machine Learning هو كتابة نظام آلي
لتوليد القسائم، ولكن ما الذي يتطلبة الأمر لكتابة هذا النظام وتشغيله؟
هنا عليك أن تفهم النظام البيئي بأكمله مثل المخزون، الكتالوج، التسعير، أوامر
الشراء، إنشاء الفواتير، برامج نقاط البيع، برنامج CRM وغيرها.
الآن دعنا ندخل في تفاصيل حقيقية لما يتطلب الأمر لتصبح مهندس تعلم آلي Machine Learning:
أساسيات علوم الحاسب والبرمجة
تتضمن أساسيات علوم الكمبيوتر الهامة لمهندسي التعلم الآلي
Machine Learning مثل Data Structure
(المكدس، الكويري، المصفوفات متعددة الأبعاد، الرسوم البيانية، الأشجار…. إلخ) والخوارزميات
(البحث، الفرز، التحسين، البرمجة الديناميكية….. إلخ) الحوسبة والتعقيد
(P vs NP، مسائل NP-complete، الخوارزميات التقريبية….. وما إلى ذلك) وبنية الحواسيب
(الذواكر، ذاكرة التخزين المؤقتة، النطاق الترددي، المعالجة الموزعة…… إلخ).
الاحتمال والإحصاء
إن الاحتمالات (الاحتمالية المشروطة، قاعدة بايز…… إلخ)، والتقنيات المشتقة منه
(Bayes Nets، عمليات قرار ماركوف، نماذج ماركوف المخفية…… ما إلى ذلك) هي في
صميم العديد من خوارزميات Machine Learning، يرتبط هذا المجال كثيراً بالاحتمال
والإحصاء والذي يوفر مقاييس مختلفة (المتوسط، الوسيط، التباين…..)، وطرق التحليل
(ANOVA، اختبار الفرضيات…. إلخ) ضرورية لبناء والتحقق من صحة النماذج المرصودة، العديدة
من خوارزميات Machine Learning هي في الأساس ملحقات لإجراء النماذج الإحصائية.
نمذجة وتقييم البيانات
نمذجة البيانات هي عملية أساسية لمجموعة بيانات معينة بهدف إيجاد نماذج مفيدة
(الارتباطات، التكتلات، المتجهات الذاتية…. إلخ) و/أو التنبؤ بخصائص الحالات
غير المرئية من قبل (التصنيف، والانحدار اللوجستي… إلخ)، جزء أساسي من عملية
التقدير هذه هو التقييم المستمر لمدى جودة نموذج معين، وبالتالي سنحتاج إلى مقياس للدقة واستراتيجية تقييم.
غالباً ما تستخدم خوارزميات Machine Learning لتعديل النماذج مثل الانتشار
العكسي للشبكات العصبية، لذا فإن فهم هذه الإجراءات مهم جداً لتطبيق خوارزميات القياسية فقط.
تطبيق خوارزميات Machine Learning والمكتبات
يوجد العديد من التطبيقات القياسية لخوارزميات Machine Learning مثل
(Scikit-learn، Theano، Spark MLlib….. إلخ) ولكن لتطبيقها بشكل فعال نحتاج
إلى اختيار نموذج مناسب كـ (أشجار القرار، الجار الأقرب….) من ثم تعليم النموذج بشكل
يلائم البيانات المتواجدة (الانحدار الخطي، النسب التدريجي، الخوارزميات الجينية…. إلخ).
يجب أن تكون أيضاً على دراية بالمشاكل التي قد تحصل أثناء عملية التعليم
(كالتحيز والتباين والبيانات المفقودة…. إلخ) إذ تعد علوم البيانات وتحديات التعلم
الآلي -مثل تلك الموجودة على Kaggle- طريقة رائعة للتعرض لأنواع مختلفة من
المشاكل والفروق الدقيقة بينها.
هندسة البرمجيات وتصميم النظم
في النهاية يجب أن يحصل مهندس التعلم الآلي Machine Learning على برنامج
قادر على أن يناسب نظاماً بيئياً كبيراً من المنتجات والخدمات، أنت بحاجة إلى فهم
كيفية عمل هذه القطع المختلفة معاً والتواصل معها وإنشاء واجهات مناسبة للمكون
الخاص بك والتي سيعتمد عليها الآخرون.
إنه من الضروري تصميم نظام دقيق لتجنب الأخطاء والسماح للخوارزميات بالتوسع بشكل جيد
مع زيادة أحجام البيانات بما في ذلك تحليل المتطلبات وتصميم النظام والمعيارية
والتحكم والاختبار والتوثيق….. إلخ.
