ام البشاير
منسقة المحتوى
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
هناك العديد من التحديات التي تظهر عند تنفيذ نماذج التعلم الآلي في
العالم الحقيقي، يرتبط معظمها بعدم التوافق بين دورة حياة التعلم الآلي وتطبيقات
البرامج التقليدية، حيث تتبع تطبيقات البرامج التقليدية نموذجاً متسلسلاً نسبياً من
التصميم إلى الإنتاج، أما نماذج التعلم الآلي فتتبع دورة حياة دائرية تتضمن جوانب
كثيرة منها التسوية أو التحسين التي لا مثيل لها في مجموعة الأدوات الحالية للتطبيقات البرامج التقليدية.
تقدم كل مرحلة من مراحل حياة “حلول التعلم الآلي” مجموعات فريدة من التحديات
التي لا تتواجد في عالم البرمجيات التقليدية، بعض من هذه التحديات يمكن مواجهتها
بأشكال مختلفة. الخبر السار هو أن معظم هذه التحديات قابلة للحل مع أطر وأدوات
التعلم الآلي الحالي، ومع ذلك فإن بعض الحلول بعيدة كل بعد عن الهدف النهائي، لذا دعنا
نلقي نظرة على بعض التحديات التي ستتمنى لو عرفتها قبل أن تبدأ بتعلم الآلة:
إن إدخال النماذج إلى المرحلة النهائية هي أكثر بكثير من أن تكون بسيطة
عند صنع نموذج ودراسة العينات والدخول في عالم المعادلات التفاضلية، شيء واحد
لا ندركه إلا في وقت لاحق وهو مدى صعوبة التعامل مع المشكلات مثل اضمحلال النموذج
وتقييم النماذج ومدى نجاح كل منها، العمليات التطويرية…. وما إلى ذلك، ولكن عندما تم
استخدام ScienceOps تم التأكد عن مدى روعتها في حل المشكلات وتقليل الجهد والوقت.
من الصعب حقاً تعلم اختيار واستخراج السمات
شيء لا تتمكن من تعلمه ضمن الكتب ولكن ستحاول في الإقدام عليه وهو كيفية اختيار
واستخراج السمات، حيث يتم تعلم هذه المهارات فقط من خلال مسابقات Kaggle
ومشاريع العالم الحقيقي، والتعلم عن الطرق والأساليب المختلفة لذلك هو شيء يتعلمه
المرء فقط من خلال تنفيذها أو استخدامها في مشاريع واقعية وهذا يأخذ الكثير من الوقت.
مرحلة التقييم مهمة جداً
ما لم تقم بتطبيق النماذج لاختبار البيانات فأنت لم تقم بإجراء تحليلات تنبؤية، فتقنيات التقييم مثل
التحقق المتبادل ومقاييس التقييم وما إلى ذلك لا تقدر بثمن وهو ببساطة تقسيم بياناتك إلى بيانات
اختبار وبيانات تدريب، إذ ستملك الكثير من الإبداع إذ تمكنت من تحديد هاتين المجموعتين.
كما أنه غالباً لا نناقش تقييم النماذج عند شرح العمل أمام أحدهم أي نحن لا نتحدث عن
التقنيات المستخدمة لحل المشكلة، إذ إن قول “لقد استخدمنا خوارزمية SVM” لا يخبرنا
بكل شيء، ولا يخبرنا بمصادر البيانات الخاصة بك وكيفية اختيار السمات وطرق
التقييم الخاصة بك.
ليس سهلاً
في تعلم Machine Learning ستقضي الكثير من الوقت على البحث عن الموارد اللازمة، إذ لا
يكفي فقط تشغيل النموذج واختيار الخوارزمية المناسبة، عليك أن تفهم الرياضيات وأن
تستغرق الكثير من الوقت في قراءة وفهم الأشياء والكثير من الجهود العقلية، وإن رأيت
مورداً يقول لك: “تعلم Machine Learning من دون رياضيات” ابتعد عنه فوراً.
أمور تمنيت معرفتها قبل دخولي عالم البرمجة
التعلم الآلي هو جزء صغير من علم البيانات
علوم البيانات ككل هو علم كبير للغاية، وتعلم الآلة هو جزء صغير منه، فهي تضمن المعالجة
المسبقة للبيانات، هندسة السمات، النمذجة، تدريب النماذج، التحقق من النماذج وعرض
النتائج، لذا من المهم المعرفة المسبقة للأجزاء الأخرى ومعرفة جميع الحقائق عن علم البيانات.
عند إجراء تعلم الآلة سيتم قضاء الوقت كله تقريباً في إعداد البيانات، استخراج البيانات، تحديد السمات وما إلى ذلك……
التصورات مهمة
تشغيل خوارزميات تعلم الآلي هو أمر ممتع ورائع للغاية، ولكن لن تكون ذات
فائدة كبيرة إذا لم يكن من الممكن تقديمها للأشخاص الآخرين الذين ليس لديهم
خلفية للتعلم الآلي، إذ من المحتمل أن المدير التنفيذي ومدير منتجات الشركة
لن يهتموا لشفرتك البرمجية المكتوبة بلغة R، لذا تعد التصورات مع مراعاة
كل من الجمهور التقني وغير التقني أمراً بالغ الأهمية في التعلم الآلي.
هناك مكتبات لكل شيء، ما عليك سوى الحصول عليها
عادة يتم تنفيذ معظم الخوارزميات باستخدام لغة R و PYTHON ويعد ذلك
نقطة مهمة للغاية، كما إنه يساعد كثيراً في فهم خيارات تكوين كل خوارزمية
ومعرفة مدى تأثيرها على نموذجك.
معظم المواد القيمة في الكتب أو مكتوبة على الأوراق
معظم الموارد على الإنترنت من بينها “هذا المقال” لن يمنحك المفهوم الكامل
عن Machine Learning عادةً ما يعملون فقط على اتباعك على ما يقولونه
أو يفعلونه، ولكنهم لا يعطون جميع المهارات اللازمة أو أكثر من الأمثلة المقدمة
لتنتهي في نهاية المطاف إلى قراءة الكتب لتفهم أكثر.
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
أمور عليك معرفتها قبل دخولك عالم التعلم الآلي
هناك العديد من التحديات التي تظهر عند تنفيذ نماذج التعلم الآلي في
العالم الحقيقي، يرتبط معظمها بعدم التوافق بين دورة حياة التعلم الآلي وتطبيقات
البرامج التقليدية، حيث تتبع تطبيقات البرامج التقليدية نموذجاً متسلسلاً نسبياً من
التصميم إلى الإنتاج، أما نماذج التعلم الآلي فتتبع دورة حياة دائرية تتضمن جوانب
كثيرة منها التسوية أو التحسين التي لا مثيل لها في مجموعة الأدوات الحالية للتطبيقات البرامج التقليدية.
تقدم كل مرحلة من مراحل حياة “حلول التعلم الآلي” مجموعات فريدة من التحديات
التي لا تتواجد في عالم البرمجيات التقليدية، بعض من هذه التحديات يمكن مواجهتها
بأشكال مختلفة. الخبر السار هو أن معظم هذه التحديات قابلة للحل مع أطر وأدوات
التعلم الآلي الحالي، ومع ذلك فإن بعض الحلول بعيدة كل بعد عن الهدف النهائي، لذا دعنا
نلقي نظرة على بعض التحديات التي ستتمنى لو عرفتها قبل أن تبدأ بتعلم الآلة:
إن إدخال النماذج إلى المرحلة النهائية هي أكثر بكثير من أن تكون بسيطة
عند صنع نموذج ودراسة العينات والدخول في عالم المعادلات التفاضلية، شيء واحد
لا ندركه إلا في وقت لاحق وهو مدى صعوبة التعامل مع المشكلات مثل اضمحلال النموذج
وتقييم النماذج ومدى نجاح كل منها، العمليات التطويرية…. وما إلى ذلك، ولكن عندما تم
استخدام ScienceOps تم التأكد عن مدى روعتها في حل المشكلات وتقليل الجهد والوقت.
من الصعب حقاً تعلم اختيار واستخراج السمات
شيء لا تتمكن من تعلمه ضمن الكتب ولكن ستحاول في الإقدام عليه وهو كيفية اختيار
واستخراج السمات، حيث يتم تعلم هذه المهارات فقط من خلال مسابقات Kaggle
ومشاريع العالم الحقيقي، والتعلم عن الطرق والأساليب المختلفة لذلك هو شيء يتعلمه
المرء فقط من خلال تنفيذها أو استخدامها في مشاريع واقعية وهذا يأخذ الكثير من الوقت.
مرحلة التقييم مهمة جداً
ما لم تقم بتطبيق النماذج لاختبار البيانات فأنت لم تقم بإجراء تحليلات تنبؤية، فتقنيات التقييم مثل
التحقق المتبادل ومقاييس التقييم وما إلى ذلك لا تقدر بثمن وهو ببساطة تقسيم بياناتك إلى بيانات
اختبار وبيانات تدريب، إذ ستملك الكثير من الإبداع إذ تمكنت من تحديد هاتين المجموعتين.
كما أنه غالباً لا نناقش تقييم النماذج عند شرح العمل أمام أحدهم أي نحن لا نتحدث عن
التقنيات المستخدمة لحل المشكلة، إذ إن قول “لقد استخدمنا خوارزمية SVM” لا يخبرنا
بكل شيء، ولا يخبرنا بمصادر البيانات الخاصة بك وكيفية اختيار السمات وطرق
التقييم الخاصة بك.
ليس سهلاً
في تعلم Machine Learning ستقضي الكثير من الوقت على البحث عن الموارد اللازمة، إذ لا
يكفي فقط تشغيل النموذج واختيار الخوارزمية المناسبة، عليك أن تفهم الرياضيات وأن
تستغرق الكثير من الوقت في قراءة وفهم الأشياء والكثير من الجهود العقلية، وإن رأيت
مورداً يقول لك: “تعلم Machine Learning من دون رياضيات” ابتعد عنه فوراً.
أمور تمنيت معرفتها قبل دخولي عالم البرمجة
التعلم الآلي هو جزء صغير من علم البيانات
علوم البيانات ككل هو علم كبير للغاية، وتعلم الآلة هو جزء صغير منه، فهي تضمن المعالجة
المسبقة للبيانات، هندسة السمات، النمذجة، تدريب النماذج، التحقق من النماذج وعرض
النتائج، لذا من المهم المعرفة المسبقة للأجزاء الأخرى ومعرفة جميع الحقائق عن علم البيانات.
عند إجراء تعلم الآلة سيتم قضاء الوقت كله تقريباً في إعداد البيانات، استخراج البيانات، تحديد السمات وما إلى ذلك……
التصورات مهمة
تشغيل خوارزميات تعلم الآلي هو أمر ممتع ورائع للغاية، ولكن لن تكون ذات
فائدة كبيرة إذا لم يكن من الممكن تقديمها للأشخاص الآخرين الذين ليس لديهم
خلفية للتعلم الآلي، إذ من المحتمل أن المدير التنفيذي ومدير منتجات الشركة
لن يهتموا لشفرتك البرمجية المكتوبة بلغة R، لذا تعد التصورات مع مراعاة
كل من الجمهور التقني وغير التقني أمراً بالغ الأهمية في التعلم الآلي.
هناك مكتبات لكل شيء، ما عليك سوى الحصول عليها
عادة يتم تنفيذ معظم الخوارزميات باستخدام لغة R و PYTHON ويعد ذلك
نقطة مهمة للغاية، كما إنه يساعد كثيراً في فهم خيارات تكوين كل خوارزمية
ومعرفة مدى تأثيرها على نموذجك.
معظم المواد القيمة في الكتب أو مكتوبة على الأوراق
معظم الموارد على الإنترنت من بينها “هذا المقال” لن يمنحك المفهوم الكامل
عن Machine Learning عادةً ما يعملون فقط على اتباعك على ما يقولونه
أو يفعلونه، ولكنهم لا يعطون جميع المهارات اللازمة أو أكثر من الأمثلة المقدمة
لتنتهي في نهاية المطاف إلى قراءة الكتب لتفهم أكثر.
