Shehab Artificial Intelligence (AI)

 ما هو الفرق التصنيف و الانحدار   (Difference Between Classification and Regression in Machine Learning) التصنيف هو مهمة التنبؤ بعلامة فئة منفصلة.بعبارة اخرى (في التصنيف (Classification) المُخرج هو عبارة عن فئة، بمعنى أن مخرجات التصنيف بيانات فئوية (Categorical) الانحدار هو مهمة التنبؤ بالكمية المستمرة. بعبارة اخرى ( في الانحدار (Regression) المُخرج هو عبارة عن قيمة رقمية، بمعنى أن مخرجات الانحدار بيانات رقمية)هناك بعض التداخل بين خوارزميات التصنيف والانحدار ؛ فمثلا: قد تتنبأ خوارزمية التصنيف بقيمة مستمرة ، لكن القيمة المستمرة تكون في شكل احتمال لتسمية فئة . قد تتنبأ خوارزمية الانحدار بقيمة منفصلة ، ولكن القيمة المنفصلة في شكل كمية عدد صحيح. يمكن استخدام بعض الخوارزميات لكل من التصنيف والانحدار مع تعديلات صغيرة ، مثل أشجار القرار والشبكات العصبية الاصطناعية. بعض الخوارزميات لا يمكن أو لا يمكن استخدامها بسهولة لكلا النوعين من المشاكل ، مثل الانحدار الخطي لنمذجة الانحدار التنبئي والانحدار اللوجستي للنمذجة التنبؤية للتصنيف. الأهم من ذلك ، أن الطريقة التي نقيم به...

عشان اقدر اختار عدد ال epochs المطلوب للحصول على دقة جيدة في تكوين نموذج الشبكة العصبية التلافيفية CNN   يبدأ هنا من السؤال التالي : هل ل عدد ال epoch علاقة لزيادة الدقة؟   نعم بالرغم من ان طبقات المعمارية للنموذج التي تمر بها البيانات مهمة للغاية الا ان عدد ال epoch ايضا يجب موازنتها وفقا لما ينتج من التدريب كالتالي:   يجب مراقبة قيم validation loss و training loss اذا كانت قيمة validation loss تتزايد مع كل مرحلة epoch يتم تمرير الخوارزميات بها فأن ذلك يعني انك ستحصل على ال over-fitting عندها ستحتاج الى زيادة عدد ال epoch تدريجياً لحين الوصول الى نتيجة جيدة وتتجاوز مشكلة ال over-fitting   طبعا هنا تم ايضاح دور ال epoch فقط لكن هناك الكثير من الامور التي يجب ان نأخذها بنظر الاعتبار مثل حجم البيانات وجودتها وتقسمها و تعزيزها وعدد طبقات ال cnn والخ

اذا كان لديك عدد قليل من البيانات dataset لتدريب النموذج في التعلم الالي فمن خلال هذه المكتبة الصغيرة في Python تستطيع عمل مجموعة بيانات ضخمة باستخدام تقنية تعزيز البيانات dataset augmentation بعد شهور من العمل الشاق ، اذا كنت قد جمعت أنت وفريقك قدرًا هائلاً من البيانات لمشروع التعلم الآلي الخاص بكم. ولكن بمجرد تدريب النموذج ، تبدأ في رؤية أن النموذج لا يعمم المشكلة جيدًا. البيانات التي جمعتها ليست كافية. دقة التدريب جيدة جدًا training accuracy ، ولكن في مجموعة التحقق test من الصحة ، تنخفض بشكل كبير. من الناحية الفنية ، هذا ما نسميه بشكل مشهور التجهيز الزائد overfitting. هناك طريقة لحل هذه المشكلة * زيادة عدد البيانات ( في حال توفر عدد اكير من البيانات) *لكن اذا لم تتوفر عدد اكثر من البيانات ماذا ستفعل؟؟ هنا يكمن طريقة تعزيز البيانات dataset augmentation وقت ثبت أن زيادة البيانات تعمل على تحسين دقة نموذج التعلم الآلي دون جمع المزيد من البيانات. إنها تقنية شائعة يستخدمها العديد من مطوري التعلم الالي بكثرة . ان جمع البيانات مهمة مكلفة في كثير من الحالات. قد تضطر إلى الدفع مقابل الم...

Shehab Artificial Intelligence (AI):   :  

  1- الذكاء الاصطناعي Artificial Intelligence ويرمز له AI وهو مجموعة من الأجهزة القادرة على الفهم والتحليل والإدراك والقيام بالمهام بعد تدريبها. يمكن أن نقسم الذكاء الاصطناعي إلى قسمين: الذكاء الاصطناعي التطبيقي، الذكاء الاصطناعي المطلق. بالنسبة للنوع الأول فهو شائع في حياتنا اليومية من خلال التطبيقات التي نستعملها مثل المساعدات الصوتية أو أجهزة المنزل الذكية والتي تحتاج إلى أوامر محددة لكي تقوم بعملها. أما النوع الثاني المطلق فهو ذكاء يكاد يكون أقرب لذكاء البشر ويحتاج للكثير من البيانات والمعلومات. 2- تعلم الآلة Machine Learning هذا المصطلح أشبه بالتعليم التقليدي الذي يقوم به البشر مثال على ذلك عندما نقوم بتعليم الطفل كيف يفرق بين الكائنات الحية والجمادات فبعد الكثير من التدريب والممارسة والتزود بالتعليمات سوف يتعلم التفرقة بينها من خلال ملاحظة الخواص التي يمتاز بها الكائن الحي مثل التنفس والتغذية وهكذا نفس الأمر ينطبق على تعلم الآلة بعد تزويدها بمجموعة بيانات وتدريبها حيث بعد الممارسة سوف تستطيع القيام باتخاذ القرارات بمفردها. إذاً المراحل التي تمر بها مرحلة تعلم الآلة هي: التدر...