مرحباً بك في دورة الذكاء الاصطناعي والتقنيات الأخرى. في هذه الدروس، ستستكشف الذكاء الاصطناعي والتعلم الآلي، وسنناقش كيف يمكنك استخدام الذكاء الاصطناعي لتصميم الروبوتات. بعد الانتهاء من هذه الدروس، ستعرف كيفية الجمع بين تحليلات البيانات مع الذكاء الاصطناعي. التعلم الآلي هو أحد فروع الذكاء الاصطناعي ويسمح للآلة بالتعلم من مجموعات بيانات التدريب ويبني تعلمه على الأداء السابق. يوجد نوعان من حلول التعلم الآلي، الخوارزميات غير خاضع للإشراف، والخاضعة للإشراف. الخوارزميات غير الخاضعة للإشراف تقدم استنتاجات من مجموعات بيانات واقعية. البيانات المدخلة غير مُصنفَة مثل في حالة الخوارزمية الخاضعة للإشراف. حالة الاستخدام الرئيسية هي لأغراض التحليل وليس لديها حل بديل لتمرير التغذية الراجعة إلى الخوارزمية الفعلية. مثالان هما K-Means خوارزمية والخوارزمية الهرمية. خوارزميات التعلم غير الخاضع للإشراف لا تستخدم التعلم السابق. تُعرف البيانات بالبيانات غير المُصنفَة. ويتم تمريرها من خلال الآلة لتوليد النتائج. إذا كنت مطالباً بتحديد المعاملات الاحتيالية، يمكن التعامل مع ذلك باستخدام التعلم غير الخاضع للإشراف. يمكنك إنشاء برنامج تعلم آلي يمكنه تحليل البيانات وإنشاء قائمة بالمعاملات. يمكنه بسهولة تصنيفها إلى معاملات احتيالية وغير احتيالية. الخوارزمية الخاضعة للإشراف تستخدم مجموعات بيانات التدريب وتسمح لنا بالتحقق من صحة النموذج. بمجرد اختبار النموذج فسيعمل مع مجموعات بيانات جديدة. غالباً ما تكون البيانات المدخلة مُصنفَة في هذه الحالة ويتم اختبار الخوارزمية على مجموعات بيانات حقيقية ويتم تطبيق التغذية الراجعة على البرنامج. يتم تعديل البرنامج أيضاً بناءً على مجموعات البيانات التدريبية. أهم حالات الاستخدام هي حالات استخدام التنبؤ. فيما يلي بعض الأمثلة المتعلقة بالخوارزمية. شجرة القرار، والانحدار اللوجستي، خوارزمية آلة المتجهات الداعمة. إليك حالة استخدام يمكن حلها باستخدام هذا النموذج. أنت تراقب أداء التوربينات وتحتاج إلى إنشاء تنبيهات كلما تعطل التوربين. يقوم المشغل حالياً بهذا العمل من خلال تحليل البيانات والتنبؤ بالفشل بناءً على نقاط بيانات معينة. ستنشئ خوارزمية خاضعة للإشراف يمكنها أن تتعلم بسهولة من هذا النموذج وأنت تعرف المخرجات المتوقعة. فريقك لديه خبرة سابقة في حل مشكلات مماثلة. هذا النوع من حل المشكلات يُعرف بالتصنيف. خوارزمية التعلم الآلي تعرف بالفعل كيفية التعامل مع الموقف من بيانات التدريب وبمجرد نشر البرنامج في بيئة الإنتاج الفعلي، يمكن أن يؤدي نفس المهمة التي يقوم بها المشغل يدوياً. ستلاحظ أن نموذج التعلم الآلي يستخدم بيانات الاختبار ويقدم تنبؤات. بمجرد أن تكون خوارزمية التعلم الآلي جاهزة للإنتاج، عندها يمكنك استخدام نموذج التعلم الآلي. ستقبل الآلة البيانات المُصنفَة كمدخلات وتمررها من خلال نموذج التعلم الآلي. يولد النموذج النتيجة بناءً على التعلُّم السابق. يستخدم التعلم الخاضع للإشراف هذه الخطوات: 1. استخراج البيانات السابقة. 2. توليد بيانات العينة. 3. إنشاء مجموعات بيانات التدريب. 4. إنشاء خوارزمية التعلم الآلي. 5. تمرير مجموعة بيانات التدريب إلى خوارزمية التعلم الآلي. 6. بناء نموذج إحصائي. 7. إجراء التحقق والتنبؤ. و8. توليد نتيجة النموذج. التعلّم الخاضع للإشراف يتبع النموذج حيث تكون البيانات والاستجابة معروفة ستنشئ النموذج بناءً على هذه المدخلات. يُعتبر أيضاً طريقة معقدة لحل مشكلة ويتطلب العديد من الموارد ويحتاج إلى وقت لحسابها. التعلم غير الخاضع للإشراف يسمح للمطورين بإنشاء نموذج وتمرير بيانات الإدخال. يتم توليد الاستجابة المتوقعة من النموذج وبيانات المدخلات ويعتبر بسيط مقارنة بالخوارزمية غير الخاضعة للإشراف.