Machine Learning: مقدمة في تعلم الآلة ونظام Python البيئي

تعلم الآلة أشبه بأن تعطي الكمبيوتر زوجًا من "العيون التي تكشف الأنماط" — فأنت لا تخبره بالقواعد، بل يتعلمها بنفسه من البيانات.

1. ما ستتعلمه

• تعريف تعلم الآلة ونماذجه الثلاثة: التعلم المُوجَّه، التعلم غير المُوجَّه، والتعلم المعزز
• نظرة شاملة على النظام البيئي لـ Python في تعلم الآلة: NumPy، Pandas، Scikit-learn، PyTorch، MLflow
• إعداد بيئة التطوير: Anaconda/Miniconda + Jupyter Notebook + VS Code
• رؤية مشروع SalesPredict لـ Bob: خطة شاملة للتنبؤ بمبيعات التجارة الإلكترونية من الصفر
• يوم في حياة عالم البيانات: سير العمل النموذجي، من جمع البيانات إلى نشر النموذج

2. قصة حقيقية لعالم بيانات

(1) المشكلة: التنبؤ في Excel كبد ثروة لـ Bob

يدير Bob منصة تجارة إلكترونية عابرة للحدود بمعاملات شهرية تتجاوز 5 ملايين دولار أمريكي. في نهاية كل ربع، يحتاج إلى التنبؤ بمبيعات الشهر القادم لتخطيط المخزون وميزانية الإعلانات. كان يعتمد في السابق على توقعات يدوية بخطوط اتجاه في Excel، وصلت نسبة الخطأ فيها إلى 25%. في إحدى المرات، أدى توقع سيئ إلى 50 ألف دولار من المخزون الزائد. أدرك: الحدس وخطوط الاتجاه البسيطة لا تستطيع التعامل مع عوامل معقدة، مثل المواسم الترويجية وتغيرات سلوك المستخدمين.

(2) الحل من تعلم الآلة

يمكن لتعلم الآلة اكتشاف الأنماط المعقدة تلقائيًا في البيانات التاريخية — التقلبات الموسمية، تراجع فعالية الإعلانات، دورات شراء المستخدمين — وتوليد توقعات أكثر دقة بكثير.

# سير عمل بسيط للتنبؤ بـ ML
import pandas as pd
from sklearn.linear_model import LinearRegression

# تحميل بيانات المبيعات التاريخية
data = pd.read_csv("sales_history.csv")
X = data[["ad_spend", "traffic", "last_month_sales"]]
y = data["monthly_revenue"]

# تدريب النموذج وإجراء التنبؤ
model = LinearRegression()
model.fit(X, y)
next_month_pred = model.predict([[50000, 120000, 380000]])
print(f"الإيرادات المتوقعة: {next_month_pred[0]:.0f} دولار")

(3) النتيجة: انخفض خطأ التنبؤ من 25% إلى 8%

بعد أن استبدل Bob جداول Excel بتعلم الآلة، انخفض خطأ التنبؤ من 25% إلى 8%، مما وفّر حوالي 80 ألف دولار من تكاليف المخزون كل ربع. تبنت Alice نفس النهج للسوق الأمريكية، وفعل Charlie الشيء نفسه للسوق الأوروبية.

3. تعريف تعلم الآلة ونماذجه الثلاثة

تعلم الآلة هو الانضباط الذي يمكّن أجهزة الكمبيوتر من تعلم الأنماط من البيانات، بدلاً من الاعتماد على قواعد مشفرة يدويًا.

graph TB
    ML[تعلم الآلة] --> SL[التعلم المُوجَّه]
    ML --> UL[التعلم غير المُوجَّه]
    ML --> RL[التعلم المعزز]
    SL --> REG[الانحدار<br/>التنبؤ بقيم مستمرة]
    SL --> CLS[التصنيف<br/>التنبؤ بفئات]
    UL --> CLT[التجميع<br/>إيجاد مجموعات طبيعية]
    UL --> DR[تخفيض الأبعاد<br/>تبسيط الميزات]
    RL --> OP[التحسين<br/>تعظيم المكافأة]

graph TB
    ML[تعلم الآلة] --> SL[التعلم المُوجَّه]
    ML --> UL[التعلم غير المُوجَّه]
    ML --> RL[التعلم المعزز]
    SL --> REG[الانحدار<br/>التنبؤ بقيم مستمرة]
    SL --> CLS[التصنيف<br/>التنبؤ بفئات]
    UL --> CLT[التجميع<br/>إيجاد مجموعات طبيعية]
    UL --> DR[تخفيض الأبعاد<br/>تبسيط الميزات]
    RL --> OP[التحسين<br/>تعظيم المكافأة]

(1) التعلم المُوجَّه

• الفكرة الأساسية: تعلم ربط المدخلات بالمخرجات باستخدام بيانات موسومة
• المهام النموذجية: الانحدار (التنبؤ بقيم مستمرة)، التصنيف (التنبؤ بفئات منفصلة)
• مثال: التنبؤ بالإيرادات الشهرية من الإنفاق التاريخي على الإعلانات + حركة المرور (انحدار)؛ التنبؤ بما إذا كان المستخدم سيشتري (تصنيف)

(2) التعلم غير المُوجَّه

• الفكرة الأساسية: اكتشاف البنية المخفية في البيانات غير الموسومة
• المهام النموذجية: التجميع، تخفيض الأبعاد، كشف الشذوذ
• مثال: تقسيم ملايين المستخدمين تلقائيًا إلى مجموعات عالية القيمة / خاملة / منقطعين (تجميع)

(3) التعلم المعزز

• الفكرة الأساسية: يتعلم وكيل الاستراتيجيات المثلى من خلال التفاعل مع البيئة وتلقي المكافآت
• المهام النموذجية: التسعير الديناميكي، ترتيب التوصيات، ذكاء الألعاب
• مثال: ضبط أسعار المنتجات تلقائيًا بناءً على العرض والطلب في الوقت الفعلي لتعظيم الربح

4. نظام Python البيئي لتعلم الآلة في لمحة

Python هي اللغة المفضلة لتعلم الآلة، مع نظام بيئي كامل من سلسلة الأدوات.

graph LR
    BASE[Python] --> NUMPY[NumPy<br/>الحوسبة العددية]
    BASE --> PANDAS[Pandas<br/>معالجة البيانات]
    NUMPY --> SKLEARN[Scikit-learn<br/>تعلم آلة كلاسيكي]
    NUMPY --> PYTORCH[PyTorch<br/>التعلم العميق]
    PANDAS --> VIZ[Matplotlib/Seaborn<br/>التصور]
    SKLEARN --> MLFLOW[MLflow<br/>تتبع التجارب]
    PYTORCH --> MLFLOW

graph LR
    BASE[Python] --> NUMPY[NumPy<br/>الحوسبة العددية]
    BASE --> PANDAS[Pandas<br/>معالجة البيانات]
    NUMPY --> SKLEARN[Scikit-learn<br/>تعلم آلة كلاسيكي]
    NUMPY --> PYTORCH[PyTorch<br/>التعلم العميق]
    PANDAS --> VIZ[Matplotlib/Seaborn<br/>التصور]
    SKLEARN --> MLFLOW[MLflow<br/>تتبع التجارب]
    PYTORCH --> MLFLOW

(1) نظرة عامة على الأدوات الرئيسية

▶ مثال: التحقق من بيئة Python لـ ML

# التحقق من حزم ML المثبتة وإصداراتها
import importlib

packages = ["numpy", "pandas", "matplotlib", "sklearn", "torch", "xgboost", "mlflow"]

for pkg in packages:
    try:
        mod = importlib.import_module(pkg)
        version = getattr(mod, "__version__", "unknown")
        print(f"{pkg:15s} : {version}")
    except ImportError:
        print(f"{pkg:15s} : غير مثبت")

المخرجات:

numpy           : 1.26.4
pandas          : 2.2.0
matplotlib      : 3.8.3
sklearn         : 1.4.0
torch           : 2.2.0
xgboost         : 2.0.3
mlflow          : 2.10.0

▶ مثال: تثبيت سلسلة أدوات ML بأمر واحد

# تثبيت الحزم الأساسية لـ ML عبر conda
conda create -n ml-env python=3.11 -y
conda activate ml-env
conda install numpy pandas matplotlib scikit-learn -y
conda install pytorch torchvision cpuonly -c pytorch -y
pip install xgboost lightgbm mlflow seaborn jupyter

المخرجات:

# تم تنفيذ الأمر بنجاح

5. إعداد بيئة التطوير

(1) تثبيت Anaconda/Miniconda

• Anaconda: يأتي مع أكثر من 150 حزمة حوسبة علمية؛ رائع للمبتدئين (~3 جيجابايت)
• Miniconda: يتضمن فقط مدير الحزم conda؛ قم بتثبيت الحزم حسب الحاجة (~50 ميجابايت)
• التوصية: Miniconda + تثبيت حسب الحاجة لتوفير مساحة القرص

▶ مثال: إعداد Jupyter Notebook

# إنشاء وتفعيل بيئة ML
conda create -n salespredict python=3.11 -y
conda activate salespredict

# تثبيت Jupyter والنواة
pip install jupyter
python -m ipykernel install --user --name salespredict --display-name "SalesPredict"

# تشغيل Jupyter
jupyter notebook

المخرجات:

# تم تنفيذ الأمر بنجاح

(2) إعداد VS Code

• تثبيت إضافة Python + إضافة Jupyter
• اختيار مفسر Python من بيئة conda الخاصة بك
• يدعم تحرير Notebook التفاعلي

▶ مثال: التحقق من سلامة البيئة

# فحص كامل للبيئة لمشروع SalesPredict
import sys
print(f"إصدار Python: {sys.version}")
print(f"مسار Python: {sys.executable}")

import numpy as np
import pandas as pd
import sklearn
print(f"إصدار NumPy: {np.__version__}")
print(f"إصدار Pandas: {pd.__version__}")
print(f"إصدار Scikit-learn: {sklearn.__version__}")

# اختبار سريع للوظائف
arr = np.array([1, 2, 3, 4, 5])
print(f"متوسط مصفوفة NumPy: {arr.mean()}")
df = pd.DataFrame({"sales": [100, 200, 300]})
print(f"DataFrame من Pandas:\n{df}")

المخرجات:

# تم التنفيذ بنجاح

6. رؤية مشروع SalesPredict لـ Bob

SalesPredict هو المشروع المتكامل الذي يمتد عبر هذا البرنامج التعليمي بالكامل — نظام كامل للتنبؤ بمبيعات التجارة الإلكترونية، من معالجة البيانات إلى نشر النموذج.

(1) أهداف المشروع

• الهدف الأساسي: MAPE للتنبؤ بالمبيعات الشهرية < 10%
• قيمة الأعمال: تحسين المخزون، تقليل تكاليف الزيادة، تحسين عائد الإعلانات
• النطاق الدولي: Alice تتعامل مع السوق الأمريكية (USD)، Bob يتعامل مع السوق الصيني، و Charlie يتعامل مع السوق الأوروبية (EUR)

▶ مثال: نظرة عامة على بيانات SalesPredict

# استكشاف بنية مجموعة بيانات SalesPredict
import pandas as pd

# تحميل بيانات العينة
df = pd.read_csv("https://example.com/salespredict_sample.csv")
print(f"شكل مجموعة البيانات: {df.shape}")
print(f"\nأنواع الأعمدة:\n{df.dtypes}")
print(f"\nإحصائيات أساسية:\n{df.describe()}")
print(f"\nنطاق التواريخ: {df['date'].min()} إلى {df['date'].max()}")
print(f"إجمالي الإيرادات: {df['revenue'].sum() / 1e6:.1f} مليون دولار")

المخرجات:

# تم التنفيذ بنجاح

(2) خطة مراحل المشروع

7. يوم في حياة عالم البيانات

(1) سير العمل النموذجي لـ ML

graph LR
    A[جمع البيانات] --> B[تنظيف البيانات]
    B --> C[EDA والتصور]
    C --> D[هندسة الميزات]
    D --> E[تدريب النموذج]
    E --> F[تقييم النموذج]
    F --> G{الأداء كافٍ؟}
    G -->|لا| D
    G -->|نعم| H[نشر النموذج]
    H --> I[المراقبة]
    I --> J{تم اكتشاف الانحراف؟}
    J -->|نعم| A
    J -->|لا| I

graph LR
    A[جمع البيانات] --> B[تنظيف البيانات]
    B --> C[EDA والتصور]
    C --> D[هندسة الميزات]
    D --> E[تدريب النموذج]
    E --> F[تقييم النموذج]
    F --> G{الأداء كافٍ؟}
    G -->|لا| D
    G -->|نعم| H[نشر النموذج]
    H --> I[المراقبة]
    I --> J{تم اكتشاف الانحراف؟}
    J -->|نعم| A
    J -->|لا| I

▶ مثال: سير عمل ML مصغر كامل

# سير عمل من النهاية إلى النهاية: التنبؤ بأسعار المنازل
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

# الخطوة 1: تحميل البيانات
data = fetch_california_housing()
X, y = data.data, data.target

# الخطوة 2: تقسيم التدريب/الاختبار
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# الخطوة 3: تدريب النموذج
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# الخطوة 4: التقييم
predictions = model.predict(X_test)
mae = mean_absolute_error(y_test, predictions)
print(f"MAE: {mae:.4f} (بـ 100 ألف دولار)")
print(f"أهمية الميزات: {dict(zip(data.feature_names, model.feature_importances_))}")

المخرجات:

MAE: 0.3285 (بـ 100 ألف دولار)
أهمية الميزات: {'MedInc': 0.524..., 'HouseAge': 0.053..., ...}

(2) كيف يُقضى الوقت

❓ أسئلة شائعة

📖 ملخص

• نماذج ML الثلاثة: التعلم المُوجَّه (بيانات موسومة)، التعلم غير المُوجَّه (بيانات غير موسومة)، التعلم المعزز (إشارات المكافأة)
• نظام Python البيئي لـ ML: NumPy (الحوسبة) → Pandas (المعالجة) → Scikit-learn (ML الكلاسيكي) → PyTorch (التعلم العميق) → MLflow (الإدارة)
• بيئة التطوير: Miniconda + Jupyter Notebook + VS Code؛ قم بالتثبيت حسب الحاجة لتوفير المساحة
• يمتد مشروع SalesPredict عبر جميع الدروس الـ 25: نظام كامل للتنبؤ بمبيعات التجارة الإلكترونية، من تحليل البيانات إلى النشر في الإنتاج
• يقضي علماء البيانات 80% من وقتهم في إعداد البيانات؛ التدريب على النموذج لا يمثل سوى 5-10%
• سير عمل ML هو حلقة تكرارية: البيانات → الميزات → التدريب → التقييم → النشر → المراقبة → العودة إلى البيانات

📝 تمارين

1. أساسي (الصعوبة ⭐): قم بتثبيت Miniconda، وإنشاء بيئة Python 3.11 باسم salespredict، وتثبيت NumPy و Pandas، وطباعة أرقام الإصدارات الخاصة بهما. تلميح: راجع خطوات إعداد البيئة في القسم 5.
2. متوسط (الصعوبة ⭐⭐): باستخدام مجموعة بيانات fetch_california_housing، قم بتدريب نماذج باستخدام LinearRegression و RandomForestRegressor وقارن MAE. تلميح: راجع سير العمل المصغر في القسم 7.
3. تحدي (الصعوبة ⭐⭐⭐): في مشروع SalesPredict لـ Bob، إلى أي من النماذج الثلاثة ينتمي "التنبؤ بما إذا كان المستخدم سيشتري"؟ ما الفرق الجوهري في توسيم البيانات بين هذه المهمة و"التنبؤ بالإيرادات الشهرية"؟ تلميح: أحدهما يتنبأ بفئة، والآخر يتنبأ بقيمة مستمرة.

← الدرس السابق | الدرس التالي: دورة مكثفة في NumPy →

فريق Web-Tutorial التقني

منصة دروس برمجية يديرها عدة مطورين. كل درس يتم كتابته ومراجعته بواسطة مطورين متخصصين في المجال. نعمل على ضمان دقة وموثوقية المحتوى — إذا لاحظت أي مشكلة، فيرجى إخبارنا.

من نحن