SHAI Club نادي شاي للذكاء الاصطناعي

يعلن نادي شاي للذكاء الاصطناعي ☕️ عن موعد الانضمام لتدريب النادي المجاني في مجال تعلم الآلة والذكاء الاصطناعي

سيتم بدا التدريب في تاريخ 20/2/2024
ينتهي التسجيل بتاريخ 10/2/2024

التدريب عبارة عن مستويين مدة كل مستوى 4 أشهر
يغطي التدريب المواضيع التالية :

Data Science
Machine Learning
Deep Learning
NLP

📌التدريب مجاني

📌 التدريب اون لاين بالكامل ويمكن الالتحاق به من من جميع انحاء لعالم
التدريب شامل لمجموعة من المشاريع العملية ومؤهل لسوق العمل

📌 التدريب معتمد كتدريب ميداني للطلاب في الجامعات الاردنية

📌 يتعمد التدريب على التعلم الذاتي مع شروحات اسبوعية و الحد الأدنى من الجهد المطلوب من 3-5 ساعات أسبوعيا. وكلما زاد الوقت والجهد المبذول زادت الفائدة.

📌شو الفرق بين تدريب النادي المجاني وكورسات شاي المدفوعة ؟
التدريب المجاني يتم اعطاء مقدمة للموضوع مع تاسك ومصادر للدراسة وبعتمد على التعليم الذاتي على عكس الكورسات المدفوعة بتم شرح كافة التفاصيل خلال الكورس

📌 شو بتحتاج للتقدم الى تدريب نادي شاي ؟
كمتطلب للانضمام تحتاج الى معرفة اساسيات لغة البايثون بالاضافة ل اساسيات تحليل البيانات.

‼️عليك اتمام ال task الخاص بالانضمام وارفاق الحل كGithub repository‼️

تفاصيل التاسك تجدونها بالرابط التالي

https://drive.google.com/drive/folders/1D1wilTeoNdE0kp4Kv8l6GssHQpFA6Qqr?usp=sharing
بالاضافة لمصادر للتعلم

⚠️جزء ال report مهم جدا في التاسك وسيتم رفض الشخص في حالة النقل او تشابه الاجابات ⚠️

طريقة استخدام لgithup
https://drive.google.com/file/d/1jUVK-bKhkoytIKiu-KsAd-z8DH53SlIh/view?usp=sharing

يمكنك استخدام colab ايضا لحل التاسك
https://drive.google.com/file/d/1hfC2NXCTuR9RFAL-xqjhJIweVL7viNfO/view?usp=sharing

اخيرا قم بالتسجيل في النموذج التالي
https://forms.gle/vbejsm4Y4bZpDCFd8

ولا تنسى ارفاق السيرة الذاتية

سيتم التواصل مع المقبولين من خلال الايميل الالكتروني وكافة الاعلانات بتنزل على صفحة النادي عشان لهيك خليكم متابعين الصفحة ويفضل تعملوها

لسا عندكم استفسارات ؟
بتقدروا تسألونا بالتعليقات

Supervised Learning 🔍📚
قبل ظهور الذكاء الصنعي بأقسامه و منها تعلم الآلة
كان حل المشاكل اللي بتحتوي على داتا ضخمة و نحن بحاجتها لحتى نشتغل عليها و نوصل لنتيجة تساعدنا بحل هالمشاكل صعب كتير😔
تخيلوا إنه إذا كنّا نحن امام مشكلة إنه نتنبأ بأسعار البيوت في منطقة معينة و عنّا داتا جداً ضخمة و عوامل كتيرة لازم ناخدها بعين الاعتبار للتنبؤ هيك مشكلة ما منقدر نحلها بشكل تقليدي 😐 و إذا كان إلها حل رح تاخد وقت و جهد طويل 😐 أو إذا كان عنّا مجموعة صور و كنّا حابين نصنفها لفئات معينة،أو إيميلات حابين نعرف إذا هي مهمة و لا لأ !!!! هي المشاكل نحن بحاجة لحلها لهيك
اليوم حابّين نحكي عن موضوع مهم جداً إنه نفهمه و من خلاله قدرنا نلاقي حلول للمشاكل اللي انذكرت فوق رح نحكي (Supervised Learning) اليوم عن التعلم الخاضع للإشراف
اللي سهل علينا هي المهمة و قدملنا خدمة كبيرة لحل متل هيك مشاكل شو هو و شو هي أقسامه و استخداماته رح نحكيها بالتفصيل .
و أهمها (machine learning algorithms)التعلم بإشراف هو نوع من أنواع خوارزميات تعلم الآلة
بيستخدم مجموعات البيانات المصنفة و المخرجات الصحيحة لتدريب خوارزميات التعلم على كيفية تصنيف البيانات أو التنبؤ بنتيجة ما .
حيث يتم تدريب خوارزميات هذا النوع على البيانات المصنفة مما يعني أنّ البيانات تتضمن متغيرات الإدخال (الميزات)
و متغيرات الإخراج المقابلة لها (السّمة) يعني أن المدخلات و المخرجات تكون محددة مسبقاً (Features)
الهدف من التعلم الخاضع للإشراف هو بناء نموذج يعمم جيداَ على البيانات الجديدة و يمكنه التنبؤ بدقة بالمتغير الهدف في ضوء استخدام البيانات الجديدة .
رح نحكي عن أقسام التعلم الخاضع للإشراف :
: تقسيم الكائنات أو العناصر بناء على إحدى السمات المعروفة مسبقاً إلى فئات معينة (Classification) التصنيف
و يكون الخرج عبارة عن فئة (تقسيم المدخلات إلى فئة معروفة)
و من أمثلته :
1- التعرف على الأحرف و الأرقام المكتوبة بخط اليد .
2- تصنيف الصور على أنها تحوي قطة أو كلب .
من الخوارزميات المستخدمة للتصنبف :
1-Naive bayes .
2- Decision Tree .
3- Logistic Regression .
4- K-Nearest Neighbours .
5- Support Vector Machine .
القسم الثاني منه هو
:(Regression)الانحدار
يستخدم لحل مشاكل التنبؤ بأغراض معينة مثل التنبؤ بأسعار البيوت و الأسهم و غيرها حيث يتوجب علينا فهم العلاقة بين المتغيرات و يكون الخرج هنا يكون قيمة(توقع قيمة) .
الخوارزميات المستخدمة هنا :
1- Linear Regression .
2- Polynomial Regression .
وهيك منكون حكينا بشكل مختصر و مبسط عن التعلم الختضع للإشراف منتمنى تكونوا استفدتوا من المعلومات اللي انطرحت بالبوست و إذ ا حبيتوا تتوسعوا بالفهم هي المراجع بتساعدكم .
المراجع :
سلسلة التعلم الآلي 1: التعلم تحت الإشراف والتعلم غير الخاضع للرقابة - المبرمج العربي (arabicprogrammer.com)
ما هو تعلم الآلة؟ كيف يعمل, وما هي أنواعه وأهميته؟ - ثقافاتي (thaqafati.com)
أنواع تعلم الآلة (sciences24.com)
What Is Supervised Learning? (Definition, Examples) | Built In
التعلم بإشراف - المعرفة (marefa.org)
لا تنسوا تكتبوا بالكومناتات المواضيع الحابين نحكيب عنها بالبوستات الجاية

أظهرت النماذج اللغوية واسعة النطاق الحديثة قدرة رائعة على إنشاء التعليمات البرمجية🔥، وهي الآن قادرة على إكمال مهام البرمجة البسيطة.

ومع ذلك، لا يزال أداء هذه النماذج ضعيفًا عند تقييمها على أسس أكثر تعقيدًا مثل Codex التي تفتقر إلى مهارات حل المشكلات التي يعتمد عليها معظم المبرمجين في وظائفهم اليومية 🤨

على سبيل المثال ، تظل مشاكل البرمجة التنافسية التي تتطلب فهم الخوارزميات واللغة الطبيعية المعقدة صعبة للغاية😢.

و لمعالجة هذه الفجوة أتت DeepMind بال AlphaCode😍:

و هي نظام توليد كود، يمكنه إنشاء حلول جديدة لتلك المشاكل التي تتطلب تفكيرًا أعمق.

في تقييمات محاكاة لمسابقات البرمجة الأخيرة على منصة Codeforces، حقق AlphaCode في المتوسط ​​تصنيفًا أعلى 54.3٪ في المسابقات التي شارك فيها أكثر من 5000 مشارك🔥🔥.

يُظهر AlphaCode تقدمًا مذهلاً، وإمكانية نماذج المحولات الكبيرة لأتمتة مهام البرمجة المعقدة💚.

يمثل هذا تطورا كبيرا في نماذج البرمجة التوليدية🔥.

المصادر :

ورقة بحث👇
https://arxiv.org/abs/2203.07814

https://towardsdatascience.com/deepminds-alphacode....

ShAI Tech Writer: Fathalrhman Adam Abdallah

زراعة ذكية من شركة مايكروسوفت🧠

مشروع الذكاء الاصطناعي فارم بيتس (FarmBeats) من مايكروسوفت يجمع بين مستشعرات التربة منخفضة التكلفة، والتصوير الجوي، وخوارزميات التعلم بالرؤية والتعلم الآلي لاستكمال حدس المزارع، مما يساعد على زيادة الإنتاجية وخفض التكاليف.🤖

إذ يضع المزارع في الأرض عددًا قليلا من أجهزة استشعار تنقل البيانات، ثم يربط الهاتف الذكي إما بطائرة درون أو ببالون منفوخ بالهيليوم لإنشاء خريطة جوية لمزارعهم.👁

وتصنع البيانات المتحصل عليها الفارق. إذ يمكن للمزارع أن يقلل من استخدام المياه في الري بحوالي 30% وأن يستخدم 44% أقل من الكلس لمحاربة حموضة التربة. كما يمكن أن تساعد المعلومات بشأن درجة حرارة التربة ومستويات الرطوبة على تحسين زراعة البذور في الوقت المناسب، مما يزيد من إنتاجية المحصول. ويمكن أيضًا استخدام الخريطة الجوية للمساعدة على التنبؤ بأنماط الفيضانات.🌊

ويعتقد فريق فارم بيتس أن التكنولوجيا التي يتيحها الذكاء الاصطناعي ستمنح المزارعين في جميع أنحاء العالم الأدوات التي يحتاجونها لزيادة الإنتاج الغذائي العالمي بشكل كبير في سياق نقص الأراضي الصالحة للزراعة والمياه. 🍁

المصدر: https://www.microsoft.com/.../farmbeats-iot-agriculture/
https://www.wipo.int/.../artificial.../story.html...

shAI blogger : Sami Elbadri

كمطورين بمجال البرمجيات او كطلاب جامعين الغالب مننا مر بأحدى السيناريوهات التالية ⬇️
السيناريو الاول 🅰️
سمع أثناء مشاريع الجامعة أو أثناء مشاريع الشغل أو التدريب جملة " شغالة عندي مابعرف ليش مو شغالة عندك !!! "
السيناريو التاني🅱️
ويلي بصير اثناء عملية التطوير العادية وبالشركات خصوصاً
فرضاً فريق التطوير كان شغال على منتج وهالمنتج انشغل باكتر من برمجية وبأكتر من لغة برمجية...
فريق التطوير development يلي شغال على الكود لح يكون على تواصل تام مع فريق operations يلي مسؤول على تشغيل هاد المنتج ببيئة الإنتاج ويلي هي بيئة ال production
لح يسلموهم الكود كامل مع التوصيف الكامل للمكتبات والبرمجيات و الاعدادات لحتى تتشغل على بيئة ال production
فجأة وبس خلص فريق التطوير وبدنا نرفع نسخه production.. 😵Ouch
ضرب errors.. ❌❌
طيب ليش⁉️
كانت شغالة❕ بأحهزة المطورين شغالة❗️ وبنسخه المطورين شغالة 🤼 ونفس الشي بالسيناريو الاول بجهاز رفيقك شغال الكود ليش عندك لا ⁉️
الحقيقة كلها وال errors ورا السيناريوهين هي
بنسخة ال لمكتبات او ال frameworks او البرمجيات المستخدمة او حتى نظام التشغيل المستخدم اذا اختلف باحد الجهازين 😵
وهون اي تعارض حزمة مع حزمة تانية ممكن يسبب error وكلما كتر التعارض صار صعوبة بإدارة هي الحزم 🙁
وبيصير مشاكل بين تعارض البرمجيات الموجودة عند جهاز المطور والبرمجيات
الموجودة ببيئة الإنتاج (الموجودة عند جهاز رفيقك وجهازك بالسيناريو الأول ) وعندها منكون منحتاج لوقت اكبر لحتى نقدر نكشف المشكلة وين ونحدد الحزم او شو نوع الحزم يلي ناقصها ونحل المشكلة. 😪
كل هي المشاكل يلي بتحصل بالسيناريوهين يلي ذكرناهن هنن بسبب كل ال errors
وممكن المطورين يلجؤوا لتشغيل المشاريع على virtual machine لمحاكاة بيئة الانتاج🤓 و طبعا بياخد اعداد بيئة المحاكاة وقت طويل وكمان وال virtual machine بتستهلك كتير من موارد الجهاز وبيحتاج وقت طويل اثناء التشغيل اضافة لعدم امكانية عزل الحزم المتعارضة بسهولة داخل البيئة الوهمية
و هون بتجي فائدة ال docker 🤩
لو فريق العمل كان على علم بهاد الشيء كان اتلافى كلياً هاد النوع من errorrs
طيب شو هو ال docker , و ليش نحنا ك علماء بيانات منحتاجه؟ 🤔
🔸Docker دوكر هو أداة صُممت لجعل تطوير البرامج وتشغيلها أسهل عبر ما يسمى بالحاوية containers
🔹containers
وحدة برمجية unit وهي حزمة معبأة من كود التطبيق والمكتبات المطلوبة والاعتماديات الأخرى.
🔺الحاويات تسمح للمطور بتخزين التطبيقات بكل الأجزاء التي تحتاجها، مثل المكتبات والمتطلبات الأخرى، ومن ثم يتم شحنها كلها كأنها حزمة واحدة
▪️صورة Docker هي حزمة برامج قابلة للتنفيذ تتضمن كل ما يلزم لتشغيل تطبيق وتصبح حاوية في وقت التشغيل
▫️طيب شوالفرق بين ال container وال virtual machine :
الحاوية (Container) هي عبارة عن مجموعة من الحزم، المعزولة عن الجهاز المحلي الخاص بك (Local Machine) يمكن تشغيل واستخدام البرامج الموجودة داخل الحاوية دون أن تتعارض الحزم الموجودة داخل الحاوية مع الحزم المنصبة بالفعل على جهازك.
🔶ومثال :
لو احتجنا إلى مشروع يجب تشغيله على توزيعة Ubuntu، يمكننا إما استخدام حاوية Ubuntu أو virtual machine منصب عليها التوزيعة، لإعداد هذا النظام الوهمي و سنحجز له مساحة معينة على وحدة التخزين في الجهاز، ومساحة من الذاكرة Ram، ثم سنقوم بتحميل توزيعة Ubuntu كاملة وتثبيتها في النظام الوهمي لنجرب أو ننشئ المشروع بداخل النظام الوهمي، وهذا سيأخذ وقتا طويلا جدا، بينما استخدامنا لحاوية Ubuntu فلن يأخذ الكثير من الوقت، لأن Docker لا يقوم بتنصيب التوزيعة كاملة بداخل الحاوية، إنما يقوم بتنصيب الحزم الخاصة بالتوزيعة فقط
🔻ليش مهم ال docker ل علماء البيانات وليش صارت الشركات تطلبه مع التوظيف الوظيفي لعالم البيانات؟ 😍🧡
متل ما ذكرنا باول سيناريو والتاني لحتا مايتكرر السيناريو السيئ ولختا يصير بيئة للتطوير والانتاج سلسة وأكوادنا الشخصية يلي منكتبها ومنطورها وحتى يلي مننشرها ع
ال github لبناء portfolio تبعنا لحتا يكون قادر اي شخص يشغله على اي machine وشو مماكان نظام التشغيل عنده وشوماكان نسخ البايثون او حتى نسخ الframeworks اذا عملناه dockers نحنا صرنا بأمان
ونتمتع بصفة
Data scientist with best software practices 😍👏🏻
🔵اخيرا وب كلمات قليلة وبصيغة اخرى
فكر بال docker وكأننا حصلنا على virtual machine نظام وهمي Ubuntu صغير جديد بعدها منثبت بعض الحزم فوقه. بعدها منضيف بعض الكود فوقه. وأخيرًا ، تقوم بتنفيذ الأكواد لإنشاء تطبيق. كل هاد فوق جهازك الحالي بنظام التشغيل الذي تختاره. كل يلي تحتاجه هو تثبيت Docker فيه.
⚫مصادر :
t.ly/Li-W
t.ly/LdpN مع شرح خطوات العمل
t.ly/v4qS
t.ly/ow9vK
برشحلكم مشروع تطبيقي صغير على كورسيرا منستخدم فيه
Flask docker machine learning seaborn ❤️ https://t.ly/n2Lq
shAI_blogger Nour Shosharah

شبكة عصبية تكرارية↩️
Recurrent neural network(RNN)

غالبًا ما يرتبط إستخدام الشبكة العصبية التكرارية بالتعلم العميق وإستخدام المتسلسلات لتطوير نماذج تحاكي النشاط العصبي في الدماغ البشري فما هي🤔.

هي نوع من الشبكات العصبية الإصطناعية المصممة للتعرف على النمط من تسلسل البيانات، مثل السلاسل الزمنية كالتعرف على الكلام، ترجمة الآلة وما إلى ذلك🤩.
لفهم الشبكات التكرارية، أولاً يجب أن نفهم أساسيات الشبكة العصبية ذات تغذية أمامية🤨:
تمت تسمية كل من هاتين الشبكتين، شبكة عصبية تكرارية و شبكة عصبية ذات تغذية أمامية على اسم الطريقة اللذان تنقلان بها المعلومات من خلال سلسلة من العمليات الحسابية التي يتم إجراؤها على عقد الشبكة😲. أحدهما يغذي المعلومات مباشرة (لا تلمس نفس العقدة مرتين أبدًا)، بينما تقوم الأخرى بتدويرها عبر حلقة، والأخيرة هي ما تسمى بالتكرارية.
من ناحية أخرى، تأخذ الشبكات التكرارية مدخلاتها، ليس فقط مثال الإدخال الحالي الذي تراه، ولكن كذلك ما رأته سابقًا في الوقت.

يؤثر القرار التي توصلت إليه الشبكة العصبية التكرارية في الوقت ز-١ على قرار وصولها إلى لحظة واحدة في وقت لاحق ز🧐.
لذا فإن الشبكات التكرارية لها مصدران للمدخلات، الحاضر والماضي القريب، واللذان يتحدان لتحديد كيفية استجابتهم للبيانات الجديدة، تمامًا كما نفعل في الحياة😯.
أما الخطأ التي تولده سيعود عبر الانتشار العكسي ويستخدم لضبط الأوزان حتى لا يمكن للخطأ أن تقل أكثر بعدها !.

تذكر أن الغرض من الشبكات التكرارية هو التصنيف الدقيق للمدخلات المتسلسلة.
نحن نعتمد على الانتشار العكسي للخطأ والنزول الاشتقاقي للقيام بذلك🤔.

المصادر :
https://coursera.org/specializations/deep-learning
https://en.m.wikipedia.org/wiki/Recurrent_neural_network

ShAI Tech Writer: Fathalrhman Adam

See less

شاركوا اطفالكم معنا بورشتنا المجانية الممتعة بديجي كيد عن لغة السكراتش 😎🫢
رح يتعلموا الأطفال بالورشة كيف بتم انشاء رسوم متحركة بشكل تفاعلي وبرضو الالعاب البسيطة باستخدام لغة البرمجة الشهيرة للأطفال (لغة سكراتش)🫣🤖

طبعا الورشة مجانية مافي اي رسوم 🎉💫 والاهم انه مافي داعي يكون عند الاطفال اي معرفة سابقة بلغة السكراتش او البرمجة لانه رح نعلمهم اساسيات كلشي بحتاجوه😎

احجزوا مقعد لأطفالكم لحتى يستمتعوا بتعلم مهارات جديدة وبطريقة تفاعلية وممتعة🤩💫

📍بتقدروا تسجلوا وتحجزوا مقاعد للاطفال عن طريق هالرابط:
https://forms.gle/mfak9SHDy3sB8JN3A

📌 او الاتصال على هالرقم :
0788712211

#للاطفال #ورشة #الاردن

هل تظهر GPT-4 بالفعل علامات على الذكاء الاصطناعي العام ؟

أكيد شاهدت حدث إطلاق GPT-4، أو قد جربته على الأقل، ماذا كان أنطباعك للوهلة الأولى؟😁.
هل يمكن أن يكون هذا علامة للذكاء الاصطناعي العام😨؟

دعنا نفهم ما هو الذكاء الاصطناعي العام (Artificial General Intelligence (AGI) )🤔؟

يشير الذكاء الاصطناعي العام إلى قدرة وكفاءة الكيان الذكي على أداء مجموعة واسعة من المهام الإدراكية التي غالبًا ما يرتبط بالذكاء البشري كالتعلم والتفكير وحل المشكلات بطرق مماثلة للبشر😮. أطلع على مقالنا السابق عن انواع الذكاء الاصطناعي (https://www.facebook.com/102906037932211/posts/480212443534900/?mibextid=rS40aB7S9Ucbxw6v).

على الرغم من عدم وجود تعريف رسمي للذكاء الاصطناعي العام، إلا أن العديد من الباحثين يعتبرونه الهدف النهائي للذكاء الاصطناعي. حيث يعد اختبار تورينغ أحد المقاييس المستخدمة لقياس AGI، والذي يتضمن تقييم قدرة الألة على محاكاة سلوك الإنسان في بيئة محادثة. ومع ذلك، يقول بعض الخبراء إن هذا الاختبار غير كاف لتحديد ما إذا كانت الآلة قد حققت AGI الحقيقي🫤.

أدعى بعض الباحثين في شركة مايكروسوفت في ورقة بحث نشر حديثاً أن GPT-4 يظهر علامات مبكرة ل AGI🤨، مما يعني أنه يتمتع بقدرات تتعدى مستوى الإنسان أو على الأقل تكاد تكون متكافئة معه. حيث قالوا انهم لاحظوا قفزات أساسية في قدرات GPT-4 على التفكير والتخطيط وحل المشكلات وتوليف الأفكار المعقدة و التي تشير إلى تحول نمطي في مجال علوم الحاسوب.

إلا أن مع ذلك الادعاء المثير للجدل قد ذكروا أيضا أن النموذج يعاني من مشكلات في معايرة الثقة، والذاكرة الطويلة الأجل، والتخصيص الشخصي، التخطيط والقفزات المفاهيمية، والشفافية، والتفسيرية والاتساق، والأخطاء الإدراكية والعقلية، والتحديات المتعلقة بحساسية المدخلات😏.

في رأيك هل يمكن لـ GPT-4 أن يصل إلى درجة تحقيق الذكاء الاصطناعي العام🤔؟

أتركك مع تغريدة مايكل كوزينسكي أستاذ نفس حاسوبي و أستاذ في جامعة أستانفورد: (https://twitter.com/michalkosinski/status/1636683812787847169?t=y5y0pSSqPZH6PcAMwTSZiQ&s=19).

شاركنا رأيك في التعليقات😄

المصادر :
https://arxiv.org/abs/2303.12712

https://www.vice.com/en/article/g5ypex/microsoft-now-claims-gpt-4-shows-sparks-of-general-intelligence

https://www.newscientist.com/article/2365864-is-gpt-4-already-showing-signs-of-artificial-general-intelligence/?fbclid=IwAR3azArdtRmPw43YNcHsjJ4kzRprMjDjbf4FVy0lXjByIT8fiPy05Cc92JE

ShAI Blogger : Fathalrhman Adam

-4

اليوم رح نحكي عن موضوع كثيير مهم في مجال الذكاء الاصطناعي و هو أنواع تعلم الآلة (Machine Learning ) :

طبعا تنقسم ال machine learning الى أربعة أقسام :

1- Supervised Learning التعليم الموجه أو التعليم بالإشراف
2- Unsupervised Learning التعليم غير الموجه
3- Semi-Supervised Learning التعليم شبه الموجه أو التعليم شبه تحت الإشراف
4- Reinforcement Learning التعليم المعزز أو التعليم عن طريق التعزيز

طيب كل قسم شو هو وشو تفاصيلو ؟ 🧐🤔
تعالو خلينا نتعرف عليهم و نعرف شو أهمية كل قسم 🔥 🔥 🔥
🔵 التعليم الموجه أو التعليم بالإشراف
♦️اول نوع من أنواع الـ ML ال Supervised Learning :

في التعليم تحت الإشراف البيانات الي بدخلها للmodel تتضمن الحل يعني رح يحتاج يكون عندي input و output
خلينا نفهم أكثر شو يعني هذا الكلام عن طريق مثال رح يوضح المفهوم ولكن خلينا نؤكد على أنه في الـ Supervised Learning عندي input and output 👌
مثلا لو انا صاحب شركة سيارات🚘 وعندي بيانات سيارات زي نوعها و لونها وعدد الكراسي الخ.... وعندي سعر السيارة
ف انا رح يجيلي مجموعة سيارات جديدة ولكن بدون سعر هنا باستخدام تعليم الآلة رح استخدم ال supervised في اني اعرف سعر السيارات الجديدة عن طريق اني هدخل لل model صفات السيارة زي اللون والنوع الخ... وهنا الصفات بنسميها features و طبعا هيا ال input data وكمان بندخل السعر وهوا ال output data و ال model رح يعرف سعر السيارات الجديدة بناء على البيانات الي انا عملتله training من خلالها 🤩
ال Supervised Learning بينقسم بنوعين وهما:
a- Classification (تصنيف)
b- Regression (توقع)
أول نوع من أنواع ال Supervised Learning هو ال Classification
طبعا واضح من اسمه تصنيف يعني بجمع مجموعة بيانات في مجموعات مع بعض بناء على صفات مشتركة بينهم ومثال عليه من الأمثلة المشهورة الي بتوضحو الEmail
باستخدام ال Classification Supervised Learning رح يتم تحديد اذا الemail مزعج أو غير مزعج (✅spam❌ or not spam)
طبعا ال Classification الو عدة أنواع أهمها نوعين :
a- Binary Classification
🔹️يستخدم في حالة عنا 2 classes فقط يعني مثلا الايميل مزعج أو غير مزعج أو في تصنيف الأشخاص ب اذا كان الشخص مريض أو غير مريض
🔹️في ال Binary Classification دائما النتيجة بتكون 1 او 0 , مصاب أو غير مصاب ، true او false ما في أحتمال لأي نتيجة أخرى فقط صح او خطأ
b- Multi-Class Classification
يستخدم في حالة أنه في عدد كبير جدا من ال class مثلا :
🔹️التعرف على وجه في حالة عندي أكثر من خاصية مثلا لون الشعر، لون العين ، أو التمييز بين الأشخاص وبعضهم.
🔹️التعرف على النباتات في حالة عندي أكثر من features للنبتة زي طولها عرضها لونها وعدد الأوراق فيها وهكذا .

🔵 ثاني نوع من أنواع ال Supervised Learning هو ال Regression
طبعا هو بكل بساطة التوقع يعني بناءً على الداتا الي عندي ف انا رح اتوقع نتائج تساعدني في البزنس
خلينا ناخذ مثال عشان نفهم ال Regression بشكل أفضل🔥
تعال نتخيل😇 اذا انت بتفهم كثير في أسعار البيوت وقررت انك تفتح بزنس خاص بيك ومحتاج تستغل ال ML في انك تحدد أسعار بيوت جديدة أو بيوت في أماكن معينة عن طريق انك تمرر لل model داتا كثيرة عن بيوت قديمة بمواصفاتها مثلا مكان البيت ،عدد الغرف ،المساحة الخ... وتقدر انك تتنبأ بأسعار البيوت الجديدة 🤩
قسم التعليم غير الموجه:
♦️ثاني نوع من أنواع ال Machine Learning هو ال Unsupervised Learning :
وهو أسلوب من أساليب ال Machine Learning يعتمد على تحليل وتجميع unlabeled data يعني عندي x بس ما عندي y عن طريق تجميعها في groups اعتماداً على التشابه بينهم
الفرق بينه وبين ال Classification انو انا في ال Classification عندي x and y يعني انا بدخل للكمبيوتر مثلا مواصفات البيوت الي هي x و سعر البيوت الي هو y ولكن هنا انا عندي x فقط مافي y
في ال Unsupervised Learning بتتعلم الآلة بشكل تلقائي بدون الحاجة للإنسان يعني بدخل للكمبيوتر بيانات كثيرة unlabeled وهو بيبدأ يكتشف خصائص الداتا ويتعرف عليها ويكون صورة أوضح عن البيانات
مثلا دخلت للكمبيوتر صور تفاح🍎 و بطيخ🍉 طبعا احنا قادرين نفرق بينهم لكن الكمبيوتر مش عارف ف هيبدأ يشوف المجموعات المتشابهة و يضيفها مع بعض.

🔵 التعليم شبه الموجه أو التعليم شبه تحت الإشراف:
♦️ثالث نوع من أنواع ال machine learning ال Semi-Supervised Learning:
التعليم شبه الموجه بحل مشكلة موجودة وهي ال supervised learning algorithms لأنه بنحتاج مجموعة بيانات تسمى label data و العملية مكلفة جدا في وجود كمية كبيرة من الداتا
ممكن نتجه إلى التعليم غير الموجه لكن النتائج محدودة جدا ومن هنا ظهر مفهوم الـ Semi-Supervised Learning يقوم بتدريب الخوارزمية على مجموعة من البيانات المسماة وغير المسماة يعني مجموعة بيانات تحتوي على كمية صغيرة جدا من البيانات المسماة وكمية كبيرة جدا من البيانات غير المسماة
مثلا عندي بيانات مسماة زي موز🍌وبرتقال🍊وبيانات غير مسماة زي 🍎 ف المودل رح يكتشف بكل سهولة الموز و البرتقال لأنه تم تعريفه عليهم و ويكتشف البيانات الغير مسماة وهي التفاح.

🔵 التعليم المعزز أو التعليم عن طريق التعزيز:
♦️رابع نوع من أنواع الـ Machine Learning هو ال Reinforcement Learning:
هو أحد مجالات التعلم الآلي المختص بأنه الmodel يتبادل التأثير مع البيئة المحيطة به وعلى أساس تفاعله مع البيئة يقوم بالتعلم بحيث انه في النهاية يقوم بالأفعال الي تعطيه مكافأة
ال Reinforcement Learning هو عملية يتعمد على التدريب والتجربة وليس على البيانات بمعنى انو يجب على ال agent انه يقوم بتجارب كثير لحتى يصل الى النتيجة الي من خلالها رح يحصل على المكافأة🤩.
في شوية مصطلحات مهمين في ال Reinforcement Learning مهم اننا نكون عارفينها وهما:
🔹️Agent : وهو الروبوت مثلا أو المودل الي بطبق عليه ال Reinforcement Learning
🔹️Environment: وهي البيئة الي يتعلم فيها ومنها المودل عن طريق التجربة
🔹️Action: وهو الفعل الي المودل بيتخذه بناءً على تجربته سواء كان فعل إيجابي أو سلبي
🔹️state:وهو الحل الي بيرجع من ال Environment بعد كل Action من ال Agent
🔹️Reward: ال feedback او التقييم الي بيرجع للمودل من ال Environment
هيك تعرفنا على أنواع تعلم الالة و وفهمنا معنى تفاصيل كل نوع 🤩🤩 تابعو شاي لتزيدو معرفتكم بمواضيع أكثر بتخص الذكاء الاصطناعي🤩🤩

Content Writer: Simaa Abumousa

Clustering

هل خطر في بالك يوماً أن تقسيم البيانات إلى أقسام أصغر يجعلنا نصل إلى نتائج أحسن وبطريقة أسرع… 🧐

التجمعات (Clustering) هو عملية تقسيم مجموعة من البيانات الكبيرة إلى مجموعات صغيرة يمكن التعامل معها بشكل فردي. وهو يستخدم في العديد من التطبيقات، بما في ذلك تحليل البيانات الكبيرة ، وتصنيف الصور والأصوات والنصوص 🔮.

تقنية التجميع أو Clustering تعد واحدة من أساسيات التعلم الآلي غير خاضعة للإشراف الأكثر شيوعًا 🤓

📌 التعلم الخاضع للإشراف، يتم تدريب النماذج أو الإشراف عليها باستخدام مجموعات البيانات المحددة (وسم Label 🏷).
📌 التعلم غير الخاضع للإشراف يعمل مع البيانات غير الموسومة حيث لا توجد وسم معروف، والهدف هو تحديد الأنماط داخل مجموعة البيانات.

تستخدم تقنية التجميع لتجميع الأشياء المتشابهة معًا بناءً على مجموعة من المعايير المحددة، حيث يهدف إلى تحديد الأنماط من البيانات عن طريق تقسيمها إلى مجموعات. وتتشابه نقاط البيانات المخصصة لمجموعة معينة فيما بينها مع تلك الموجودة خارج المجموعة.

📚 بعض الأمثلة عن استخدامات تقنية التجميع:
1- تجميع العملاء: حيث يتم تجميع العملاء بناءً على الاهتمامات المشتركة والسلوكيات والعوامل الأخرى لإنشاء مجموعات متجانسة من العملاء 👤.
2- تجميع المنتجات: حيث يتم تجميع المنتجات المشابهة معًا بناءً على عدة معايير، مثل الوظيفة، والتصميم، والسعر، والمادة المصنوعة منها 📦.
3- التحليل الإحصائي: حيث يتم استخدام تقنية التجميع في تحليل البيانات وتصنيفها بناءً على المعايير المحددة 📈📉.
4- معالجة الصور: حيث يتم استخدام تقنية التجميع في تجميع الصور المشابهة بناءً على العديد من المعايير، مثل اللون والشكل والحجم 🖼.
غالبًا ما يتم استخدام التجميع بإحدى طريقتين، أما أداة تستخدم بمفردها لحل المشاكل المتعلقة بتحديد الأنماط داخل مجموعات البيانات، أو كخطوة معالجة مسبقة لخوارزميات التعلم الآلي المختلفة 🤖 .

توجد العديد من خوارزميات تقنية التجميع، أفضل 🔟 خوارزميات تجميع :
Affinity Propagation
Agglomerative Hierarchical Clustering
BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)
DBSCAN (Density-Based Spatial Clustering of Applications with Noise)
Gaussian Mixture Models (GMM)
K-Means
Mean Shift Clustering
Mini-Batch K-Means
OPTICS
Spectral Clustering
ولكن أشهرها هو خوارزمية K-Means.
كل طريقة موصوفة أعلاه تعالج مشكلة الكشف عن الأنماط في مجموعات البيانات بشكل مختلف تمامًا. وكيف تعمل على أنواع مختلفة من مجموعات البيانات.

في النهاية 🔚، سلطنا الضوء على خوارزميات التجميع وأمثلة عن استخداماتها العديدة. بالإضافة إلى ذلك، قمنا أيضًا بتضمين قائمة بأهم عشر خوارزميات تجميع يتم استخدامها غالبًا من قبل علماء البيانات وممارسي التعلم الآلي.
انتظرونا في مقالات أخرى لتعرفوا أكثر عن خوارزميات التجميع بالتفصيل ⏳⏳.
🆙🆙🆙

Reference:
https://realpython.com/k-means-clustering-python/
https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68


ShAi_Blogger: Sherin Ahmad

Anomaly Detection

واحده من اكثر حالات استخداما في سنتكلم اليوم ما فائدتها ودورها في الاعمال🔍
مع وجود الملايين من #البيانات الضخمه🔢 ومع الوقت تزيد البيانات بسرعه كبيره يمكن يحدث تغيرات غير متوقعه Anomaly Detection ومن هنا ياتي دور ال
ما معني كلمه ?🤔
بشكل عام هو شيء يختلف عن القاعده او الانحراف ممكن ان نعرف منه الاحداث النادره او شيء لا يتناسب مع السلوك الطبيعي للشركه
مثال:اذا تم صرف جزء كبير من المال💰 وهذا ليس من سلوكك الطبيعي في سحب المال من البنك سيتم حظر البطاقه❌ لانه ليس سلوكك العادي في سحب المال من البنك
وفي هذه الحاله يتم تتبع المشكله وحلها
لماذا نحتاجه في التعلم الالي ؟🤔
لانها تبني من احصائيات واحتماليات📈 وادوات التعلم الالي
اكثريه الشركات تتعامل مع البيانات النادره
(Outliers) بكميات كبيره وانواع مثل
text, transaction, image, video content
فمن الصعب العقل البشري ان يتحمله 🧠
يساعد التعلم الالي بتبسيط وتحديد الانماط المختلفه واكتشاف العيوب
ما هي #الخوارزميات المستخدمه في ال Anomaly Detection?
1️⃣local outlier Factor (LOF)
2️⃣KNN
3️⃣Support Vector Machines
4️⃣DBSCAN
بالنهايه كشف الانماط النادره قادره علي حل مشاكل كثيره مثل التشخيص الطبي💉 والاختراق ليس فقط يتم ⏱️التحديد بنائا علي داتا القديمه ولكن وايضا في الوقت الحالي
written by : ziad emad
resources: https://serokell.io/blog/anomaly-detection-in-machine-learning



#الاردن #سوريا #العرق #لبنان #مصر

جميعاً سمعنا بالزلزال الذي حدث في سورية وتركيا! ولكن.. 😔
هل شعرت برغبة تقديم المساعدة للناس هناك؟ 🤔حسناً لماذا لا تفكر بأن تصبح منقذ العالم باستخدام الذكاء الصنعي وتتنبأ في المستقبل بوقوع الزلازل! 😍
دعني أخبرك بأن هنالك دراسة حاولت التنبؤ بموعد حدوث الزلزال القادم مع التعلم الآلي
واستنتج صاحب الدراسة أنه من الصعب للغاية التنبؤ بالحدوث القادم للزلزال، بسبب عشوائيته وصعوبة إثبات أن الزلازل تتبع نمطًا معينًا. 😱😱
إذا كنت تريد بناء نموذج تنبؤي بالزلازل فأنت نحتاج إلى خوارزميات التعلم الآلي التالية
• Random forest Classifier
• Support Vector Classifier
• Gradient Boosting Algorithm
اليوم سأخبركم عن خوارزمية GB/ Gradient Boosting /🧐
الفكرة الرئيسية وراء هذه الخوارزمية هي بناء النماذج بالتتابع وتحاول هذه النماذج اللاحقة تقليل أخطاء النموذج السابق. لكن كيف نفعل ذلك؟ كيف يمكننا تقليل الخطأ؟ 🤔
يتم ذلك عن طريق بناء نموذج جديد على أخطاء أو بقايا النموذج السابق.
إذ تعد هذه الخوارزمية أحد المتغيرات لطرق التجميع حيث تقوم بإنشاء عدة نماذج ضعيفة ودمجها للحصول على أداء أفضل ككل. 👏🏼
يعد Gradient Boosting أحد أكثر خوارزميات التعلم الآلي شيوعًا لمجموعات البيانات المجدولة. إنه قوي بما يكفي للعثور على أي علاقة غير خطية بين model target and features وله قابلية استخدام رائعة يمكنها التعامل مع missing values, outliers, and high cardinality categorical values على features دون أي معاملة خاصة. 😐🤫
الخطوة الأولى من خطوات الخوارزمية هي عمل توقع على الهدف
نجعل التنبؤ الأولي كمتوسط عام لـلهدف: ✅
ولتحسين تنبؤنا، سنركز على القيم المتبقية (أي أخطاء التنبؤ) من الخطوة الأولى
لأن هذا هو ما نريد تقليله للحصول على تنبؤ أفضل. ✅✅
لتقليل القيم المتبقية، نقوم ببناء نموذج شجرة الانحدار لميزة والبقايا التي تصبح هدف لها.. ثم نقوم بدمج التنبؤات وهكذا ....
بالنسبة للمعادلات الرياضية لهذه الخوارزمية ➕♾🟰
قد يشعر البعض منكم أنها معقدة 🤦🏻‍♀️والسبب وراء ذلك هو أن Gradient Boosting مصمم ليكون قادرًا على التعامل مع أي loss functions طالما أنها قابلة للتفاضل
لكن يكمن جمال الخوارزمية لأنها تتمتع بمرونة كبيرة وملاءمة للعمل على مجموعة متنوعة من المشاكل. يمكنك فقط استبدال loss functions وتعمل الخوارزمية بأكملها. ✅
تشتمل تطبيقات الخوارزمية مثل XGBoost أو LightGBM على مجموعة متنوعة من loss functions
وبشكل مختصر أنت تعلم الان خوارزمية GB 👍🏻😍
لمعرفة المزيد ولكي تصبح بطل المستقبل ابقى على اطلاع ومتابعة لنادي شاي لذكاء الصنعي 🍀🍃🥰
Jerome Friedman, Greedy Function Approximation: A Gradient Boosting Machine
Terence Parr and Jeremy Howard, How to explain gradient boosting

#ِAI
Blogger: Hadeel Ali