Recommended
More Related Content
Similar to العرض التقديمي.pptx
Similar to العرض التقديمي.pptx (20)
More from ssuser4d2acd
العرض التقديمي.pptx
- 3. أمثلة تعلم اآللة • ▪ القرار شجرة استخدام ( decision tree .) متغير مع القرار أشجار تتعامل / كل في فرديوذلك متحول دورة / القرار تحليل من ،مرحلة . ما ًانوع سهلة آلي مّلتع طريقة اعتبارها فيمكن ( بدائي أنها مع ة .) • ▪ الوجوه على التعرف ميزة في اآللة تعلم تقنيات يستخدم ،الفيسبوك ( Face Recognition ) في، الصور . • ▪ القيادة ذاتية ،جوجل سيارة . • * ّحالمل مشاكلنا معظم حل في ستساعدنا حيث ،المقبلة السنوات في قوية أداة اآللة تعلم يعد ة . • جمعيات التعلم • ت ستخدم جمعيات التعلم في ربط المنتجات غير ذات الصلة ببعضها البعض ، ودراسة العالقة بي ن المنتجات التي يشتريها الناس ، فإذا قام شخص بشراء منتج ، سيتم عرض المنتجات المماثلة بسبب وجو د عالقة بين المنتجين . • الخدمات المالية يساعد تعلم االلة البنوك والمؤسسات المالية على اتخاذ قرارات أكثر ًءذكا ،
- 5. المنصات والبرامج ن موذج Uber • تستخدم شركة أوبر للسيارات تعلم االلة في تحديد أوقات الوصول ومواقع االستالم وتسلي م وجبات Uber EATS. • - منصة PayPal. تستخدم منصة PayPal للدفع عبر اإلنترنت خوارزميات تعلم اآللة • ل لعثور على أنشطة الغش وإيقافها ، وتقوم PayPal بتحليل كميات هائلة من بيانات العمالء وتقييم المخاطر اًقوف لذلك . • - Google Search استخدام • جوجل • استخدمت شركة جوجل تقنية تعلم االلة عام 2015 • - فيس بوك • يستخدم تطبيق فيسبوك تعلم االلة في التعرف على الوجوه المألوفة ، حيث اعتاد فيسب وك على وضع عالمة على األصدقاء من قائمة جهات االتصال الخاصة بك .
- 6. • القرار أشجار Decision Trees • باسم القرار شجرة خوارزميات إلى يشار ( CART ) وهو ،واالنحدار التصنيف أشجار أو ،السمة اختبار إلى داخلية عقدة كل تشير حيث ،الشجرة هيكل مثل انسيابي مخطط ويمثل طرفية عقدة وكل ،لالختبار نتيجة فرع كل ( نهائية عقدة ) تس فئات اختالط تحمل فئة مية . تعطي " جيني درجة " في االستجابة مدى خالل من التقسيم جودة مدى عن فكرة إنشاؤها تم التي المجموعات • التقسيم بواسطة .
- 7. خوارزميات تعلم اآللة االنحدار الخطي Linear regression . االنحدار اللوجستي Logistic Regression . "K" أقرب الجيران K-Nearest Neighbours دعم آالت المتجهات (SVM) . أشجار القرار Decision Trees 6. الغابة العشوائية Random Forest خوارزمية التعزيز التكيفي AdaBoost . دفعة التدرج Gradient Boost . خوارزمية Light GBM1. خوارزمية Naive
- 8. • العشوائية الغابة Random Forest • تتضمن حيث ،القرار أشجار من يبني جماعي تعلم أسلوب هي العشوائية الغابات خوارزمية تمهيدي بيانات مجموعات باستخدام متعددة قرارات أشجار إنشاء العشوائية الغابات من ة م خطوة كل في المتغيرات من فرعية لمجموعة عشوائي واختيار األصلية البيانات ن قرار شجرة كل تنبؤات جميع وضع النموذج يختار ثم ،القرار شجرة خطوات .
- 9. • التكيفي التعزيز خوارزمية AdaBoost • ل والتعزيز التعبئة طرق من تستفيد خوارزمية اًضأي هي التكيفي التعزيز مؤشر تطوير نَّسحُمال . األشجار من ًالبد األشجار جذوع من غابة بإنشاء الخوارزمية تقوم ( ال هو جذع فقط طرفيتين وعقدتين واحدة عقدة من مكونة شجرة ) أكث اًجنه الخوارزمية تتخذ ، تكرارية ر الجذع ارتكبها التي األخطاء من المتكرر التحسين إلى تسعى أنها بمعنى ( الجذور ) السابق .
- 10. • التدرج دفعة Gradient Boost • لتطوي التعزيز طرق تستخدم مجموعة خوارزمية أيضا التدرج دفعة خوارزمية تعد متنبئ ر محسن . الخوارز تقوم ،اًعجذو يبني الذي التكيفي التعزيز خوارزمية عکس علی ببناء مية بين ما تتراوح عادة اًأشجار ( 8 و 32 ) التعزيز مشكلة أن الخوارزمية ترى ،طرفية عقد الخسارة دالة تستخدم حيث هي ( ،تحسين مشكلة التي الدالة وهي
- 11. • خوارزمية Naive Bayes • الثنائية التصنيف لمشاكل تستخدم تصنيف خوارزمية وهي ( م فئتين ن ) الفئات ومتعددة . منفص المخرجات متغير يكون عندما استخدامها يتم ً ل . وكما نظرية على بالكامل الخوارزمية هذه تعتمد ،االسم يوحي “ Bayes ” حيث ، إلى ينتمي البيانات من جزء احتمال حساب يمكننا أنه النظرية تقول فئة مسبقة معرفة إعطاء تم إذا معينة .
- 12. • خوارزمية Light GBM • من دقة أكثر اًنوأحيا أسرع أنها أظهرت التي التعزيز خوارزمية من آخر نوع إنه “ XGBoost ” . واح جانب من العينات أخذ تسمى فريدة تقنية الخوارزمية هذه تستخدم على د التدرج أساس ( GOSS ) مقسمة قيمة على للعثور البيانات مثيلت لتصفية .
- 13. التعلم العميق العميق التعلم ( الهرمي التعلم أو البنية عميق التعلم ًاأيض ويسمى ) عام منذ 2006 جديد كمجال اآللة تعلم بحوث ضمن Machine Learning. صف من تقنيات تعلم اآللة التي تستخدم عدة طبقات من المعالجة غير الخطية للمعلومات ال ستخراج ونقل الخواص بإشراف أو بدون إشراف باإلضافة لتحليل وتصنيف األنماط . حقل فرعي ضمن تعلم اآللة ، يطبق خوارزميات التعلم على تمثيل متعدد المستويات ، وذلك من أجل نمذجة العالقات المعقدة ضمن المعطيات ، وبذلك يتم تعريف الشمات والمفاهيم العالية المستوى ًءبنا على ماهو أدنى منها ( فالسيارة ًالمث تعرف بأجزائها ، والدوالب يعرف بأجزائه وهكذا ) ، تدعى هذه البنية الهرمية من السمات بالبنية العميقة ، كما وتعتمد معظم هذه النماذج على منهجية التعلم بدون إ شراف ( معلم ) للتمثيالت .
- 15. • وهي وشيوعه العميق التعلم انتشار أسباب : • • - األغراض عامة الرسومية المعالجة كوحدات الرقاقات لمعالجة المتزايدة القدرات - general purpose graphical processing units .(GPGPUS( • 2 - التدريب في المستخدمة للمعطيات المتزايد الحجم . • 3 - اإلشارة ومعالجة اآللة تعلم في الحديث التقدم • والمعلومات .
- 16. خوارزميات التعليم العميق التالفيفية العصبية الشبكة . 01 ( CNN ) • الصور لمعالجة شيوعا األكثر العصبية الشبكة هي . تأخذ CNN صورة تكون ربما كمدخالت عام بشكل . بكسل كل بتحليل العصبية الشبكة تقوم CNN حدة على . يتم ثم الصورة من المطلوب الكائن الكتشاف النموذج وتحيزات أوزان تعديل . مثل أ مسبقة معالجة إلى ما بمرحلة أيضا البيانات تمر أن يجب ، األخرى الخوارزميات قل من نسبيا CNN المعالجة قبل . األخرى يحتاج ، ذلك ومع DL خوارزميات معظم
- 17. • المتكررة العصبية الشبكات . 02 ( RNNs ) • الت العصبية الشبكات من نوع هي ي المرحلة نتيجة تمرير فيها يتم RNNs الحالي المرحلة إلى السابقة ة كمدخالت . العص للشبكات بالنسبة بية المدخالت فإن الكالسيكية مترابطة ليست والمخرجات . ومع أي توقع إلى تحتاج عندما ، ذلك مراعاة يجب ، ما جملة في كلمة التنبؤ يمكن ال ،السابقة الكلمة األنواع هذه لحل الصناعة بالكلمة من RNNs الكلمة تذكر دون التالية األخيرة . دخلت . المشاكل
- 18. • المدى طويلة الذاكرة شبكات . 03 ( LSTMs ) • المتعلقة البيانات مع أساسي بشكل RNNs بالصوت أو المتكررة العصبية الشبكات تعمل . ال فإنها ، ذلك ومع المدى قصيرة الذاكرة مع جيد بشكل تعمل . خطوات إلى خطوة من المعلومات نقل في صعوبة سيواجهون يكفي بما طويلة السلسلة كانت إذا أخرى . مهمة معلومات من مقطع من ما شيء توقع تحاول كنت إذا . لحل الباحثون طور ، المشكلة هذه RNN هذه العميق التعلم خوارزمية تستبعد تفوت فقد ، المحتوى . LSTM تسمى RNN من حديثة نسخة . المدى قصيرة الذاكرة مشكلة • المستقبالت الطبقات متعدد . 04 • متعددة مستويات عبر اإلدخال بيانات توجيه يتم حيث ، المعقدة العصبية الشبكات إلى دخول نقطة الخاليا من االصطناعية العصبية . ش إلى يؤدي مما ، القادمة الطبقة في أخرى عصبية خلية بكل عقدة كل ترتبط بكة بالكامل متصلة عصبية . ،بينهما مخفية طبقة وهناك ، واإلخراج اإلدخال طبقات تتوفر
- 23. العميق التعلم استخدامات على أمثلة • مشروع " براين جوجل " قدم ،العمل في العميق للتعلم األبرز المثال يكون قد ،جوجل من خالل من وعلمها نفسه النظام درب ،القط هوية لتحديد معلومات أي تحديد دون ،الباحثون 10 فيديو مقاطع من مأخوذة القطط من صورة ماليين YouTube القط صور بنجاح النظام حدد ، عالمات ذات بيانات استخدام دون . • المس أو اآللية الدردشة برامج أو القيادة ذاتية سيارات لدينا يكون لن ،العميق التعلم دون اعدين مثل الشخصيين Alexa و Siri . • تطبيق سيبقى Google Translate لدى يكون ولن ،اًيبدائ Netflix أو األفالم عن فكرة أي ال التعلم خوارزميات نستخدم لم إذا ،نحبها ال أو نحبها التي التليفزيونية المسلسالت عميق . • العص الشبكات تحركها الجديدة الصناعية الثورة بأن القول حد إلى نذهب أن حتى يمكننا بية العميق والتعلم االصطناعية .
- 24. • العميق التعلم تميز سبب • لكون البيانات من ضخمة بكمية مدعومة أنها رأسها على ،اآللي التعلم على كفته ترجح مزايا العميق وللتعلم شائعة ها ،للتعلم الرئيسية القواعد لوضع البشر تدخل حاجة عدم بمعنى ،االستخراج ميزة إلى باإلضافة ،للغاية • الم يتدخل أن يجب ،اآللي التعلم في وهذا ،للصورة اًفتصني اآللي التعلم خوارزمية ستجري ،الطريقة بهذه مباشرة برمج التصنيف عملية في . • عل النموذج يتعرف فسوف ،اًمتما ضرورية غير الميزة استخراج خطوة تكون ،العميق التعلم نموذج حالة في هذه ى إنسان أي مساعدة دون الصحيحة بالتنبؤات ويقوم للسيارة الفريدة الخصائص . • األو البيانات فقط إعطاء فيتم ،العصبية الشبكات مع بها ستقوم أخرى مهمة كل على هذا ينطبق ،الواقع في للشبكة لية النموذج خالل من الباقي ويتم ،العصبية .
- 26. • والعميق اآللي التعلم بين الفرق • ن أن اآللي والتعلم العميق التعلم بين الرئيسي الفرق أن السابق المثال من يتضح التعلم ماذج خطوط لمنحها البشري للتدخل دائمة بحاجة وأنها ،تدريجي بشكل أفضل تصبح اآللي عريضة ،البيانات من تعلمها كيفية عن • البش التدخل على االعتماد دون ،بنفسها نفسها الخوارزمية فتعلم العميق التعلم أما ري . ك قول سماع عند معين مصباح إضاءة على اآللي التعلم خوارزمية تعليم جرى إذا ً فمثال لمة " ظالم " ، • فقط الكلمة لهذه سماعها عند الخوارزمية تستجيب فسوف . بيان النموذج تلقى إذا أما مثل ات " للغاية اًتخاف الضوء كان إذا شيء أي رؤية على قادر غير أنا " التعلم تقنيات فهنا لن اآللي ت ثم ومن ،واحد المعنى أن استنتاج يمكنها العميق التعلم خوارزميات ولكن ،تستجيب ستجيب المصباح ويضيء .
- 27. • التالي؟ ما • مشاريع في العاملون الباحثون أحرزه الذي التقدم إن DeepMind و Google Brain و OpenAI الذكاء أبحاث يخص فيما ،المختلفة والجامعات ًقادر يصبح آخر بعد اًميو االصطناعى فالذكاء ،يتسارع االصطناعي حل على ا الذكاء أن يعني وهذا ،البشر طاقة من واألصعب بل ،األصعب المشاكل س بمستقبله والتنبؤات ،تاريخه من أسرع بشكل يتغير االصطناعي ما رعان قديمة أصبحت . • مستق يرون كيف أو الناس يتحدث كيف عن مختلفة فكرية مدارس هناك بل االصطناعي الذكاء في التقدم أن يعتقد من فهنالك ،االصطناعي الذكاء عن اًكثير التفكير إلى ويميلون وساق قدم على سيستمر االص الذكاء طناعي ال أم للبشرية ًادجي هذا كان إذا وما ،الخارق .
- 28. Reference ^ Machine learning and pattern recognition "can be viewed as two facets of the same field [". . Nilsson N. Learning Machines, McGraw Hill, 1965 . . Applications of Machine Learning from Day-to-Day Life. 2017; Available from: https://medium.com/app- .0 .affairs/9-applications-of-machine-learning-from-day-to-day-life- 112a47a429d0 . التعلم العميق والتجميع Deep Learning for Clustering الثالثاء 27 محرم 1442ﻫ | 15 سبتمبر 2020 م | علي القحطاني علي القحطاني اآللة تعلم عن مقدمة – Machine learning. الشويمي نورا . الشويمي نورا بواسطة