التعلّم الخاضع للإشراف باستخدام Scikit-Learn
ابنوا نماذج التعلّم الخاضع للإشراف وقيّموها، مثل الانحدار الخطي والتصنيف
التعلّم الخاضع للإشراف باستخدام Scikit-Learn درس مجاني في Python For Kids على CoddyKit. هذا هو الدرس 2 من أصل 6. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Python For Kids، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Python For Kids 6 دروس في المجموع.
التعلم الخاضع للإشراف باستخدام Scikit-Learn
يتضمن التعلم الخاضع للإشراف تدريب نموذج باستخدام بيانات معنونة لإجراء تنبؤات أو تصنيف نقاط البيانات. وتُعد Scikit-learn مكتبة Python شائعة لتنفيذ نماذج التعلم الخاضع للإشراف.
في هذا الدرس، ستتعلمون كيفية بناء نماذج التعلم الخاضع للإشراف وتقييمها باستخدام Scikit-learn.
ما هو التعلّم الخاضع للإشراف؟
يستخدم التعلّم الخاضع للإشراف بيانات معنونة، بحيث يكون لكل مُدخل ناتج مقابل. والهدف هو تعلّم الربط بين المُدخلات والمخرجات.
تشمل المهام الشائعة ما يلي:
- الانحدار: التنبؤ بقيم مستمرة، مثل أسعار المنازل.
- التصنيف: التنبؤ بفئات، مثل ما إذا كانت الرسالة غير مرغوب فيها أم لا.
إعداد Scikit-Learn
ثبّتوا Scikit-learn باستخدام pip:
pip install scikit-learn
بعد تثبيتها، يمكنكم استيرادها والبدء في بناء النماذج.
الانحدار الخطي
يُستخدم الانحدار الخطي للتنبؤ بالقيم المستمرة. لنَبْنِ نموذج انحدار خطي بسيطًا:
# Example: Linear Regression
from sklearn.linear_model import LinearRegression
# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]
model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))الانحدار اللوجستي
يُستخدم الانحدار اللوجستي في مهام التصنيف الثنائي، مثل تحديد ما إذا كانت رسالة بريد إلكتروني مزعجة أم لا.
# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression
# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]
model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))أشجار القرار
أشجار القرار نماذج متعددة الاستخدامات يمكنها التعامل مع مهام الانحدار والتصنيف معًا. لنَبْنِ مصنّفًا بسيطًا باستخدام شجرة قرار:
# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]
model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))تقييم النماذج
توفر Scikit-learn مقاييس لتقييم أداء النموذج:
- متوسط مربع الخطأ (MSE): لنماذج الانحدار.
- الدقة: لنماذج التصنيف.
# Example: Evaluating a model
from sklearn.metrics import mean_squared_error
# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))تقسيم بيانات التدريب والاختبار
احرصوا دائمًا على تقسيم مجموعة البيانات إلى مجموعتي تدريب واختبار لتقييم أداء النموذج على بيانات لم يرها من قبل:
# Example: Train-Test Split
from sklearn.model_selection import train_test_split
X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)الأخطاء الشائعة في التعلّم الخاضع للإشراف
إليك بعض الأخطاء التي ينبغي تجنبها:
- عدم تقسيم البيانات إلى مجموعتي تدريب واختبار.
- الإفراط في مواءمة النموذج باستخدام خوارزميات معقدة للغاية.
- استخدام بيانات ذات تسميات رديئة للتدريب.
ماذا تعلمتم؟
في هذا الدرس، تعلمتم:
- كيفية بناء نماذج الانحدار والتصنيف باستخدام Scikit-learn.
- كيفية تقييم أداء النموذج باستخدام مقاييس مثل MSE والدقة.
- أهمية تقسيم البيانات إلى مجموعتي تدريب واختبار.
- الأخطاء الشائعة التي ينبغي تجنبها في مهام التعلم الخاضع للإشراف.
أحسنتم! لننتقل إلى الموضوع التالي.
الأسئلة الشائعة
هل درس «التعلّم الخاضع للإشراف باستخدام Scikit-Learn» مجاني؟
نعم — نص درس «التعلّم الخاضع للإشراف باستخدام Scikit-Learn» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Python For Kids، انتقل إلى CoddyKit PRO. تتضمن دورة Python For Kids 6 دروس في المجموع.
ماذا ستتعلم في «التعلّم الخاضع للإشراف باستخدام Scikit-Learn»؟
ابنوا نماذج التعلّم الخاضع للإشراف وقيّموها، مثل الانحدار الخطي والتصنيف تتمرن على Python For Kids مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Python For Kids؟
لا تُشترط خبرة سابقة. Python For Kids على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 6.
كم من الوقت يستغرق درس «التعلّم الخاضع للإشراف باستخدام Scikit-Learn»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Python For Kids هذا؟
نعم. كل درس في Python For Kids يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- مقدمة إلى تعلّم الآلة
- التعلّم الخاضع للإشراف باستخدام Scikit-Learn
- التعلّم غير الخاضع للإشراف
- هندسة السمات واختيارها
- مقدمة إلى الشبكات العصبية
- مقدمة إلى TensorFlow وKeras