التعلّم غير الخاضع للإشراف
افهموا تقنيات التجميع، مثل K-Means والتجميع الهرمي
التعلّم غير الخاضع للإشراف درس مجاني في Python For Kids على CoddyKit. هذا هو الدرس 3 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 غير الخاضع للإشراف
التعلم غير الخاضع للإشراف هو نوع من تعلّم الآلة تتعلم فيه الخوارزمية الأنماط من بيانات غير معنونة. ويُستخدم غالبًا في التجميع وتقليل الأبعاد واكتشاف الحالات الشاذة.
في هذا الدرس، ستستكشفون تقنيات التجميع مثل K-Means والتجميع الهرمي.
ما التعلم غير الخاضع للإشراف؟
يتضمن التعلم غير الخاضع للإشراف تحليل البيانات وتجميعها من دون تسميات محددة مسبقًا. ويهدف إلى تحديد البُنى أو الأنماط المخفية في البيانات.
تشمل المهام الأساسية ما يلي:
- التجميع: تجميع نقاط البيانات المتشابهة.
- تقليل الأبعاد: تقليل عدد السمات مع الاحتفاظ بالمعلومات المهمة.
التجميع باستخدام K-Means
تُعد K-Means خوارزمية تجميع شائعة تقسّم البيانات إلى K مجموعات بناءً على تشابه السمات. لنرَ كيفية عملها:
# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np
# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)التجميع الهرمي
ينشئ التجميع الهرمي بنية شبيهة بالشجرة (مخططًا شجريًا) لتجميع نقاط البيانات المتشابهة. ولا يتطلب تحديد عدد المجموعات مسبقًا.
# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt
# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
linked = linkage(X, 'single')
dendrogram(linked)
plt.show()تقليل الأبعاد
يُبسّط تقليل الأبعاد البياناتَ من خلال تقليل عدد السمات مع الاحتفاظ بالمعلومات المهمة. ويُعد تحليل المكوّنات الرئيسية (PCA) تقنية شائعة لهذه المهمة.
# Example: PCA
from sklearn.decomposition import PCA
import numpy as np
# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)تطبيقات التعلم غير الخاضع للإشراف
يُستخدم التعلم غير الخاضع للإشراف في:
- تقسيم العملاء إلى شرائح: تجميع العملاء بناءً على سلوكهم.
- اكتشاف الحالات الشاذة: تحديد الأنماط غير المعتادة في البيانات.
- ضغط الصور: تقليل حجم الصورة مع الحفاظ على جودتها.
تصوير المجموعات
يساعد تصوير المجموعات على فهم كيفية تجميع نقاط البيانات. وتُعد Matplotlib وSeaborn مفيدتين لهذا الغرض:
# Example: Visualizing clusters
import matplotlib.pyplot as plt
# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]
for i in range(len(X)):
plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()التحديات في التعلم غير الخاضع للإشراف
يواجه التعلم غير الخاضع للإشراف عدة تحديات، منها:
- تحديد عدد المجموعات: تتطلب K-Means تحديد عدد المجموعات مسبقًا.
- قابلية التفسير: قد لا تكون للمجموعات معانٍ واضحة دائمًا.
- قابلية التوسع: قد تتطلب معالجة مجموعات البيانات الكبيرة موارد حسابية كبيرة.
الأخطاء الشائعة في التعلم غير الخاضع للإشراف
إليكم بعض الأخطاء التي ينبغي تجنبها:
- اختيار عدد غير مناسب من المجموعات في K-Means.
- عدم إجراء المعالجة المسبقة للبيانات، مثل تحجيم السمات.
- المبالغة في تفسير المجموعات من دون التحقق من صحتها.
ماذا تعلمتم؟
في هذا الدرس، تعلمتم:
- أساسيات التعلم غير الخاضع للإشراف ومهامه الأساسية.
- كيفية تنفيذ K-Means والتجميع الهرمي.
- مفهوم تقليل الأبعاد باستخدام PCA.
- تطبيقات التعلم غير الخاضع للإشراف وتحدياته وأخطاءه الشائعة.
أحسنتم! لننتقل إلى الموضوع التالي.
الأسئلة الشائعة
هل درس «التعلّم غير الخاضع للإشراف» مجاني؟
نعم — نص درس «التعلّم غير الخاضع للإشراف» 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 غير الخاضع للإشراف»؟
افهموا تقنيات التجميع، مثل K-Means والتجميع الهرمي 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 3 من أصل 6.
كم من الوقت يستغرق درس «التعلّم غير الخاضع للإشراف»؟
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