فِهم علوم البيانات للتعلّم الآلي

مبتدئ
مهندس الذكاء الاصطناعي
عالم بيانات
المطور
طالب
Azure

يُوفر Microsoft Learn عِدة طرق تفاعلية للحصول على مقدمة للتعلّم الآلي الكلاسيكي. هذه المسارات التعليمية في حد ذاتها ستجعلك مُنتجًا، كما أنها أساس ممتاز للانتقال إلى مواضيع التعلّم العميق.

بدءًا من نماذج التعلّم الآلي الكلاسيكية الأساسية، إلى تحليل البيانات الاستكشافي وتخصيص البنى. ستسترشد بمحتوى تَصَوّرِيّ سهل الفهم ودفاتر Jupyter التفاعلية، كل ذلك دون مغادرة المتصفح.

اختر مسارك اعتمادًا على خلفيتك التعليمية واهتماماتك.

الخيار الأول: دورة تدريبية كاملة: أُسس علم البيانات للتعلّم الآلي

يُوصى بهذا المسار لمعظم الأشخاص. فهو يضم كل الوحدات النمطية لمساريّ التعلّم الأخريين بترتيب مُخصص لتعزيز استيعاب المفاهيم. إذا كنت ترغب في التعرف على كل من المفاهيم الأساسية وكيفية بناء نماذج مع أدوات التعلّم الآلي الأكثر شيوعًا، فهذا المسار يُناسبك. كما أنه أفضل مسار إذا كنت تخطط لتجاوز التعلّم الآلي الكلاسيكي ودراسة التعلم العميق والشبكات العصبية، والتي نقدمها هنا فقط.

✔ الخيار الثاني: المسار التعليمي فِهم علم البيانات للتعلّم الآلي

إذا كنت تسعى لفهم كيفية عمل التعلّم الآلي وليست لديك خلفية رياضية وافِرة، فهذا المسار يُناسبك. فلا يفترض وجود حصيلة تعليمية سابقة (بخلاف إلمام بسيط بمفاهيم التعليمات البرمجية)، ويُعلّم باستخدام التعليمات البرمجية والاستعارة والمرئيات لتمر بلحظة إدراك مُفاجئة. هو تدريب عملي ولكنه يُركز أكثر على فِهم الأساسيات وبدرجة أقل على قوة الأدوات والمكتبات المُتاحة.

✔ أنت حاليًا على هذا المسار، مرر لأسفل للبدء.

الخيار الثالث: المسار التعليمي إنشاء نماذج التعلّم الآلي

إذا كان لديك بالفعل فكرة عن ما هو التعلّم الآلي أو لديك خلفية رياضية قوية، فقد تميل إلى الانتقال مُباشرة إلى المسار التعليمي إنشاء نماذج التعلّم الآلي. فهذه الوحدات تُعلّم بعض مفاهيم التعلّم الآلي ولكن بسرعة لبلوغ قوة استخدام أدوات مثل scikit-learn وTensorFlow وPyTorch. كما أن هذا المسار التعليمي هو أفضل مسار لك إذا كنت تبحث عن ما يكفي من المعرفة لفهم أمثلة التعلّم الآلي لمنتجات مثل Azure ML أو Azure Databricks.

المتطلبات الأساسية

بلا

الوحدات النمطية في مسار التعلم هذا

نظرة عامة رفيعة المستوى على التعلم الآلي للأشخاص الذين لديهم معرفة ضئيلة أو معدومة بعلوم الكمبيوتر والإحصاءات. سوف يتم تعريفك على بعض المفاهيم الأساسية، واستكشاف البيانات، والمرور بشكل تفاعلي من خلال دورة حياة التعلم الآلي - باستخدام Python لتدريب وحفظ واستخدام نموذج التعلم الآلي كما نفعل في العالم الحقيقي.

التعلم الخاضع للإشراف هو شكل من أشكال التعلم الآلي حيث تتعلم الخوارزمية من أمثلة البيانات. نحن نرسم بشكل تدريجي صورة لكيفية إنشاء التعلم الخاضع للإشراف تلقائيًا نموذجًا يمكنه عمل تنبؤات حول العالم الحقيقي. كما سنتطرق إلى كيفية اختبار هذه النماذج، والصعوبات التي يمكن أن تنشأ من تدريبها.

تستمد نماذج التعلم الآلي قوتها من البيانات المستخدمة في تدريبها. من خلال المحتوى والتمارين، نستكشف كيفية فهم بياناتك، وكيفية ترميزها بحيث يمكن للكمبيوتر تفسيرها بشكل صحيح، وكيفية تنظيفها من الأخطاء، والنصائح التي ستساعدك على إنشاء نماذج تعمل بشكل جيد.

يمكن القول أن التراجع هو تقنية التعلم الآلي الأكثر استخداماً، والاكتشافات العلمية الأساسية، وتخطيط الأعمال، وتحليلات سوق الأوراق المالية. هذه المواد التعليمية تتعمق في بعض تحليلات التراجع المشتركة، سواء كانت بسيطة أو أكثر تعقيداً، ويوفر بعض التفاصيل حول كيفية تقييم أداء النموذج.

عندما نفكر في التعلم الآلي، فإننا غالباً ما نركز على عملية التدريب. لا يقوم مقدار صغير من التحضير قبل عملية التدريب بتسريع التعلم وتحسينه فحسب، بل يمنحنا أيضًا بعض الثقة حول مدى جودة عمل نماذجنا عند التعامل مع بيانات لم نرها من قبل.

التصنيف يعني تعيين العناصر في فئات، أو يمكن التفكير أيضًا في اتخاذ القرار الآلي. نقدم هنا نماذج التصنيف من خلال التراجع اللوجستي، مما يوفر لك نقطة انطلاق نحو أساليب تصنيف أكثر تعقيدًا وإثارة.

وعادة ما يمكن تخصيص النماذج الأكثر تعقيدا يدويا لتحسين مدى فعاليتها. نستكشف من خلال التدريبات والمحتوى التفسيري، إمكانية تحقيق نتائج أكثر فعالية بتغيير بنية النماذج الأكثر تعقيدًا.

كيف نعرف ما إذا كان النموذج جيدًا أو سيئًا في تصنيف بياناتنا؟ الطريقة التي تقيم بها أجهزة الكمبيوتر أداء النموذج في بعض الأحيان يمكن أن يكون من الصعب بالنسبة لنا فهم أوتبسيط كيف سيتصرف النموذج في العالم الحقيقي. لبناء نماذج تعمل بطريقة مرضية، نحتاج إلى إيجاد طرق بديهية لتقييمها، وفهم كيف يمكن لهذه المقاييس أن تحيز وجهة نظرنا.

تُعد المنحنيات خاصية مشغل جهاز الاستقبال طريقة قوية لتقييم نماذج التصنيف المدربة وضبطها. نحن نقدم ونشرح فائدة هذه المنحنيات من خلال محتوى التعلم والتمارين العملية.