التعلم غير الموجه لفهم النصوص - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

رابط الدرس الرقمي www.ien.edu.sa

الدرس الثاني التعلم غير الموجه

استخدام التعلم غير الموجه لفهم النصوص Using Unsupervised Learning to Understand Text

التعلم غير الموجه هو نوع من تعلم الآلة، يستخدم فيه النموذج بيانات غير معنونة، حيث يُقدّم له مجموعة من الأمثلة التي يتولى البحث فيها عن الأنماط والعلاقات بين البيانات من تلقاء نفسه. وفي سياق فهم النص، يمكن استخدام التعلم غير الموجه لتحديد الهياكل والأنماط الكامنة ضمن مجموعة بيانات المستندات النصية. هناك العديد من التقنيات المختلفة التي يمكن استخدامها في التعلم غير الموجه للبيانات النصية، بما في ذلك خوارزميات التجميع (Clustering Algorithms)، وتقنيات تقليص الأبعاد (Dimensionality Reduction Techniques)، والنماذج التوليدية (Generative Models). تُستخدم خوارزميات التجميع لضم المستندات المتشابهة معًا، بينما تُستخدم تقنيات تقليص الأبعاد لتقليص أبعاد البيانات وتحديد الخصائص الهامة. ومن ناحية أخرى، تُستخدم النماذج التوليدية لتعلم التوزيع الأساسي للبيانات وتوليد نص جديد مشابه لمجموعة البيانات الأصلية.

: (Unsupervised Learning) في التعلم غير الموجه، يزود النموذج بكميات كبيرة من البيانات غير المعنونة ويتوجب عليه البحث عن الأنماط في البيانات غير المتراكبة من خلال الملاحظة والتجميع.

خوارزميات التجميع Clustering Algorithms

يمكن لخوارزميات التجميع تجميع العملاء المتشابهين استنادًا إلى السلوكيات أو الديموغرافيا، أو سجل المشتريات؛ لأغراض التسويق المستهدف وزيادة معدلات الاحتفاظ بالعملاء.

تقنيات تقليص الأبعاد Dimensionality Reduction Techniques

تُستخدم تقنيات تقليص الأبعاد في ضغط الصورة لتقليل عدد وحدات البكسل فيها، مما يساعد على تقليص حجم البيانات اللازمة لتمثيلها مع الحفاظ على خصائصها الرئيسة.

: (Dimensionality Reduction) تقنية تقليص الأبعاد هي إحدى تقنيات تعلم الآلة وتحليل البيانات المستخدمة لتقليص عدد الخصائص (الأبعاد) في مجموعة البيانات مع الاحتفاظ بأكبر قدر ممكن من المعلومات.

النماذج التوليدية Generative Models

تُستخدم النماذج التوليدية في تطبيقات الكشف عن الاختلاف؛ حيث تُحدّد الأنماط الطبيعية للبيانات بتعلم الأنماط الطبيعية للبيانات باستخدام النموذج التوليدي.

وزارة التعليم Ministry of Education 2023 - 1447

154

رابط الدرس الرقمي www.ien.edu.saالدرس الثاني التعلم غير الموجه استخدام التعلم غير الموجه لفهم النصوص Using Unsupervised Learning to Understand Textالتعلم غير الموجه هو نوع من تعلم الآلة، يستخدم فيه النموذج بيانات غير معنونة، حيث يُقدّم له مجموعة من الأمثلة التي يتولى البحث فيها عن الأنماط والعلاقات بين البيانات من تلقاء نفسه. وفي سياق فهم النص، يمكن استخدام التعلم غير الموجه لتحديد الهياكل والأنماط الكامنة ضمن مجموعة بيانات المستندات النصية. هناك العديد من التقنيات المختلفة التي يمكن استخدامها في التعلم غير الموجه للبيانات النصية، بما في ذلك خوارزميات التجميع (Clustering Algorithms)، وتقنيات تقليص الأبعاد (Dimensionality Reduction Techniques)، والنماذج التوليدية (Generative Models). تُستخدم خوارزميات التجميع لضم المستندات المتشابهة معًا، بينما تُستخدم تقنيات تقليص الأبعاد لتقليص أبعاد البيانات وتحديد الخصائص الهامة. ومن ناحية أخرى، تُستخدم النماذج التوليدية لتعلم التوزيع الأساسي للبيانات وتوليد نص جديد مشابه لمجموعة البيانات الأصلية.--- SECTION: التعلم غير الموجه --- : (Unsupervised Learning) في التعلم غير الموجه، يزود النموذج بكميات كبيرة من البيانات غير المعنونة ويتوجب عليه البحث عن الأنماط في البيانات غير المتراكبة من خلال الملاحظة والتجميع.خوارزميات التجميع Clustering Algorithmsيمكن لخوارزميات التجميع تجميع العملاء المتشابهين استنادًا إلى السلوكيات أو الديموغرافيا، أو سجل المشتريات؛ لأغراض التسويق المستهدف وزيادة معدلات الاحتفاظ بالعملاء.تقنيات تقليص الأبعاد Dimensionality Reduction Techniquesتُستخدم تقنيات تقليص الأبعاد في ضغط الصورة لتقليل عدد وحدات البكسل فيها، مما يساعد على تقليص حجم البيانات اللازمة لتمثيلها مع الحفاظ على خصائصها الرئيسة.--- SECTION: تقليص الأبعاد --- : (Dimensionality Reduction) تقنية تقليص الأبعاد هي إحدى تقنيات تعلم الآلة وتحليل البيانات المستخدمة لتقليص عدد الخصائص (الأبعاد) في مجموعة البيانات مع الاحتفاظ بأكبر قدر ممكن من المعلومات.النماذج التوليدية Generative Modelsتُستخدم النماذج التوليدية في تطبيقات الكشف عن الاختلاف؛ حيث تُحدّد الأنماط الطبيعية للبيانات بتعلم الأنماط الطبيعية للبيانات باستخدام النموذج التوليدي.2023 - 1447--- VISUAL CONTEXT --- **IMAGE**: رابط الدرس الرقمي Description: A QR code linking to the digital lesson resource at www.ien.edu.sa. Context: Provides a quick access link to supplementary digital content for the lesson.**DIAGRAM**: شكل 3.15: تمثيل التعلم غير الموجه Description: A conceptual diagram illustrating the process of unsupervised learning. It shows a flow from initial raw data inputs through interpretation, algorithm processing, and general processing steps to an expected output of grouped, structured data. Data: The diagram depicts a sequence of operations: 1. 'مدخلات البيانات الأولية' (Initial Data Inputs): Represented by a scattered collection of small green squares, pink circles, and orange triangles, indicating unorganized or unlabelled data. 2. 'التفسير' (Interpretation): An arrow points from the inputs to a gear icon with a checkmark, suggesting an analytical or understanding phase. 3. 'الخوارزمية' (Algorithm): An arrow points from 'التفسير' to a flowchart-like icon (two boxes and a diamond), representing the application of an algorithm. 4. 'المعالجة' (Processing): An arrow points from 'الخوارزمية' to a simple gear icon, indicating a general processing or computational step. 5. 'المخرج المتوقع' (Expected Output): An arrow points from 'المعالجة' to three distinct, organized groups of shapes (green squares, pink circles, orange triangles), demonstrating the outcome of unsupervised learning where patterns are discovered and data is clustered. Key Values: مدخلات البيانات الأولية, التفسير, الخوارزمية, المعالجة, المخرج المتوقع Context: This diagram visually explains the abstract concept of unsupervised learning, showing how raw, unstructured data is transformed into meaningful, grouped, or patterned output without prior labels or guidance, which is a core principle of machine learning.