1 - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

سؤال س 1 :(1): 1. في التعلم غير الموجه تستخدم مجموعات البيانات المعنونة لتدريب النموذج.

الإجابة: س 1 :(1) خطأ X

خطوات الحل:

1. **الخطوة 1 (المفهوم):** يعتمد التعلم غير الموجه (Unsupervised Learning) على اكتشاف الأنماط والهياكل المخفية في البيانات دون وجود توجيه مسبق أو أهداف محددة.
2. **الخطوة 2 (التطبيق):** البيانات المعنونة (Labeled Data) هي السمة الأساسية للتعلم الموجه (Supervised Learning)، حيث يتم إعطاء النموذج الإجابات الصحيحة ليتعلم منها، بينما في التعلم غير الموجه تكون البيانات غير معنونة.
3. **الخطوة 3 (النتيجة):** لذلك العبارة: **خطأ X**

سؤال س 1 :(2): 2. يتطلب التعلم غير الموجه البرمجة الاتجاهية للبيانات.

الإجابة: س 1 :(2) ✓ صح

خطوات الحل:

1. **الخطوة 1 (المفهوم):** البيانات الخام (مثل النصوص أو الصور) لا يمكن للخوارزميات معالجتها مباشرة بشكلها الطبيعي.
2. **الخطوة 2 (التطبيق):** لذا، نحتاج لتحويل هذه البيانات إلى تمثيلات رقمية أو متجهات (Vectors) لتمكين النموذج من حساب المسافات والتشابه بين البيانات في الفضاء الاتجاهي.
3. **الخطوة 3 (النتيجة):** لذلك العبارة: **✓ صح**

سؤال س 1 :(3): 3. تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) تُعد أفضل من تكرار المصطلح - تكرار المستند العكسي (TF-IDF) للبرمجة الاتجاهية للكلمات.

الإجابة: س 1 :(3) ✓ صح

خطوات الحل:

1. **الخطوة 1 (المفهوم):** تقنية TF-IDF تعتمد على تكرار الكلمات فقط ولا تفهم السياق، بينما SBERT تعتمد على المحولات (Transformers) التي تفهم المعنى العميق للجمل.
2. **الخطوة 2 (التطبيق):** بما أن SBERT تأخذ في الاعتبار ترتيب الكلمات والسياق ثنائي الاتجاه، فإنها تعطي تمثيلاً أدق وأكثر ذكاءً للعلاقات الدلالية بين الكلمات والجمل.
3. **الخطوة 3 (النتيجة):** لذلك العبارة: **✓ صح**

سؤال س 1 :(4): 4. يتبع التجميع التكتلي منهجية التصميم من أعلى إلى أسفل لتحديد العناقيد.

الإجابة: س 1 :(4) X خطأ

خطوات الحل:

1. **الخطوة 1 (المفهوم):** التجميع التكتلي (Agglomerative Clustering) يبدأ باعتبار كل نقطة بيانات بمثابة عنقود منفصل.
2. **الخطوة 2 (التطبيق):** ثم يبدأ بدمج هذه العناقيد الصغيرة تدريجياً حتى نصل إلى عنقود واحد كبير، وهذا المسار يسمى منهجية "من أسفل إلى أعلى" (Bottom-up).
3. **الخطوة 3 (النتيجة):** لذلك العبارة: **X خطأ**

سؤال س 1 :(5): 5. تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) مُدربة للتنبؤ بما إذا كانت جملتان مختلفتين دلالياً.

الإجابة: س 1 :(5) ✓ صح

خطوات الحل:

1. **الخطوة 1 (المفهوم):** نماذج SBERT هي نسخة مطورة من نماذج BERT، مصممة خصيصاً للتعامل مع تمثيلات الجمل الكاملة.
2. **الخطوة 2 (التطبيق):** يتم تدريب هذه النماذج باستخدام هياكل معينة (مثل شبكات السيامي) لتقليل المسافة بين الجمل المتشابهة دلالياً وزيادتها بين الجمل المختلفة.
3. **الخطوة 3 (النتيجة):** لذلك العبارة: **✓ صح**

سؤال س:2: استعرض بعض التطبيقات التي يستخدم فيها تقليص الأبعاد، وصف التقنيات المستخدمة فيه.

الإجابة: س:2 تصوير البيانات (Visualization) وتمثيلات النصوص (TF-IDF/SBERT) لفهم التوزيع والعناقيد. س:2 تحسين أداء النماذج وتقليل وقت التدريب عبر تقنيات مثل PCA و Truncated SVD. س:2 إزالة الضوضاء واستخراج السمات الأهم (مثل استخدام Autoencoders).

خطوات الحل:

1. **الشرح:** تقليص الأبعاد هو عملية تقليل عدد المتغيرات العشوائية قيد النظر، وله تطبيقات حيوية في علوم البيانات. من أهم هذه التطبيقات "تصوير البيانات" (Visualization) حيث يصعب على البشر فهم البيانات في أبعاد تتجاوز الثلاثة، فنقوم بتقليصها إلى بُعدين أو ثلاثة لرؤية العناقيد والتوزيعات. كما يُستخدم لتحسين أداء النماذج وتقليل وقت التدريب عبر التخلص من الميزات غير الضرورية، بالإضافة إلى إزالة الضوضاء (Noise) من البيانات. أما بالنسبة للتقنيات المستخدمة، فنجد تقنية تحليل المكونات الرئيسية (PCA) التي تحول البيانات إلى مجموعة من القيم الخطية غير المرتبطة، وتقنية (Truncated SVD) الشائعة في معالجة النصوص، وأيضاً المشفرات التلقائية (Autoencoders) التي تعتمد على الشبكات العصبية لضغط البيانات واسترجاعها. إذن الإجابة تشمل: **تصوير البيانات، تحسين الأداء، وإزالة الضوضاء باستخدام تقنيات مثل PCA و SVD و Autoencoders.**

سؤال س:3: اشرح وظائف البرمجة الاتجاهية لقياس تكرار المصطلح-تكرار المستند العكسي (TF-IDF).

الإجابة: س:3 تحويل النص لتمثيلات رقمية TF (تكرار المصطلح) يقيس أهمية الكلمة في المستند. س:3 IDF (تكرار المستند العكسي) يقلل وزن الكلمات الشائعة. المعادلة: TF-IDF = TF * IDF. س:3 يُستخدم في حساب تشابه النصوص، استرجاع المعلومات، والتصنيف.

خطوات الحل:

1. **الشرح:** تعمل تقنية TF-IDF على قياس أهمية الكلمة بالنسبة لمستند معين ضمن مجموعة من المستندات. الوظيفة الأولى هي حساب (TF) أو تكرار المصطلح، وهو يقيس مدى تكرار الكلمة في المستند الواحد؛ فكلما زاد التكرار زادت الأهمية. الوظيفة الثانية هي حساب (IDF) أو تكرار المستند العكسي، وهو يقلل من قيمة الكلمات الشائعة جداً (مثل حروف الجر) التي تظهر في معظم المستندات ولا تعطي تميزاً للمحتوى. من خلال دمج هذين المقياسين في المعادلة: $$TF-IDF = TF \times IDF$$ نحصل على تمثيل رقمي دقيق يُستخدم في محركات البحث لاسترجاع المعلومات، وفي تصنيف النصوص، وحساب مدى التشابه بين الوثائق المختلفة. إذن الوظائف الأساسية هي: **تحويل النص لتمثيلات رقمية، تقييم أهمية الكلمات، وتقليل أثر الكلمات الشائعة لتحسين البحث والتصنيف.**

سؤال 1: في التعلم غير الموجه تستخدم مجموعات البيانات المعنونة لتدريب النموذج.

الإجابة الصحيحة: خطأ

الشرح: التعلم غير الموجه يستخدم بيانات غير معنونة (غير مصنفة)، بينما التعلم الموجه هو الذي يستخدم بيانات معنونة.

تلميح: تذكر الفرق بين التعلم الموجه وغير الموجه

سؤال 1: يتطلب التعلم غير الموجه البرمجة الاتجاهية للبيانات.

الإجابة الصحيحة: خطأ

الشرح: التعلم غير الموجه لا يتطلب بالضرورة البرمجة الاتجاهية، حيث يمكن استخدامه على البيانات الخام، لكن البرمجة الاتجاهية قد تحسن الأداء.

تلميح: فكر في متطلبات التعلم غير الموجه الأساسية

سؤال 1: حدد الجملة الصحيحة والجملة الخاطئة فيما يلي:

الإجابة الصحيحة: انظر الأسئلة الفرعية

الشرح: هذا سؤال رئيسي يحتوي على أسئلة فرعية من نوع صح/خطأ

تلميح: راجع كل جملة على حدة لتحديد صحتها بناءً على مفاهيم التعلم غير الموجه والبرمجة الاتجاهية

سؤال 2: استعرض بعض التطبيقات التي يستخدم فيها تقليص الأبعاد، وصف التقنيات المستخدمة فيه.

• أ) تطبيقات: التعرف على الصور، تقنيات: PCA وt-SNE
• ب) تطبيقات: تحليل النصوص فقط، تقنيات: TF-IDF
• ج) تطبيقات: الألعاب الإلكترونية، تقنيات: الشبكات العصبية
• د) تطبيقات: قواعد البيانات العلائقية، تقنيات: SQL

الإجابة الصحيحة: تطبيقات تقليص الأبعاد تشمل: 1) معالجة الصور (مثل PCA للتعرف على الوجوه)، 2) معالجة النصوص (مثل LSA أو t-SNE للتصور)، 3) البيانات الكبيرة (مثل تقليل أبعاد الميزات لتحسين الأداء). التقنيات تشمل: PCA (تحليل المكونات الرئيسية)، t-SNE (تضمين الجوار العشوائي t)، LDA (تحليل التمييز الخطي).

الشرح: تقليص الأبعاد يُستخدم لتبسيط البيانات مع الحفاظ على المعلومات المهمة، ويطبق في مجالات مثل الرؤية الحاسوبية ومعالجة اللغة الطبيعية.

تلميح: فكر في مجالات مثل الذكاء الاصطناعي وتحليل البيانات

سؤال 3: اشرح وظائف البرمجة الاتجاهية لقياس تكرار المصطلح - تكرار المستند العكسي (TF-IDF).

• أ) وظائف: تحويل النصوص إلى أرقام باستخدام TF للتكرار وIDF للأهمية
• ب) وظائف: ترجمة النصوص فقط، لا علاقة لها بالتكرار
• ج) وظائف: ضغط البيانات لتقليل الحجم
• د) وظائف: تصنيف المستندات تلقائياً دون تحليل

الإجابة الصحيحة: وظائف TF-IDF: 1) TF (تكرار المصطلح) يقيس مدى تكرار مصطلح في مستند معين، 2) IDF (تكرار المستند العكسي) يقيس أهمية المصطلح عبر مجموعة المستندات، بحيث يعطي وزنًا أعلى للمصطلحات النادرة. البرمجة الاتجاهية تستخدم TF-IDF لتحويل النصوص إلى تمثيلات رقمية قابلة للتحليل.

الشرح: TF-IDF يجمع بين التكرار المحلي (TF) والعالمي (IDF) لتمثيل الكلمات بشكل فعال في معالجة النصوص.

تلميح: ركز على مكونات TF وIDF وكيفية حسابهما

سؤال 1: تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) تُعد أفضل من تكرار المصطلح - تكرار المستند العكسي (TF-IDF) للبرمجة الاتجاهية للكلمات.

الإجابة الصحيحة: صحيح

الشرح: SBERT يعطي تمثيلات دلالية أفضل من TF-IDF لأنه يأخذ في الاعتبار سياق الكلمات والعلاقات بينها، مما يحسن نتائج التجميع كما ورد في النص.

تلميح: راجع نتائج التجميع المذكورة في النص السابق

سؤال 1: يتبع التجميع التكتلي منهجية التصميم من أعلى إلى أسفل لتحديد العناقيد.

الإجابة الصحيحة: خطأ

الشرح: التجميع التكتلي يتبع منهجية من أسفل إلى أعلى (تجميعية)، حيث يبدأ بكل نقطة كعنقود منفصل ثم يدمجها تدريجياً.

تلميح: تذكر خوارزميات التجميع التكتلي مثل AgglomerativeClustering

سؤال 1: تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) مُدربة للتنبؤ بما إذا كانت جملتان مختلفتان دلالياً.

الإجابة الصحيحة: صحيح

الشرح: SBERT مُدرب على مهام فهم الجمل، بما في ذلك التنبؤ بالتشابه الدلالي بين الجمل، مما يجعله فعالاً في تمثيل النصوص.

تلميح: فكر في مهام تدريب نماذج المحولات مثل BERT

في أي نوع من أنواع التعلم الآلي تُستخدم مجموعات البيانات المعنونة لتدريب النموذج؟

الإجابة: في التعلم الموجه (Supervised Learning) تُستخدم مجموعات البيانات المعنونة لتدريب النموذج.

الشرح: التعلم الموجه يعتمد على بيانات تحتوي على مدخلات ومخرجاتها الصحيحة (معنونة) لتعليم النموذج كيفية التنبؤ بالمخرجات لبيانات جديدة. التعلم غير الموجه يتعامل مع بيانات غير معنونة.

تلميح: فكر في نوع التعلم الذي يعتمد على وجود 'إجابات صحيحة' معروفة مسبقاً.

ما هي التقنية التي تتطلب البرمجة الاتجاهية للبيانات في سياق التعلم الآلي؟

الإجابة: عادةً ما يرتبط التعلم غير الموجه (Unsupervised Learning) بالتعامل مع بيانات غير معنونة، وقد يتطلب طرقًا مختلفة للبرمجة الاتجاهية للبيانات مقارنة بالتعلم الموجه الذي قد يعتمد على توجيه صريح.

الشرح: التعلم غير الموجه يبحث عن أنماط وهياكل مخفية في البيانات دون وجود تصنيفات مسبقة. هذا قد يتطلب تحليلاً وتوجيهاً مختلفًا للبيانات.

تلميح: ابحث عن نوع التعلم الذي لا يعتمد على إجابات محددة مسبقًا.

بين تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) وتقنية تكرار المصطلح - تكرار المستند العكسي (TF-IDF) من حيث فعاليتهما في البرمجة الاتجاهية للكلمات.

الإجابة: تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) تُعد أفضل من تكرار المصطلح - تكرار المستند العكسي (TF-IDF) للبرمجة الاتجاهية للكلمات لأن SBERT تأخذ في الاعتبار سياق الكلمات والجمل بشكل أعمق، مما يؤدي إلى تمثيلات دلالية أغنى مقارنة بـ TF-IDF الذي يعتمد على تكرار الكلمات فقط.

الشرح: TF-IDF يقيس أهمية الكلمة في مستند بالنسبة لمجموعة المستندات، لكنه يتجاهل ترتيب الكلمات وسياقها. SBERT، كونه يعتمد على المحولات، يمكنه فهم العلاقات الدلالية بين الكلمات والجمل بشكل أفضل.

تلميح: فكّر في أي من التقنيتين تلتقط معنى الجملة ككل وليس فقط تكرار الكلمات الفردية.

ما هي المنهجية التي يتبعها التجميع التكتلي (Clustering) في تحديد العناقيد؟

الإجابة: يتبع التجميع التكتلي منهجية 'التصميم من الأسفل إلى الأعلى' (Bottom-Up) أو 'التصميم من الأعلى إلى الأسفل' (Top-Down) لتحديد العناقيد. (الجملة في التمرين تشير إلى 'أعلى إلى أسفل'، مما قد يتطلب تحديد طبيعة التمرين في سياق أوسع لتأكيد صحتها أو خطئها بشكل قطعي.)

الشرح: هناك طريقتان رئيسيتان للتجميع: التجميع التكتلي التراكمي (Agglomerative Clustering) الذي يبدأ بكل نقطة كعنقود ثم يدمجها (من الأسفل إلى الأعلى)، والتجميع التكتلي التقسيمي (Divisive Clustering) الذي يبدأ بكل البيانات كعنقود واحد ثم يقسمها (من الأعلى إلى الأسفل).

تلميح: هل يبدأ التجميع بتجميع النقاط الصغيرة معًا، أم بتقسيم البيانات الكبيرة؟

ما هو الهدف من تدريب تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT)؟

الإجابة: تمثيلات ترميز الجمل ثنائية الاتجاه من المحولات (SBERT) مُدربة للتنبؤ بمدى التشابه الدلالي بين جملتين، وليس بالضرورة التنبؤ بما إذا كانت جملتين مختلفتين دلالياً بشكل صارم، بل لقياس درجة التشابه أو الاختلاف.

الشرح: SBERT تم تدريبه بطرق تجعله جيدًا في إنتاج متجهات تمثل معاني الجمل، مما يسمح بقياس التشابه الدلالي بينها. هذا يتجاوز مجرد التنبؤ بالاختلاف، ويركز على قياس مدى القرب أو البعد الدلالي.

تلميح: فكر في كيف يمكن لنموذج أن يقارن بين معاني جملتين.