التعلم الموجه وتصنيف البيانات المرئية - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

في المقابل، يتضمن التعلم الموجه تدريب الخوارزميات على مجموعات بيانات معنونة؛ حيث يُخصص عنوان أو فئة معينة لكل صورة أو مقطع فيديو. ثم تقوم الخوارزمية بعد ذلك بالتعرف على أنماط وخصائص كل عنوان؛ لتتمكن من تصنيف الصور أو مقاطع الفيديو الجديدة بدقة. فعلى سبيل المثال، قد تُدرّب خوارزمية التعلم الموجه على التعرف على سلالات مختلفة من القطط بناءً على الصور المعنونة لكل سلالة (انظر الشكل 4.1). وسيتم التركيز في هذا الدرس على التعلم الموجه.

تشتمل عملية التعلم الموجه عادة على أربع خطوات رئيسة وهي: جمع البيانات، وعنونتها، والتدريب عليها، ثم الاختبار. أثناء جمع البيانات ووضع المسميات، تُجمع الصور أو مقاطع الفيديو وتُنظم في مجموعة بيانات. ثم تُعنون كل صورة أو مقطع فيديو بعنوان صنف أو فئة، مثل: eagle (النسر) أو cat (القطة).

وتستخدم خوارزمية تعلم الآلة أثناء مرحلة التدريب مجموعة البيانات المعنونة "لتتعلم" الأنماط والسمات المرتبطة بكل صنف أو فئة. وكلما زادت بيانات التدريب التي تُقدم للخوارزمية أصبحت أكثر دقة في التعرف على الفئات المختلفة في مجموعة البيانات، وبالتالي يتحسن أداؤها.

وبمجرد أن يُدرّب النموذج، يتم اختباره على مجموعة منفصلة غير التي تم التدريب عليها من الصور أو مقاطع الفيديو؛ لتقييم أدائه. وتختلف مجموعة الاختبار عن مجموعة التدريب؛ للتأكد من قدرة النموذج على التعميم على البيانات الجديدة. فعلى سبيل المثال: تحتوي البيانات الخاصة بـ cat (القطة) على خصائص مثل: الوزن واللون والسلالة وما إلى ذلك، وتقييم دقة النموذج بناءً على مدى كفاءة أداؤه في مجموعة الاختبار.

تشبه العملية السابقة إلى حد كبير العملية المتبعة في مهام التعلم الموجه لأنواع مختلفة من البيانات مثل النصوص، ولكن البيانات المرئية عادة ما تُعد أكثر صعوبة في التعامل معها من النص لأسباب متعددة كما هو موضح في الجدول 4.1.

جدول 4.1: تحديات تصنيف البيانات المرئية

نتيجة لهذه التعقيدات يتطلب التصنيف الفعال للبيانات المرئية أساليب متخصصة، وتتناول هذه الوحدة التقنيات التي تستخدم الخصائص الهندسية واللونية للصور، بالإضافة إلى أساليب تعلم الآلة المتقدمة القائمة على الشبكات العصبية.

يوضح الدرس الأول كيفية استخدام لغة البايثون (Python) في: • تحميل مجموعة بيانات من الصور المعنونة. • تحويل الصور إلى صيغة رقمية يمكن أن تستخدمها خوارزميات رؤية الحاسب. • تقسيم البيانات الرقمية إلى مجموعات بيانات للتدريب، ومجموعات بيانات للاختبار.

198

وزارة التعليم Ministry of Education 2025 - 1447

في المقابل، يتضمن التعلم الموجه تدريب الخوارزميات على مجموعات بيانات معنونة؛ حيث يُخصص عنوان أو فئة معينة لكل صورة أو مقطع فيديو. ثم تقوم الخوارزمية بعد ذلك بالتعرف على أنماط وخصائص كل عنوان؛ لتتمكن من تصنيف الصور أو مقاطع الفيديو الجديدة بدقة. فعلى سبيل المثال، قد تُدرّب خوارزمية التعلم الموجه على التعرف على سلالات مختلفة من القطط بناءً على الصور المعنونة لكل سلالة (انظر الشكل 4.1). وسيتم التركيز في هذا الدرس على التعلم الموجه.تشتمل عملية التعلم الموجه عادة على أربع خطوات رئيسة وهي: جمع البيانات، وعنونتها، والتدريب عليها، ثم الاختبار. أثناء جمع البيانات ووضع المسميات، تُجمع الصور أو مقاطع الفيديو وتُنظم في مجموعة بيانات. ثم تُعنون كل صورة أو مقطع فيديو بعنوان صنف أو فئة، مثل: eagle (النسر) أو cat (القطة).وتستخدم خوارزمية تعلم الآلة أثناء مرحلة التدريب مجموعة البيانات المعنونة "لتتعلم" الأنماط والسمات المرتبطة بكل صنف أو فئة. وكلما زادت بيانات التدريب التي تُقدم للخوارزمية أصبحت أكثر دقة في التعرف على الفئات المختلفة في مجموعة البيانات، وبالتالي يتحسن أداؤها.وبمجرد أن يُدرّب النموذج، يتم اختباره على مجموعة منفصلة غير التي تم التدريب عليها من الصور أو مقاطع الفيديو؛ لتقييم أدائه. وتختلف مجموعة الاختبار عن مجموعة التدريب؛ للتأكد من قدرة النموذج على التعميم على البيانات الجديدة. فعلى سبيل المثال: تحتوي البيانات الخاصة بـ cat (القطة) على خصائص مثل: الوزن واللون والسلالة وما إلى ذلك، وتقييم دقة النموذج بناءً على مدى كفاءة أداؤه في مجموعة الاختبار.تشبه العملية السابقة إلى حد كبير العملية المتبعة في مهام التعلم الموجه لأنواع مختلفة من البيانات مثل النصوص، ولكن البيانات المرئية عادة ما تُعد أكثر صعوبة في التعامل معها من النص لأسباب متعددة كما هو موضح في الجدول 4.1.--- SECTION: جدول 4.1: تحديات تصنيف البيانات المرئية --- جدول 4.1: تحديات تصنيف البيانات المرئية نتيجة لهذه التعقيدات يتطلب التصنيف الفعال للبيانات المرئية أساليب متخصصة، وتتناول هذه الوحدة التقنيات التي تستخدم الخصائص الهندسية واللونية للصور، بالإضافة إلى أساليب تعلم الآلة المتقدمة القائمة على الشبكات العصبية.يوضح الدرس الأول كيفية استخدام لغة البايثون (Python) في: • تحميل مجموعة بيانات من الصور المعنونة. • تحويل الصور إلى صيغة رقمية يمكن أن تستخدمها خوارزميات رؤية الحاسب. • تقسيم البيانات الرقمية إلى مجموعات بيانات للتدريب، ومجموعات بيانات للاختبار.2025 - 1447--- VISUAL CONTEXT --- **TABLE**: جدول 4.1: تحديات تصنيف البيانات المرئية Description: A table outlining the challenges in classifying visual data, categorized by high dimensionality, rich and diverse details, and lack of specific structure, with detailed explanations for each challenge. Table Structure: Headers: التحدي | الوصف Rows: Row 1: البيانات المرئية عالية الأبعاد | تحتوي الصور على كمية كبيرة من البيانات، مما يجعل معالجتها وتحليلها أكثر صعوبة من البيانات النصية. ففي حين أن العناصر الأساسية للمستند النصي هي الكلمات، فإن عناصر الصورة هي وحدات البكسل. وسترى في هذا الفصل أن الصورة يمكن أن تتكون من آلاف وحدات البكسل، حتى الصغيرة منها. Row 2: البيانات المرئية تحتوي على تفاصيل كثيرة ومتنوعة للغاية | يمكن أن تتأثر الصور بالتفاصيل الكثيرة، والإضاءة، والتشويش، وعوامل أخرى تجعل تصنيفها بدقة عملية صعبة. بالإضافة إلى ذلك، هناك مجموعة واسعة من البيانات المرئية المتنوعة ذات العديد من العناصر، والمشاهد، والسياقات التي يصعب تصنيفها بدقة. Row 3: البيانات المرئية لا تتبع هيكلة محددة | يتبع النص بنية لغوية وقواعد نحوية عامة، بينما لا تخضع البيانات المرئية لقواعد ثابتة؛ مما يجعل عملية التحليل أكثر تعقيدًا وصعوبة وتكلفة. Context: This table provides a structured overview of the main challenges encountered when attempting to classify visual data using machine learning, contrasting it with text data classification.Key Values: 2025, 1447 Context: This logo identifies the official educational authority or publisher of the textbook.