تحويل البيانات الصورية إلى مصفوفات NumPy وتقسيمها - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

تتمثل الخطوة التالية في تحويل resized_images (الصور_المعدل حجمها) وقوائم العناوين إلى مصفوفات NumPy (نمباي) حسب ما تتوقعه العديد من خوارزميات رؤية الحاسب. يستخدم المقطع البرمجي التالي أيضاً المتغيرات (X, Y) التي تُستخدم في العادة لتمثيل البيانات والعناوين على التوالي في مهام التعلم الموجه.

import numpy as np X = np.array(resized_images) Y = np.array(labels)

X.shape

(1720, 100, 100, 3)

يوضح شكل مجموعة بيانات X النهائية اشتمالها على ألف وسبعمئة وعشرين صورة بتنسيق RGB، بناءً على عدد القنوات، وجميعها بأبعاد 100 × 100 (أي عشرة آلاف بكسل). أخيراً، يمكن استخدام دالة ()train_test_split من مكتبة sklearn لتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة اختبار.

from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, Y, test_size = 0.20, # uses 20% of the data for testing shuffle = True, # to randomly shuffle the data. random_state = 42, # to ensure that data is always shuffled in the same way )

نظراً لأن مجلدات صور الحيوانات حُمّلت مجلداً تلو الآخر، فإن الصور من كل مجلد جُمّعت معاً في القوائم السابقة، وقد يؤدي ذلك إلى تضليل العديد من الخوارزميات، خاصة في مجال رؤية الحاسب. وضبط shuffle = True (تفعيل إعادة الترتيب) في المقطع البرمجي السابق يحل هذه المشكلة. وبوجه عام، من الجيد إعادة ترتيب البيانات عشوائياً قبل إجراء أي تحليل.

التنبؤ بدون هندسة الخصائص

على الرغم من أن الخطوات المتبعة في القسم السابق قد حوّلت البيانات إلى تنسيق رقمي، إلا أنه ليس بالتنسيق القياسي أحادي البعد الذي تتوقعه العديد من خوارزميات تعلم الآلة. على سبيل المثال، وصفت الوحدة الثالثة كيف يجب تحويل كل مستند إلى متجه رقمي أحادي البعد قبل استخدام البيانات في تدريب نماذج تعلم الآلة واختبارها، بينما تحتوي كل نقطة بيانات في مجموعة البيانات المرئية هنا على تنسيق ثلاثي الأبعاد.

X_train[0].shape

(100, 100, 3)

204

وزارة التعليم Ministry of Education 2025 - 1447

تتمثل الخطوة التالية في تحويل resized_images (الصور_المعدل حجمها) وقوائم العناوين إلى مصفوفات NumPy (نمباي) حسب ما تتوقعه العديد من خوارزميات رؤية الحاسب. يستخدم المقطع البرمجي التالي أيضاً المتغيرات (X, Y) التي تُستخدم في العادة لتمثيل البيانات والعناوين على التوالي في مهام التعلم الموجه.import numpy as np X = np.array(resized_images) Y = np.array(labels)X.shape(1720, 100, 100, 3)يوضح شكل مجموعة بيانات X النهائية اشتمالها على ألف وسبعمئة وعشرين صورة بتنسيق RGB، بناءً على عدد القنوات، وجميعها بأبعاد 100 × 100 (أي عشرة آلاف بكسل). أخيراً، يمكن استخدام دالة ()train_test_split من مكتبة sklearn لتقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة اختبار.from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, Y, test_size = 0.20, # uses 20% of the data for testing shuffle = True, # to randomly shuffle the data. random_state = 42, # to ensure that data is always shuffled in the same way )نظراً لأن مجلدات صور الحيوانات حُمّلت مجلداً تلو الآخر، فإن الصور من كل مجلد جُمّعت معاً في القوائم السابقة، وقد يؤدي ذلك إلى تضليل العديد من الخوارزميات، خاصة في مجال رؤية الحاسب. وضبط shuffle = True (تفعيل إعادة الترتيب) في المقطع البرمجي السابق يحل هذه المشكلة. وبوجه عام، من الجيد إعادة ترتيب البيانات عشوائياً قبل إجراء أي تحليل.--- SECTION: Prediction without Feature Engineering --- التنبؤ بدون هندسة الخصائص على الرغم من أن الخطوات المتبعة في القسم السابق قد حوّلت البيانات إلى تنسيق رقمي، إلا أنه ليس بالتنسيق القياسي أحادي البعد الذي تتوقعه العديد من خوارزميات تعلم الآلة. على سبيل المثال، وصفت الوحدة الثالثة كيف يجب تحويل كل مستند إلى متجه رقمي أحادي البعد قبل استخدام البيانات في تدريب نماذج تعلم الآلة واختبارها، بينما تحتوي كل نقطة بيانات في مجموعة البيانات المرئية هنا على تنسيق ثلاثي الأبعاد.X_train[0].shape(100, 100, 3)2025 - 1447