تمرينات على تقنيات التعلم غير الموجه والتعلم العميق - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المنهج السعودي - وزارة التعليم

📚 معلومات الصفحة

الكتاب: كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 | المادة: الذكاء الإصطناعي | المرحلة: الصف 12 | الفصل الدراسي: 1

الدولة: المملكة العربية السعودية | المنهج: المنهج السعودي - وزارة التعليم

نوع المحتوى: تمارين وأسئلة

مستوى الصعوبة: متوسط

📝 ملخص الصفحة

1. اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

تقنيات التعلم غير الموجه لا تحتاج إلى بيانات مُصنَّفة مسبقاً (Labels) للتدريب، على عكس تقنيات التعلم الموجه. هذا يعني أنها يمكنها اكتشاف الأنماط والمجموعات (Clusters) في الصور تلقائياً دون الحاجة إلى معرفة مسبقة بالفئات التي تنتمي إليها الصور.

2. لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

المقطع البرمجي المكتمل هو:

```python

from sklearn.cluster import AgglomerativeClustering # used for agglomerative clustering

AC = AgglomerativeClustering(linkage='ward', n_clusters=5)

X_norm = flat_X / 255.0 # normalizes the data

AC.fit(X_norm) # applies the tool to the data

pred = AC.labels_ # gets the cluster labels

```

توضيح: يتم استيراد الأداة من مكتبة `sklearn.cluster`. يتم تحديد عدد العناقيد المطلوبة بـ `n_clusters=5`. عملية تسوية البيانات (Normalization) تتم بقسمة القيم التي تتراوح بين 0 و 255 على 255.0 لجعلها في المدى [0, 1]. التسميات الناتجة لكل صورة مخزنة في السمة `labels_`.

3. عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

استخراج ميزات تلقائي وفعّال: نماذج التعلم العميق (مثل VGG16) قادرة على استخراج ميزات معقدة وذات مستوى عالٍ من الصور تلقائياً، دون الحاجة إلى تصميم ميزات يدوياً كما في الطرائق التقليدية.

تحسين أداء التجميع: الميزات المستخرجة بواسطة الشبكات العصبية التلافيفية المدربة مسبقاً تكون أكثر تمثيلاً وتمييزاً، مما يؤدي إلى نتائج تجميع (Clustering) أفضل ودقة أعلى في فصل الفئات المختلفة.

التعامل مع تعقيد البيانات: التعلم العميق أكثر قدرة على التعامل مع التعقيد والتباين الكبير في بيانات الصور (مثل الإضاءة، الزوايا، الخلفيات) مقارنة بالطرائق التقليدية التي قد تعتمد على ميزات بسيطة.

📋 المحتوى المنظم

📖 محتوى تعليمي مفصّل

تمرينات

نوع: محتوى تعليمي

تمرينات

1

نوع: QUESTION

اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

2

نوع: QUESTION

لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

3

نوع: QUESTION

عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

نوع: METADATA

وزارة التعليم
Ministry of Education
2023 - 1447

نوع: METADATA

234

🔍 عناصر مرئية

مقطع برمجي للتجميع التكتلي

A Python code block demonstrating the use of AgglomerativeClustering. It contains fill-in-the-blanks for importing the library, initializing the clustering model, normalizing data, and getting cluster labels. Comments are provided in English: '# used for agglomerative clustering', '# normalizes the data', '# applies the tool to the data', '# gets the cluster labels'. The code structure is: from ________ import AgglomerativeClustering # used for agglomerative clustering AC = AgglomerativeClustering(linkage='ward', ________) X_norm = ________ # normalizes the data AC.fit(X_norm) # applies the tool to the data pred = AC.________ # gets the cluster labels

📄 النص الكامل للصفحة

تمرينات

--- SECTION: 1 ---
اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

--- SECTION: 2 ---
لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

--- SECTION: 3 ---
عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

وزارة التعليم
Ministry of Education
2023 - 1447

234

--- VISUAL CONTEXT ---
**FIGURE**: مقطع برمجي للتجميع التكتلي
Description: A Python code block demonstrating the use of AgglomerativeClustering. It contains fill-in-the-blanks for importing the library, initializing the clustering model, normalizing data, and getting cluster labels. Comments are provided in English: '# used for agglomerative clustering', '# normalizes the data', '# applies the tool to the data', '# gets the cluster labels'. The code structure is:
from ________ import AgglomerativeClustering # used for agglomerative clustering

AC = AgglomerativeClustering(linkage='ward', ________)

X_norm = ________ # normalizes the data

AC.fit(X_norm) # applies the tool to the data

pred = AC.________ # gets the cluster labels
Context: This code snippet is part of a fill-in-the-blanks exercise related to unsupervised learning (Agglomerative Clustering) in image analysis, specifically for classifying images from a flattened matrix 'flat_X' into five different clusters.

✅ حلول أسئلة الكتاب الرسمية

عدد الأسئلة: 9

سؤال س:1: اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

الإجابة: س1: لا يحتاج إلى صور معنونة/موسومة مسبقاً (Labels)، ويمكنه اكتشاف الأنماط وتجميع الصور المتشابهة تلقائياً من البيانات غير المصنفة.

خطوات الحل:

**الخطوة 1 (المفهوم):** في تقنيات التعلم الموجه، نحتاج دائماً إلى بيانات مصنفة (Labeled data) لتدريب النموذج، وهذا يتطلب جهداً بشرياً كبيراً لتسمية كل صورة.
**الخطوة 2 (التطبيق):** أما في التعلم غير الموجه، فإن الخوارزمية تحلل البيانات الخام مباشرة دون الحاجة لتدخل بشري مسبق لتصنيفها، حيث تبحث عن الخصائص المشتركة بين الصور.
**الخطوة 3 (النتيجة):** لذلك، الميزة الأساسية هي: **عدم الحاجة إلى صور معنونة أو موسومة مسبقاً، والقدرة على اكتشاف الأنماط وتجميع الصور المتشابهة تلقائياً.**

سؤال س:2: لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

الإجابة: sklearn.cluster

خطوات الحل:

**الخطوة 1 (المفهوم):** عند العمل على خوارزميات التجميع (Clustering) في لغة بايثون، نعتمد بشكل أساسي على مكتبة Scikit-Learn الشهيرة.
**الخطوة 2 (التطبيق):** خوارزمية التجميع التكتلي (Agglomerative Clustering) تقع ضمن موديول مخصص لعمليات التجميع داخل هذه المكتبة.
**الخطوة 3 (النتيجة):** بناءً على ذلك، الموديول المطلوب استيراده هو: **sklearn.cluster**

سؤال س:2: لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

الإجابة: n_clusters = 5

خطوات الحل:

**الخطوة 1 (المفهوم):** عند العمل على خوارزميات التجميع (Clustering) في لغة بايثون، نعتمد بشكل أساسي على مكتبة Scikit-Learn الشهيرة.
**الخطوة 2 (التطبيق):** خوارزمية التجميع التكتلي (Agglomerative Clustering) تقع ضمن موديول مخصص لعمليات التجميع داخل هذه المكتبة.
**الخطوة 3 (النتيجة):** بناءً على ذلك، الموديول المطلوب استيراده هو: **sklearn.cluster**

سؤال س:2: لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

الإجابة: X_flat / 255

خطوات الحل:

**الخطوة 1 (المفهوم):** عند العمل على خوارزميات التجميع (Clustering) في لغة بايثون، نعتمد بشكل أساسي على مكتبة Scikit-Learn الشهيرة.
**الخطوة 2 (التطبيق):** خوارزمية التجميع التكتلي (Agglomerative Clustering) تقع ضمن موديول مخصص لعمليات التجميع داخل هذه المكتبة.
**الخطوة 3 (النتيجة):** بناءً على ذلك، الموديول المطلوب استيراده هو: **sklearn.cluster**

سؤال س:2: لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

الإجابة: labels_

خطوات الحل:

**الخطوة 1 (المفهوم):** عند العمل على خوارزميات التجميع (Clustering) في لغة بايثون، نعتمد بشكل أساسي على مكتبة Scikit-Learn الشهيرة.
**الخطوة 2 (التطبيق):** خوارزمية التجميع التكتلي (Agglomerative Clustering) تقع ضمن موديول مخصص لعمليات التجميع داخل هذه المكتبة.
**الخطوة 3 (النتيجة):** بناءً على ذلك، الموديول المطلوب استيراده هو: **sklearn.cluster**

سؤال س:3: عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

الإجابة: س:3- يتعلم الميزات تلقائيًا من الصور دون الحاجة لاستخراج خصائص يدويًا.

خطوات الحل:

**الشرح:** تتميز تقنيات التعلم العميق بقدرتها الفائقة على معالجة البيانات المعقدة مثل الصور. الميزة الأولى والأساسية هي قدرة هذه النماذج على استخلاص الميزات والخصائص الهامة من الصور بشكل آلي تماماً، بينما في الطرق التقليدية كان المهندسون يضطرون لتحديد هذه الخصائص يدوياً (مثل الحواف أو الزوايا)، وهو أمر مجهد وغير دقيق دائماً. لذلك الإجابة هي: **يتعلم الميزات تلقائيًا من الصور دون الحاجة لاستخراج خصائص يدويًا.**

سؤال س:3: عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

الإجابة: س:3- يلتقط أنماطًا معقدة وغير خطية ويعطي تمثيلات أدق للتجميع.

خطوات الحل:

**الشرح:** تتميز تقنيات التعلم العميق بقدرتها الفائقة على معالجة البيانات المعقدة مثل الصور. الميزة الأولى والأساسية هي قدرة هذه النماذج على استخلاص الميزات والخصائص الهامة من الصور بشكل آلي تماماً، بينما في الطرق التقليدية كان المهندسون يضطرون لتحديد هذه الخصائص يدوياً (مثل الحواف أو الزوايا)، وهو أمر مجهد وغير دقيق دائماً. لذلك الإجابة هي: **يتعلم الميزات تلقائيًا من الصور دون الحاجة لاستخراج خصائص يدويًا.**

سؤال س:3: عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

الإجابة: س:3- أكثر تحملاً للتغيرات في الإضاءة والضوضاء والدوران مقارنة بالطرائق التقليدية.

خطوات الحل:

**الشرح:** تتميز تقنيات التعلم العميق بقدرتها الفائقة على معالجة البيانات المعقدة مثل الصور. الميزة الأولى والأساسية هي قدرة هذه النماذج على استخلاص الميزات والخصائص الهامة من الصور بشكل آلي تماماً، بينما في الطرق التقليدية كان المهندسون يضطرون لتحديد هذه الخصائص يدوياً (مثل الحواف أو الزوايا)، وهو أمر مجهد وغير دقيق دائماً. لذلك الإجابة هي: **يتعلم الميزات تلقائيًا من الصور دون الحاجة لاستخراج خصائص يدويًا.**

سؤال س:3: عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

الإجابة: س:3- يتحسن أداؤه بزيادة البيانات ويعمل بكفاءة مع البيانات عالية الأبعاد مثل الصور.

خطوات الحل:

**الشرح:** تتميز تقنيات التعلم العميق بقدرتها الفائقة على معالجة البيانات المعقدة مثل الصور. الميزة الأولى والأساسية هي قدرة هذه النماذج على استخلاص الميزات والخصائص الهامة من الصور بشكل آلي تماماً، بينما في الطرق التقليدية كان المهندسون يضطرون لتحديد هذه الخصائص يدوياً (مثل الحواف أو الزوايا)، وهو أمر مجهد وغير دقيق دائماً. لذلك الإجابة هي: **يتعلم الميزات تلقائيًا من الصور دون الحاجة لاستخراج خصائص يدويًا.**

📝 أسئلة اختبارية

عدد الأسئلة: 7

سؤال 2: لديك مصفوفة قيم موحدة flat_X تشمل صورًا مسطحة، وكل صف في المصفوفة يمثل صورة مسطحة مختلفة على هيئة متتالية من الأعداد الصحيحة تتراوح بين 0 و 255. أكمل المقطع البرمجي التالي، بحيث يستخدم التجميع التكتلي في تصنيف الصور التي من flat_X إلى خمسة عناقيد مختلفة:

الإجابة الصحيحة: انظر الأسئلة الفرعية

الشرح: هذا سؤال رئيسي يحتوي على أسئلة فرعية تتعلق بإكمال مقطع برمجي للتجميع التكتلي.

تلميح: راجع الأسئلة الفرعية أدناه

سؤال 1: اذكر الميزة التي تتمتع بها تقنيات التعلم غير الموجه مقارنة بتقنيات التعلم الموجه في تحليل الصور.

أ) تستخدم تقنيات التعلم غير الموجه بيانات مصنفة مسبقاً بشكل أفضل من التعلم الموجه.
ب) لا تحتاج تقنيات التعلم غير الموجه إلى بيانات مصنفة مسبقاً أو تسميات، بينما يتطلب التعلم الموجه بيانات مصنفة لتدريب النماذج.
ج) تقنيات التعلم غير الموجه تعطي نتائج أكثر دقة دائماً من التعلم الموجه في تحليل الصور.
د) التعلم غير الموجه يتطلب وقتاً أقل للحوسبة مقارنة بالتعلم الموجه.

الإجابة الصحيحة: لا تحتاج تقنيات التعلم غير الموجه إلى بيانات مصنفة مسبقاً أو تسميات، بينما يتطلب التعلم الموجه بيانات مصنفة لتدريب النماذج.

الشرح: التعلم غير الموجه يستطيع اكتشاف الأنماط والهياكل في البيانات دون الحاجة إلى تسميات مسبقة، مما يجعله مناسباً لتحليل الصور عندما لا تتوفر بيانات مصنفة.

تلميح: فكر في متطلبات البيانات لكل نوع من التعلم.

سؤال 3: عدد بعض مزايا استخدام التعلم العميق التي يمتاز بها على طرائق تجميع الصور التقليدية.

أ) التعلم العميق أسرع في الحوسبة من الطرق التقليدية.
ب) التعلم العميق يمكنه استخراج ميزات تلقائية ومعقدة من الصور دون تدخل يدوي، بينما تتطلب الطرق التقليدية هندسة ميزات يدوية.
ج) التعلم العميق لا يحتاج إلى بيانات تدريب على الإطلاق.
د) التعلم العميق يعطي نتائج أقل دقة من الطرق التقليدية.

الإجابة الصحيحة: التعلم العميق يمكنه استخراج ميزات تلقائية ومعقدة من الصور دون تدخل يدوي، بينما تتطلب الطرق التقليدية هندسة ميزات يدوية. كما أن التعلم العميق يتعامل بشكل أفضل مع البيانات عالية الأبعاد والعلاقات غير الخطية.

الشرح: التعلم العميق يستخدم شبكات عصبية عميقة لاستخراج ميزات هرمية من الصور، مما يجعله أكثر قوة في التعرف على الأنماط المعقدة مقارنة بالطرق التقليدية التي تعتمد على خوارزميات بسيطة مثل K-means.

تلميح: فكر في كيفية استخراج الميزات والتعامل مع تعقيد البيانات.

سؤال 2: from ________ import AgglomerativeClustering # used for agglomerative clustering

أ) from sklearn.cluster import AgglomerativeClustering
ب) from tensorflow import AgglomerativeClustering
ج) from numpy import AgglomerativeClustering
د) from pandas import AgglomerativeClustering

الإجابة الصحيحة: from sklearn.cluster import AgglomerativeClustering

الشرح: يتم استيراد AgglomerativeClustering من مكتبة scikit-learn (sklearn.cluster) في بايثون.

تلميح: ما هي المكتبة الشائعة لخوارزميات التجميع في بايثون؟

سؤال 2: AC = AgglomerativeClustering(linkage='ward', ________)

أ) AC = AgglomerativeClustering(linkage='ward', n_clusters=5)
ب) AC = AgglomerativeClustering(linkage='ward', clusters=5)
ج) AC = AgglomerativeClustering(linkage='ward', number_clusters=5)
د) AC = AgglomerativeClustering(linkage='ward', k=5)

الإجابة الصحيحة: AC = AgglomerativeClustering(linkage='ward', n_clusters=5)

الشرح: يجب تحديد عدد العناقيد المطلوبة باستخدام المعلمة n_clusters، والتي يجب أن تكون 5 حسب نص السؤال.

تلميح: ما المعلمة التي تحدد عدد المجموعات في التجميع؟

سؤال 2: X_norm = ________ # normalizes the data

أ) X_norm = flat_X / 255.0
ب) X_norm = flat_X * 255.0
ج) X_norm = flat_X - 255.0
د) X_norm = flat_X + 255.0

الإجابة الصحيحة: X_norm = flat_X / 255.0

الشرح: يتم تسوية البيانات بقسمتها على 255.0 لجعل القيم بين 0 و1، حيث أن قيم البكسل الأصلية تتراوح بين 0 و255.

تلميح: كيف يمكن تحويل القيم من 0-255 إلى نطاق 0-1؟

سؤال 2: pred = AC.________ # gets the cluster labels

أ) pred = AC.labels_
ب) pred = AC.predict_
ج) pred = AC.clusters_
د) pred = AC.results_

الإجابة الصحيحة: pred = AC.labels_

الشرح: بعد تطبيق fit() على النموذج، يمكن الحصول على تسميات العناقيد باستخدام السمة labels_.

تلميح: ما هي السمة التي تحتوي على تسميات العناقيد بعد التدريب؟

🎴 بطاقات تعليمية للمراجعة

عدد البطاقات: 3 بطاقة لهذه الصفحة

ما هي الميزة الأساسية للتعلم غير الموجه مقارنة بالتعلم الموجه عند تحليل الصور؟

الإجابة: تتمثل الميزة الأساسية للتعلم غير الموجه في قدرته على اكتشاف الأنماط والهياكل المخفية في البيانات دون الحاجة إلى تسميات مسبقة، مما يجعله فعالاً في استكشاف مجموعات بيانات الصور الكبيرة حيث قد يكون تصنيفها يدوياً مكلفًا ويستغرق وقتًا طويلاً.

الشرح: التعلم الموجه يتطلب بيانات مصنفة (صور مع تسميات)، بينما التعلم غير الموجه يتعامل مع بيانات غير مصنفة. في تحليل الصور، غالباً ما تكون لدينا كميات هائلة من الصور غير المصنفة، مما يجعل التعلم غير الموجه أداة قوية لاكتشاف مجموعات وأنماط.

تلميح: فكر في نوع البيانات التي يحتاجها كل نوع من أنواع التعلم (الموجه وغير الموجه) عند البدء في تحليل الصور.

أكمل المقطع البرمجي لإنشاء تجميع عنقودي لصور باستخدام التجميع التكتلي (Agglomerative Clustering).

الإجابة: from sklearn.cluster import AgglomerativeClustering # used for agglomerative clustering AC = AgglomerativeClustering(linkage='ward', n_clusters=5) X_norm = (flat_X - flat_X.mean()) / flat_X.std() # normalizes the data AC.fit(X_norm) # applies the tool to the data pred = AC.labels_ # gets the cluster labels

الشرح: تم استخدام 'n_clusters=5' لتحديد أننا نريد تقسيم الصور إلى خمسة عناقيد. تم تطبيق عملية تطبيع قياسية (الطرح من المتوسط والقسمة على الانحراف المعياري) على البيانات. في النهاية، يتم استخلاص تسميات العناقيد باستخدام الخاصية 'labels_' بعد تدريب النموذج.

تلميح: تذكر أنك تحتاج إلى تحديد عدد العناقيد المرغوبة، وكيفية الحصول على تسميات العناقيد بعد عملية التجميع.

اذكر ثلاث مزايا لاستخدام التعلم العميق في تجميع الصور مقارنة بالطرق التقليدية.

الإجابة: 1. **القدرة على استخلاص الميزات تلقائيًا:** التعلم العميق يمكنه تعلم الميزات الهرمية والمعقدة مباشرة من بيانات الصور، بينما الطرق التقليدية تتطلب عادةً هندسة ميزات يدوية. 2. **الأداء العالي مع البيانات الكبيرة:** أداء نماذج التعلم العميق يتحسن بشكل كبير مع زيادة حجم البيانات، مما يجعلها مناسبة لمجموعات الصور الضخمة. 3. **التكيف مع تعقيد البيانات:** يمكن للشبكات العصبية العميقة التعامل مع التباينات المعقدة في الصور مثل تغيرات الإضاءة، الدوران، والتشوهات.

الشرح: التعلم العميق يتفوق في استخلاص الميزات المعقدة تلقائيًا وتقليل الحاجة إلى التدخل البشري في هندسة الميزات. كما أنه يوفر أداءً فائقًا عند التعامل مع مجموعات بيانات كبيرة جدًا، ويتكيف بشكل أفضل مع التباين والتنوع الموجود في الصور الواقعية.

تلميح: فكر في مدى قدرة كل تقنية على فهم تفاصيل الصورة بنفسها، وكيفية استجابتها لكميات مختلفة من البيانات.