📋 المحتوى المنظم
📖 محتوى تعليمي مفصّل
المشروع
نوع: METADATA
المشروع
نوع: محتوى تعليمي
لا تستجيب كل مجموعة بيانات بالطريقة نفسها للتدريب بكل خوارزميات التصنيف، ولكي تحصل على أفضل النتائج لمجموعة بياناتك عليك أن تجرب استخدام خوارزميات مختلفة. وتقدم لك مكتبة Sklearn في البايثون مجموعة متنوعة من الخوارزميات التي يمكنك تجربتها، بما فيها الخوارزميات التالية:
من sklearn.ensemble.forest استورد خوارزمية RandomForestClassifier.
من sklearn.naive_bayes استورد خوارزمية GaussianNB.
من sklearn.svm استورد خوارزمية SVC.
1
نوع: محتوى تعليمي
استخدم مجموعة تدريب وجوه الحيوانات لتدريب نموذج يحقق أكبر دقة ممكنة على مجموعة الاختبار.
2
نوع: محتوى تعليمي
استبدل خوارزمية SGDClassifier بكل من الخوارزميات المذكورة أعلاه (RandomForestClassifier, GaussianNB, SVC) وحاول أن تحدد أفضلها.
3
نوع: محتوى تعليمي
أعد تشغيل مفكرتك بعد كل عملية استبدال لحساب دقة كل نموذج جديد تجربه.
4
نوع: محتوى تعليمي
أنشئ تقريرًا يقارن دقة كل النماذج التي جربتها وحدد النموذج الذي حقق أفضل دقة.
نوع: METADATA
وزارة التعليم
Ministry of Education
2023 - 1445
248
🔍 عناصر مرئية
Abstract background image featuring digital interface elements, data visualizations (charts, graphs), and blurred images of human faces. Two faces are clearly visible in hard hats, one female and one male, within digital frames. The overall theme suggests data processing, technology, and machine learning applications.
📄 النص الكامل للصفحة
المشروع لا تستجيب كل مجموعة بيانات بالطريقة نفسها للتدريب بكل خوارزميات التصنيف، ولكي تحصل على أفضل النتائج لمجموعة بياناتك عليك أن تجرب استخدام خوارزميات مختلفة. وتقدم لك مكتبة Sklearn في البايثون مجموعة متنوعة من الخوارزميات التي يمكنك تجربتها، بما فيها الخوارزميات التالية:
من sklearn.ensemble.forest استورد خوارزمية RandomForestClassifier.
من sklearn.naive_bayes استورد خوارزمية GaussianNB.
من sklearn.svm استورد خوارزمية SVC.--- SECTION: 1 --- استخدم مجموعة تدريب وجوه الحيوانات لتدريب نموذج يحقق أكبر دقة ممكنة على مجموعة الاختبار.--- SECTION: 2 --- استبدل خوارزمية SGDClassifier بكل من الخوارزميات المذكورة أعلاه (RandomForestClassifier, GaussianNB, SVC) وحاول أن تحدد أفضلها.--- SECTION: 3 ---
أعد تشغيل مفكرتك بعد كل عملية استبدال لحساب دقة كل نموذج جديد تجربه.--- SECTION: 4 ---
أنشئ تقريرًا يقارن دقة كل النماذج التي جربتها وحدد النموذج الذي حقق أفضل دقة.2023 - 1445--- VISUAL CONTEXT ---
**IMAGE**: Untitled Description: Abstract background image featuring digital interface elements, data visualizations (charts, graphs), and blurred images of human faces. Two faces are clearly visible in hard hats, one female and one male, within digital frames. The overall theme suggests data processing, technology, and machine learning applications.
Context: Provides a thematic background for the project instructions related to machine learning and data classification.
📝 أسئلة اختبارية
عدد الأسئلة: 4
سؤال 1: استخدم مجموعة تدريب وجوه الحيوانات لتدريب نموذج يحقق أكبر دقة ممكنة على مجموعة الاختبار.
- أ) استخدام خوارزمية RandomForestClassifier فقط لتحقيق أفضل دقة
- ب) استخدام خوارزمية GaussianNB فقط لتحقيق أفضل دقة
- ج) استخدام خوارزمية SVC فقط لتحقيق أفضل دقة
- د) تجربة جميع الخوارزميات المذكورة واختيار الأفضل بناءً على الدقة
الإجابة الصحيحة: يجب تدريب نموذج باستخدام خوارزميات تصنيف مختلفة مثل RandomForestClassifier و GaussianNB و SVC على مجموعة تدريب وجوه الحيوانات، ثم اختيار النموذج الذي يحقق أعلى دقة على مجموعة الاختبار.
الشرح: هذا تمرين عملي يتطلب استخدام مكتبة sklearn لتدريب نماذج تصنيف مختلفة على مجموعة بيانات وجوه الحيوانات، ثم تقييم أداء كل نموذج على مجموعة الاختبار لتحديد النموذج الأكثر دقة.
تلميح: ابدأ باستيراد الخوارزميات المذكورة من مكتبة sklearn، ثم قم بتدريب كل نموذج على مجموعة التدريب، واحسب الدقة على مجموعة الاختبار.
سؤال 2: استبدل خوارزمية SGDClassifier بكل من الخوارزميات المذكورة أعلاه (RandomForestClassifier, GaussianNB, SVC) وحاول أن تحدد أفضلها.
- أ) استبدال SGDClassifier بخوارزمية RandomForestClassifier فقط
- ب) استبدال SGDClassifier بخوارزمية GaussianNB فقط
- ج) استبدال SGDClassifier بخوارزمية SVC فقط
- د) استبدال SGDClassifier بجميع الخوارزميات المذكورة ومقارنة أدائها
الإجابة الصحيحة: يجب استبدال خوارزمية SGDClassifier بكل من RandomForestClassifier و GaussianNB و SVC في الكود، ثم مقارنة أداء كل خوارزمية لتحديد الأفضل بناءً على معايير مثل الدقة.
الشرح: هذا الجزء من التمرين يتطلب تعديل الكود الحالي الذي يستخدم SGDClassifier لاستخدام خوارزميات تصنيف أخرى، ثم تقييم أداء كل منها لتحديد الخوارزمية الأفضل لمجموعة البيانات.
تلميح: تأكد من استيراد الخوارزميات بشكل صحيح من مكتبة sklearn، ثم قم بتعديل الكود لاستخدام كل خوارزمية على حدة، واحسب الأداء.
سؤال 3: أعد تشغيل مفكرتك بعد كل عملية استبدال لحساب دقة كل نموذج جديد تجربه.
- أ) تشغيل الكود مرة واحدة بعد استبدال جميع الخوارزميات
- ب) تشغيل الكود بعد كل استبدال خوارزمية لحساب الدقة الفردية
- ج) تخطي حساب الدقة والاعتماد على التقدير
- د) استخدام دقة ثابتة لجميع النماذج
الإجابة الصحيحة: يجب إعادة تشغيل الكود أو المفكرة بعد استبدال كل خوارزمية لحساب دقة النموذج الجديد على مجموعة الاختبار، لتسجيل نتائج كل تجربة.
الشرح: هذا إجراء عملي لضمان حساب دقة كل نموذج بشكل منفصل بعد كل تعديل في الخوارزمية، مما يسمح بمقارنة عادلة بين النماذج.
تلميح: استخدم دالة أو كودًا لحساب الدقة بعد تدريب كل نموذج، واحفظ النتائج للمقارنة لاحقًا.
سؤال 4: أنشئ تقريرًا يقارن دقة كل النماذج التي جربتها وحدد النموذج الذي حقق أفضل دقة.
- أ) إنشاء تقرير بدون مقارنة الدقة
- ب) إنشاء تقرير بمقارنة دقة نموذجين فقط
- ج) إنشاء تقرير بمقارنة دقة جميع النماذج وتحديد الأفضل
- د) تخطي إنشاء التقرير والاعتماد على الذاكرة
الإجابة الصحيحة: يجب إنشاء تقرير يوضح دقة كل نموذج (مثل RandomForestClassifier و GaussianNB و SVC) بناءً على نتائج الاختبار، ثم تحديد النموذج ذو أعلى دقة كالأفضل.
الشرح: هذا الجزء النهائي من التمرين يتطلب تلخيص النتائج في تقرير يوضح مقارنة أداء النماذج، مع تحديد النموذج الأكثر دقة لمساعدة في اتخاذ القرار.
تلميح: استخدم جداول أو رسوم بيانية في التقرير لعرض دقة كل نموذج، واذكر النموذج الفائز بوضوح.
🎴 بطاقات تعليمية للمراجعة
عدد البطاقات: 5 بطاقة لهذه الصفحة
ما هي المكتبة التي توفر مجموعة متنوعة من خوارزميات التصنيف في لغة بايثون؟
الإجابة: مكتبة Sklearn في لغة بايثون.
الشرح: تُعد مكتبة Sklearn (Scikit-learn) أداة قوية وشائعة في بايثون لتطبيقات تعلم الآلة، وتوفر مجموعة واسعة من الأدوات والخوارزميات، بما في ذلك خوارزميات التصنيف.
تلميح: ابحث عن اسم المكتبة التي تم ذكرها كمصدر للخوارزميات.
ما هي الخطوة الأساسية التي يجب القيام بها بعد استبدال خوارزمية تصنيف بأخرى في نفس مجموعة البيانات؟
الإجابة: إعادة تشغيل المفكرة (notebook) لحساب دقة النموذج الجديد.
الشرح: يجب إعادة تشغيل المفكرة لحساب مقاييس الأداء (مثل الدقة) للنموذج الجديد الذي تم استبداله، وذلك لضمان الحصول على نتائج محدثة وصحيحة.
تلميح: فكر في عملية تقييم أداء النموذج بعد كل تغيير.
ما الهدف من إجراء تجارب متكررة بخوارزميات تصنيف مختلفة على نفس مجموعة البيانات؟
الإجابة: للحصول على أفضل النتائج لمجموعة البيانات المحددة، وتحديد الخوارزمية التي تحقق أكبر دقة ممكنة.
الشرح: ليست كل خوارزميات التصنيف مناسبة بنفس القدر لجميع أنواع البيانات. تجربتها المختلفة تسمح باكتشاف أي منها يعمل بكفاءة أعلى مع مجموعة البيانات المعطاة، مما يؤدي إلى تحسين الأداء العام.
تلميح: لماذا لا نستخدم خوارزمية واحدة فقط؟ ما الذي نبحث عنه؟
ما هو الناتج النهائي المطلوب من هذا المشروع؟
الإجابة: تقرير يقارن دقة كل النماذج التي تم تجربتها، مع تحديد النموذج الذي حقق أفضل دقة.
الشرح: يهدف المشروع إلى تقييم مقارن لأداء خوارزميات التصنيف المختلفة. لذا، فإن التقرير الذي يلخص هذه المقارنات ويشير إلى الأداء الأفضل هو النتيجة النهائية المنتظرة.
تلميح: ما هو المستند الذي يجب تقديمه في نهاية العملية؟
ما هي الخطوات العملية المطلوبة لاختيار أفضل خوارزمية تصنيف لمجموعة بيانات معينة؟
الإجابة: 1. تجربة خوارزميات تصنيف مختلفة (مثل RandomForestClassifier، GaussianNB، SVC). 2. تدريب كل نموذج على مجموعة التدريب. 3. إعادة تشغيل المفكرة بعد كل عملية استبدال لحساب دقة كل نموذج جديد. 4. إنشاء تقرير مقارنة لدقة جميع النماذج المختبرة. 5. تحديد النموذج الذي حقق أفضل دقة على مجموعة الاختبار.
الشرح: تشرح هذه الخطوات منهجية علمية لتقييم أداء خوارزميات التعلم الآلي، حيث أن أداء الخوارزميات يختلف حسب طبيعة البيانات، وبالتالي فإن التجريب والمقارنة هما الطريقة المثلى لاختيار النموذج الأمثل.
تلميح: ركز على العملية التكرارية للتجربة والمقارنة المذكورة في النص.
التصنيف: صيغة/خطوات | المستوى: متوسط