المعامل (Parameter): - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

📚 فئات النمذجة التنبؤية

المفاهيم الأساسية

النمذجة التنبؤية: مهمة المتعلم هي الوصول إلى الدالة أو العلاقة الوظيفية التي تربط متغيرات الإدخال بالمخرجات (التنبؤات) في بيانات التدريب.

المعامل (Parameter): متغير جوهري وأساسي في تكوين النموذج.

النموذج المعاملي (Parametric Model): نموذج يحتوي على عدد محدد من المعاملات.

النموذج غير المعاملي (Non-Parametric Model): نموذج لا يحتوي على عدد محدد من المعاملات.

خريطة المفاهيم

```markmap

4. نمذجة البيانات التنبؤية والتوقع

النمذجة التنبؤية

فئات النمذجة التنبؤية

#### النماذج المعاملية (Parametric Models)

##### الافتراضات

###### جزء أساسي من النموذج

###### تحسن التنبؤات وتجعل النموذج أسهل للفهم

##### المبدأ

###### يضع افتراضات محددة حول شكل دالة التعيين

###### يفترض مجموعة محددة مسبقاً من المعاملات

###### يقوم بتلخيص بيانات التدريب من خلال هذه المعاملات

#### النماذج غير المعاملية (Non-Parametric Models)

##### المبدأ

###### لا تهتم بتكوين افتراضات حول دالة التعيين

###### يمكنها تقدير طبيعة العلاقة الوظيفية من خلال بيانات التدريب

###### خيار ممتاز لتحليل الكميات الكبيرة من البيانات دون معرفة سابقة

مصادر البيانات للتحليل

#### بيانات عملياتية (Transactional Data)

#### بيانات العملاء (Customer Data)

#### البيانات الطبية (Medical Data)

#### البيانات المالية (Financial Data)

#### المعلومات الديموغرافية (Demographic Data)

#### البيانات الجغرافية (Geographic Data)

#### بيانات التسويق الرقمي (Digital Marketing Data)

#### إحصائيات الويب (Web Traffic Statistics)

```

نقاط مهمة

• يتم تصنيف النماذج التنبؤية إلى فئتين رئيسيتين: معاملية وغير معاملية.
• النموذج المعاملي أسرع إنجازاً من الناحية الحسابية وأسهل للفهم والتفسير.
• النموذج غير المعاملي يتطلب بيانات تدريب أكثر بكثير ووقت تدريب أطول، ولكنه يوفر تنبؤات أكثر دقة من حيث ملاءمة البيانات.
• النماذج غير المعاملية أكثر عرضة لمشكلة فرط التخصيص (Overfitting).

فئات النمذجة التنبؤية Predictive Modeling Categories

تتمثل مهمة المتعلم في النمذجة التنبؤية بالوصول إلى الدالة أو العلاقة الوظيفية التي تربط متغيرات الإدخال بالمخرجات (التنبؤات) في بيانات التدريب (Training Data)، وذلك بصرف النظر عن طبيعة تلك الدالة ومعاملاتها. بمجرد الوصول إلى هذه العلاقة الوظيفية، يمكن استخدامها للتنبؤ بقيم المخرجات بناءً على متغيرات الإدخال المختلفة. وتصنف النماذج التنبؤية إلى فئتين: فئة تحتوي على عدد محدد من المعاملات وتسمى بالنموذج المعاملي (Parametric Model) وفئة لا تحتوي على عدد محدد من المعاملات، ويطلق عليها تسمية النموذج غير المعاملي (Non-Parametric Model).

يمكن وصف المعامل بأنه متغير جوهري وأساسي في تكوين النموذج.

1. النماذج المعاملية Parametric Models

تُعد الافتراضات جزءاً أساسياً من أي نموذج من نماذج البيانات، فهي تُحسن التنبؤات وتجعل النموذج أسهل للفهم. يضع النموذج المعاملي افتراضات محددة حول شكل الدالة التي سيتم تعيينها، ويفترض مجموعة محددة مسبقاً من المعاملات. وذلك بشكل مستقل عن تلك الموجودة في أمثلة التدريب، وهكذا فإن النموذج المعاملي يقوم بتلخيص بيانات التدريب من خلال هذه المجموعة من المعاملات.

بيانات عملياتية (Transactional Data). بيانات العملاء (Customer Data). البيانات الطبية (Medical Data). البيانات المالية (Financial Data). المعلومات الديموغرافية (Demographic Data). البيانات الجغرافية (Geographic Data). بيانات التسويق الرقمي (Digital Marketing Data). إحصائيات الويب (Web Traffic Statistics).

2. النماذج غير المعاملية Non-Parametric Models

إن نماذج تعلم الآلة غير المعاملية ليست معنية بتكوين افتراضات حول دالة التعيين (Mapping Function)، فممكن لمثل هذه النماذج مثلاً تقدير طبيعة العلاقة الوظيفية من خلال بيانات التدريب، وتُعد هذه النماذج خياراً ممتازاً لتحليل الكميات الكبيرة من البيانات دون أي معرفة سابقة عنها.

الجدول 4.1: مقارنة بين النماذج المعاملية وغير المعاملية

وزارة التعليم Ministry of Education 2025 - 1447

146

فئات النمذجة التنبؤية Predictive Modeling Categories تتمثل مهمة المتعلم في النمذجة التنبؤية بالوصول إلى الدالة أو العلاقة الوظيفية التي تربط متغيرات الإدخال بالمخرجات (التنبؤات) في بيانات التدريب (Training Data)، وذلك بصرف النظر عن طبيعة تلك الدالة ومعاملاتها. بمجرد الوصول إلى هذه العلاقة الوظيفية، يمكن استخدامها للتنبؤ بقيم المخرجات بناءً على متغيرات الإدخال المختلفة. وتصنف النماذج التنبؤية إلى فئتين: فئة تحتوي على عدد محدد من المعاملات وتسمى بالنموذج المعاملي (Parametric Model) وفئة لا تحتوي على عدد محدد من المعاملات، ويطلق عليها تسمية النموذج غير المعاملي (Non-Parametric Model). --- SECTION: المعامل (Parameter): --- يمكن وصف المعامل بأنه متغير جوهري وأساسي في تكوين النموذج. 1. النماذج المعاملية Parametric Models تُعد الافتراضات جزءاً أساسياً من أي نموذج من نماذج البيانات، فهي تُحسن التنبؤات وتجعل النموذج أسهل للفهم. يضع النموذج المعاملي افتراضات محددة حول شكل الدالة التي سيتم تعيينها، ويفترض مجموعة محددة مسبقاً من المعاملات. وذلك بشكل مستقل عن تلك الموجودة في أمثلة التدريب، وهكذا فإن النموذج المعاملي يقوم بتلخيص بيانات التدريب من خلال هذه المجموعة من المعاملات. --- SECTION: يعتمد المتخصصون في عمل تحليلات النماذج التنبؤية على البيانات من المصادر التالية: --- بيانات عملياتية (Transactional Data). بيانات العملاء (Customer Data). البيانات الطبية (Medical Data). البيانات المالية (Financial Data). المعلومات الديموغرافية (Demographic Data). البيانات الجغرافية (Geographic Data). بيانات التسويق الرقمي (Digital Marketing Data). إحصائيات الويب (Web Traffic Statistics). 2. النماذج غير المعاملية Non-Parametric Models إن نماذج تعلم الآلة غير المعاملية ليست معنية بتكوين افتراضات حول دالة التعيين (Mapping Function)، فممكن لمثل هذه النماذج مثلاً تقدير طبيعة العلاقة الوظيفية من خلال بيانات التدريب، وتُعد هذه النماذج خياراً ممتازاً لتحليل الكميات الكبيرة من البيانات دون أي معرفة سابقة عنها. --- SECTION: الجدول 4.1: مقارنة بين النماذج المعاملية وغير المعاملية --- الجدول 4.1: مقارنة بين النماذج المعاملية وغير المعاملية وزارة التعليم Ministry of Education 2025 - 1447 146 --- VISUAL CONTEXT --- **HIGHLIGHT_BOX**: المعامل (Parameter): Description: A highlighted box defining the term 'Parameter' as a fundamental and essential variable in model formation. Context: Provides a key definition related to predictive modeling. **HIGHLIGHT_BOX**: يعتمد المتخصصون في عمل تحليلات النماذج التنبؤية على البيانات من المصادر التالية: Description: A highlighted box listing various data sources used by specialists in predictive model analysis. Key Values: بيانات عملياتية (Transactional Data), بيانات العملاء (Customer Data), البيانات الطبية (Medical Data), البيانات المالية (Financial Data), المعلومات الديموغرافية (Demographic Data), البيانات الجغرافية (Geographic Data), بيانات التسويق الرقمي (Digital Marketing Data), إحصائيات الويب (Web Traffic Statistics) Context: Informs about the types of data utilized in predictive modeling. **TABLE**: مقارنة بين النماذج المعاملية وغير المعاملية Description: A comparison table outlining the differences between Parametric and Non-Parametric Models based on several criteria. Table Structure: Headers: المعيار | النماذج المعاملية | النماذج غير المعاملية Rows: Row 1: بيانات التدريب | تتطلب بيانات تدريب أقل من النماذج غير المعاملية. | تتطلب بيانات تدريب أكثر بكثير من النماذج المعاملية لتقدير العلاقة أو دالة التعيين. Row 2: سرعة التدريب | أسرع إنجازاً من الناحية الحسابية، ويمكن تدريبها بشكل أسرع لوجود معاملات محدودة للتدريب. | تستغرق وقتاً أطول للتدريب، حيث تتضمن تحليل علاقات أكثر تعقيداً يتم تقديرها أثناء عملية التدريب. Row 3: الملاءمة | قد لا تقدم هذه النماذج أفضل ملاءمة للبيانات، ومن المستبعد أن تتطابق تماماً مع دالة التعيين. | توفر هذه النماذج تنبؤات أكثر دقة من النماذج المعاملية من حيث ملاءمة البيانات، ولكن الخوارزميات في هذه النماذج تكون أكثر عرضة لمشكلة فرط التخصيص (Overfitting). Row 4: التعقيد | تتميز إجراءاتها بسهولة فهمها وتفسيرها. | إجراءاتها أكثر تعقيداً وصعوبة سواء من ناحية إمكانية التفسير أو الفهم. Calculation needed: N/A Context: This table provides a structured comparison of the characteristics, advantages, and disadvantages of parametric and non-parametric models in predictive analytics, covering aspects like data requirements, training speed, suitability, and complexity.