صفحة 150 - كتاب علم البيانات - الصف 11 - الفصل 1 - المنهج السعودي - وزارة التعليم

📚 معلومات الصفحة

الكتاب: كتاب علم البيانات - الصف 11 - الفصل 1 | المادة: علم البيانات | المرحلة: الصف 11 | الفصل الدراسي: 1

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

نوع المحتوى: درس تعليمي

📝 ملخص الصفحة

📚 مثال عملي: تصنيف صور الشقوق الخرسانية

المفاهيم الأساسية

مجموعة التدريب (Training Dataset): الصور التي تُستخدم لتدريب نموذج تعلم الآلة.

مجموعة الاختبار (Test Dataset): صور جديدة لم تكن ضمن مجموعة التدريب، تُستخدم لاختبار أداء النموذج وتقييمه.

الفئة الإيجابية (Positive): صور الخرسانة التي تحتوي على شقوق.

الفئة السلبية (Negative): صور الخرسانة السليمة الخالية من الشقوق.

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)

مهام النمذجة التنبؤية

#### 1. التصنيف (Classification)

##### المبدأ

###### تقييم المتغيرات المدخلة وتصنيفها في مجموعات

###### المخرجات ذات قيم متقطعة (Discrete)

##### الاستخدام

###### تقييم عمليات التمويل والبيع بالتجزئة

###### جمع المعلومات بسرعة وتصنيفها لتقديم إجابات

##### مثال عملي: تصنيف صور الخرسانة

###### الهدف: فحص هياكل المباني للكشف عن الشقوق.

###### البيانات: صور خرسانة.

###### الفئات: إيجابية (بها شقوق) / سلبية (سليمة).

###### الأدوات: طائرة مسيرة + نموذج تعلم آلي.

###### تقسيم البيانات:

####### مجموعة التدريب: لتدريب النموذج.

####### مجموعة الاختبار: لتقييم أداء النموذج.

###### خطوات التنفيذ (باستخدام Teachable Machine):

####### إنشاء مشروع صورة قياسي.

####### إعادة تسمية الفئات إلى "إيجابي" و"سلبي".

####### تحميل صور التدريب لكل فئة.

####### تدريب النموذج.

#### 2. الانحدار (Regression)

##### المبدأ

###### إيجاد علاقة رياضية تربط بين متغيرين

###### المتغير المستقل (Independent Variable) والمتغير التابع (Dependent Variable)

###### التنبؤ بقيم المتغير التابع من خلال معالجة قيم المتغير المستقل

###### التمثيل البياني: خط مستقيم (انحدار خطي)

##### الاستخدام

###### التنبؤ بقيم مستمرة (مثل: مدة بقاء شخص في المستشفى)

#### 3. التوقع (Forecasting)

##### المبدأ

###### تقدير قيم رقمية بناءً على تحليل البيانات التاريخية

##### الاستخدام

###### التنبؤ بأسعار الأسهم (يومي أو طويل الأجل)

#### 4. التجميع (Clustering)

##### المبدأ

###### تصنيف البيانات إلى مجموعات بناءً على خصائص متشابهة

##### طرق التجميع

###### التجميع الصلب (Hard Clustering)

####### تصنيف البيانات إلى مجموعات متميزة

####### تنتمي كل نقطة بيانات إلى مجموعة واحدة فقط

###### التجميع الناعم (Soft Clustering)

####### تعيين احتمالات لكل نقطة بيانات

####### يمكن أن تنتمي نقاط البيانات إلى أكثر من مجموعة

##### الاستخدام

###### تحديد استراتيجيات التسويق لفئات معينة من المستهلكين

#### 5. نموذج اكتشاف القيم الشاذة (Outlier Detection)

##### المبدأ

###### فحص وتحديد القيم الغريبة وغير العادية في البيانات

##### الاستخدام

###### تقييم مدى ارتباط القيم الشاذة بفئات أو أرقام أخرى

#### 6. السلاسل الزمنية (Time Series)

##### المبدأ

###### استخدام قيم البيانات السابقة في تسلسل زمني للتنبؤ بقيم مستقبلية

##### الاستخدام

###### تقديم توقعات مستقبلية لاتجاهات أو أحداث

###### تحليل تأثير العوامل الخارجية (الموسمية، العارضة)

###### مثال: تحليل وقت معالجة الطلبيات والتنبؤ بالمتوسط الشهري

طرائق أخرى للنمذجة التنبؤية

#### أشجار القرار (Decision Trees)

#### التعزيز الاشتقاقي (Gradient Boosting)

#### النماذج الخطية العامة (General Linear Models)

#### الشبكات العصبية (Neural Networks)

#### نماذج بروفيت (Prophet Models)

الخطوات الأساسية للنمذجة التنبؤية

#### 1. جمع البيانات وتنظيفها (Data Collection and Cleaning)

##### الهدف

###### استخراج المعلومات اللازمة من جميع المصادر المتوفرة

##### العملية

###### تنظيف البيانات من الشوائب والقيم الشاذة للحصول على تقديرات دقيقة

##### أمثلة على البيانات

###### عمليات البيع والشراء

###### استبانات العملاء

###### البيانات الإحصائية الاقتصادية والسكانية

###### البيانات المجمعة آلياً عبر الويب والأجهزة

#### 2. تحويل البيانات (Data Transformation)

##### الهدف

###### الحصول على البيانات في صورتها النهائية

##### العملية

###### توحيد بنية البيانات وصياغتها

###### تحديد نطاقات معينة لقيم البيانات

###### إزالة القيم الغريبة والبيانات الشاذة باستخدام تحليل الارتباط (Correlation Analysis)

#### 3. صياغة النموذج التنبؤي (Predictive Model Formulation)

##### العملية

###### تحديد طرائق التنبؤ المناسبة حسب الحاجة

###### تحديد بيانات التدريب والاختبار

##### أمثلة على الطرائق

###### استخدام شجرة القرار (Decision Tree) في عملية التصنيف

###### استخدام نموذج التعزيز الاشتقاقي (Gradient Boosting) في مهام الانحدار

##### التدريب والاختبار

###### تدريب الخوارزمية باستخدام بيانات التدريب

###### تطبيق النموذج الناتج على بيانات الاختبار لتحديد أدائه

#### 4. الاستنتاجات أو الاستدلالات (Inferences or Conclusions)

##### الهدف

###### استخراج الاستدلالات واستخلاص الاستنتاجات من النموذج

##### الفائدة

###### المساعدة في الإجابة على أسئلة الأعمال

```

نقاط مهمة

مثال التطبيق: استخدام نموذج تعلم الآلة لفحص صور الخرسانة والكشف عن الشقوق، مما يجعل فحص المباني المرتفعة أكثر أماناً وفاعلية.
شرط أساسي: يجب أن تحتوي مجموعتي التدريب والاختبار على صور من الفئتين (إيجابية وسلبية).
الأداة المقترحة: برنامج Teachable Machine المتاح عبر الإنترنت لإنشاء وتدريب النموذج دون الحاجة لكتابة كود برمجي.

📄 النص الكامل للصفحة

يعرض هذا المثال كيفية إنشاء نموذج تنبؤي في إطار علم البيانات. افترض أنك تعمل ضمن فريق مشروع مهمته تفقد هياكل المباني الخرسانية
وفحصها بحثًا عن الشقوق الموجودة فيها ، ولأن هذه العملية تتميز بالصعوبة والخطورة المصاحبة لها ، وبشكل خاص في المباني المرتفعة، فيمكنك
إنشاء نموذج تعلم الآلة (Machine Learning Model) الذي بمقدوره فحص صور الخرسانة في هياكل المباني، ثم تصنيفها إلى فئة إيجابية
في حال وجود الشقوق بها ، وأخرى سلبية إذا خَلتُ من الشقوق. يمكن بعد ذلك دمج الصور التي يمكن التقاطها بواسطة طائرة مسيرة دون
طيار مع النموذج مما يتيح إجراء فحص المباني بطريقة أكثر أمانا وفاعلية.
تتطلب عملية تدريب النموذج وجود البيانات، والتي ستنقسم في هذه الحالة إلى فئتين : تتضمن الفئة الأولى صورًا للخرسانة التي تحتوي على
الشقوق، بينما تتضمن الأخرى صورًا لخرسانة سليمة خالية من الشقوق.
يجب أيضًا تقسيم مجموعة بيانات الصور إلى مجموعتي بيانات منفصلتين:

> مجموعة التدريب (Training Dataset) وتتضمن الصور التي ستستخدمها لتدريب نموذج تعلم الآلة.
> مجموعة الاختبار (Test) Dataset) وتتضمن صورًا جديدة لم تكن ضمن مجموعة بيانات تدريب النموذج ويهدف استخدام هذه الصور
إلى اختبار أداء النموذج وتقييمه.
يجب أن تحتوي مجموعة التدريب ومجموعة الاختبار على صور لكلتا الفئتين من الهياكل الخرسانية: الفئة الإيجابية ( التي تحتوي على الشقوق)
أو من الفئة السلبية ( التي تخلو من الشقوق).
لتدريب نموذج على تصنيف صور الخرسانة، يمكنك استخدام برنامج آلة قابلة للتعليم (Teachable Machine) عبر الإنترنت، وهي متاحة
على الموقع الإلكتروني: https://teachablemachine.withgoogle.com ، وستقوم بتحميل الصور من مجلد الصور في حاسوبك لتصنيفها.

--- SECTION: لإنشاء نموذج وتدريبه : ---
1.https://teachablemachine.withgoogle.com افتح المتصفح وانتقل إلى الموقع الإلكتروني
> اضغط على Get Started ( البدء ) . 2
اضغط على Image Project ( مشروع الصورة ) . 3.
اضغط على Standard Image Model نموذج الصورة القياسي ) . 4.
أعد تسمية 1 Class (الفئة (1) إلى Positive (إيجابي) و 2 Class ( الفئة (2) إلى Negative (سلبي) . 5
اضغط على Upload ( تحميل ) في الفئة الإيجابية. 6.
اختيار الصور من ملفاتك أو Choose images from your files, or drag & drop here اضغط على >
اسحبها وأفلتها هنا ) ، لتحديد وتحميل مجموعة الصور التدريبية التي بها شقوق في الخرسانة من المجلد
الفرعي إيجابي (Positive في مجلد صور التصنيف (Images for classification الموجود داخل المستندات
.(Documents)
كرر العملية لتحديد وتحميل مجموعة الصور التدريبية التي لا تحتوي على شقوق في الخرسانة من المجلد الفرعي
8.)Documents( داخل المستندات Images for classification( في مجلد صور التصنيف )Negative( سلبي
> اضغط على Train Model (تدريب النموذج ) . 9

وزارة التعليم
Ministry of Education
2025-1447

150

🎴 بطاقات تعليمية للمراجعة

عدد البطاقات: 7 بطاقة لهذه الصفحة

ما الهدف الرئيسي من تقسيم مجموعة بيانات الصور إلى مجموعتي التدريب والاختبار عند إنشاء نموذج تعلم الآلة لتصنيف صور الخرسانة؟

أ) مجموعة التدريب تُستخدم لاختبار النموذج النهائي، ومجموعة الاختبار تُستخدم لضبط معاملاته الأولية.
ب) مجموعة التدريب تُستخدم لتدريب النموذج، ومجموعة الاختبار تُستخدم لاختبار أداء النموذج وتقييمه على صور جديدة لم يسبق رؤيتها.
ج) كلا المجموعتين تُستخدمان معًا لتدريب النموذج بشكل متوازٍ لتحقيق أقصى دقة.
د) مجموعة التدريب تُستخدم للتحقق من صحة البيانات، ومجموعة الاختبار تُستخدم لحذف الصور المشوهة.

الإجابة الصحيحة: b

الإجابة: مجموعة التدريب تُستخدم لتدريب النموذج، ومجموعة الاختبار تُستخدم لاختبار أداء النموذج وتقييمه على صور جديدة لم يسبق رؤيتها.

الشرح: 1. مجموعة التدريب (Training Dataset): تُستخدم لتعليم النموذج وتدريبه على التعرف على الأنماط. 2. مجموعة الاختبار (Test Dataset): تُستخدم لقياس دقة النموذج ومدى قدرته على التعميم على بيانات جديدة لم يتدرب عليها.

تلميح: فكر في الغرض من كل مجموعة من مجموعات البيانات في عملية التعلم الآلي.

التصنيف: مفهوم جوهري | المستوى: متوسط

في سياق مشروع تصنيف صور الخرسانة، ما الشرط الأساسي الذي يجب توفره في كل من مجموعة التدريب ومجموعة الاختبار؟

أ) يجب أن تحتوي على صور للخرسانة السليمة فقط لضمان جودة البيانات.
ب) يجب أن تحتوي على صور مأخوذة من نفس المبنى فقط لضمان الاتساق.
ج) يجب أن تحتوي كل منهما على صور لكلتا الفئتين: الفئة الإيجابية (تحتوي شقوق) والفئة السلبية (خالية من الشقوق).
د) يجب أن تكون الصور في مجموعة الاختبار أكثر عددًا من تلك في مجموعة التدريب.

الإجابة الصحيحة: c

الإجابة: يجب أن تحتوي كل منهما على صور لكلتا الفئتين: الفئة الإيجابية (تحتوي شقوق) والفئة السلبية (خالية من الشقوق).

الشرح: لضمان أن يتعلم النموذج ويمتحن بشكل عادل وفعّال، يجب أن يتعرض في مرحلة التدريب والاختبار على أمثلة من جميع الفئات المستهدفة (مثل: صور بها شقوق وبدون شقوق). هذا يمنع التحيز ويحسن قدرة النموذج على التعميم.

تلميح: فكر في ضرورة تمثيل جميع الحالات التي سيواجهها النموذج في العالم الحقيقي.

التصنيف: مفهوم جوهري | المستوى: سهل

ما الهدف الرئيسي من تقسيم مجموعة بيانات الصور إلى مجموعتي 'التدريب' و'الاختبار' عند بناء نموذج تعلم الآلة؟

أ) مجموعة التدريب لاختبار السرعة، ومجموعة الاختبار لاختبار دقة النموذج على البيانات القديمة.
ب) مجموعة التدريب تستخدم لتدريب النموذج، ومجموعة الاختبار تستخدم لاختبار أداء النموذج وتقييمه على بيانات جديدة لم يراها من قبل.
ج) مجموعة التدريب لحفظ البيانات، ومجموعة الاختبار لحذف البيانات غير المهمة.
د) مجموعة التدريب لتصنيف البيانات يدوياً، ومجموعة الاختبار لتدريب النموذج تلقائياً.

الإجابة الصحيحة: b

الإجابة: مجموعة التدريب تستخدم لتدريب النموذج، ومجموعة الاختبار تستخدم لاختبار أداء النموذج وتقييمه على بيانات جديدة لم يراها من قبل.

الشرح: 1. مجموعة التدريب (Training Dataset): تُستخدم لتعليم النموذج وتعديل معلماته. 2. مجموعة الاختبار (Test Dataset): تُستخدم لتقييم قدرة النموذج على التعميم والتنبؤ بدقة عند مواجهة بيانات جديدة لم يتدرب عليها.

تلميح: فكر في الفرق بين تعليم النموذج وقياس مدى نجاحه في التعميم.

التصنيف: مفهوم جوهري | المستوى: متوسط

في سياق مثال فحص شقوق الخرسانة، ما الشرط الأساسي الذي يجب توفره في كل من مجموعتي التدريب والاختبار؟

أ) يجب أن تحتوي فقط على صور للخرسانة السليمة لضمان السلامة.
ب) يجب أن تحتوي كلتا المجموعتين على صور لكلتا الفئتين: الفئة الإيجابية (تحتوي شقوق) والفئة السلبية (خالية من الشقوق).
ج) يجب أن تحتوي مجموعة التدريب على صور إيجابية فقط، ومجموعة الاختبار على صور سلبية فقط.
د) يجب أن تكون جميع الصور مأخوذة من مبنى واحد لضمان الاتساق.

الإجابة الصحيحة: b

الإجابة: يجب أن تحتوي كلتا المجموعتين على صور لكلتا الفئتين: الفئة الإيجابية (تحتوي شقوق) والفئة السلبية (خالية من الشقوق).

الشرح: لضمان أن النموذج يتعلم التمييز بين الحالتين بشكل صحيح ويتم اختباره عليهما، يجب أن تتضمن بيانات التدريب والاختبار عينات من كل فئة (إيجابية/سلبيية). هذا يمنع التحيز ويسمح بتقييم شامل للأداء.

تلميح: النموذج يحتاج أن يتعلم ويمتحن على جميع الحالات الممكنة.

التصنيف: مفهوم جوهري | المستوى: سهل

في مثال فحص شقوق الخرسانة، ما الفرق الجوهري بين 'الفئة الإيجابية' و'الفئة السلبية' في مجموعة البيانات؟

أ) الفئة الإيجابية: صور مأخوذة من طائرة مسيرة. الفئة السلبية: صور مأخوذة يدوياً.
ب) الفئة الإيجابية: صور حديثة. الفئة السلبية: صور قديمة.
ج) الفئة الإيجابية: صور خرسانة تحتوي على شقوق. الفئة السلبية: صور خرسانة سليمة خالية من الشقوق.
د) الفئة الإيجابية: صور عالية الدقة. الفئة السلبية: صور منخفضة الدقة.

الإجابة الصحيحة: c

الإجابة: الفئة الإيجابية: صور خرسانة تحتوي على شقوق. الفئة السلبية: صور خرسانة سليمة خالية من الشقوق.

الشرح: في تصنيف ثنائي (Binary Classification) كما في المثال: 1. الفئة الإيجابية (Positive Class): تمثل الحالة المستهدفة للكشف، وهي وجود الشقوق. 2. الفئة السلبية (Negative Class): تمثل الحالة العادية أو الغياب، وهي عدم وجود الشقوق.

تلميح: الإيجابية والسلبية هنا مرتبطتان بوجود أو عدم وجود السمة المستهدفة (الشقوق).

التصنيف: فرق بين مفهومين | المستوى: سهل

أي من الخطوات التالية تمثل الترتيب الصحيح لبدء إنشاء نموذج تصنيف صور باستخدام Teachable Machine وفقًا للنص؟

أ) تحميل الصور → إعادة تسمية الفئات → تدريب النموذج → اختيار Image Project.
ب) فتح الموقع → اختيار Standard Image Model → تحميل الصور → الضغط على Get Started.
ج) فتح الموقع → الضغط على Get Started → اختيار Image Project → اختيار Standard Image Model.
د) إعادة تسمية الفئات → تدريب النموذج → تحميل الصور → اختيار Standard Image Model.

الإجابة الصحيحة: c

الإجابة: فتح الموقع → الضغط على Get Started → اختيار Image Project → اختيار Standard Image Model.

الشرح: الخطوات الأساسية لبدء المشروع هي: 1. الانتقال إلى الموقع الإلكتروني. 2. البدء (Get Started). 3. اختيار نوع المشروع (مشروع الصورة - Image Project). 4. اختيار نوع النموذج (نموذج الصورة القياسي - Standard Image Model).

تلميح: راجع الخطوات الأولية المذكورة قبل خطوة إعادة تسمية الفئات.

التصنيف: صيغة/خطوات | المستوى: سهل

في مثال تصنيف صور الخرسانة، ما الفرق بين الفئة الإيجابية (Positive) والفئة السلبية (Negative)؟

أ) الفئة الإيجابية: صور مأخوذة بواسطة الطائرة المسيرة. الفئة السلبية: صور مأخوذة يدويًا.
ب) الفئة الإيجابية: صور خرسانة سليمة. الفئة السلبية: صور خرسانة تحتوي على شقوق.
ج) الفئة الإيجابية: صور خرسانة تحتوي على شقوق. الفئة السلبية: صور خرسانة سليمة خالية من الشقوق.
د) الفئة الإيجابية: صور من مجموعة التدريب. الفئة السلبية: صور من مجموعة الاختبار.

الإجابة الصحيحة: c

الإجابة: الفئة الإيجابية: صور خرسانة تحتوي على شقوق. الفئة السلبية: صور خرسانة سليمة خالية من الشقوق.

الشرح: في مشاكل التصنيف الثنائي، يتم تعريف الفئات بناءً على وجود (إيجابي) أو غياب (سلبي) للخاصية المستهدفة. في هذا المثال، الخاصية المستهدفة هي وجود الشقوق في الخرسانة.

تلميح: تذكر أن التصنيف يعتمد على وجود أو عدم وجود سمة محددة (الشقوق).

التصنيف: فرق بين مفهومين | المستوى: سهل