صفحة 151 - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

📚 Teachable Machine

المفاهيم الأساسية

Teachable Machine: أداة سريعة وسهلة لإنشاء نماذج تعلم آلي لمواقعك وتطبيقاتك دون الحاجة إلى خبرة أو برمجة.

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

أدوات النمذجة

#### Teachable Machine

##### الوظيفة

###### تدريب الحاسوب على التعرف على الصور والأصوات والوضعيات الخاصة بك.

##### أنواع المشاريع

###### مشروع الصورة (Image Project)

####### التدريب بناءً على صور، من ملفات أو كاميرا الويب.

###### مشروع الصوت (Audio Project)

####### التدريب بناءً على أصوات مدتها ثانية واحدة، من ملفات أو الميكروفون.

###### مشروع الوضعية (Pose Project)

####### التدريب بناءً على صور، من ملفات أو كاميرا الويب.

##### العناصر المرئية التوضيحية

###### مخطط صوتي (Audio Waveform)

####### تمثيل مرئي للبيانات الصوتية.

###### أشرطة تقدم (Progress Bars)

####### تعطي ملاحظات بصرية عن حالة النموذج أو تقدم التدريب (مثال: فرقعة 27%، تصفيق 65%).

###### أمثلة بيانات الإدخال

####### صور لمشروع الصورة (كلب، شخص يحمل كلباً).

####### تصورات صوتية لمشروع الصوت.

####### صور لأشخاص بوضعيات مختلفة لمشروع الوضعية.

```

نقاط مهمة

• تتيح Teachable Machine إنشاء نماذج تعلم آلي دون خبرة أو برمجة.
• تدعم ثلاثة أنواع من المشاريع: الصورة، الصوت، والوضعية.
• تستخدم عناصر مرئية مثل المخططات الصوتية وأشرطة التقدم لتوضيح البيانات وحالة النموذج.
• توفر أمثلة مرئية لنوع البيانات المطلوبة لكل مشروع (صور، تصورات صوتية، صور وضعيات).

Teachable Machine

Train a computer to recognize your own images, sounds, & poses.

A fast, easy way to create machine learning models for your sites, apps, and more – no expertise or coding required.

Get Started

New Project

Open an existing project from Drive.

Open an existing project from a file.

Image Project

Teach based on images, from files or your webcam.

Audio Project

Teach based on one-second-long sounds, from files or your microphone.

Pose Project

Teach based on images, from files or your webcam.

English

release-2-4-4.#95c54c

Teachable Machine Train a computer to recognize your own images, sounds, & poses. A fast, easy way to create machine learning models for your sites, apps, and more – no expertise or coding required. Get Started New Project Open an existing project from Drive. Open an existing project from a file. Image Project Teach based on images, from files or your webcam. Audio Project Teach based on one-second-long sounds, from files or your microphone. Pose Project Teach based on images, from files or your webcam. English release-2-4-4.#95c54c --- VISUAL CONTEXT --- **DIAGRAM**: Untitled Description: A blue waveform representing audio data, with peaks and troughs. Data: Visual representation of sound. Context: Illustrates the concept of audio data that can be used for machine learning. **CHART**: Untitled Description: Two progress bars labeled 'Snap' and 'Clap' showing percentages. Data: Shows the current training progress or confidence for 'Snap' (27%) and 'Clap' (65%). Key Values: Snap: 27%, Clap: 65% Context: Visual feedback on the machine learning model's current state or training progress. **FIGURE**: Untitled Description: A grid of four images, showing a dog and a person holding a dog. Data: Example images for training an image recognition model. Context: Illustrates the type of input data for an Image Project. **FIGURE**: Untitled Description: A grid of three visualizations representing audio data. Data: Example audio data visualizations for training an audio recognition model. Context: Illustrates the type of input data for an Audio Project. **FIGURE**: Untitled Description: A grid of three images showing people in different poses. Data: Example images showing human poses for training a pose estimation model. Context: Illustrates the type of input data for a Pose Project.