صفحة 152 - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

📚 Teachable Machine - نماذج الصورة

المفاهيم الأساسية

Teachable Machine: أداة لتدريب الحاسوب على التعرف على الصور والأصوات والوضعيات.

Standard image model: نموذج صورة قياسي، الأفضل لمعظم الاستخدامات.

Embedded image model: نموذج صورة مضمن، الأفضل للمتحكمات الدقيقة (Microcontrollers).

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.

##### أنواع نماذج مشروع الصورة الجديد

###### النموذج القياسي (Standard image model)

####### الأفضل لمعظم الاستخدامات.

####### يدعم صور 224x224 بكسل ملونة.

####### يمكن تصديره إلى TensorFlow, TFLite, و TF.js.

####### حجم النموذج: حوالي 5 ميجابايت.

###### النموذج المضمن (Embedded image model)

####### الأفضل للمتحكمات الدقيقة (Microcontrollers).

####### يدعم صور 96x96 بكسل بتدرج رمادي.

####### يمكن تصديره إلى TFLite for Microcontrollers, TFLite, و TF.js.

####### حجم النموذج: حوالي 500 كيلوبايت.

##### 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

• عند إنشاء مشروع صورة جديد في Teachable Machine، يمكن الاختيار بين نموذجين: قياسي أو مضمن.
• النموذج القياسي يدعم صوراً أكبر وألواناً كاملة، بينما النموذج المضمن مصمم ليكون خفيفاً ويعمل على أجهزة ذات موارد محدودة.
• يمكن إضافة عينات للتدريب في كل فئة (Class) باستخدام الكاميرا (Webcam) أو رفع الملفات (Upload).
• بعد إضافة العينات، يتم تدريب النموذج بالضغط على زر "Train Model".

Teachable Machine

New Image Project

Standard image model

Best for most uses

224x224px color images

Export to TensorFlow, TFLite, and TF.js

Model size: around 5mb

Embedded image model

Best for microcontrollers

96x96px greyscale images

Export to TFLite for Microcontrollers, TFLite, and TF.js

Model size: around 500kb

See what hardware supports these models.

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.

Teachable Machine

Class 1

Add Image Samples:

Webcam

Upload

Class 2

Add Image Samples:

Webcam

Upload

Training

Train Model

Advanced

وزارة التعليم

Ministry of Education

2025 - 1447

152

Teachable Machine New Image Project Standard image model Best for most uses 224x224px color images Export to TensorFlow, TFLite, and TF.js Model size: around 5mb Embedded image model Best for microcontrollers 96x96px greyscale images Export to TFLite for Microcontrollers, TFLite, and TF.js Model size: around 500kb See what hardware supports these models. 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. Teachable Machine Class 1 Add Image Samples: Webcam Upload Class 2 Add Image Samples: Webcam Upload Training Train Model Advanced وزارة التعليم Ministry of Education 2025 - 1447 152