Training - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

📚 إنشاء وتدريب نموذج تصنيف صور باستخدام Teachable Machine

المفاهيم الأساسية

Teachable Machine: أداة لتدريب الحاسوب على التعرف على الصور والأصوات والوضعيات. (بناءً على السياق السابق)

تدريب النموذج (Training): العملية التي يتعلم فيها النموذج من عينات الصور المقدمة له.

عينة الصورة (Image Sample): صورة تُستخدم لتدريب النموذج أو اختباره.

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.

####### اختبار النموذج:

######## يمكن اختيار النموذج بعد التدريب من خلال تقديم صورة من بيانات الاختبار.

######## يمكن تقييم المخرجات بناءً على ما إذا كانت الصورة من الفئة الإيجابية (تحتوي على شقوق) أو السلبية (تخلو من الشقوق).

#### 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 القValues 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.

##### واجهة إنشاء النموذج وتدريبه

###### إضافة عينات الصور (Add Image Samples):

####### يمكن اختيار الصور من الملفات أو سحبها وإفلاتها.

####### يمكن استيراد الصور من Google Drive.

####### يتم اقتصاص الصور تلقائياً إلى شكل مربع.

####### مثال: إضافة 21 عينة صورة لكل فئة (إيجابي/سلبي).

###### التدريب (Training):

####### بعد إضافة فئتين على الأقل (مثل: إيجابي، سلبي)، يمكن تدريب النموذج.

####### يتم الضغط على زر "Train Model" لبدء عملية التدريب.

####### يجب تدريب النموذج أولاً قبل القدرة على معاينته.

###### المعاينة والاختبار (Preview and Testing):

####### بعد التدريب، يمكن اختيار النموذج واختباره.

####### يتم الاختبار بتقديم صورة من بيانات الاختبار (من الفئة الإيجابية أو السلبية).

####### يمكن تقييم مخرجات النموذج بناءً على تصنيفه للصورة المقدمة.

```

نقاط مهمة

• تتيح واجهة Teachable Machine إضافة عينات صور للتدريب عن طريق السحب والإفلات أو الاستيراد من الملفات أو Google Drive.
• يتم اقتصاص الصور المضافة تلقائياً إلى شكل مربع.
• يجب تدريب النموذج (بالضغط على "Train Model") بعد إضافة عينات للفئات (مثل: إيجابي وسلبي) قبل القدرة على معاينته أو اختباره.
• يتم اختبار النموذج بعد التدريب عن طريق تقديم صورة جديدة (من بيانات الاختبار) وتقييم مخرجاته (تصنيفها كـ "إيجابي" أو "سلبي").

Choose images from your files, or drag & drop here

Import images from Google Drive

Images will be cropped to square

Add Image Samples:

Add Image Samples:

21 Image Samples

21 Image Samples

Now that you have two classes, you can train your model here (or add more classes).

Train Model

You must train a model on the left before you can preview it here.

Add a class

English

يمكنك اختيار النموذج عند الانتهاء من عملية التدريب من خلال تقديم صورة من بيانات الاختيار، وذلك إما من الفئة الإيجابية (التي تحتوي على الشقوق) أو من الفئة السلبية (التي تخلو من الشقوق)، ثم يمكنك تقييم المخرجات.

وزارة التعليم

Ministry of Education

2025 - 1447

Choose images from your files, or drag & drop here Import images from Google Drive Images will be cropped to square Add Image Samples: Add Image Samples: 21 Image Samples 21 Image Samples Now that you have two classes, you can train your model here (or add more classes). --- SECTION: Training --- Train Model You must train a model on the left before you can preview it here. Add a class English يمكنك اختيار النموذج عند الانتهاء من عملية التدريب من خلال تقديم صورة من بيانات الاختيار، وذلك إما من الفئة الإيجابية (التي تحتوي على الشقوق) أو من الفئة السلبية (التي تخلو من الشقوق)، ثم يمكنك تقييم المخرجات. وزارة التعليم Ministry of Education 2025 - 1447 --- VISUAL CONTEXT --- **DIAGRAM**: شكل 4.5: إنشاء نموذج وتدريبه Description: Three screenshots illustrating the Teachable Machine interface. The left screenshot shows the 'Positive' and 'Negative' sample upload sections with a numbered '7' indicating file selection. The middle screenshot shows the 'Positive' and 'Negative' sample uploads with image previews, and a 'Training' section with a numbered '9' button to 'Train Model'. The right screenshot shows the 'Preview' and 'Export Model' options, with a description box for 'Train your Model' and a numbered '2' indicating the training step. Context: Illustrates the process of creating and training a model in Teachable Machine, showing how to add positive and negative image samples and initiate the training process.