📚 اختبار وتقييم نموذج تصنيف صور الخرسانة
المفاهيم الأساسية
اختبار النموذج (Model Testing): عملية تقديم بيانات جديدة (غير مستخدمة في التدريب) للنموذج لفحص دقته وقدرته على التصنيف.
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).
######## خطوات الاختبار العملية:
######### تحديد صورة اختبار من المجلد الفرعي "Test".
######### تحميل الصورة عبر الواجهة (اختيار من الملفات أو السحب والإفلات).
######### ملاحظة تصنيف النموذج للصورة ونسبة اليقين (مثال: 100% للفئة الإيجابية).
######### تكرار الاختبار بصور مختلفة للتأكد من أداء 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 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
###### تقدير 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
- يتم اختبار النموذج بعد تدريبه باستخدام صور من مجموعة بيانات الاختبار (Test).
- خطوات الاختبار العملية في واجهة Teachable Machine:
1. تحديد صورة اختبار من المجلد المخصص.
2. تحميل الصورة عبر خيار "اختيار الصور من ملفاتك أو اسحبها وأفلتها هنا".
3. ملاحظة نتيجة التصنيف التي يقدمها النموذج (الفئة ونسبة اليقين).
- يجب تكرار الاختبار بصور مختلفة للتأكد من أداء النموذج وعدم اعتماده على صورة واحدة.