التعلُّم الآلي (ML)

التعلم الآلي (ML) هو مجال فرعي للذكاء الاصطناعي (AI ) يركز على تمكين أجهزة الكمبيوتر من التعلم من البيانات دون برمجتها بشكل صريح. وهو ينطوي على تطوير خوارزميات يمكنها تحسين أدائها تلقائيًا في مهمة معينة من خلال الخبرة. تقوم هذه الخوارزميات بتحديد الأنماط والتنبؤات وتكييف سلوكها بناءً على البيانات التي تتعرض لها. وتعد هذه القدرة حاسمة لحل المشاكل المعقدة التي يصعب أو يتعذر معالجتها بأساليب البرمجة التقليدية.

المفاهيم الأساسية للتعلم الآلي

صُممت خوارزميات التعلم الآلي للتعلم من البيانات، والتي تنقسم عادةً إلى بيانات التدريب وبيانات التحقق من الصحة وبيانات الاختبار. تُستخدم بيانات التدريب لتدريب النموذج، وتساعد بيانات التحقق من صحة البيانات في ضبط المعلمات المفرطة للنموذج، وتقيّم بيانات الاختبار أداء النموذج على البيانات غير المرئية.

توجد عدة أنواع من نماذج التعلم ضمن التعلم الآلي:

• التعلّم تحت الإشراف: تتعلم الخوارزمية من البيانات الموسومة، حيث ترتبط كل نقطة بيانات بمخرج أو تسمية معروفة.
• التعلّم غير الخاضع للإشراف: تتعلم الخوارزمية من البيانات غير المُسمّاة، وتحدد الأنماط والبنى دون أي مخرجات محددة مسبقًا.
• التعلم المعزز: تتعلم الخوارزمية من خلال التجربة والخطأ من خلال تلقي التغذية الراجعة في شكل مكافآت أو عقوبات بناءً على أفعالها.
• التعلّم شبه الخاضع للإشراف: يجمع بين عناصر التعلّم الخاضع للإشراف والتعلم غير الخاضع للإشراف، وذلك باستخدام كمية صغيرة من البيانات المصنفة مع كمية كبيرة من البيانات غير المصنفة لتحسين دقة التعلم.

الاختلافات الرئيسية عن المصطلحات ذات الصلة

في حين أن التعلم الآلي يرتبط ارتباطًا وثيقًا بمجالات الذكاء الاصطناعي الأخرى، إلا أنه يتميز بخصائص مميزة. فعلى عكس التعلم العميق (DL)، وهو مجموعة فرعية من التعلم الآلي تركز على الشبكات العصبية (NN) ذات الطبقات المتعددة، يشمل التعلم الآلي مجموعة واسعة من الخوارزميات والتقنيات. الرؤية الحاسوبية (CV) ومعالجة اللغات الطبيعية (NLP) هي تطبيقات محددة للتعلم الآلي تركز على معالجة وفهم البيانات المرئية والنصية على التوالي.

تطبيقات التعلم الآلي في العالم الحقيقي

لقد أحدث التعلّم الآلي ثورة في العديد من الصناعات من خلال تمكين اتخاذ القرارات والأتمتة القائمة على البيانات. وفيما يلي مثالان ملموسان:

1. الرعاية الصحية: في مجال الرعاية الصحية، تُستخدم خوارزميات التعلم الآلي لتحليل الصور الطبية، مثل صور الأشعة السينية والتصوير بالرنين المغناطيسي، للكشف عن الحالات الشاذة والمساعدة في تشخيص أمراض مثل السرطان. على سبيل المثال، يمكن تدريب نموذج التعلُّم الآلي على آلاف الصور الطبية لتحديد الأنماط التي تدل على الأورام، مما يساعد الأطباء على إجراء تشخيصات أكثر دقة وفي الوقت المناسب.
2. الزراعة: يؤدي التعلم الآلي دورًا حاسمًا في الزراعة الدقيقة، وتحسين غلة المحاصيل وإدارة الموارد. على سبيل المثال، يمكن للخوارزميات تحليل البيانات من مصادر مختلفة، مثل صور الأقمار الصناعية وأنماط الطقس وأجهزة استشعار التربة، للتنبؤ بأفضل الأوقات للزراعة والري والحصاد. ولا يؤدي ذلك إلى زيادة الإنتاجية فحسب، بل يعزز أيضًا الممارسات الزراعية المستدامة. تعرف على المزيد عن الذكاء الاصطناعي في الزراعة.

الأدوات والتقنيات في التعلم الآلي

تسهل العديد من الأدوات وأطر العمل تطوير نماذج التعلم الآلي ونشرها. PyTorch و TensorFlow إطاران شائعان للتعلم العميق يوفران البنية التحتية اللازمة لبناء الشبكات العصبية وتدريبها. بالإضافة إلى ذلك، تقدم مكتبات مثل OpenCV مجموعة واسعة من الوظائف لمهام الرؤية الحاسوبية. يمكنك استكشاف هذه الأدوات وغيرها على مدونةUltralytics .

بالنسبة لأولئك المهتمين باتباع نهج أكثر سهولة في الاستخدام، تقدم منصات مثل Ultralytics HUB حلولاً بدون تعليمات برمجية لتدريب ونشر نماذج التعلم الآلي، بما في ذلك أحدث نماذج Ultralytics YOLO . وهذا يجعل من السهل على الأفراد والشركات الذين ليس لديهم خبرة واسعة في البرمجة الاستفادة من قوة التعلم الآلي.