أول model ليك
إنت عارف الـ Machine Learning (تعلم الآلة) إيه وأنواعه التلاتة. دلوقتي يلا نبني أول صورة في دماغك للآلات بتتعلّم إزاي فعلًا — من البيانات للـ predictions (التنبؤات).
يعني إيه model؟
function بتاخد inputs وتطلّع outputs. في البرمجة التقليدية، البني آدمين بيكتبوا القواعد. في الـ Machine Learning، الـ model (النموذج) بيكتشف القواعد من البيانات.
الـ features والـ labels
الـ features (المميزات) (X) هي الـ inputs اللي الـ model بيستخدمها. الـ labels (التسميات) (y) هي الإجابات اللي بيتنبأ بيها. وجودة الـ features غالبًا أهم من اختيار الـ algorithm.
بيانات التدريب
الـ model بيتعلّم من أمثلة إحنا عارفين إجاباتها من الأول. أمثلة أكتر وممثّلة أكتر ← model أحسن. بيانات وحشة = model وحش.
اتنبأ ← قارن ← عدّل
الآلية الأساسية ورا كل الـ supervised learning:
الـ loss functions
الشهادة بتاعة الـ model. متوسط مربع الخطأ بيربّع أخطاء الـ prediction وياخد متوسطها — وبيعاقب الأخطاء الكبيرة جامد. ده الـ loss function (دالة الخسارة).
الـ gradient descent
تخيّل إنك واقف على تل وسط ضباب. مش شايف القاع، بس حاسس بالميل. خد خطوة لتحت. وعيد. ده الـ gradient descent (النزول التدرجي).
الـ linear regression
أبسط model في الـ Machine Learning: خط مستقيم. w هو الـ weight (الميل)، وb هو الـ bias (التقاطع). ده الـ linear regression (الانحدار الخطي)، ومع إنه بسيط، قوي ومستخدم في كل حتة.
الـ overfitting قصاد الـ underfitting
التحدي الأساسي في الـ Machine Learning:
تقسيم الـ train / test
شيل على جنب بيانات الـ model مش بيشوفها أثناء التدريب. وقيّم عليها. لو دقة التدريب عالية بس دقة الاختبار واطية — اتكشف الـ overfitting.
الـ ML pipeline كامل
خمس خطوات، ودايمًا بتتكرّر:
اتعلّمت إيه
الـ model بيتعلّم من البيانات بلفّات اتنبأ ← قيس ← عدّل. الـ loss functions بتوجّه التعلّم. والـ gradient descent بيلاقي أقل نقطة. وتقسيم الـ train/test بيكشف الـ overfitting.