Demystifying Machine Learning: How Algorithms Learn from Data

تخيل ان عندك طفل وبتعلمه يتعرف على أنواع الحيوانات المختلفة،

فعشان تعلمه ده هتعرض عليه صور لحيوانات مختلفة وتقوله اسم كل حيوان فيهم، 

بعد كده هيبدأ الطفل ده لوحده يفتكر شكل القطة والكلب والأرنب.

في الأخر لما يشوف صورة جديدة لقطة، هيعرف يتعرف عليها لوحده لأنه اتعلم من الأمثلة الي قدمتهاله قبل كده وعرف يميز حاجة مميزة في شكل كل حيوان منهم، أو نمط معين يتبعه، يعرفه عن طريقها.

وهو ده نفس اللي بيحصل مع ال Machine Learning Algorithms!! 

إيه هو ال Machine Learning؟!

ال Machine Learning هو وسيلة لأجهزة الكمبيوتر للتعلم من البيانات واتخاذ القرارات أو التنبؤات من غير برمجتها بشكل مباشر عشان تعمل ده.

 بالظبط زي ما أي طفل بيتعلم من الأمثلة، بتتعلم ال Machine Learning Algorithms من ال data او البيانات.

طب ازاي بيشتغل؟

1. Collecting Data: 

أولاً، بتحتاج لبيانات.

اللي هي في المثال اللي قولناه صور الحيوانات اللي بتعرضها على الطفل. بالنسبة لل Machine Learning Model، ممكن تكون البيانات دي أي شيء من بيانات نصية او صور او إحصائيات او تسجيلات صوتية او حتى مقاطع فيديو.

 2. Training the Model: 

مرحلة التدريب او ال training هي المرحلة التي بيحصل فيها حاجة شبه السحر. 

وفي المثال اللي قولناه بتمثل عرض صور حيوانات مختلفة على الطفل بشكل متكرر وتقوله أسمائها. 

في ال Machine Learning Algorithms بقي بتبدأ في تحديد الأنماط او ال patterns. على سبيل المثال، ممكن تتعلم أن القطط عادةً بيكون لها آذان مدببة وأن الكلاب لها آذان مستديرة وهو ده هيكون فيما بعد النمط الي هيتبعه ال model للتعرف على الحيوان في المرحلة الي بعد كده.

3. Making Predictions:

بمجرد الإنتهاء من تدريب ال Algorithm، ممكن تبدأ تتنبأ.

والمرحلة دي بتمثل أن الطفل بيشوف صورة جديدة لحيوان مشافهاش قبل كده يعني هو مدرب على التعرف على الحيوان ده بس بصور مختلفة عن الصورة الي قدمتهاله دلوقتي. 

لو الصورة دي على سبيل المثال صورة قطة هيقدر يتعرف عليها ويقول انها قطة فعلاً. 

وبالمثل، ده بيحصل مع ال AI model الأنماط اللي اتعلمها أثناء التدريب بيجري بيها تنبؤات حول البيانات الجديدة.

A Simple Example: Email Spam Filter

تعالوا دلوقتي نشوف مثال عملي ، لما بتيجي تعمل اي email spam filter عشوائي، لازم تزوده بأمثلة كتير على الايميلات العشوائية والايميلات غير العشوائية. 

كل ايميل منهم فيه ميزات معينة زي مثلاً الكلمات الرئيسية ومعلومات المرسل والبنية او الهيكل بتاعه.

 1. Data Collection: 

هتحط لل model ايميلات كتير، مصنفة معمولها "annotation" على أنها "إيميل عشوائي" أو "إيميل غير عشوائي".

2. Training: 

ال Algorithm هيحلل الإيميلات دي وهيتعرف على المميزات الشائعة في الإيميلات العشوائية (على سبيل المثال، عبارات زي "تهانينا! لقد فزت" أو "هدية مجانية").

3. Prediction: 

لما يوصل إيميل جديد، هيستخدم ال Email spam filter ده اللي اتعلمه عشان يقرر ما إذا كان الايميل ده عشوائي ولا لا.

لو وجد مميزات مماثلة في الإيميل الجديد، هيصنفه على انه إيميل عشوائي.

طب وايه الفايدة من كل ده ؟

ممكن لل Machine Learning انه يتعامل مع كميات كبيرة من ال data ويتعلم الأنماط المعقدة الي قد يكون من الصعب جدًا على البشر برمجتها يدويًا.

على سبيل المثال، ممكن لل machine learning مساعدة الأطباء في التنبؤ بالأمراض من الصور الطبية، أو التوصية بالمنتجات بناءً على المشتريات السابقة، أو حتى قيادة السيارات ذاتية القيادة من خلال تحليل بيانات المستشعر.

عشان كده، في المرة الجاية اللي تسمع فيها عن ال Machine Learning، أفتكر: ان الموضوع كله يتعلق بالتعلم من الأمثلة، زي ما أحنا بنتعلم بالظبط!!