Maloook's Neural Insights

 ال Machine Learning، ال Hyperparameters  تقدر تعتبرها كده شبه زراير الضبط اللي بتظبط بيها اي جهاز مثلاً.  فهي تعتبر إعدادات ممكن تظبطها عشان تاخد افضل performance من ال model. فإنك تلاقي ال Hyperparameters الصح ممكن يعمل فرق كبير جداً في مدى جودة اداء ال model بتاعك. What Are Hyperparameters? ال Hyperparameters هي parameters عملية التعلم نفسها، مش ال parameters الداخلية لل model اللي بيتم تعلمها من الداتا. إنها إعدادات انت بتحددها قبل بداية الtraining، وهي كمان بتتحكم في كيفية تعلم الmodel. Some common hyperparameters include: 1. Learning Rate : مدى سرعة تحديث ال model للحاجات اللي اتعلمها 2. Number of Layers/Neurons : مدى تعقيد ال model. 3. Batch Size : مقدار الداتا اللي بتدخل للmodel في كل مره أثناء ال training 4. Epochs : عدد المرات اللي ال model بيكون محتاجها عشان يعمل training للداتا كلها  Example 1: Learning Rate as Tuning Speed يعتبر ال learning rate  واحد من أهم ال Hyperparameters. فهو بيتحكم في مدى سرعة أو بطء تعلم الmodel. لو ال learning rate عالي: ا...

تخيل أنك واقف أمام كومة كبيرة من الفاكهة المختلفة - التفاح والبرتقال والموز وغيرهم. وعندك مهمتين: في الأولى ، فيه شخص ما هيقولك اسم كل فاكهة، وهتقوم بتصنيفها في مجموعات بناءً على المعلومات دي. وفي المهمة الثانية ، مفيش حد هيقولك اسم الفاكهة؛ مطلوب منك بس تبص ليها وتعرف ازاي تجمعها بناءً على أوجه التشابه بينها. المهمتين دول بالظبط شبه النوعين الرئيسيين من ال Machine Learning:  supervised learning and unsupervised learning . ودلوقتي تعالوا نتعمق اكتر في الي بيخليهم مختلفين عن بعض. Supervised Learning: Sorting with Labels في ال Supervised learning، بيتم تزويدك بمجموعة من الداتا أو البيانات المصنفة. وده معناه أنه بالنسبة لكل جزء من البيانات، أنت تعرف بالفعل الإجابة الصح أو العلامة. الموضوع ده زي ما يكون بالظبط فيه شخص جنبك، بيقولك، "دي تفاحة"، "دي برتقالة"، وهكذا. وظيفتك هي التعلم من البيانات المصنف دي بحيث تقدر تتعرف عليها بشكل صحيح لما تشوف بيانات جديدة (زي مثلاً فاكهة جديدة). Example 1: Classifying Emails مثال شائع لل Supervised learning هو اكتشاف ال Email Spam filt...

عمرك سألت نفسك قبل كده ازاي أنت ممكن تبقي لسه بتفكر في الحاجة او بتتناقش فيها مع حد وفجأة تفتح أي موقع من مواقع السوشيال ميديا وتلاقي الحاجة دي قدامك من غير حتى ما تكون فكرت تسيرش عنها قبل كده!!  أكيد ده مش سحر - ده ال Machine Learning !!  في البوست ده، هنعرض رحلة ال Machine Learning Model، من أول جمع البيانات الخام لحد إجراء تنبؤات تقود نظام ال recommendations على مواقع التجارة الإلكترونية. Step 1: Collecting Data كل حاجة بتبدأ بالداتا او البيانات. فكر في الداتا باعتبارها المادة الخام لل Machine Learning Model الخاص بيك، تمامًا زي المكونات لأي اكلة مثلاً. في بيئة التجارة الإلكترونية، ممكن الداتا دي تتضمن معلومات حول مشتريات العملاء السابقة، والمنتجات اللي تصفحوها، وحتى تقييماتهم أو مراجعاتهم. على سبيل المثال، لنفترض أنك تُدير متجر كتب أونلاين من خلال الإنترنت. وبتجمع الداتا حول الكتب اللي بيشتريها الأشخاص، والأنواع الي بيفضلونها، ومدى تكرار تسوقهم، والكتب اللي بيضيفونها لل shop later list. البيانات دي هي أساس ال recommendation system بتاعك.   Step 2: Preparing the Data ا...

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 ...