Machine & Deep Learning

التعلم الآلي المبسط عملياً: الكود والأوامر التي تهم حقاً

تعلم الآلة المبسط: الأساسيات في مقال واحد — كود حقيقي، مخططات وخطوات ملموسة، مقتطفات من دورة من 42 درسًا.

REHOUMA Haythem

• 7 min read
التعلم الآلي المبسط عملياً: الكود والأوامر التي تهم حقاً

لا نظرية طويلة هنا: نفتح الطرفية ونمارس. إليك الأساسيات من Machine Learning Simplifié، مستخرجة مباشرة من دورة كاملة تضم 42 درسًا — مع كود حقيقي يمكنك نسخه ولصقه الآن.

tl;dr
  • مقدمة وتثبيت
  • Pandas et NumPy
  • معالجة البيانات المسبقة
  • خوارزميات التصنيف
  • خوارزميات الانحدار
~$ cat ./parcours.md # Machine Learning المبسط — 10 فصول
01
مقدمة وتثبيت
→ عرض الدورة ونظام Python ML البيئي→ تثبيت Anaconda و Jupyter و Scikit-learn+ 1 دروس أخرى
02
Pandas و NumPy
→ NumPy : المصفوفات والعمليات المتجهية→ Pandas : إطارات البيانات والسلاسل+ 2 دروس أخرى
03
معالجة البيانات المسبقة
→ القيم المفقودة : استراتيجيات الاستيفاء→ الترميز : OneHot و Label و Target+ 2 دروس أخرى
04
خوارزميات التصنيف
→ KNN : أقرب الجيران K→ الانحدار اللوجستي+ 2 دروس أخرى
05
خوارزميات الانحدار
→ الانحدار الخطي والتفسير→ الانحدار متعدد الحدود+ 2 دروس أخرى
06
الخوارزميات التجميعية
→ التجميع و الغابة العشوائية→ التعزيز : AdaBoost و Gradient Boosting+ 2 دروس أخرى
07
التعلم غير المشرف
→ K-Means : التجميع بالنقاط المركزية→ DBSCAN والتجميع بالكثافة+ 2 دروس أخرى
08
خط الأنابيب والتحقق المتقاطع والضبط
→ خط أنابيب Scikit-learn : المعالجة المسبقة + النموذج→ التحقق المتقاطع : k-fold والطبقي+ 2 دروس أخرى
🏁
المشروع النهائي (+ 2 فصول في الطريق)
→ تعود بمشروع ملموس وقابل للعرض

التصور السريع باستخدام Matplotlib وSeaborn

NOTEالهدف — تصور بياناتك لفهمها قبل التعلم الآلي. إتقان الرسوم البيانية الأساسية: المدرج التكراري، والمبعثر، والصندوق، والخريطة الحرارية.

الأهداف التعليمية

TIPعند إتمام هذه الوحدة
  • إنشاء رسوم بيانية باستخدام matplotlib.pyplot
  • التمييز بين المدرج التكراري، والمبعثر، والرسم الخطي، والصندوق
  • استخدام Seaborn لرسوم إحصائية سريعة
  • تخصيص العناوين والمحاور والأساطير
  • رسم مصفوفة الارتباط (خريطة حرارية)

Matplotlib: السكين السويسري للتصور

أول مصنف Iris في 30 دقيقة

NOTEالهدف — بناء أول نموذج تعلم آلي كامل من البداية إلى النهاية على مجموعة بيانات Iris الشهيرة، مع التحميل والتدريب والتنبؤ والتقييم، في أقل من 30 دقيقة.

الأهداف التعليمية

TIPعند إتمام هذه الوحدة
  • تحميل مجموعة بيانات قياسية من sklearn
  • فهم بنية X (السمات) وy (الأهداف)
  • تقسيم البيانات إلى تدريب واختبار
  • تدريب نموذج KNN في سطر واحد
  • تقييم الدقة باستخدام accuracy_score

مجموعة بيانات Iris: "Hello World" في التعلم الآلي

تحتوي مجموعة بيانات Iris على 150 زهرة iris تنتمي إلى 3 أنواع (Setosa، Versicolor، Virginica). لكل زهرة 4 قياسات: طول وعرض البتلات والسبلات. الهدف هو التنبؤ بالنوع من القياسات.

150 عينة

50 زهرة لكل نوع. مجموعة بيانات صغيرة مثالية للتعلم والتكرار السريع.

4 سمات رقمية

طول السبلة، عرض السبلة، طول البتلة، عرض البتلة (بالسنتيمتر).

3 فئات

Setosa (0)، Versicolor (1)، Virginica (2). مشكلة تصنيف متعدد الفئات.

NOTEالتاريخ: جمعت هذه المجموعة عام 1936 على يد عالم النبات Edgar Anderson وروج لها الإحصائي Ronald Fisher. أصبحت المعيار في تعلم التعلم الآلي لأن فئاتها قابلة للفصل بصريًا وحجمها صغير.

الخطوة 1: تحميل البيانات

يحتوي Scikit-learn على مجموعة بيانات Iris داخليًا، لا حاجة لتنزيل خارجي:

الخطوة 4: التنبؤ والتقييم

التنبؤ على زهرة جديدة

بمجرد التدريب، يمكن التنبؤ بنوع زهرة مجهولة بإدخال قياساتها الأربعة:

واجهة REST API باستخدام FastAPI

NOTEالهدف — عرض نموذج تعلم آلي كواجهة ويب يمكن لأي تطبيق استدعاؤها. بناء نقطة نهاية تنبؤ باستخدام FastAPI، والتحقق من المدخلات باستخدام Pydantic واختبارها محليًا.

الأهداف التعليمية

TIPعند إتمام هذه الوحدة
  • فهم سبب عرض النموذج عبر واجهة API
  • إنشاء تطبيق FastAPI بسيط
  • تحميل النموذج عند البدء واستخدامه في نقطة نهاية
  • التحقق من بيانات الإدخال باستخدام Pydantic
  • تشغيل واختبار الواجهة باستخدام Uvicorn ووثائق Swagger

لماذا واجهة API؟

النموذج داخل دفتر ملاحظات مفيد لك فقط. بعرضه عبر واجهة REST API، يمكن لأي تطبيق (موقع ويب، جوال، خدمة أخرى) إرسال بيانات واستلام تنبؤ عبر طلب HTTP بسيط. هذا هو المعيار لوضع النموذج في الإنتاج.

va-plus-loin

يغطي هذا المقال المقتطفات الأكثر فائدة — الدورة الكاملة Machine Learning Simplifié (11 فصول، 42 درسًا، تمارين محلولة ومشروع نهائي) تأخذك إلى النهاية.

./acceder-au-cours-complet cours gratuit : Maîtriser Claude Code

الأسئلة الشائعة

كم من الوقت لتعلم Machine Learning Simplifié؟
مع تقدم منظم (11 فصول، 42 درسًا قصيرًا وعمليًا)، يمكن الوصول إلى مستوى تشغيلي في بضعة أسابيع بمعدل 30 إلى 60 دقيقة يوميًا. المهم هو تطبيق كل مفهوم فورًا.
هل هناك متطلبات سابقة؟
لا متطلبات سابقة: تبدأ الدورة من الصفر، ويُقدم كل مفهوم قبل استخدامه.
من أين نبدأ عمليًا؟
طبّق الأوامر الواردة في هذا المقال، ثم تابع الدورة الكاملة Machine Learning Simplifié: تتسلسل فيها الـ42 درسًا بالترتيب، مع تمارين ومشروع نهائي.
./a-lire-aussi
→ Lance-toi en Machine Learning Débutants : ton premier pas concret aujourd'hui→ Apprentissage Automatique Python : les 9 étapes clés pour passer de zéro à opérationnel→ Lance-toi en Python scikit Learn : ton premier pas concret aujourd'hui

📬 هل تريد تلقي هذا النوع من الأدلة كل أسبوع؟ اشترك مجانًا — كود حقيقي، بدون كلام فارغ.

Stay up to date

Enter your email
Subscribe