مرحباً، أنا Artemy Kolchinsky. سوف نتحدث في هذه الدروس التعليمية عن التعلم الآلي، أمثلة عن مسائل التعلم الآلي وبعض الأسباب التي أصبح بسببها سائداً جداً في الأخبار، دعونا نبدأ ونتحدث عن التعلم الآلي أولاً، قد تكون فضولياً حول كيفية اختلافه عن مصطلحاً آخر قد سمعت به والذي هو الذكاء الاصطناعي، سأقول أنّ الذكاء الاصطناعي هو العلوم العامة لإنشاء أنظمة الذكاء الآلي، يمكن أن يكون ذلك أشياء كلعب الشطرنج، برمجيات التحكم بالروبوتات (البشر الآليون) أو العمليات الصناعية والكثير من الأمثلة الأخرى. التعلم الآلي هو جزء من الذكاء الاصطناعي وهو يهدف بشكلٍ خاص إلى تصميم برمجيات يمكنها أن تتعلم آلياً، أن تقوم بأشياء ذكية عادةً من بيانات مزودة لها، ومن وجهة النظر هذه، إنّها في الواقع مرتبطة كثيراً بعلم الإحصاء نوعاً ما، لأنّ علم الإحصاء معني أيضاً بصنع استدلالات من بيانات واستخدامها لتوقع أشياء أخرى. الآن لتحصل على فكرة تخطيطية نوعاً ما للاختلاف بين هذين الاثنين قد نأخذ بعين الإعتبار نظامي ذكاء اصطناعيين مختلفين، أحدهما هو مايدعى تجنب حركة المرور، نظام تجنب تصادم حركة المرور، صنف T، وهو أساسياً عبارة عن نظام قد تم تطويره قبل عدة عقود لمساعدة الطائرات على تجنب بعضها البعض، وتجنب تصادمات الهواء. إنّه بالأساس قائمة طويلة من البيانات والحالات التي تقول متى تُطلق الإنذارات، متى يتم إخبار طائرة ما أن ترتفع وطائرة أخرى أن تنخفض، وهكذا. وهذه القواعد البرمجية تمّ تصميمها للمساعدة على تجنب الاصطدامات. هذه ليست مسألة تعلم آلي لأنّه بالأساس برنامج ما مرمز. الآن، سأعطي مثال لما سأقول عنه مسألة تعلم آلي، وهي بعض البيانات المعطاة التالية، نموذج إحصائي لشيءً ما كالدخل السنوي الشخصي، اعتماداً على أمور كالعمر، الجنس، المستوى التعليمي، الرمز البريدي الجغرافي وهكذا. هؤلاء ما سندعوهم بالمتغيرات المستقلة للقيام بالتوقع حول ذلك ، فلنقل... كم من المال يجنيه الشخص خلال سنة. الآن، إن كنت قد أخذت مادة الإحصاء، قد تفكر أنّ هذا يمكن أن يُحّل بانحدار خطي بسيط، ولقد تبيّن أنّ ذلك صحيح، تلك طريقة واحدة لحل المسألة، والانحدار الخطي البسيط هو حالة بسيطة من التعلم الآلي. إنّه يستخدم بيانات لبناء نموذج الذي يمكن أن يُستخدم بعد ذلك للقيام بتنبؤات حول أمورٍ أخرى إذا أردت. مثال سينمائي أكثر للإختلاف بين الذكاء الصناعي والتعلم الآلي، يمكنك أن تفكر بحاسوب Hal 9000 في المسلسل التلفزيوني Space Odyssey الذي عرض في 2001 والذي بدا وكأنّه بالأساس برمجه لينفذ مهمة معينة لبعثة الفضاء، وسيكون ذلك مثال تقليدي للذكاء الصنعي. قارن ذلك بالحاسوب في ألعاب الحرب التقليدية في الثمانينات، والذي كان مدرباً ليتعلم لعب حرب نووية حرارية عالمية، وعندئذٍ يستطيع أن يتعلم لعب أشياء كـ tic-tac-toe (إكس-أو) وسيكون ذلك مثالاً للتعلم الآلي الذكاء الصنعي. حسناً لنواصل.. سأتحدث عن نطاقين رئيسيين لبراعة التعلم الآلي. في التعلم الآلي المراقب والتعلم اللآلي غير المراقب، في التعلم الآلي المراقب هناك بالأساس إجابة صحيحة لسؤال، وندرب الخوارزمية المستخدمة، بأن نظهر لها ما هي الإجابات الصحيحة. قد يكون التالي أمثلة على ذلك. أعطيك صورة وأطلب منك أن تصنّفها إمّا قط أو كلب. هناك بالتأكيد إجابة صحيحة لمعظم الصور. أو أعطيكم تسجيل صوتي واطلب منكم ما هو النص الذي قيل في التسجيل الصوتي ذلك. أو أخيراً قد أعطيكم بيانات قديمة لبورصة الأسهم واطلب منكم أن تتوقعوا ماذا ستكون البورصة الآن، ستصل البورصة إلى مستوى معين، ولذلك قد نكون مصيبين أو مخطئين. سنتحدث في هذا الدرس التعليمي بشكلٍ رئيس حول التعلم المراقب، ومع ذلك يجب أن تعلموا أيضاً عن النطاق الآخر للتعلم الآلي والذي يدعى التعلم غير المراقب. ولا يوجد في التعلم غير المراقب إجابة صحيحة في حد ذاتها، لكن ما نتمنى فعله هو إيجاد أنماط ذات معنى في البيانات. قد يكون هذا شيئاً ما كأخذ مجموعة بيانات ما، مطلوبة بشكلٍ كبير وتمثيلها بحيز بُعدي صغير. قد يكون شيئاً كأخذ مجموعة بيانات وتجميعها في مجموعات. إذاً، ذلك مثال آخر تراه على الشاشة، حيث يمكنك أن ترى أنّ هناك رسم بياني مبعثر، وهناك بعض التجمع. ما هو التجمع الصحيح؟ حسناً، قد لا يكون هناك تجمع واحد صحيح، لكن لا نزال نود أن نأخذ بعين الإعتبار أيضاً الأشياء فيه، والتي تتضمن أشياء ككشف الشذوذ، كشف الشذوذ، حيث أنّه ليس واضحاً ما هي الإجابة الصحيحة تماماً، لكن لا يزال من المفيد امتلاك خوارزمية إيجاد النمط نوعاً ما. بالإضافة إلى التعلم المراقب والتعلم غير المراقب، هناك الكثير والكثير من التراكيب والإختلافات والبدائل لهؤلاء، مثل تعلم التحويل، التعلم شبه المراقب وهكذا. لن يكون لدينا الوقت لنتعمق في معظم هذه المواضيع، لكن يجب أن تعلم أنّ مجالات نطاق التعلم الآلي كبيرة جداً، لكن التعلم المراقب على الأرجح هو التعلم الذي لديه النجاحات الأكثر مؤخراً، وهو أكثر ما سنتحدث عنه. حسناً، إذاً، كيف يعمل التعلم المراقب في الواقع؟ في التعلم المراقب المعطى لنا، والذي يدعى مجموعة بيانات تدريبية. سوف استخدم مثال أخذ الصور ونقرنهم بملصق كلب أو قط، اعتماداً على ما هو ظاهر في الصورة. ستتكون مجموعة البيانات التدريبية خاصتنا عندئذٍ من حزمة كاملة من الصور، ولكلٍ من هؤلاء ملصق (هذا كلب) أو (هذا قط). الآن، نأخذ مجموعة البينات التدريبية تلك، ونأخذ ما يدعى بنموذج إحصائي أو بشكلٍ عام، نموذج تعلم آلي نوعاً ما، ونأخذ خوارزمية تعلم. وسنتحدث حول ما يحدث في هذه العملية عندما يتحدوا، لكن عندما يتحدوا، نقول أنّنا ندرّب النموذج والناتج من هذا هو نموذج مدرّب. حسناً، إذاّ، لقد تعلم هذا النموذج المدرّب شيئاً ما عن الارتباط بين الصور وملصق الكلب أو القطة، وبمجرد ما درّبناه، يمكننا فعلاً أن نعطي هذا النموذج المدرّب صورة لم يرها أبداً من قبل، وسوف يقوم بتوقع إن كان هذا كلب أو قط، وإذا قمنا بعملٍ جيد، عندئذٍ يجب أن يكون محقاً بشأن توقعه، وسنتحدث أكثر عن ذلك لاحقاً. حسناً، إذاً، هناك شيءٌ واحدٌ فقط من المهم أن تتذكروه هو أنّنا تحدثنا عن بعض الأمثلة تعلم وحيد تقليدي سواءً صور أو كلاب أو قطط، لكن هناك الكثير والكثير من المسائل في العالم التي يمكن رؤيتها كمسائل تعلم مراقب، كمثال، لعب ألعاب الفيديو، تعلم كيفية لعب ألعاب الفيديو آلياً هو مثال لمسائل التعلم المراقب. يمكننا أن نفكر بمسائل التعلم المراقب، كتعلم واقتران من الحالة الحالية لشاشة ألعاب الفيديو، ماذا يجب أن تكون حركتي التالية؟ على سبيل المثال هل يجب أن تكون قفزة يمينية يسارية أو إطلاق نار، وأحد الطرق المدرّبة بها نماذج كهذه هو مصطلح ستسمع به، وهو التعلم التعزيزي. التعلم التعزيزي هو نوع من التعلم المراقب تقوم الخوارزمية فيه في الأساس بالكثير من تحويلات التشغيل خلال تسلسل من الأحداث نوعاً ما، ويحصل في نهاية تسلسل الأحداث هذا على تعزيز موجب أو سالب، وفي الواقع إنّه يغير كيفية تشغيله خلال تسلسل من الأحداث. إذاً، بالنسبة لتعظيم التعزير الذي يحصل عليه. سيأتي هذا لاحقاً بعد قليل في سياق درسنا. والذي سنتحدث عنه في درسٍ لاحق آخر. مثال على مشاكل التعلم المراقب وهو الترجمة الآلية. إذاً، قد أعطيكم جملة في اللغة الإنكليزية وقد أريد من خوارزميتكم أن تتعلم كيف تترجم هذه إلى جملة في اللغة الإسبانية، تقليدياً لقد كانت هذه مهمة صعبة جداً للتعلم المراقب وخوارزميات التعلم الآلي، لكن كما سنتحدث عن هذا لاحقاً، لقد كان هناك الكثير من النجاح في هذا مؤخراً، وقد تسمع شيئاً واحداً في سياق الترجمة الآلية، ومهمات مشابهة وهو تعلم التسلسل. يعني تعلم التسلسل أنّ الشيء الذي تقرن منه أو إليه هو تسلسل طويل من شيءٍ ما، كمثال، يمكن أن يكون تسلسل طويل من كلمات كما في اللغة. وستسمع أيضاً مصطلحات متكررة كالشبكات العصبية وأشياء كشبكات ذاكرة قصيرة الأمد LST M's في اقتران مع تعلم التسلسل. إذاً يا سادة هؤلاء هم الشبكات العصبية الحالية، السبب بأنّه قد كان هناك الكثير من التقدم في الترجمة الآلية مؤخراً في الواقع... وأخيراً المثال الأخير الذي سأتحدث عنه هو شيئاً ما كنظام توصية، إذاً، قد نريد أن نأخذ مجموعة الأغاني التي قد استمعت إليها، لنوع معين من الموسيقى. نستمع، والآن نقترح أغنية جديدة والتي نعتقد أنّها ستعجبك بناءً على ما قد سمعت، على الأرجح أنكم جميعاً مألوفين مع هذه الأمثلة، وفي الواقع من الممكن أن يعملوا بشكلٍ جيد ومفاجئ في أمور التوصية، حيث ينتهي بك الأمر بأن تعجب فعلاً. إذاً ذلك مثالاً آخر لمسائل التعلم المراقب. حسناً، إذاً، أحد آخر الأشياء الذي أريد منكم أن تتذكروها من هذا الدرس التعليمي، وهو أنّ هناك الكثير والكثير من الخوارزميات التي تقوم بالتعلم المراقب، ترى هنا على الشاشة، فقط مجموعة جزئية صغيرة لهؤلاء. قد تكون قد سمعت مؤخراً الكثير عن الشبكات العصبية أو التعلم العميق، والذي هما في الواقع مثال عن الشبكات العصبية. يجب أن تتذكر أنّ الشبكات العصبية تلك هم مثال واحد فقط لزخم خوارزميات التعلم الآلي وسط الكثير من الأمثلة الأخرى لديهم كالخوارزميات الأخرى، نقاط قوتهم وضعفهم، لكن سنتحدث لاحقاً أيضاً عن بعض الأسباب لما قد يكونوا سائدين جداً مؤخراً. الآن، في الدرس التعليمي القادم سأتحدث عن الطريقة المكانية أو الهندسية لفهم كيف يعمل التعلم الآلي فعلاً وماذا يفعل.