الفرق بين الخوارزمية Algorithm والنموذج Model في التعلم الآلي Machine Learning

مقدمة

يتضمن التعلم الآلي استخدام خوارزميات ونماذج التعلم الآلي. بالنسبة للمبتدئين ، يعد هذا أمرًا محيرًا للغاية لأنه غالبًا ما يتم استخدام مصطلح “خوارزمية التعلم الآلي” بالتبادل مع “نموذج التعلم الآلي”. هل يحملان نفس المعنى أم هما شيئان مختلفان؟

بصفتك مطورًا ، فإن حدسك باستخدام “الخوارزميات” مثل خوارزميات الفرز وخوارزميات البحث سيساعد في إزالة هذا الالتباس. في هذا المقال ، سوف نكتشف الفرق بين “خوارزميات” و “نماذج” التعلم الآلي.

يمكن تقسيم هذا المقال إلى أربعة أجزاء رئيسية ؛ هم انهم:

  1. ما تعريف الخوارزمية Algorithm في التعلم الآلي Machine Learning
  2. ما تعريف النموذج Model في التعلم الآلي Machine Learning
  3. الخوارزمية Algorithm مقابل إطار النموذج
  4. التعلم الآلي Machine Learning كبرمجة التلقائية Automatic Programming

ما هي “الخوارزمية Algorithm” في التعلم الآلي Machine Learning

يمكن تعريف “الخوارزمية Algorithm” في التعلم الآلي على أنها إجراء يتم تشغيله على البيانات لإنشاء “نموذج” تعلم آلي. حيث تؤدي خوارزميات التعلم الآلي “التعرف على الأنماط”. الخوارزميات “تتعلم” من البيانات ، أو “ملائمة” لمجموعة البيانات.

هناك العديد من خوارزميات التعلم الآلي.

على سبيل المثال ، لدينا خوارزميات للتصنيف classification ، مثل خوارزمية أقرب الجيران k-nearest neighbors لدينا خوارزميات للانحدار regression ، مثل خوارزمية الانحدار الخطي linear regression، ولدينا خوارزميات للتجميع و العنقدة clustering ، مثل خوارزمية k-mean.

أمثلة على خوارزميات التعلم الآلي:

  1. خوارزمية الانحدارالخطي Linear Regression
  2. الانحدار اللوجستي Logistic Regression
  3. شجرة القرار Decision Tree
  4. خوارزمية الشبكة العصبية الاصطناعية Artificial Neural Network
  5.  خوارزمية أقرب الجيران k-nearest neighbors
  6. خوارزمية k-mean

يمكنك التفكير في خوارزمية التعلم الآلي مثل أي خوارزمية أخرى في علم الحاسوب. لذلك، فإن خوارزميات التعلم الآلي لها عدد من الخصائص:

يمكن وصف خوارزميات التعلم الآلي باستخدام الرياضيات و السودوكود أو الكود المزيف أو شبيه الكود Pseudocode.

يمكن تحليل كفاءة خوارزميات التعلم الآلي ووصفها.

يمكن تنفيذ خوارزميات التعلم الآلي بأي لغة من لغات البرمجة الحديثة . حيث أن لغتي البرمجة Python و R هما الشائعتان.
على سبيل المثال ، قد ترى خوارزميات التعلم الآلي موصوفة بشبيه الكود Pseudocode أو الجبر الخطي linear algebra في الأوراق البحثية والكتب المدرسية. و قد ترى الكفاءة الحسابية لخوارزمية محددة لتعلم الآلة مقارنة بخوارزمية أخرى.

يمكن للأكاديميين ابتكار خوارزميات جديدة تمامًا للتعلم الآلي ويمكن لممارسي التعلم الآلي استخدام خوارزميات تعلم الآلة القياسية في مشاريعهم. هذا تمامًا مثل مجالات علوم الحاسوب الأخرى حيث يمكن للأكاديميين ابتكار خوارزميات فرز جديدة تمامًا ، ويمكن للمبرمجين استخدام خوارزميات الفرز القياسية في تطبيقاتهم.

من المحتمل أيضًا أن ترى العديد من خوارزميات التعلم الآلي المنفذة معًا ويتم توفيرها في مكتبة بواجهة برمجة تطبيقات قياسية (API). ومن الأمثلة الشائعة مكتبة scikit-Learn التي توفر تطبيقات للعديد من خوارزميات التصنيف والانحدار وتجميع خوارزميات التعلم الآلي في لغة البرمجة Python.

ما هو “النموذج Model” في التعلم الآلي Machine Learning

“النموذج” في التعلم الآلي هو ناتج خوارزمية التعلم الآلي التي تم تطبيقها على البيانات. حيث يمثل النموذج ما تعلمته خوارزمية التعلم الآلي على البليانات المنوطة. أيضا النموذج هو “الشيء” الذي يتم حفظه بعد تشغيل خوارزمية التعلم الآلي على بيانات التدريب ويمثل القواعد والأرقام وأي هياكل بيانات أخرى خاصة بالخوارزمية مطلوبة لعمل تنبؤات.

قد توضح بعض الأمثلة أدنا معنى النموذج في التعلم الالي:

نتائج خوارزمية الانحدار الخطي linear regression عبارة عن نموذج يتكون من متجه للمعاملات بقيم محددة.

نتائج خوارزمية شجرة القرار decision tree عبارة عن نموذج يتألف من شجرة مكونة من عبارات if-then بقيم محددة.

نتائج خوارزميات الشبكة العصبية neural network/ الانتشار العكسي backpropagation / و النزول المتدرج gradient descent  معًا عبارة عن نموذج يتألف من بنية رسم بياني مع متجهات أو مصفوفات من الأوزان ذات قيم محددة.

يعد نموذج التعلم الآلي أكثر صعوبة بالنسبة للمبتدئين لأنه لا يوجد تشابه واضح مع الخوارزميات الأخرى في علوم الحاسوب.

على سبيل المثال ، ناتج القائمة التي تم فرزها لخوارزمية الفرز ليست نموذجًا بالفعل.

أفضل تشبيه هو التفكير في نموذج التعلم الآلي على أنه “برنامج program“.

يتكون “برنامج program” نموذج التعلم الآلي من كل من البيانات وإجراء لاستخدام البيانات لعمل تنبؤ.

على سبيل المثال ، ضع في اعتبارك خوارزمية الانحدار الخطي linear regression والنموذج الناتج. يتكون النموذج من متجه للمعاملات (البيانات) التي يتم ضربها وتلخيصها بصف من البيانات الجديدة المأخوذة كمدخلات من أجل إجراء التنبؤ (إجراء التنبؤ).

نقوم بحفظ البيانات الخاصة بنموذج التعلم الآلي لاستخدامه لاحقًا.

غالبًا ما نستخدم إجراء التنبؤ لنموذج التعلم الآلي الذي توفره مكتبة التعلم الآلي. في بعض الأحيان قد نقوم بتنفيذ إجراء التنبؤ بأنفسنا كجزء من تطبيقنا. غالبًا ما يكون هذا أمرًا بسيطًا نظرًا لأن معظم إجراءات التنبؤ بسيطة للغاية.

الخوارزمية Algorithm مقابل إطار النموذج Model Framework

الآن نحن على دراية كافية نوعا ما عن الفرق بين “خوارزمية” التعلم الآلي و “نموذج” التعلم الآلي. على وجه التحديد ، يتم تشغيل أي خوارزمية على البيانات لإنشاء نموذج معين.

تعلم الآلة => نموذج التعلم الآلي

نحن نعلم أيضًا أن النموذج يتكون من كل من البيانات و الإجراء الذي يحددكيفية استخدام البيانات للتنبؤ بالبيانات الجديدة. يمكنك التفكير في الإجراء كخوارزمية تنبؤ إذا أردت.

نموذج التعلم الآلي == نموذج البيانات + خوارزمية التنبؤ
هذا التقسيم مفيد جدًا في فهم مجموعة واسعة من الخوارزميات.

على سبيل المثال ، معظم الخوارزميات كل عملها في “الخوارزمية”  لكن “خوارزمية التنبؤ” عملها قليل جدًا على البيانات.

عادةً ما تكون الخوارزمية نوعًا من إجراءات التحسين التي تقلل خطأ النموذج (البيانات + خوارزمية التنبؤ) في مجموعة بيانات التدريب. تعد خوارزمية الانحدار الخطي مثالاً جيدًا. ينفذ عملية تحسين (أو يتم حله تحليليًا باستخدام الجبر الخطي linear algebra) للعثور على مجموعة من الأوزان التي تقلل من مجموع الخطأ التربيعي في مجموعة بيانات التدريب.

خوارزمية الانحدار الخطي Linear Regression:

الخوارزمية Algorithm: ابحث عن مجموعة من المعاملات التي تقلل من الخطأ في مجموعة بيانات التدريب.

النموذج Model:

  • بيانات النموذج: متجه المعاملات Vector of coefficients
  • خوارزمية التنبؤ: معاملات المضاعف و الجمع مع صف الإدخال

بعض الخوارزميات تافهة أو حتى لا تفعل شيئًا ، وكل العمل في النموذج أو خوارزمية التنبؤ.

لا تحتوي خوارزمية الجار الأقرب k-nearest neighbor على “خوارزمية” بخلاف حفظ مجموعة بيانات التدريب بالكامل. وبالتالي ، فإن بيانات النموذج هي مجموعة بيانات التدريب بأكملها وكل العمل في خوارزمية التنبؤ ، أي كيف يتفاعل صف جديد من البيانات مع مجموعة بيانات التدريب المحفوظة لإجراء تنبؤ.

خوارزمية الجار الأقرب k-nearest neighbor

الخوارزمية Algorithm: حفظ بيانات التدريب.

النموذج Model:

  • بيانات النموذج: مجموعة بيانات تدريب كاملة.
  • خوارزمية التنبؤ: ابحث عن الصفوف الأكثر تشابهًا ومتوسط ​​المتغير المستهدف. يمكنك استخدام هذا التفصيل كإطار عمل لفهم أي خوارزمية للتعلم الآلي.

التعلم الآلي Machine Learning كبرمجة التلقائية Automatic Programming

نريد حقًا “نموذج” للتعلم الآلي و “الخوارزمية” هي فقط المسار الذي نتبعه للحصول على النموذج. تُستخدم تقنيات التعلم الآلي للمشكلات التي لا يمكن حلها بكفاءة أو فعالية بطرق أخرى.

على سبيل المثال ، إذا احتجنا إلى تصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها أو ليست بريدًا عشوائيًا ، فنحن بحاجة إلى برنامج للقيام بذلك. يمكننا الجلوس ، ومراجعة عدد كبير من رسائل البريد الإلكتروني يدويًا ، وكتابة عبارات if لأداء هذه المهمة. لكن اتضح أن هذا النهج بطيء وهش وغير فعال للغاية. بدلاً من ذلك ، يمكننا استخدام تقنيات التعلم الآلي لحل هذه المشكلة. على وجه التحديد ، يمكن لخوارزمية مثل Naive Bayes تعلم كيفية تصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها وليست بريدًا عشوائيًا من مجموعة بيانات كبيرة من العينات المؤرشفة للبريد الإلكتروني.

في التعلم الالي نحن لا نهتم بخوارزمية “Naive Bayes” و إنما نهتم بالنموذج الذي تقدمه خوارزمية ال Naive Bayes الذي يمكننا استخدامه لتصنيف البريد الإلكتروني (متجهات الاحتمالات vectors of probabilities وخوارزمية التنبؤ prediction algorithm لاستخدامها). لذلك بشكل عام في التعلم الآلي نهتم بالنماذج التي تقدمه الخوارزميات ، وليس بالخوارزميات المستخدمة لإنشاء النماذج. وبهذا المعنى ، فإن نموذج التعلم الآلي هو برنامج مكتوب أو تم إنشاؤه أو تعليمه تلقائيًا بواسطة خوارزمية التعلم الآلي لحل المشكلة المناط حلها.

كمطورين تعلم ألي ، نحن لا نهتم شكل كبير بـ “التعلم” الذي تقوم به خوارزميات التعلم الآلي. نحن لا نهتم بمحاكاة عمليات التعلم. بدلاً من ذلك ، نحن مهتمون أكثر بقدرة البرمجة التلقائية التي توفرها خوارزميات التعلم الآلي. غرضنا هو الحصزل على نموذجًا فعالًا يتم إنشاؤه بكفاءة حيث يمكننا دمجه في مشروعنا البرمجي. حيث أن خوارزميات التعلم الآلي تقوم بتنفيذ البرمجة التلقائية ونماذج التعلم الآلي هي البرامج التي يتم إنشاؤه.

الخلاصة

في هذا المقال ، اكتشفنا الفرق بين “الخوارزميات” و “النماذج” في التعلم الآلي. لقد تعلمنا على وجه التحديد ما يلي :

  • خوارزميات التعلم الآلي هي إجراءات يتم تنفيذها في التعليمات البرمجية ويتم تطبيقلها على البيانات.
  • يتم إخراج نماذج التعلم الآلي بواسطة الخوارزميات وتتألف من بيانات النموذج وخوارزمية التنبؤ.
  • توفر خوارزميات التعلم الآلي نوعًا من البرمجة التلقائية حيث تمثل نماذج التعلم الآلي البرنامج.

المراجع

المرجع الاول

المرجع الثاني

المرجع الثالث

 

Share on facebook
فاسبوك
Share on twitter
تويتر
Share on linkedin
لينكد إن
Share on whatsapp
واتساب

اترك تعليقاً

المشاركات الاخيرة

أحدث التعليقات

أفحص بحثك بالمجان

رفع الملف