KN learning #post ## ما هو تعلم الآلة؟ تعلم الآلة (Machine Learning) هو أحد فروع الذكاء الاصطناعي الذي يتيح للآلات (مثل الحواسيب) القدرة على التعلم من البيانات وتحسين أدائها بمرور الوقت دون الحاجة إلى برمجتها بشكل مباشر للقيام بمهام معينة. يعتمد النظام على الأنماط والإحصائيات الموجودة في البيانات للقيام بمهام مثل التنبؤات، التصنيفات، أو اتخاذ قرارات معينة. ### أمثلة على تعلم الآلة: #### 1. التعرف على الصور: تعتمد أنظمة تعلم الآلة على تحديد الأنماط في الصور لتصنيفها. على سبيل المثال، عند تحميل صورة إلى تطبيق مثل Google Photos، يتمكن النظام من التعرف على محتويات الصورة (أشخاص، سيارات، حيوانات) بناءً على النماذج التي تم تدريبها مسبقًا. الكود:

from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
import numpy as np

# تحميل النموذج المدرب
model = load_model('model.h5')

# تحميل الصورة التي نريد تصنيفها
img = image.load_img('test_image.jpg', target_size=(150, 150))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

# توقع فئة الصورة
prediction = model.predict(img_array)
print(f"توقع النموذج: {prediction}")

#### 2. التنبؤ بالمبيعات: تستخدم الشركات تعلم الآلة لتحليل بيانات المبيعات السابقة والتنبؤ بالمبيعات المستقبلية. هذا يساعدها في اتخاذ قرارات استراتيجية مثل تخزين المنتجات أو التخطيط المالي. الكود:

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np

# بيانات المبيعات (مثال)
sales_data = np.array([[1, 100], [2, 150], [3, 200], [4, 250]])  # الشهر والمبيعات
X = sales_data[:, 0].reshape(-1, 1)  # المدخلات: الشهر
y = sales_data[:, 1]  # المخرجات: المبيعات

# تقسيم البيانات
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# إنشاء نموذج الانحدار الخطي
model = LinearRegression()
model.fit(X_train, y_train)

# التنبؤ بالمبيعات للشهر الخامس
predicted_sales = model.predict([[5]])
print(f"توقع المبيعات للشهر الخامس: {predicted_sales}")

#### 3. تحديد الرسائل العشوائية (السبام): تعتمد أنظمة البريد الإلكتروني على تعلم الآلة لتحديد الرسائل العشوائية من الرسائل العادية. يتم تدريب النظام بناءً على الرسائل السابقة المصنفة كـ"سبام" أو "غير سبام" لتحسين دقته. الكود:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# بيانات التدريب (رسائل عادية ورسائل سبام)
emails = ["Congratulations, you've won a prize!", "Meeting tomorrow at 10am", "Cheap products available now"]
labels = [1, 0, 1]  # 1 تعني سبام، 0 تعني رسالة عادية

# تحويل النصوص إلى بيانات رقمية
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)

# تدريب النموذج
model = MultinomialNB()
model.fit(X, labels)

# اختبار النموذج
test_email = vectorizer.transform(["Win a free vacation now!"])
prediction = model.predict(test_email)
print(f"توقع الرسالة: {'سبام' if prediction[0] == 1 else 'رسالة عادية'}")

### أنواع تعلم الآلة: #### 1. التعلم الموجه (Supervised Learning): في هذا النوع، يتم تدريب النموذج باستخدام بيانات تحتوي على المدخلات والمخرجات الصحيحة. على سبيل المثال، يمكن تدريب النموذج على تصنيف الصور أو الرسائل البريدية. #### 2. التعلم غير الموجه (Unsupervised Learning): لا يتم تزويد النظام بنتائج صحيحة في هذا النوع. بدلاً من ذلك، يقوم النموذج بالبحث عن أنماط في البيانات مثل تجميع الصور المشابهة. #### 3. التعلم المعزز (Reinforcement Learning): يشبه التعلم من التجربة والخطأ، حيث يتعلم النظام من خلال المحاولة للوصول إلى أفضل نتيجة. يتم مكافأة النموذج عند اتخاذ القرارات الصحيحة ومعاقبته عند الخطأ. --- ## What is Machine Learning? Machine Learning is a branch of artificial intelligence that allows machines (like computers) to learn from data and improve their performance over time without being explicitly programmed to perform certain tasks. The system relies on patterns and statistics found in the data to perform tasks such as predictions, classifications, or decision-making. ### Examples of Machine Learning: