Luct7.pdf

Machine Learning for
Cyber Security
1
ENG/SALMA MOHAMMAD
Eng/Salma Mohammad
‫الخامسة‬ ‫المحاضرة‬
‫سيبراني‬ ‫أمن‬
–
‫رابع‬ ‫مستوي‬

Python Arrays
‫متجاورة‬ ‫ذاكرة‬ ‫مواقع‬ ‫في‬ ‫المخزنة‬ ‫العناصر‬ ‫من‬ ‫مجموعة‬ ‫هي‬ ‫المصفوفة‬
.
‫ا‬ً‫ع‬‫م‬ ‫النوع‬ ‫نفس‬ ‫من‬ ‫عناصر‬ ‫عدة‬ ‫تخزين‬ ‫هي‬ ‫الفكرة‬
.
‫ح‬ ‫السهل‬ ‫من‬ ‫يجعل‬ ‫هذا‬
‫ساب‬
‫المصفوفة‬ ‫من‬ ‫األول‬ ‫للعنصر‬ ‫الذاكرة‬ ‫موقع‬ ‫أي‬ ، ‫األساسية‬ ‫القيمة‬ ‫إلى‬ ‫اإلزاحة‬ ‫إضافة‬ ‫طريق‬ ‫عن‬ ‫ببساطة‬ ‫عنصر‬ ‫كل‬ ‫موضع‬
(
‫ا‬ً‫م‬‫عمو‬ ‫إليه‬ ‫شار‬ُ‫ي‬
‫باسم‬
‫المصفوفة‬
.)
‫خطوة‬ ‫كل‬ ‫في‬ ‫قيمة‬ ‫وضع‬ ‫يتم‬ ‫حيث‬ ‫الساللم‬ ‫من‬ ‫مجموعة‬ ‫في‬ ‫التفكير‬ ‫يمكننا‬ ، ‫للتبسيط‬
(
‫أصدقائك‬ ‫أحد‬ ‫نقول‬ ‫دعنا‬
.)
‫موق‬ ‫تحديد‬ ‫يمكنك‬ ، ‫هنا‬
‫أصدقائك‬ ‫من‬ ‫أي‬ ‫ع‬
‫بها‬ ‫يقومون‬ ‫التي‬ ‫الخطوات‬ ‫عدد‬ ‫معرفة‬ ‫بمجرد‬
.
‫في‬ ‫المصفوفة‬ ‫معالجة‬ ‫يمكن‬
Python
‫المصفوفة‬ ‫تسمى‬ ‫وحدة‬ ‫بواسطة‬
.
‫علي‬ ‫يتعين‬ ‫عندما‬ ‫مفيدة‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫نا‬
‫فقط‬ ‫معينة‬ ‫بيانات‬ ‫نوع‬ ‫قيم‬ ‫معالجة‬
.
‫كمصفوفات‬ ‫القوائم‬ ‫مع‬ ‫التعامل‬ ‫للمستخدم‬ ‫يمكن‬
.
‫العناصر‬ ‫نوع‬ ‫تقييد‬ ‫للمستخدم‬ ‫يمكن‬ ‫ال‬ ، ‫ذلك‬ ‫ومع‬
‫القائمة‬ ‫في‬ ‫المخزنة‬
.
‫إذا‬
‫النوع‬ ‫نفس‬ ‫من‬ ‫المصفوفة‬ ‫عناصر‬ ‫جميع‬ ‫تكون‬ ‫أن‬ ‫يجب‬ ، ‫الصفيف‬ ‫وحدة‬ ‫باستخدام‬ ‫مصفوفات‬ ‫بإنشاء‬ ‫قمت‬
‫مصفوفة‬ ‫انشاء‬
:
‫في‬ ‫مصفوفة‬ ‫انشاء‬ ‫نستطيع‬
‫البيثون‬
‫بالمصفوفات‬ ‫الخاصة‬ ‫المكتبة‬ ‫استدعاء‬ ‫طريق‬ ‫عن‬
importing array
2
ENG/SALMA MOHAMMAD

Python Arrays
Examples:
import array as arr
# creating an array with integer type
a = arr.array('i', [1, 2, 3])
# printing original array
print("The new created array is : ", end=" ")
for i in range(0, 3):
print(a[i], end=" ")
print()
3
ENG/SALMA MOHAMMAD
# creating an array with float type
b = arr.array('d', [2.5, 3.2, 3.3])
print("The new created array is : ", end=" ")
print(b[i], end=" ")

Python Arrays
‫الجدوال‬
‫للمصفوفات‬ ‫المدخلة‬ ‫البيانات‬ ‫أنواع‬ ‫يحدد‬ ‫التالي‬
:
ENG/SALMA MOHAMMAD 4
Code
C types
Python types
i
signed int
int
I
unsigned int
int
l
signed long
int
L
unsigned long
int
f
float
float
d
double
float

Python Arrays
‫مصفوفة‬ ‫إلى‬ ‫عناصر‬ ‫إضافة‬
:
‫إلى‬ ‫العناصر‬ ‫إضافة‬ ‫يمكن‬
‫المصفوفة‬
‫وظيفة‬ ‫باستخدام‬
insert ()
‫المضمنة‬
.
‫أو‬ ‫واحد‬ ‫بيانات‬ ‫عنصر‬ ‫إلدراج‬ ‫اإلدخال‬ ‫ستخدم‬ُ‫ي‬
‫في‬ ‫أكثر‬
‫ال‬
‫مصفوفة‬
.
‫معي‬ ‫فهرس‬ ‫أي‬ ‫أو‬ ‫النهاية‬ ‫أو‬ ‫البداية‬ ‫في‬ ‫جديد‬ ‫عنصر‬ ‫إضافة‬ ‫يمكن‬ ، ‫المتطلبات‬ ‫على‬ ً‫ء‬‫بنا‬
‫ن‬
‫للمصفوفات‬
.
‫ستخدم‬ُ‫ت‬
append ()
‫المصفوفة‬ ‫نهاية‬ ‫في‬ ‫متغيراتها‬ ‫في‬ ‫المذكورة‬ ‫القيمة‬ ‫إلضافة‬ ‫ا‬ً‫ض‬‫أي‬
.

Python Arrays
Example :
print(a[i], end=" ")
print()
# inserting array using
# insert() function
a.insert(1, 4)
print("Array after insertion : ", end=" ")
for i in (a):
print(i, end=" ")
print()
6
ENG/SALMA MOHAMMAD
# array with float type
b = arr.array('d', [2.5, 3.2, 3.3])
print("Array before insertion : ", end=" ")
print(b[i], end=" ")
print()
# adding an element using append()
b.append(4.4)
print("Array after insertion : ", end=" ")
for i in (b):
print(i, end=" ")
print()

Python Arrays
‫المصفوفة‬ ‫من‬ ‫العناصر‬ ‫إزالة‬
:
‫باستخدام‬ ‫المصفوفة‬ ‫من‬ ‫العناصر‬ ‫إزالة‬ ‫يمكن‬
Remove()
‫المجموعة‬ ‫في‬ ‫ًا‬‫د‬‫موجو‬ ‫العنصر‬ ‫يكن‬ ‫لم‬ ‫إذا‬ ‫خطأ‬ ‫يظهر‬ ‫ولكن‬
.
‫طريقة‬ ‫تزيل‬
Remove ()
‫استخدام‬ ‫يتم‬ ، ‫العناصر‬ ‫من‬ ‫مجموعة‬ ‫إلزالة‬ ، ‫مرة‬ ‫كل‬ ‫في‬ ‫فقط‬ ‫ًا‬‫د‬‫واح‬ ‫ا‬ً‫عنصر‬
‫تكرارية‬ ‫جملة‬
.
‫وظيفة‬ ‫استخدام‬ ‫ا‬ً‫ض‬‫أي‬ ‫يمكن‬
pop ()
‫من‬ ‫عنصر‬ ‫إلزالة‬
‫المصف‬ ‫في‬ ‫معين‬ ‫موضع‬ ‫من‬ ‫عنصر‬ ‫إلزالة‬ ، ‫المصفوفة‬ ‫من‬ ‫فقط‬ ‫األخير‬ ‫العنصر‬ ‫يزيل‬ ‫افتراضي‬ ‫بشكل‬ ‫ولكن‬ ، ‫وإعادته‬ ‫المصفوفة‬
‫تمرير‬ ‫يتم‬ ، ‫وفة‬
‫لطريقة‬ ‫حجة‬ ‫باعتباره‬ ‫العنصر‬ ‫فهرس‬
.pop ()
‫مالحظة‬
-
‫البحث‬ ‫تم‬ ‫الذي‬ ‫للعنصر‬ ‫فقط‬ ‫األول‬ ‫التواجد‬ ‫ستزيل‬ ‫القائمة‬ ‫في‬ ‫اإلزالة‬ ‫طريقة‬
7
ENG/SALMA MOHAMMAD

Python Arrays
Example:
import array
# initializing array with array values
# initializes array with signed integers
arr = array.array('i', [1, 2, 3, 1, 5])
print("The new created array is : ", end="")
print(arr[i], end=" ")
print()
# using pop() to remove element at 2nd position
print("The popped element is : ", end="")
print(arr.pop(2))
8
ENG/SALMA MOHAMMAD
# printing array after popping
print("The array after popping is : ", end="")
print("r")
# using remove() to rem
ove 1st occurrence of 1
arr.remove(1)
# printing array after removing
print("The array after removing is : ", end="")

Python Lists
‫القائمة؟‬ ‫استخدام‬ ‫لماذا‬
-
‫مثل‬ ‫عوامل‬ ‫ثناياه‬ ‫في‬ ‫يحمل‬ ‫التي‬ ‫الفريدة‬ ‫الوظائف‬ ‫من‬ ‫العديد‬ ‫على‬ ‫ويحتوي‬ ‫للغاية‬ ‫مرن‬ ‫القائمة‬ ‫بيانات‬ ‫هيكل‬
pop ()
،
‫و‬
append ()
،
‫باستمرار‬ ‫البيانات‬ ‫تتغير‬ ‫حيث‬ ، ‫أسهل‬ ‫األمر‬ ‫يجعل‬ ‫مما‬ ‫ذلك‬ ‫إلى‬ ‫وما‬
.
-
‫القيم‬ ‫نفس‬ ‫لهما‬ ‫يكون‬ ‫أن‬ ‫يمكن‬ ‫أكثر‬ ‫أو‬ ‫عنصرين‬ ‫أن‬ ‫أي‬ ، ‫مكررة‬ ‫عناصر‬ ‫على‬ ‫القائمة‬ ‫تحتوي‬ ‫أن‬ ‫يمكن‬ ، ‫ا‬ً‫ض‬‫أي‬
.
-
‫العناصر‬ ‫من‬ ‫مختلفة‬ ‫أنواع‬ ‫إضافة‬ ‫يمكن‬ ‫أي‬ ، ‫متجانسة‬ ‫غير‬ ‫القوائم‬
/
‫العناصر‬
-
‫بشكل‬ ‫العناصر‬ ‫قيم‬ ‫فيها‬ ‫تتغير‬ ‫التي‬ ‫التطبيقات‬ ‫في‬ ‫استخدامها‬ ‫يتم‬ ، ‫للتغيير‬ ‫قابلة‬ ‫القوائم‬ ‫ألن‬ ‫ا‬ً‫نظر‬
‫متكرر‬

Python Lists
Example :
list1=[1,2,3,4,5,6,7]
list2=['salma','mohammad']
for x in list1:
print(x,end=‘ ')
#print(x,sep=‘ ')
list1.append(9) # add value to end
print(list1[0:], sep=‘ ')
10
ENG/SALMA MOHAMMAD
list3=list1.copy()
list2.extend(list1)
list1.insert(3,4)#post,value

Python Lists
Example :
list1=[1,2,3,4,5,6,7]
list2=['salma','mohammad']
for x in list1:
print(x,end=‘ ')
#print(x,sep=‘ ')
list1.append(9) # add value to end
11
ENG/SALMA MOHAMMAD
list3=list1.copy()
list2.extend(list1)
list1.insert(3,4)#post,value

Python Lists
Example:
l1=[1,2,3,5,7,8,9]
l1.pop(3) #index
print(l1)
l1.remove(9) #value
print(l1)
l1.reverse()
print(l1)
list.clear()
print(l1)
12
ENG/SALMA MOHAMMAD
Example:
L2=[7,5,1,4,1,2,9]
L2.sort()
L2.sort(reverse=True) #Optional. reverse=True will sort the list
#descending. Default is reverse=False
print(L2)

Python NumPy
NumPy
‫مكتبة‬ ‫هي‬
Python
‫المصفوفات‬ ‫مع‬ ‫للعمل‬ ‫ستخدم‬ُ‫ت‬
.
‫وتحويل‬ ‫الخطي‬ ‫الجبر‬ ‫مجال‬ ‫في‬ ‫للعمل‬ ‫وظائف‬ ‫لديها‬ ‫أن‬ ‫كما‬
‫فورييه‬
‫والمصفوفات‬
.
‫تم‬
‫إنشاء‬
NumPy
‫عام‬ ‫في‬
2005
‫بواسطة‬
Travis Oliphant
‫ويمكنك‬ ‫المصدر‬ ‫مفتوح‬ ‫مشروع‬ ‫إنه‬
‫بحرية‬ ‫استخدامه‬
.
‫في‬ ‫المصفوفات‬
Numpy
:
‫في‬ ‫المصفوفة‬
Numpy
‫عناصر‬ ‫جدول‬ ‫هي‬
(
‫أرقام‬ ً‫ة‬‫عاد‬
)
‫الصحيحة‬ ‫األعداد‬ ‫من‬ ‫بمجموعة‬ ‫مفهرسة‬ ، ‫النوع‬ ‫نفس‬ ‫من‬ ‫جميعها‬ ،
‫الموجبة‬
.
‫في‬
Numpy
،
‫األبعاد‬ ‫متعددة‬ ‫مصفوفة‬ ‫بتعريف‬ ‫يسمح‬
.
‫حجم‬ ‫تعطي‬ ‫التي‬ ‫الصحيحة‬ ‫األعداد‬ ‫مجموعة‬ ‫عرف‬ُ‫ت‬
‫كل‬ ‫طول‬ ‫على‬ ‫المصفوفة‬
‫المصفوفة‬ ‫بحجم‬
.
‫في‬ ‫المصفوفة‬ ‫فئة‬ ‫على‬ ‫طلق‬ُ‫ي‬
Numpy
‫اسم‬
.ndarray
‫العناصر‬ ‫إلى‬ ‫الوصول‬ ‫يتم‬
‫مصفوفات‬ ‫في‬
Numpy
‫قوائم‬ ‫باستخدام‬ ‫تهيئتها‬ ‫ويمكن‬ ‫مربعة‬ ‫أقواس‬ ‫باستخدام‬
Python
‫المتداخلة‬

Python NumPy
Example:
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
#arr = np.array((1, 2, 3, 4, 5))
print(arr)
14
ENG/SALMA MOHAMMAD

Python NumPy
Example:
import numpy as np
a = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
15
ENG/SALMA MOHAMMAD
print(a)
print(a.ndim)
print(b)
print(b.ndim)
print(c)
print(c.ndim)
print(d)
print(d.ndim)

Python NumPy
Example:
#index
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('5th element on 2nd dim: ', arr[1, 4])
16
ENG/SALMA MOHAMMAD

Python NumPy
Example:
#Slicing arrays
#Ex1
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5])
#Ex2
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[-3:-1])
17
ENG/SALMA MOHAMMAD
#Ex3
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5:2])
#[start:last:step]
#Ex4
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[::2])

Python NumPy
‫مصفوفات‬ ‫تقسيم‬
NumPy
‫لالنضمام‬ ‫عكسية‬ ‫عملية‬ ‫هو‬ ‫التقسيم‬
.
‫مج‬ ‫تقسيم‬ ‫ويقسم‬ ‫واحد‬ ‫صفيف‬ ‫في‬ ‫متعددة‬ ‫مصفوفات‬ ‫إلى‬ ‫االنضمام‬ ‫يدمج‬
‫إلى‬ ‫واحدة‬ ‫موعة‬
‫مصفوفات‬ ‫عدة‬
.
‫نستخدم‬
array_split ()
‫االنقسام‬ ‫وعدد‬ ‫تقسيمها‬ ‫نريد‬ ‫التي‬ ‫المصفوفة‬ ‫ونمررها‬ ، ‫المصفوفات‬ ‫لتقسيم‬
‫ات‬
.
Example:
arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.array_split(arr, 3)
print(newarr)
#or
print(newarr[0])
print(newarr[1])
print(newarr[2])

Python NumPy
#Example :
arr = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12]])
print(newarr)
#Example
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])
print(newarr)

Python NumPy
#Example :
arr = np.array([1, 2, 3, 4, 5, 4, 4])
x = np.where(arr == 4)
print(x)
#Example :
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
x = np.where(arr%2 == 0)
print(x)

Python NumPy
#Example
import numpy as np
arr = np.array([7, 6, 8, 9])
x = np.searchsorted(arr, 7)
print(x)
#Example
import numpy as np
arr = np.array([6, 7, 8, 9])
x = np.searchsorted(arr, 7, side='right')
print(x)

Python NumPy
#Example
import numpy as np
arr = np.array([1, 3, 5, 7])
x = np.searchsorted(arr, [2, 4, 6])
print(x)

‫والقوائم‬ ‫المصفوفات‬ ‫بين‬ ‫ما‬ ‫مقارنو‬
‫المقارنة‬ ‫أوجهه‬
List
Array
‫العناصر‬ ‫أنواع‬
‫العناصر‬ ‫من‬ ‫مختلفة‬ ‫انواع‬ ‫على‬ ‫تحتوي‬
‫العناصر‬ ‫من‬ ‫فقط‬ ‫واحد‬ ‫نوع‬ ‫على‬ ‫تحتوي‬
‫التعريف‬
‫لتعريفها‬ ‫مكتبة‬ ‫الى‬ ‫نحتاج‬ ‫ال‬
‫بالمصفوفات‬ ‫الخاصة‬ ‫المكتب‬ ‫استدعاء‬ ‫الى‬ ‫نحتاج‬
‫الحسابية‬ ‫العمليات‬ ‫اجراء‬
‫الحسابية‬ ‫العملية‬ ‫أجراء‬ ‫نستطيع‬ ‫ال‬
‫والرياضية‬ ‫الحسابية‬ ‫العمليات‬ ‫أجراء‬ ‫نستطيع‬
‫الدمج‬
‫م‬ ‫العناصر‬ ‫من‬ ‫مختلفة‬ ‫أنواع‬ ‫عدة‬ ‫تتداخل‬ ‫أن‬ ‫يمكن‬
‫ع‬
‫البعض‬ ‫بعضها‬
‫ال‬ ‫في‬ ‫متساوية‬ ‫المتداخلة‬ ‫العناصر‬ ‫جميع‬ ‫تكون‬ ‫أن‬ ‫يجب‬
‫حجم‬
‫؟‬ ‫تستخدم‬ ‫متى‬
‫العناصر‬ ‫إلدراج‬ ‫طريقة‬ ‫أفضل‬ ‫هي‬ ‫بايثون‬ ‫قوائم‬
‫أقصر‬ ‫تسلسل‬ ‫في‬ ‫المكررة‬
‫تسلسالت‬ ‫مع‬ ‫العمل‬ ‫عند‬ ‫المصفوفات‬ ‫باستخدام‬ ‫يوصى‬
‫أطول‬
‫المتجانسة‬ ‫البيانات‬ ‫من‬

‫والقوائم‬ ‫المصفوفات‬ ‫بين‬ ‫ما‬ ‫مقارنو‬
‫المقارنة‬ ‫أوجهه‬
‫القوائم‬
‫المصفوفات‬
‫التعديل‬
‫تعديل‬ ‫األسهل‬ ‫من‬
(
‫إزالة‬ ، ‫إضافة‬
)
‫البيانات‬
‫لذلك‬
‫مرونة‬ ‫أكثر‬ ‫تكون‬
‫هنا‬ ، ‫العناصر‬ ‫على‬ ‫القائم‬ ‫النهج‬ ‫بسبب‬
‫ك‬
‫أقل‬ ‫مرونة‬
.
‫عناصرها‬ ‫طباعة‬
‫حاجة‬ ‫هناك‬ ‫ليست‬
‫حلقة‬ ‫تشغيل‬
‫صريح‬ ‫بشكل‬ ‫القائمة‬ ‫عبر‬
.
‫يج‬ ، ‫مصفوفة‬ ‫في‬ ‫مكونات‬ ‫قائمة‬ ‫لطباعة‬
‫ب‬
‫حلقة‬ ‫تشكيل‬
‫الذاكرة‬ ‫استخدام‬
‫عنصر‬ ‫إلضافة‬
‫بصورة‬
‫الذاكرة‬ ‫من‬ ‫المزيد‬ ‫يستهلك‬ ‫فإنه‬ ، ‫أسهل‬
‫قائمة‬ ‫من‬ ‫ا‬ً‫ي‬‫نسب‬ ‫أصغر‬ ‫الذاكرة‬ ‫حجم‬

‫تمارين‬
1
-
‫حجمها‬ ‫مصفوفه‬ ‫انشاء‬
5
*
2
‫بين‬ ‫محصورة‬ ‫وعناصرها‬
700
‫و‬
600
‫المصفوفة‬ ‫داخل‬ ‫واخر‬ ‫عنصر‬ ‫كل‬ ‫بين‬ ‫الفرق‬ ‫ويكون‬
‫مقداره‬
10
(
‫اتوماتيكي‬ ‫بشكل‬ ‫تكوينها‬ ‫يتم‬ ‫العناصر‬
)
2
-
‫حجمها‬ ‫مصفوفة‬ ‫انشاء‬
3
*
3
‫قم‬ ‫ثم‬
‫بارجع‬
‫صف‬ ‫كل‬ ‫من‬ ‫الثالث‬ ‫العنصر‬
.
3
-
‫حجمها‬ ‫مصفوفة‬ ‫انشاء‬
5
*
5
‫الزوجية‬ ‫وكذلك‬ ‫اخري‬ ‫مصفوفه‬ ‫في‬ ‫الفردية‬ ‫المصفوفة‬ ‫عناصر‬ ‫احفظ‬ ‫ثم‬
.

Cyber Security
26
ENG/SALMA MOHAMMAD
Eng/Salma Mohammad
‫السادسة‬ ‫المحاضرة‬
–

‫األلة‬ ‫بتعليم‬ ‫يقصد‬ ‫ماذا‬
‫اآللي‬ ‫التعلم‬
ML)
)
‫مجال‬ ‫هو‬
‫مجاالت‬ ‫من‬
‫الكمبيوتر‬ ‫علوم‬
‫و‬
‫للبيا‬ ‫معنى‬ ‫توفر‬ ‫أن‬ ‫يمكن‬ ‫التي‬ ‫الكمبيوتر‬ ‫أنظمة‬ ‫بمساعدة‬
‫بنفس‬ ‫نات‬
‫البشر‬ ‫بها‬ ‫يقوم‬ ‫التي‬ ‫الطريقة‬
.
، ‫بسيطة‬ ‫بكلمات‬
ML
‫أو‬ ‫خوارزمية‬ ‫باستخدام‬ ‫األولية‬ ‫البيانات‬ ‫من‬ ‫األنماط‬ ‫يستخرج‬ ‫الذي‬ ‫االصطناعي‬ ‫الذكاء‬ ‫من‬ ‫نوع‬ ‫هو‬
‫طريقة‬
.
‫لـ‬ ‫الرئيسي‬ ‫التركيز‬ ‫ينصب‬
ML
‫بشكل‬ ‫مبرمجة‬ ‫تكون‬ ‫أن‬ ‫دون‬ ‫التجربة‬ ‫من‬ ‫بالتعلم‬ ‫الكمبيوتر‬ ‫ألنظمة‬ ‫السماح‬ ‫على‬
‫صريح‬
‫بشري‬ ‫تدخل‬ ‫أو‬
.
‫لماذا‬
‫اآللي‬ ‫التعلم‬ ‫إلى‬ ‫الحاجة‬
:
‫وح‬ ‫وتقييم‬ ‫التفكير‬ ‫يستطيعون‬ ‫ألنهم‬ ‫األرض‬ ‫وجه‬ ‫على‬ ً‫ا‬‫وتقدم‬ ً‫ء‬‫ذكا‬ ‫األنواع‬ ‫أكثر‬ ‫هم‬ ، ‫اللحظة‬ ‫هذه‬ ‫في‬ ، ‫البشر‬
‫المشكالت‬ ‫ل‬
‫المعقدة‬
.
‫العديد‬ ‫في‬ ‫البشري‬ ‫الذكاء‬ ‫يتجاوز‬ ‫ولم‬ ‫األولى‬ ‫مرحلته‬ ‫في‬ ‫االصطناعي‬ ‫الذكاء‬ ‫يزال‬ ‫ال‬ ، ‫اآلخر‬ ‫الجانب‬ ‫على‬
‫من‬
‫الجوانب‬
.
‫هو‬ ‫بذلك‬ ‫للقيام‬ ‫سبب‬ ‫أنسب‬ ‫تتعلم؟‬ ‫اآللة‬ ‫لجعل‬ ‫الحاجة‬ ‫هي‬ ‫ما‬ ‫هو‬ ‫السؤال‬ ‫ثم‬
"
‫على‬ ً‫ء‬‫بنا‬ ، ‫القرارات‬ ‫اتخاذ‬
، ‫البيانات‬
‫وحجم‬ ‫بكفاءة‬
‫أعلى‬
."

‫و‬
‫اآللي‬ ‫والتعلم‬ ‫االصطناعي‬ ‫الذكاء‬ ‫مثل‬ ‫الحديثة‬ ‫التقنيات‬ ‫في‬ ‫بكثافة‬ ‫المؤسسات‬ ‫تستثمر‬ ، ‫األخيرة‬ ‫اآلونة‬ ‫في‬
‫العميق‬ ‫والتعلم‬
‫المشكالت‬ ‫وحل‬ ‫الحقيقي‬ ‫العالم‬ ‫في‬ ‫المهام‬ ‫من‬ ‫العديد‬ ‫ألداء‬ ‫البيانات‬ ‫من‬ ‫األساسية‬ ‫المعلومات‬ ‫على‬ ‫للحصول‬
.
‫يمكننا‬
‫نسميها‬ ‫أن‬
‫العملية‬ ‫ألتمتة‬ ‫خاصة‬ ، ‫اآلالت‬ ‫تتخذها‬ ‫البيانات‬ ‫على‬ ‫تعتمد‬ ‫قرارات‬
.
‫على‬ ‫تعتمد‬ ‫التي‬ ‫القرارات‬ ‫هذه‬ ‫استخدام‬ ‫يمكن‬
ً‫ال‬‫بد‬ ، ‫البيانات‬
‫بطبيعتها‬ ‫برمجتها‬ ‫يمكن‬ ‫ال‬ ‫التي‬ ‫المشكالت‬ ‫في‬ ، ‫البرمجة‬ ‫منطق‬ ‫استخدام‬ ‫من‬
.
‫االس‬ ‫نستطيع‬ ‫ال‬ ‫أننا‬ ‫هي‬ ‫الحقيقة‬
‫الذكاء‬ ‫عن‬ ‫تغناء‬
‫واسع‬ ‫نطاق‬ ‫على‬ ‫بكفاءة‬ ‫الحقيقي‬ ‫العالم‬ ‫مشاكل‬ ‫حل‬ ‫إلى‬ ‫بحاجة‬ ‫ا‬ً‫ع‬‫جمي‬ ‫أننا‬ ‫هو‬ ‫اآلخر‬ ‫الجانب‬ ‫ولكن‬ ، ‫البشري‬
.
‫هو‬ ‫هذا‬
‫سبب‬
‫اآللي‬ ‫التعلم‬ ‫إلى‬ ‫الحاجة‬ ‫ظهور‬
.

‫ومتى‬ ‫لماذا‬
‫نحتاج‬
‫اآلالت؟‬ ‫تعلم‬
‫اآل‬ ‫نجعل‬ ‫أن‬ ‫يجب‬ ‫سيناريوهات‬ ‫أي‬ ‫في‬ ‫أنه‬ ‫وهو‬ ‫آخر‬ ‫سؤال‬ ‫يطرح‬ ‫ولكن‬ ، ‫اآللي‬ ‫التعلم‬ ‫إلى‬ ‫الحاجة‬ ‫بالفعل‬ ‫ناقشنا‬ ‫لقد‬
‫تتعلم؟‬ ‫لة‬
‫واس‬ ‫نطاق‬ ‫وعلى‬ ‫بكفاءة‬ ‫البيانات‬ ‫على‬ ‫تعتمد‬ ‫قرارات‬ ‫التخاذ‬ ‫آالت‬ ‫إلى‬ ‫فيها‬ ‫نحتاج‬ ‫ظروف‬ ‫عدة‬ ‫هناك‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫ع‬
.
‫يلي‬ ‫فيما‬
‫فاعلية‬ ‫أكثر‬ ‫اآلالت‬ ‫تعلم‬ ‫فيها‬ ‫يكون‬ ‫التي‬ ‫الحاالت‬ ‫بعض‬
–
1
-
‫البشرية‬ ‫الخبرة‬ ‫نقص‬
‫ي‬ ‫الذي‬ ‫المجال‬ ‫هو‬ ‫البيانات‬ ‫على‬ ‫تعتمد‬ ‫قرارات‬ ‫واتخاذ‬ ‫للتعلم‬ ‫آلة‬ ‫فيه‬ ‫نريد‬ ‫الذي‬ ‫األول‬ ‫السيناريو‬ ‫يكون‬ ‫أن‬ ‫يمكن‬
‫في‬ ‫نقص‬ ‫فيه‬ ‫وجد‬
‫البشرية‬ ‫الخبرة‬
.
‫مكانية‬ ‫كواكب‬ ‫أو‬ ‫معروفة‬ ‫غير‬ ‫مناطق‬ ‫في‬ ‫التنقالت‬ ‫األمثلة‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
.
2
-
‫ديناميكية‬ ‫سيناريوهات‬
‫الوقت‬ ‫بمرور‬ ‫تتغير‬ ‫أنها‬ ‫أي‬ ، ‫بطبيعتها‬ ‫الديناميكية‬ ‫السيناريوهات‬ ‫بعض‬ ‫هناك‬
.
‫وال‬ ‫السيناريوهات‬ ‫هذه‬ ‫حالة‬ ‫في‬
‫نريد‬ ، ‫سلوكيات‬
‫البيانات‬ ‫على‬ ‫تعتمد‬ ‫قرارات‬ ‫وتتخذ‬ ‫اآللة‬ ‫تتعلم‬ ‫أن‬
.
‫البن‬ ‫وتوافر‬ ‫الشبكة‬ ‫اتصال‬ ‫األمثلة‬ ‫بعض‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫في‬ ‫التحتية‬ ‫ية‬
‫المؤسسة‬
.

3
-
‫حسابية‬ ‫مهام‬ ‫إلى‬ ‫الخبرة‬ ‫ترجمة‬ ‫صعوبة‬
:
‫الخب‬ ‫هذه‬ ‫ترجمة‬ ‫على‬ ‫قادرين‬ ‫غير‬ ‫فهم‬ ، ‫ذلك‬ ‫ومع‬ ‫؛‬ ‫خبراتهم‬ ‫البشر‬ ‫فيها‬ ‫يمتلك‬ ‫مختلفة‬ ‫مجاالت‬ ‫هناك‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫مهام‬ ‫إلى‬ ‫رة‬
‫حسابية‬
.
‫اآللي‬ ‫التعلم‬ ‫نريد‬ ‫الظروف‬ ‫هذه‬ ‫مثل‬ ‫في‬
.
‫المعر‬ ‫والمهام‬ ‫الكالم‬ ‫على‬ ‫التعرف‬ ‫مجاالت‬ ‫األمثلة‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫إلى‬ ‫وما‬ ‫فية‬
‫ذلك‬
.

‫اآللي‬ ‫التعلم‬ ‫نموذج‬
‫لـ‬ ‫التالي‬ ‫الرسمي‬ ‫التعريف‬ ‫نفهم‬ ‫أن‬ ‫يجب‬ ، ‫اآللي‬ ‫التعلم‬ ‫نموذج‬ ‫مناقشة‬ ‫قبل‬
ML
‫ميتشل‬ ‫األستاذ‬ ‫قدمه‬ ‫الذي‬
-
"
‫التجربة‬ ‫من‬ ‫يتعلم‬ ‫الكمبيوتر‬ ‫برنامج‬ ‫أن‬ ‫قال‬ُ‫ي‬
E
‫المهام‬ ‫فئات‬ ‫ببعض‬ ‫يتعلق‬ ‫فيما‬
T
‫األداء‬ ‫وقياس‬
P
،
‫في‬ ‫المهام‬ ‫في‬ ‫أدائه‬ ‫تحسن‬ ‫إذا‬
T
،
‫بواسطة‬ ‫قياسه‬ ‫تم‬ ‫كما‬
P
،
‫الخبرة‬ ‫مع‬
E"
.
‫ال‬ ‫وهي‬ ، ‫تعلم‬ ‫خوارزمية‬ ‫ألي‬ ‫الرئيسية‬ ‫المكونات‬ ‫وكذلك‬ ، ‫معلمات‬ ‫ثالثة‬ ‫على‬ ‫أساسي‬ ‫بشكل‬ ‫أعاله‬ ‫التعريف‬ ‫يركز‬
‫مهمة‬
(
T)
‫واألداء‬
(
(P
‫والخبرة‬
. (E)
‫التالي‬ ‫النحو‬ ‫على‬ ‫التعريف‬ ‫هذا‬ ‫تبسيط‬ ‫يمكننا‬ ، ‫السياق‬ ‫هذا‬ ‫في‬
:
ML
‫الت‬ ‫التعلم‬ ‫خوارزميات‬ ‫من‬ ‫يتكون‬ ‫االصطناعي‬ ‫الذكاء‬ ‫مجاالت‬ ‫من‬ ‫مجال‬ ‫هو‬
‫الية‬
-
‫أدائهم‬ ‫تحسين‬
P)
)
‫المهام‬ ‫بعض‬ ‫تنفيذ‬ ‫عند‬
(T)
‫الخبرة‬ ‫مع‬ ‫الوقت‬ ‫مرور‬ ‫مع‬
(
E
)
‫اآللي‬ ‫للتعلم‬ ‫ا‬ً‫ج‬‫نموذ‬ ‫التالي‬ ‫البياني‬ ‫الرسم‬ ‫يمثل‬ ، ‫سبق‬ ‫ما‬ ‫على‬ ً‫ء‬‫بنا‬
-

‫المهمة‬
(
T
)
‫المهمة‬ ‫نحدد‬ ‫قد‬ ، ‫المشكلة‬ ‫منظور‬ ‫من‬
T
‫حلها‬ ‫يتعين‬ ‫التي‬ ‫الحقيقي‬ ‫العالم‬ ‫مشكلة‬ ‫أنها‬ ‫على‬
.
‫أ‬ ‫في‬ ‫المشكلة‬ ‫تكون‬ ‫أن‬ ‫يمكن‬
‫شيء‬ ‫ي‬
‫ذلك‬ ‫إلى‬ ‫وما‬ ‫تسويقية‬ ‫استراتيجية‬ ‫أفضل‬ ‫على‬ ‫العثور‬ ‫أو‬ ‫معين‬ ‫موقع‬ ‫في‬ ‫للمنزل‬ ‫سعر‬ ‫أفضل‬ ‫على‬ ‫العثور‬ ‫مثل‬
.
، ‫أخرى‬ ‫ناحية‬ ‫من‬
‫على‬ ‫القائمة‬ ‫المهام‬ ‫حل‬ ‫الصعب‬ ‫من‬ ‫ألنه‬ ‫يختلف‬ ‫المهمة‬ ‫تعريف‬ ‫فإن‬ ، ‫اآللي‬ ‫التعلم‬ ‫عن‬ ‫تحدثنا‬ ‫إذا‬
ML
‫البرمجة‬ ‫نهج‬ ‫خالل‬ ‫من‬
‫التقليدية‬
.
‫المهمة‬ ‫أن‬ ‫قال‬ُ‫ي‬
T
‫على‬ ‫قائمة‬ ‫مهمة‬ ‫هي‬
ML
‫البيانات‬ ‫نقاط‬ ‫على‬ ‫للعمل‬ ‫النظام‬ ‫يتبع‬ ‫أن‬ ‫ويجب‬ ‫العملية‬ ‫إلى‬ ‫تستند‬ ‫عندما‬
.
‫أ‬
‫المهام‬ ‫مثلة‬
‫على‬ ‫القائمة‬
ML
‫ذلك‬ ‫إلى‬ ‫وما‬ ‫والنسخ‬ ‫والتجميع‬ ‫الهيكلية‬ ‫التوضيحية‬ ‫والتعليقات‬ ‫واالنحدار‬ ‫التصنيف‬ ‫هي‬
.

‫الخبرة‬
(
E
)
‫النموذج‬ ‫أو‬ ‫الخوارزمية‬ ‫إلى‬ ‫المقدمة‬ ‫البيانات‬ ‫نقاط‬ ‫من‬ ‫المكتسبة‬ ‫المعرفة‬ ‫إنها‬ ، ‫االسم‬ ‫يوحي‬ ‫كما‬
.
‫بمج‬ ‫تزويده‬ ‫بمجرد‬
‫موعة‬
‫المتأصلة‬ ‫األنماط‬ ‫بعض‬ ‫وسيتعلم‬ ‫متكرر‬ ‫بشكل‬ ‫النموذج‬ ‫سيعمل‬ ، ‫البيانات‬
.
‫يس‬ ‫الطريقة‬ ‫بهذه‬ ‫المكتسب‬ ‫التعلم‬
‫الخبرة‬ ‫مى‬
(
‫هـ‬
.)
‫ب‬ ‫يكتسب‬ ‫أو‬ ‫اإلنسان‬ ‫يتعلم‬ ‫حيث‬ ‫أنه‬ ‫على‬ ‫الموقف‬ ‫هذا‬ ‫في‬ ‫التفكير‬ ‫يمكننا‬ ، ‫البشري‬ ‫التعلم‬ ‫مع‬ ‫تشابه‬ ‫بإجراء‬
‫سمات‬ ‫من‬ ‫الخبرة‬ ‫عض‬
‫ذلك‬ ‫إلى‬ ‫وما‬ ‫والعالقات‬ ‫الموقف‬ ‫مثل‬ ‫مختلفة‬
.
‫خوارزمية‬ ‫أو‬ ‫نموذج‬ ‫خالل‬ ‫من‬ ‫المكتسبة‬ ‫الخبرة‬ ‫استخدام‬ ‫سيتم‬
ML
‫المهمة‬ ‫لحل‬
T.

‫األداء‬
(
P
)
‫خوارزمية‬ ‫تقوم‬ ‫أن‬ ‫المفترض‬ ‫من‬
ML
‫الوقت‬ ‫مرور‬ ‫مع‬ ‫الخبرة‬ ‫واكتساب‬ ‫المهمة‬ ‫بأداء‬
.
‫كانت‬ ‫إذا‬ ‫ما‬ ‫يوضح‬ ‫الذي‬ ‫المقياس‬
‫خوارزمية‬
ML
‫أدائها‬ ‫هو‬ ‫ال‬ ‫أم‬ ‫التوقعات‬ ‫حسب‬ ‫تعمل‬
(
(P).( P
‫النموذج‬ ‫أداء‬ ‫كيفية‬ ‫عن‬ ‫يخبرنا‬ ‫كمي‬ ‫مقياس‬ ‫األساس‬ ‫في‬ ‫هو‬
، ‫للمهمة‬
T
،
‫خبرته‬ ‫باستخدام‬
.E
‫أداء‬ ‫فهم‬ ‫على‬ ‫تساعد‬ ‫التي‬ ‫المقاييس‬ ‫من‬ ‫العديد‬ ‫هناك‬
ML
،
‫درجة‬ ، ‫الدقة‬ ‫درجة‬ ‫مثل‬
F1
،
‫ذلك‬ ‫إلى‬ ‫وما‬ ‫والحساسية‬ ‫االسترجاع‬ ، ‫الدقة‬ ، ‫االرتباك‬ ‫مصفوفة‬
.

‫اآللي‬ ‫التعلم‬ ‫في‬ ‫التحديات‬
‫المس‬ ‫والسيارات‬ ‫السيبراني‬ ‫األمن‬ ‫مجال‬ ‫في‬ ‫كبيرة‬ ‫خطوات‬ ‫يخطو‬ ‫حيث‬ ، ‫بسرعة‬ ‫يتطور‬ ‫اآللي‬ ‫التعلم‬ ‫أن‬ ‫حين‬ ‫في‬
‫أن‬ ‫إال‬ ، ‫تقلة‬
‫لنقطعه‬ ‫طويل‬ ‫طريق‬ ‫أمامه‬ ‫يزال‬ ‫ال‬ ‫ككل‬ ‫االصطناعي‬ ‫الذكاء‬ ‫من‬ ‫الجزء‬ ‫هذا‬
.
‫أن‬ ‫هو‬ ‫ذلك‬ ‫وراء‬ ‫السبب‬
ML
‫ال‬ ‫على‬ ‫ا‬ً‫قادر‬ ‫يكن‬ ‫لم‬
‫التحديات‬ ‫من‬ ‫عدد‬ ‫على‬ ‫تغلب‬
.
‫التي‬ ‫التحديات‬
‫يواجهها‬
ML
‫هي‬ ‫ا‬ً‫ي‬‫حال‬
-
‫البيانات‬ ‫جودة‬
-
‫التحديات‬ ‫أكبر‬ ‫أحد‬ ‫اآللة‬ ‫تعلم‬ ‫لخوارزميات‬ ‫الجودة‬ ‫عالية‬ ‫بيانات‬ ‫على‬ ‫الحصول‬ ‫يعد‬
.
‫استخد‬ ‫يؤدي‬
‫البيانات‬ ‫ام‬
‫الميزات‬ ‫واستخراج‬ ‫البيانات‬ ‫بمعالجة‬ ‫متعلقة‬ ‫مشاكل‬ ‫إلى‬ ‫الجودة‬ ‫منخفضة‬
.
‫للوقت‬ ‫مستهلكة‬ ‫مهمة‬
-
‫نماذج‬ ‫تواجهه‬ ‫الذي‬ ‫اآلخر‬ ‫التحدي‬
ML
‫واستخراج‬ ‫البيانات‬ ‫على‬ ‫للحصول‬ ‫خاصة‬ ‫الوقت‬ ‫استهالك‬ ‫هو‬
‫واسترجاعها‬ ‫الميزات‬
.
‫المتخصصين‬ ‫األشخاص‬ ‫نقص‬
-
‫تقنية‬ ‫ألن‬ ‫ا‬ً‫نظر‬
ML
‫صعبة‬ ‫مهمة‬ ‫يعد‬ ‫الخبراء‬ ‫موارد‬ ‫توافر‬ ‫فإن‬ ، ‫األولى‬ ‫مرحلتها‬ ‫في‬ ‫تزال‬ ‫ال‬
.

‫اآللي‬ ‫التعلم‬ ‫في‬ ‫التحديات‬
‫األعمال‬ ‫مشاكل‬ ‫لصياغة‬ ‫واضح‬ ‫هدف‬ ‫يوجد‬ ‫ال‬
-
‫رئ‬ ‫ا‬ً‫ي‬‫تحد‬ ‫يمثل‬ ‫األعمال‬ ‫لمشاكل‬ ‫ًا‬‫د‬‫جي‬ ‫محدد‬ ‫وهدف‬ ‫واضح‬ ‫هدف‬ ‫وجود‬ ‫عدم‬
‫ا‬ً‫ي‬‫يس‬
‫بعد‬ ‫تنضج‬ ‫لم‬ ‫التكنولوجيا‬ ‫هذه‬ ‫ألن‬ ‫اآللة‬ ‫لتعلم‬ ‫آخر‬
.
‫والمالءمة‬ ‫التجهيز‬ ‫فرط‬ ‫مشكلة‬
-
‫للمشكلة‬ ‫جيد‬ ‫بشكل‬ ‫تمثيله‬ ‫يمكن‬ ‫فال‬ ، ‫مالئم‬ ‫غير‬ ‫أو‬ ‫ا‬ً‫ب‬‫مناس‬ ‫النموذج‬ ‫كان‬ ‫إذا‬
.
‫النشر‬ ‫في‬ ‫صعوبة‬
-
‫نموذج‬ ‫تعقيد‬ ‫يجعل‬
ML
‫الواقعية‬ ‫الحياة‬ ‫في‬ ‫نشره‬ ‫ًا‬‫د‬‫ج‬ ‫الصعب‬ ‫من‬
.

‫اآللي‬ ‫التعلم‬ ‫تطبيقات‬
‫اآل‬ ‫والتعلم‬ ‫االصطناعي‬ ‫للذكاء‬ ‫الذهبي‬ ‫العام‬ ‫في‬ ‫نحن‬ ، ‫للباحثين‬ ‫ا‬ً‫ق‬‫ووف‬ ‫ا‬ ً‫نمو‬ ‫التقنيات‬ ‫أسرع‬ ‫هو‬ ‫اآللي‬ ‫التعلم‬
‫لي‬
.
‫لحل‬ ‫استخدامه‬ ‫يتم‬
‫التقليدية‬ ‫بالطريقة‬ ‫حلها‬ ‫يمكن‬ ‫ال‬ ‫والتي‬ ‫الحقيقي‬ ‫العالم‬ ‫في‬ ‫المعقدة‬ ‫المشاكل‬ ‫من‬ ‫العديد‬
.
‫الت‬ ‫بعض‬ ‫يلي‬ ‫فيما‬
‫لـ‬ ‫الواقعية‬ ‫طبيقات‬
ML -
‫المشاعر‬ ‫تحليل‬
-
‫منه‬ ‫والوقاية‬ ‫الخطأ‬ ‫عن‬ ‫الكشف‬
-
‫بالطقس‬ ‫التنبؤ‬
-
‫المالي‬ ‫األوراق‬ ‫سوق‬ ‫وتوقع‬ ‫تحليل‬
‫ة‬
‫الكالم‬ ‫اصطناع‬
-
‫الكالم‬ ‫على‬ ‫التعرف‬
-
‫الهجمات‬ ‫اكتشاف‬
-
‫األشياء‬ ‫على‬ ‫التعرف‬
‫الغش‬ ‫عن‬ ‫الكشف‬
‫و‬
‫الغش‬ ‫منع‬
-
‫اإلنترنت‬ ‫عبر‬ ‫التسوق‬ ‫في‬ ‫للعمالء‬ ‫المنتجات‬ ‫توصية‬
.

Data Set
‫البيانات‬ ‫من‬ ‫مجموعة‬ ‫أي‬ ‫هي‬ ‫البيانات‬ ‫مجموعة‬ ، ‫الكمبيوتر‬ ‫ذهن‬ ‫في‬
.
‫ب‬ ‫قاعدة‬ ‫إلى‬ ‫مصفوفة‬ ‫من‬ ‫شيء‬ ‫أي‬ ‫يكون‬ ‫أن‬ ‫يمكن‬
‫يانات‬
‫كاملة‬
.
‫مصفوفة‬ ‫على‬ ‫مثال‬
:
[
99,86,87,88,111,86,103,87,94,78,77,85,86
]
‫البيانات‬ ‫قاعدة‬ ‫على‬ ‫مثال‬
:

Data Set
‫حوالي‬ ‫يكون‬ ‫ربما‬ ‫القيمة‬ ‫متوسط‬ ‫أن‬ ‫تخمين‬ ‫يمكننا‬ ، ‫المصفوفة‬ ‫إلى‬ ‫بالنظر‬
80
‫أو‬
90
‫أعلى‬ ‫تحديد‬ ‫على‬ ‫ا‬ً‫ض‬‫أي‬ ‫قادرون‬ ‫ونحن‬ ،
‫ا؟‬ً‫ض‬‫أي‬ ‫نفعل‬ ‫أن‬ ‫يمكننا‬ ‫ماذا‬ ‫ولكن‬ ، ‫قيمة‬ ‫وأقل‬ ‫قيمة‬
‫عمرها‬ ‫سيارة‬ ‫وأقدم‬ ، ‫األبيض‬ ‫هو‬ ‫ا‬ً‫ع‬‫شيو‬ ‫األكثر‬ ‫اللون‬ ‫أن‬ ‫نرى‬ ‫أن‬ ‫يمكننا‬ ، ‫البيانات‬ ‫قاعدة‬ ‫إلى‬ ‫وبالنظر‬
17
‫لو‬ ‫ماذا‬ ‫ولكن‬ ، ‫ا‬ً‫م‬‫عا‬
‫على‬ ‫تحتوي‬ ‫السيارة‬ ‫كانت‬ ‫إذا‬ ‫ما‬ ‫توقع‬ ‫من‬ ‫تمكنا‬
AutoPass
،
‫األخرى؟‬ ‫القيم‬ ‫إلى‬ ‫النظر‬ ‫خالل‬ ‫من‬ ‫فقط‬
‫هو‬ ‫ما‬ ‫هو‬ ‫هذا‬
"
‫اآللي‬ ‫التعلم‬
!"
‫بالنتيجة‬ ‫والتنبؤ‬ ‫البيانات‬ ‫تحليل‬
!

Data Set
‫البيانات‬ ‫أنواع‬
:
‫معها‬ ‫نتعامل‬ ‫التي‬ ‫البيانات‬ ‫نوع‬ ‫معرفة‬ ‫المهم‬ ‫من‬ ، ‫البيانات‬ ‫لتحليل‬
.
‫رئيسية‬ ‫فئات‬ ‫ثالث‬ ‫إلى‬ ‫البيانات‬ ‫أنواع‬ ‫تقسيم‬ ‫يمكننا‬
:
Numerical
(
‫عددي‬
)
Categorical
(
‫الفئوية‬
)
Ordinal
(
‫ترتيبي‬
)

Data Set
‫عدديتين‬ ‫فئتين‬ ‫إلى‬ ‫تقسيمها‬ ‫ويمكن‬ ‫أرقام‬ ‫عن‬ ‫عبارة‬ ‫الرقمية‬ ‫البيانات‬
:
‫منفصلة‬ ‫بيانات‬
-
‫الصحيحة‬ ‫األعداد‬ ‫على‬ ‫تقتصر‬ ‫التي‬ ‫األعداد‬
.
‫مثال‬
:
‫المارة‬ ‫السيارات‬ ‫عدد‬
.
‫مستمرة‬ ‫بيانات‬
-
‫الالنهائية‬ ‫القيمة‬ ‫ذات‬ ‫األعداد‬
.
‫مثال‬
:
‫عنصر‬ ‫حجم‬ ‫أو‬ ‫عنصر‬ ‫سعر‬
‫الفئوية‬ ‫البيانات‬
:
‫البعض‬ ‫بعضها‬ ‫مقابل‬ ‫قياسها‬ ‫يمكن‬ ‫ال‬ ‫قيم‬ ‫هي‬
.
‫مثال‬
:
‫نعم‬ ‫قيم‬ ‫أي‬ ، ‫اللون‬ ‫قيمة‬
/
‫ال‬
‫ذكر‬ ‫النوع‬ ‫أو‬
/
‫أنثي‬
.
‫الترتيبية‬ ‫البيانات‬
:
‫البعض‬ ‫بعضها‬ ‫مقابل‬ ‫قياسها‬ ‫يمكن‬ ‫ولكن‬ ، ‫الفئوية‬ ‫البيانات‬ ‫مثل‬
.
‫مثال‬
:
‫فيها‬ ‫يكون‬ ‫مدرسية‬ ‫درجات‬
"
‫أ‬
"
‫م‬ ‫أفضل‬
‫ن‬
"
‫ب‬
"
‫وهكذا‬
.
‫عند‬ ‫استخدامه‬ ‫يجب‬ ‫الذي‬ ‫األسلوب‬ ‫معرفة‬ ‫من‬ ‫ستتمكن‬ ، ‫بك‬ ‫الخاص‬ ‫البيانات‬ ‫لمصدر‬ ‫البيانات‬ ‫نوع‬ ‫معرفة‬ ‫خالل‬ ‫من‬
‫تحليلها‬
.

Machine Learning - Mean Median Mode
‫والوضع‬ ، ‫الوسيط‬ ، ‫يعني‬
‫األرقام؟‬ ‫من‬ ‫مجموعة‬ ‫إلى‬ ‫النظر‬ ‫من‬ ‫نتعلمه‬ ‫أن‬ ‫يمكن‬ ‫الذي‬ ‫ما‬
‫اآللي‬ ‫التعلم‬ ‫في‬ ‫تهمنا‬ ‫قيم‬ ‫ثالث‬ ‫توجد‬ ‫ما‬ ‫ا‬ً‫ب‬‫غال‬
(
‫الرياضيات‬ ‫وفي‬
:)
(Mean )
‫يعني‬
-
‫القيمة‬ ‫متوسط‬
( Median)
‫الوسيط‬
-
‫الوسطى‬ ‫النقطة‬ ‫قيمة‬
(Mode )
‫الوضع‬
-
‫ا‬ً‫ع‬‫شيو‬ ‫األكثر‬ ‫القيمة‬
‫مثال‬
:
‫سرعة‬ ‫سجلنا‬
13
‫سيارة‬
:
speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]
‫ا؟‬ً‫ع‬‫شيو‬ ‫األكثر‬ ‫أو‬ ‫المتوسطة‬ ‫السرعة‬ ‫قيمة‬ ‫هي‬ ‫ما‬

‫يعني‬
‫متوسط‬ ‫هو‬ ‫القيمة‬ ‫متوسط‬
‫القيمة‬
.
‫لحساب‬
‫القيم‬ ‫عدد‬ ‫على‬ ‫المجموع‬ ‫واقسم‬ ، ‫القيم‬ ‫كل‬ ‫مجموع‬ ‫عن‬ ‫ابحث‬ ، ‫المتوسط‬
:
(
99
+
86
+
87
+
88
+
111
+
86
+
103
+
87
+
94
+
78
+
77
+
85
+
86
/ )
13
=
89.77
#Example
import numpy as np
speed=[99,86,87,88,111,86,103,87,94,78,77,85,86]
x=np.mean(speed)
print(x)

‫الوسيط‬
‫القيم‬ ‫جميع‬ ‫فرز‬ ‫بعد‬ ، ‫المنتصف‬ ‫في‬ ‫الموجودة‬ ‫القيمة‬ ‫هي‬ ‫المتوسطة‬ ‫القيمة‬
:
77
,
78
,
85
,
86
,
86
,
86
,
87
,
87
,
88
,
94
,
99
,
103
,
111
#Example
import numpy
speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]
x = numpy.median(speed)
print(x)

‫الوضع‬
‫األحيان‬ ‫أغلب‬ ‫في‬ ‫تظهر‬ ‫التي‬ ‫القيمة‬ ‫هي‬ ‫الوضع‬ ‫قيمة‬
:
99
,
86
,
87
,
88
,
111
,
86
,
103
,
87
,
94
,
78
,
77
,
85
,
86
=
86
#Example
from scipy import stats
speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]
x = stats.mode(speed)
print(x)

‫المعياري‬ ‫االنحراف‬
‫المعياري؟‬ ‫االنحراف‬ ‫هو‬ ‫ما‬
‫الت‬ ‫المقاييس‬ ‫أفضل‬ ‫هو‬ ‫المعياري‬ ‫االنحراف‬
‫ى‬
‫فر‬َ‫ت‬ ‫مدى‬ ‫لقياس‬ ‫ستخدم‬ُ‫ت‬
‫ي‬
‫متوسطها‬ ‫عن‬ ‫البيانات‬ ‫تناغم‬ ‫أو‬ ‫ق‬
‫الحساب‬
‫ي‬
‫حيث‬ ‫؛‬
‫قيمتين‬ ‫خالل‬ ‫من‬ ‫وليس‬ ‫وحسابها‬ ‫القيم‬ ‫جميع‬ ‫إدخال‬ ‫خالل‬ ‫من‬ ‫المعياري‬ ‫االنحراف‬ ‫يحسب‬
،‫فقط‬ ‫ثالثة‬ ‫أو‬
‫و‬
‫المنخفض‬ ‫المعياري‬ ‫االنحراف‬
‫به‬ ‫يقصد‬
‫المتوسطة‬ ‫القيمة‬ ‫من‬ ‫قريبة‬ ‫األرقام‬ ‫معظم‬ ‫أن‬
(
‫المتوسطة‬
.)
‫و‬
‫أوسع‬ ‫نطاق‬ ‫على‬ ‫موزعة‬ ‫القيم‬ ‫أن‬ ‫العالي‬ ‫المعياري‬ ‫االنحراف‬ ‫يعني‬
.
‫مثال‬
:
‫سرعة‬ ‫سجلنا‬ ‫المرة‬ ‫هذه‬
7
‫سيارات‬
:
speed = [86,87,88,86,87,85,86]
=
0.9
‫نطاق‬ ‫في‬ ‫تقع‬ ‫القيم‬ ‫معظم‬ ‫أن‬ ‫بمعنى‬
0.9
‫وهي‬ ، ‫المتوسطة‬ ‫القيمة‬ ‫من‬
86.4
.
‫أوسع‬ ‫نطاق‬ ‫ذات‬ ‫األرقام‬ ‫من‬ ‫مختارة‬ ‫مجموعة‬ ‫مع‬ ‫نفسه‬ ‫الشيء‬ ‫نفعل‬ ‫دعونا‬
:

speed = [32,111,138,28,59,77,97]
=
37.85
‫نطاق‬ ‫في‬ ‫تقع‬ ‫القيم‬ ‫معظم‬ ‫أن‬ ‫بمعنى‬
37.85
‫وهو‬ ، ‫القيمة‬ ‫متوسط‬ ‫من‬
77.4
.
‫إلى‬ ‫األعلى‬ ‫المعياري‬ ‫االنحراف‬ ‫يشير‬ ، ‫ترى‬ ‫كما‬
‫أوسع‬ ‫نطاق‬ ‫على‬ ‫موزعة‬ ‫القيم‬ ‫أن‬
.
#Example
import numpy
speed = [86,87,88,86,87,85,86]
x = numpy.std(speed)
print(x)

‫التباين‬
‫القيم‬ ‫انتشار‬ ‫مدى‬ ‫إلى‬ ‫يشير‬ ‫آخر‬ ‫رقم‬ ‫هو‬ ‫التباين‬
.
‫المعياري‬ ‫االنحراف‬ ‫على‬ ‫فستحصل‬ ، ‫للتباين‬ ‫التربيعي‬ ‫الجذر‬ ‫أخذت‬ ‫إذا‬ ، ‫الواقع‬ ‫في‬
!
‫التباين‬ ‫على‬ ‫ستحصل‬ ، ‫بنفسه‬ ‫المعياري‬ ‫االنحراف‬ ‫ضربت‬ ‫إذا‬ ، ‫بالعكس‬ ‫أو‬
!
‫يلي‬ ‫بما‬ ‫القيام‬ ‫عليك‬ ‫التباين‬ ‫لحساب‬
:
1
.
‫المتوسط‬ ‫عن‬ ‫ابحث‬
:
(
32
+
111
+
138
+
28
+
59
+
77
+
97
/ )
7
=
77.4
‫قيمة‬ ‫لكل‬
:
‫المتوسط‬ ‫عن‬ ‫الفرق‬ ‫أوجد‬
:

32
-
77.4
=
-
45.4
111
-
77.4
=
33.6
138
-
77.4
=
60.6
28
-
77.4
=
-
49.4
59
-
77.4
=
-
18.4
77
-
77.4
=
-
0.4
97
-
77.4
=
19.6

‫اختالف‬ ‫لكل‬
:
‫التربيعية‬ ‫القيمة‬ ‫أوجد‬
:
(
-
45.4
)
2
=
2061.16
(
33.6
)
2
=
1128.96
(
60.6
)
2
=
3672.36
(
-
49.4
)
2
=
2440.36
(
-
18.4
)
2
=
338.56
(
-
0.4
)
2
=
0.16
(
19.6
)
2
=
384.16

‫التربيعية‬ ‫الفروق‬ ‫هذه‬ ‫عدد‬ ‫متوسط‬ ‫هو‬ ‫التباين‬
:
(
2061.16
+
1128.96
+
3672.36
+
2440.36
+
338.56
+
0.16
+
384.16
/ )
7
=
1432.2
#Example
import numpy
speed = [32,111,138,28,59,77,97]
x = numpy.var(speed)
y = numpy.std(speed)
print(x)
print(y)

‫المئوية‬ ‫النسب‬
‫المئوية؟‬ ‫النسب‬ ‫هي‬ ‫ما‬
‫الق‬ ‫من‬ ‫معينة‬ ‫مئوية‬ ‫نسبة‬ ‫تكون‬ ‫التي‬ ‫القيمة‬ ‫يصف‬ ‫ا‬ً‫م‬‫رق‬ ‫إلعطائك‬ ‫اإلحصائيات‬ ‫في‬ ‫المئوية‬ ‫النسب‬ ‫ستخدم‬ُ‫ت‬
‫منها‬ ‫أقل‬ ‫يم‬
.
‫مثال‬
:
‫الشارع‬ ‫في‬ ‫يعيشون‬ ‫الذين‬ ‫األشخاص‬ ‫جميع‬ ‫أعمار‬ ‫من‬ ‫مجموعة‬ ‫لدينا‬ ‫أن‬ ‫لنفترض‬
.
ages = [5,31,43,48,50,41,7,11,15,39,80,82,32,2,8,6,25,36,27,61,31]
‫هو‬ ‫ما‬
75
.
‫هي‬ ‫اإلجابة‬ ‫المئين؟‬
43
‫أن‬ ‫أي‬ ،
75
‫العمر‬ ‫من‬ ‫يبلغون‬ ‫الناس‬ ‫من‬ ٪
43
‫أقل‬ ‫أو‬ ‫ا‬ً‫م‬‫عا‬
.
#Example
import numpy
ages = [5,31,43,48,50,41,7,11,15,39,80,82,32,2,8,6,25,36,27,61,31]
x = numpy.percentile(ages, 75)
print(x)

‫البيانات‬ ‫توزيع‬
‫الح‬ ‫العالم‬ ‫بيانات‬ ‫جمع‬ ‫الصعب‬ ‫من‬ ‫يكون‬ ‫قد‬ ‫ولكن‬ ، ‫بكثير‬ ‫أكبر‬ ‫البيانات‬ ‫مجموعات‬ ‫تكون‬ ، ‫الحقيقي‬ ‫العالم‬ ‫في‬
‫األقل‬ ‫على‬ ، ‫قيقي‬
‫المشروع‬ ‫من‬ ‫مبكرة‬ ‫مرحلة‬ ‫في‬
.
‫الضخمة؟‬ ‫البيانات‬ ‫مجموعات‬ ‫على‬ ‫الحصول‬ ‫يمكننا‬ ‫كيف‬
‫وحدة‬ ‫نستخدم‬ ، ‫لالختبار‬ ‫ضخمة‬ ‫بيانات‬ ‫مجموعات‬ ‫إلنشاء‬
Python NumPy
،
‫إلنشاء‬ ‫الطرق‬ ‫من‬ ‫عدد‬ ‫مع‬ ‫تأتي‬ ‫والتي‬
‫حجم‬ ‫أي‬ ‫من‬ ‫عشوائية‬ ‫بيانات‬ ‫مجموعات‬
.
#Example:
import numpy
x = numpy.random.uniform(0.0, 5.0, 250)
print(x)

)
‫البياني‬ ‫الرسم‬
(
‫جمعناها‬ ‫التي‬ ‫بالبيانات‬ ‫بياني‬ ‫رسم‬ ‫يمكننا‬ ، ‫البيانات‬ ‫مجموعة‬ ‫لتصور‬
.
‫سنستخدم‬
‫مكتبة‬
Matplotlib
‫بياني‬ ‫مخطط‬ ‫لرسم‬
.
#Example
import numpy
import matplotlib.pyplot as plt
plt.hist(x, 5)
plt.show()

)
(
‫الضخمة‬ ‫البيانات‬ ‫توزيعات‬
(
Big Data Distributions
)
‫على‬ ‫تحتوي‬ ‫التي‬ ‫المصفوفة‬ ‫تعتبر‬ ‫ال‬
250
‫القيم‬ ‫من‬ ‫عشوائية‬ ‫مجموعة‬ ‫إنشاء‬ ‫كيفية‬ ‫تعرف‬ ‫اآلن‬ ‫ولكنك‬ ، ‫ًا‬‫د‬‫ج‬ ‫كبيرة‬ ‫قيمة‬
‫وعن‬ ،
‫المع‬ ‫تغيير‬ ‫طريق‬
‫ا‬
‫م‬
‫الت‬
‫تريده‬ ‫الذي‬ ‫بالحجم‬ ‫البيانات‬ ‫مجموعة‬ ‫إنشاء‬ ‫يمكنك‬ ،
.
#Example
import numpy
plt.hist(x, 100)
plt.show()

)
(
‫العادي‬ ‫البيانات‬ ‫توزيع‬
Normal Data Distribution)
)
‫في‬
‫السابق‬ ‫المثال‬
‫معينتين‬ ‫قيمتين‬ ‫وبين‬ ، ‫معين‬ ‫بحجم‬ ، ‫ا‬ً‫م‬‫تما‬ ‫عشوائية‬ ‫مصفوفة‬ ‫إنشاء‬ ‫كيفية‬ ‫تعلمنا‬ ،
.
‫ا‬ ‫هذا‬ ‫في‬
‫لمثال‬
‫معينة‬ ‫قيمة‬ ‫حول‬ ‫القيم‬ ‫تتركز‬ ‫حيث‬ ‫مصفوفة‬ ‫إنشاء‬ ‫كيفية‬ ‫نتعلم‬ ‫سوف‬
.
‫ال‬ ‫البيانات‬ ‫توزيع‬ ‫أو‬ ، ‫للبيانات‬ ‫الطبيعي‬ ‫بالتوزيع‬ ‫البيانات‬ ‫توزيع‬ ‫من‬ ‫النوع‬ ‫هذا‬ ‫عرف‬ُ‫ي‬ ، ‫االحتماالت‬ ‫نظرية‬ ‫في‬
‫ج‬
‫عالم‬ ‫بعد‬ ، ‫اوسي‬
‫هذا‬ ‫البيانات‬ ‫توزيع‬ ‫صيغة‬ ‫إلى‬ ‫توصل‬ ‫الذي‬ ‫جاوس‬ ‫فريدريش‬ ‫كارل‬ ‫الرياضيات‬
.
import numpy
x = numpy.random.normal(5.0, 1.0, 100000)
plt.hist(x, 100)
plt.show()

)
(

)
(
‫طريقة‬ ‫من‬ ‫المصفوفة‬ ‫نستخدم‬
numpy.random.normal ()
،
‫مع‬
100000
‫من‬ ‫بياني‬ ‫مخطط‬ ‫لرسم‬ ، ‫قيمة‬
100
‫شريط‬
.
‫هي‬ ‫المتوسطة‬ ‫القيمة‬ ‫أن‬ ‫نحدد‬
5.0
‫هو‬ ‫المعياري‬ ‫واالنحراف‬ ،
1.0
.
‫حول‬ ‫تتركز‬ ‫أن‬ ‫يجب‬ ‫القيم‬ ‫أن‬ ‫بمعنى‬
5.0
‫من‬ ‫أبعد‬ ‫تكون‬ ‫ما‬ ‫ا‬ً‫ونادر‬ ،
1.0
‫المتوسط‬ ‫عن‬
.
‫بين‬ ‫تتراوح‬ ‫القيم‬ ‫معظم‬ ‫فإن‬ ، ‫البياني‬ ‫الرسم‬ ‫من‬ ‫ترى‬ ‫وكما‬
4.0
‫و‬
6.0
‫عند‬ ‫قمة‬ ‫مع‬ ،
5.0
‫ا‬ً‫ب‬‫تقري‬
.

‫التبعثر‬ ‫مخطط‬
‫بنقطة‬ ‫البيانات‬ ‫مجموعة‬ ‫في‬ ‫قيمة‬ ‫كل‬ ‫تمثيل‬ ‫يتم‬ ‫حيث‬ ‫تخطيطي‬ ‫رسم‬ ‫هو‬ ‫التبعثر‬ ‫مخطط‬

‫النمطية‬ ‫الوحدة‬ ‫تحتوي‬
Matplotlib
، ‫الطول‬ ‫نفس‬ ‫من‬ ‫صفيفين‬ ‫إلى‬ ‫تحتاج‬ ‫فهي‬ ، ‫التشتت‬ ‫مخططات‬ ‫لرسم‬ ‫طريقة‬ ‫على‬
‫أحدهما‬
‫الصادي‬ ‫المحور‬ ‫لقيم‬ ‫واآلخر‬ ‫السيني‬ ‫المحور‬ ‫لقيم‬
:
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
‫المصفوفة‬ ‫تمثل‬
x
‫سيارة‬ ‫كل‬ ‫عمر‬
.
‫المصفوفة‬ ‫يمثل‬
y
‫سيارة‬ ‫كل‬ ‫سرعة‬
.

#Example
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
plt.scatter(x, y)
plt.show()

‫السرعات‬ ‫الصادي‬ ‫المحور‬ ‫ويمثل‬ ، ‫األعمار‬ ‫السيني‬ ‫المحور‬ ‫يمثل‬
.
‫عمرها‬ ‫كان‬ ‫سيارة‬ ‫وأبطأ‬ ، ‫سنتين‬ ‫بعمر‬ ‫كانا‬ ‫سيارتين‬ ‫أسرع‬ ‫أن‬ ‫هو‬ ‫التخطيطي‬ ‫الرسم‬ ‫من‬ ‫قراءته‬ ‫يمكننا‬ ‫ما‬
12
‫سنة‬
.

‫العشوائية‬ ‫البيانات‬ ‫توزيعات‬
‫القيم‬ ‫ماليين‬ ‫حتى‬ ‫أو‬ ‫آالف‬ ‫على‬ ‫البيانات‬ ‫مجموعات‬ ‫تحتوي‬ ‫أن‬ ‫يمكن‬ ، ‫اآللي‬ ‫التعلم‬ ‫في‬
.
‫الحقيقي‬ ‫العالم‬ ‫بيانات‬ ‫لديك‬ ‫يكون‬ ‫ال‬ ‫قد‬
‫ا‬ً‫ي‬‫عشوائ‬ ‫إنشاؤها‬ ‫تم‬ ‫التي‬ ‫القيم‬ ‫استخدام‬ ‫إلى‬ ‫تضطر‬ ‫قد‬ ، ‫خوارزمية‬ ‫اختبار‬ ‫عند‬
.
‫في‬ ‫تعلمنا‬ ‫كما‬
‫سابق‬ ‫مثال‬
‫لوحدة‬ ‫يمكن‬ ،
NumPy
‫ذلك‬ ‫في‬ ‫مساعدتنا‬
!
‫بـ‬ ‫مملوءتين‬ ‫مصفوفتين‬ ‫ننشئ‬ ‫دعونا‬
1000
‫العادي‬ ‫البيانات‬ ‫توزيع‬ ‫من‬ ‫عشوائي‬ ‫رقم‬
.
‫على‬ ‫ا‬ً‫ط‬‫مضبو‬ ‫المتوسط‬ ‫سيكون‬
5.0
‫قدره‬ ‫معياري‬ ‫انحراف‬ ‫مع‬
1.0
‫األولى‬ ‫المصفوفة‬ ‫في‬
.
‫على‬ ‫ا‬ً‫ط‬‫مضبو‬ ‫المتوسط‬ ‫الثانية‬ ‫للمصفوفة‬ ‫سيكون‬
10.0
‫قدره‬ ‫معياري‬ ‫بانحراف‬
2.0
:

#Example
import numpy
x = numpy.random.normal(5.0, 1.0, 1000)
y = numpy.random.normal(10.0, 2.0, 1000)
plt.scatter(x, y)
plt.show()

Cyber Security
70
ENG/SALMA MOHAMMAD
Eng/Salma Mohammad
‫السابعة‬ ‫المحاضرة‬
–

‫للبيانات‬ ‫المسبقة‬ ‫المعالجة‬ ‫تقنيات‬
‫األولية‬ ‫البيانات‬ ‫من‬ ‫الكثير‬ ‫مع‬ ‫التعامل‬ ‫علينا‬ ‫يتعين‬ ‫ما‬ ‫عادة‬ ، ‫الحقيقي‬ ‫العالم‬ ‫في‬
.
‫البي‬ ‫هذه‬ ‫استيعاب‬ ‫يمكن‬ ‫ال‬
‫بسهولة‬ ‫األولية‬ ‫انات‬
‫اآللي‬ ‫التعلم‬ ‫خوارزميات‬ ‫بواسطة‬
.
‫ف‬ ‫إدخالها‬ ‫قبل‬ ‫ا‬ً‫ق‬‫مسب‬ ‫معالجتها‬ ‫علينا‬ ‫يتعين‬ ، ‫اآللي‬ ‫للتعلم‬ ‫البيانات‬ ‫إلعداد‬
‫خوارزميات‬ ‫ي‬
‫مختلفة‬
.
‫من‬ ‫يقرب‬ ‫ما‬ ، ‫الوقت‬ ‫من‬ ‫الكثير‬ ‫تستغرق‬ ‫مكثفة‬ ‫عملية‬ ‫هذه‬
80
‫بعض‬ ‫في‬ ، ‫بأكملها‬ ‫البيانات‬ ‫تحليل‬ ‫عملية‬ ‫من‬ ‫المائة‬ ‫في‬
‫السيناريوهات‬
.
‫أفض‬ ‫معرفة‬ ‫الضروري‬ ‫من‬ ‫لذلك‬ ، ‫البيانات‬ ‫تحليل‬ ‫عمل‬ ‫سير‬ ‫لبقية‬ ‫ا‬ً‫ي‬‫حيو‬ ‫ا‬ً‫أمر‬ ‫يعد‬ ، ‫ذلك‬ ‫ومع‬
‫لهذه‬ ‫الممارسات‬ ‫ل‬
‫التقنيات‬
.
‫ودقتها‬ ‫البيانات‬ ‫جودة‬ ‫من‬ ‫التحقق‬ ‫إلى‬ ‫نحتاج‬ ، ‫اآللي‬ ‫للتعلم‬ ‫خوارزمية‬ ‫أي‬ ‫إلى‬ ‫بياناتنا‬ ‫إرسال‬ ‫قبل‬
.
‫إ‬
‫من‬ ‫نتمكن‬ ‫لم‬ ‫ذا‬
‫في‬ ‫المخزنة‬ ‫البيانات‬ ‫إلى‬ ‫الوصول‬
Python
‫يم‬ ‫شيء‬ ‫إلى‬ ‫األولية‬ ‫البيانات‬ ‫من‬ ‫التبديل‬ ‫من‬ ‫نتمكن‬ ‫لم‬ ‫إذا‬ ‫أو‬ ، ‫صحيح‬ ‫بشكل‬
‫كن‬
‫ا‬ً‫م‬‫قد‬ ‫المضي‬ ‫يمكننا‬ ‫فال‬ ، ‫تحليله‬
.
‫بعدة‬ ‫ا‬ً‫ق‬‫مسب‬ ‫البيانات‬ ‫معالجة‬ ‫يمكن‬
‫طرقيمكن‬
‫ب‬ ‫ا‬ً‫ق‬‫مسب‬ ‫البيانات‬ ‫معالجة‬
‫طرق‬ ‫عدة‬
:
-
Mean removal
-
Scaling
-
Normalization
-
Binarization
-
One Hot Encoding

Mean removal
‫تركز‬ ‫أن‬ ‫يمكن‬ ‫بحيث‬ ‫ميزة‬ ‫كل‬ ‫من‬ ‫متوسط‬ ‫إلزالة‬ ‫ستخدم‬ُ‫ت‬ ‫التي‬ ‫للبيانات‬ ‫المسبقة‬ ‫المعالجة‬ ‫تقنيات‬ ‫من‬ ‫نوع‬ ‫هو‬
‫الصفر‬ ‫على‬
.
‫كما‬
‫الميزة‬ ‫من‬ ‫التحيز‬ ‫إزالة‬ ‫في‬ ‫يساعد‬ ‫أنه‬
.
#Example:
import numpy as np
from sklearn import preprocessing
data = np.array([[3, -1.5, 2, -5.4], [0, 4, -0.3, 2.1], [1, 3.3,-1.9, -4.3]])
data_standardized = preprocessing.scale(data)
print("data",data_standardized)
print("nMean =", data_standardized.mean(axis=0))
print("Std deviation =", data_standardized.std(axis=0))
‫ا‬ً‫ب‬‫تقري‬ ‫المتوسط‬ ‫يكون‬ ، ‫اإلخراج‬ ‫في‬ ‫أنه‬ ‫الحظ‬
0
‫هو‬ ‫المعياري‬ ‫واالنحراف‬
1
.

Scaling
‫ثابت‬ ‫نطاق‬ ‫في‬ ‫البيانات‬ ‫في‬ ‫الموجودة‬ ‫المستقلة‬ ‫الميزات‬ ‫لتوحيد‬ ‫أسلوب‬ ‫هو‬ ‫الميزة‬ ‫تحجيم‬
.
‫الم‬ ‫أثناء‬ ‫إجراؤه‬ ‫يتم‬
‫المسبقة‬ ‫عالجة‬
‫وحدات‬ ‫أو‬ ‫للغاية‬ ‫متفاوتة‬ ‫قيم‬ ‫أو‬ ‫مقادير‬ ‫مع‬ ‫للتعامل‬ ‫للبيانات‬
.
‫الت‬ ‫خوارزمية‬ ‫فإن‬ ، ‫الميزة‬ ‫تحجيم‬ ‫إجراء‬ ‫يتم‬ ‫لم‬ ‫إذا‬
‫تميل‬ ‫اآللي‬ ‫علم‬
‫القيم‬ ‫وحدة‬ ‫عن‬ ‫النظر‬ ‫بغض‬ ، ‫أقل‬ ‫كقيم‬ ‫األصغر‬ ‫القيم‬ ‫واعتبار‬ ‫وأعلى‬ ‫أكبر‬ ‫قيم‬ ‫تقييم‬ ‫إلى‬
.
‫مثال‬
:
‫القيمة‬ ‫اعتبار‬ ‫فيمكنها‬ ، ‫الميزة‬ ‫تحجيم‬ ‫طريقة‬ ‫تستخدم‬ ‫ال‬ ‫الخوارزمية‬ ‫كانت‬ ‫إذا‬
3000
‫من‬ ‫أكبر‬ ‫متر‬
5
‫ولكن‬ ‫كيلومترات‬
‫خاطئة‬ ‫تنبؤات‬ ‫الخوارزمية‬ ‫ستقدم‬ ، ‫الحالة‬ ‫هذه‬ ‫وفي‬ ‫الواقع‬ ‫في‬ ‫صحيح‬ ‫غير‬ ‫هذا‬
.
‫الميز‬ ‫تحجيم‬ ‫ميزة‬ ‫نستخدم‬ ، ‫لذلك‬
‫لجلب‬ ‫ات‬
‫المشكلة‬ ‫هذه‬ ‫معالجة‬ ‫وبالتالي‬ ‫األحجام‬ ‫نفس‬ ‫إلى‬ ‫القيم‬ ‫جميع‬
.
‫الميزات‬ ‫تحجيم‬ ‫أداء‬ ‫تقنيات‬
‫نوعين‬ ‫لها‬
:
: Min-Max Normalization
‫بين‬ ‫توزيع‬ ‫بقيمة‬ ‫مالحظة‬ ‫أو‬ ‫ميزة‬ ‫قيمة‬ ‫قياس‬ ‫إعادة‬ ‫على‬ ‫التقنية‬ ‫هذه‬ ‫تعمل‬
0
‫و‬
1
.

‫القياسي‬ ‫التوحيد‬
(Standardization)
:
‫بقيمة‬ ‫توزيع‬ ‫لها‬ ‫يكون‬ ‫بحيث‬ ‫الميزة‬ ‫قيمة‬ ‫قياس‬ ‫يعيد‬ ‫للغاية‬ ‫فعال‬ ‫أسلوب‬ ‫هو‬
0
‫والتباين‬
‫يساوي‬
1
.

#Example
import numpy as np
data = np.array([[3, -1.5, 2, -5.4], [0, 4, -0.3, 2.1], [1, 3.3,-1.9, -4.3]])
data_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
data_scaler_st=preprocessing.StandardScaler()
data_scaled = data_scaler.fit_transform(data)
data_scaledst=data_scaler_st.fit_transform(data)
print("nMin max scaled data =", data_scaled)
print("nStandardisation scaled data =", data_scaledst)

Binarization
‫اآللي؟‬ ‫التعلم‬ ‫في‬ ‫الثنائي‬ ‫الترميز‬ ‫هو‬ ‫ما‬
‫الثنائية‬ ‫لألرقام‬ ‫متجهات‬ ‫إلى‬ ‫كيان‬ ‫ألي‬ ‫البيانات‬ ‫ميزات‬ ‫تحويل‬ ‫عملية‬ ‫هي‬ ‫الثنائيات‬
(
0,1
)
‫أكثر‬ ‫المصنف‬ ‫خوارزميات‬ ‫لجعل‬
‫كفاءة‬
.
‫نطاق‬ ‫من‬ ‫للصورة‬ ‫رمادي‬ ‫مقياس‬ ‫تحويل‬ ‫يعتبر‬ ، ‫بسيط‬ ‫مثال‬ ‫في‬
0
-
255
‫طيف‬ ‫إلى‬
0
-
1
‫الثنائي‬ ‫الترميز‬ ‫هو‬
.
‫الثنائي؟‬ ‫الترميز‬ ‫استخدام‬ ‫يتم‬ ‫لماذا‬
‫وأسود‬ ‫أبيض‬ ‫إلى‬ ‫الرمادي‬ ‫المقياس‬ ‫ذات‬ ‫الصور‬ ‫تحويل‬ ‫في‬ ‫الثنائي‬ ‫للترميز‬ ‫الرئيسية‬ ‫الميزات‬ ‫إحدى‬ ‫تتمثل‬
(
0
‫و‬
1
.)
‫عالوة‬
‫الصورة‬ ‫في‬ ‫الموجودة‬ ‫المختلفة‬ ‫للكائنات‬ ‫ا‬ً‫ح‬‫ووضو‬ ‫ا‬ً‫ح‬‫وضو‬ ‫أكثر‬ ‫ا‬ً‫ط‬‫خطو‬ ‫الثنائي‬ ‫الترميز‬ ‫يوفر‬ ، ‫ذلك‬ ‫على‬
.
‫الثنائي؟‬ ‫الترميز‬ ‫تقنية‬ ‫هي‬ ‫ما‬
‫ومعالجتها‬ ‫المستند‬ ‫صورة‬ ‫لتحليل‬ ‫المعالجة‬ ‫قبل‬ ‫ما‬ ‫خطوة‬ ‫ثنائية‬ ‫صورة‬ ‫إلى‬ ‫المستند‬ ‫صورة‬ ‫تحويل‬ ‫عملية‬ ‫تعد‬
.
‫إ‬
‫أداء‬ ‫يعزز‬ ‫نه‬
‫التخطيط‬ ‫وتحليل‬ ‫الحروف‬ ‫على‬ ‫الضوئي‬ ‫التعرف‬ ‫مثل‬ ‫المستندات‬ ‫معالجة‬ ‫تقنيات‬
.
‫إل‬ ‫المستند‬ ‫صورة‬ ‫تحويل‬ ‫إن‬
‫ثنائية‬ ‫صورة‬ ‫ى‬
‫المستوى‬ ‫ثنائية‬ ‫مستند‬ ‫صورة‬ ‫إلى‬ ‫المستند‬ ‫صورة‬ ‫تحويل‬ ‫هو‬ ‫المستوى‬
.

‫الثنائي؟‬ ‫الترميز‬ ‫يعمل‬ ‫كيف‬
‫التكراري‬ ‫المدرج‬ ‫في‬ ‫حدية‬ ‫قيمة‬ ‫إيجاد‬ ‫خالل‬ ‫من‬ ‫الثنائي‬ ‫الترميز‬ ‫عملية‬ ‫تعمل‬
-
‫ب‬ ‫التكراري‬ ‫المدرج‬ ‫تقسم‬ ‫قيمة‬ ‫وهي‬
‫فعال‬ ‫شكل‬
‫كائنين‬ ‫أحد‬ ‫منهما‬ ‫كل‬ ‫يمثل‬ ، ‫جزأين‬ ‫إلى‬
(
‫والخلفية‬ ‫الكائن‬ ‫أو‬
.)
‫العالمية‬ ‫العتبة‬ ‫باسم‬ ‫عرف‬ُ‫ي‬ ‫السياق‬ ‫هذا‬ ‫في‬
(
‫سن‬
‫العتبة‬ ‫عن‬ ‫تحدث‬
‫ا‬ً‫ق‬‫الح‬ ‫المحلية‬
.)
‫للبيانات؟‬ ‫المسبقة‬ ‫المعالجة‬ ‫في‬ ‫الثنائي‬ ‫الترميز‬ ‫هو‬ ‫ما‬
‫واحدة‬ ‫وتخصيص‬ ‫مجموعتين‬ ‫إلى‬ ‫البيانات‬ ‫تقسيم‬ ‫عملية‬ ‫هي‬ ‫الثنائية‬
.
‫المجموعة‬ ‫نفس‬ ‫أعضاء‬ ‫لجميع‬ ‫قيمتين‬ ‫من‬
.
‫يتم‬ ‫ما‬ ‫عادة‬ ‫هذا‬
‫إنجازه‬
.
‫عتبة‬ ‫تحديد‬ ‫خالل‬ ‫من‬
t
‫القيمة‬ ‫وتعيين‬
0
‫أدناه‬ ‫البيانات‬ ‫نقاط‬ ‫لجميع‬
.
‫و‬ ‫العتبة‬
1
‫فوقها‬ ‫لمن‬
.

‫بها‬ ‫مسبقة‬ ‫معرفة‬ ‫لدينا‬ ‫تكون‬ ‫عندما‬ ً‫ة‬‫عاد‬ ‫ستخدم‬ُ‫ت‬ ‫ًا‬‫د‬‫ج‬ ‫مفيدة‬ ‫تقنية‬ ‫هذه‬
‫البيانات‬
.
import numpy as np
data = np.array([[3, -1.5, 2, -5.4], [0, 4, -0.3, 2.1], [1, 3.3,-1.9, -4.3]])
data_binarized = preprocessing.Binarizer(threshold=1.4).transform(data)
print("nBinarized data =", data_binarized)
‫مالحظة‬
:
‫العتبة‬
(
threshold
)
[ :
‫اختياري‬ ، ‫عائم‬
]
‫إلى‬ ‫تعيينها‬ ‫يتم‬ ‫العتبة‬ ‫تساوي‬ ‫أو‬ ‫عن‬ ‫تقل‬ ‫التي‬ ‫القيم‬
0
‫إلى‬ ‫وإال‬ ،
1
.
‫العتبة‬ ‫قيمة‬
‫هي‬ ‫االفتراضية‬
0.0
.
‫نسخ‬
(
copy
)
[ :
‫اختياري‬ ، ‫منطقي‬
]
‫على‬ ‫الضبط‬ ‫تم‬ ‫إذا‬
False
،
‫النسخ‬ ‫يتجنب‬ ‫فإنه‬
.
‫صحيح‬ ‫هو‬ ‫افتراضيا‬
.

One Hot Encoding
‫رقمية‬ ‫بيانات‬ ‫إلى‬ ‫تحويلها‬ ‫إلى‬ ‫وتحتاج‬ ‫الفئوية‬ ‫البيانات‬ ‫مع‬ ‫العمل‬ ‫اآللي‬ ‫التعلم‬ ‫خوارزميات‬ ‫لمعظم‬ ‫يمكن‬ ‫ال‬
.
‫ف‬
‫في‬ ‫األحيان‬ ‫بعض‬ ‫ي‬
‫فئوية‬ ‫ميزات‬ ‫على‬ ‫تحتوي‬ ‫أعمدة‬ ‫نواجه‬ ، ‫البيانات‬ ‫مجموعات‬
(
‫سلسلة‬ ‫قيم‬
)
‫ا‬ ‫المثال‬ ‫سبيل‬ ‫على‬
‫نوع‬ ‫لمعامل‬
‫سيكون‬
‫مع‬ ‫لها‬
‫امالت‬
‫أنثى‬ ، ‫ذكر‬ ‫مثل‬ ‫فئوية‬
.
‫ع‬ ‫البيانات‬ ‫ألن‬ ‫ا‬ً‫نظر‬ ‫ا‬ً‫ض‬‫وأي‬ ‫للتفضيل‬ ‫معين‬ ‫ترتيب‬ ‫على‬ ‫الملصقات‬ ‫هذه‬ ‫تحتوي‬ ‫ال‬
‫تسميات‬ ‫عن‬ ‫بارة‬
‫فيها‬ ‫الهرمي‬ ‫التسلسل‬ ‫من‬ ‫نوع‬ ‫وجود‬ ‫تفسير‬ ‫اآللي‬ ‫التعلم‬ ‫نماذج‬ ‫أساءت‬ ‫فقد‬ ، ‫سلسلة‬
.
‫الملص‬ ‫لهذه‬ ‫عددية‬ ‫قيمة‬ ‫بتعيين‬ ‫سنقوم‬ ‫حيث‬ ‫الملصقات‬ ‫ترميز‬ ‫هو‬ ‫المشكلة‬ ‫هذه‬ ‫لحل‬ ‫األساليب‬ ‫أحد‬ ‫يكون‬ ‫أن‬ ‫يمكن‬
‫سبيل‬ ‫على‬ ‫قات‬
‫على‬ ‫وأنثى‬ ‫ذكر‬ ‫تعيين‬ ‫المثال‬
0
‫و‬
1
.
‫أع‬ ‫تفضيل‬ ‫إعطاء‬ ‫في‬ ‫سيبدأ‬ ‫حيث‬ ‫نموذجنا‬ ‫في‬ ‫ا‬ً‫تحيز‬ ‫يضيف‬ ‫أن‬ ‫يمكن‬ ‫هذا‬ ‫ولكن‬
‫لى‬
‫مثل‬ ‫أنثى‬ ‫للمعامل‬
1
>
0
‫البيانات‬ ‫مجموعة‬ ‫في‬ ‫األهمية‬ ‫من‬ ‫القدر‬ ‫نفس‬ ‫لهما‬ ‫التصنيفين‬ ‫كال‬ ‫فإن‬ ، ‫المثالية‬ ‫الناحية‬ ‫ومن‬
.
‫للتعامل‬
‫تقنية‬ ‫نستخدم‬ ‫سوف‬ ، ‫المشكلة‬ ‫هذه‬ ‫مع‬
One Hot Encoding
.

#Example
import numpy as np
encoder = preprocessing.OneHotEncoder()
encoder.fit([[0, 2, 1, 12],
[1, 3, 5, 3],
[2, 3, 2, 9],
[1, 4, 5, 2]],)
encoded_vector = encoder.transform([[2, 4, 5, 2]]).toarray()
print("nEncoded vector =", encoded_vector)

label encoding
‫بين‬ ‫رقمية‬ ‫بقيمة‬ ‫الفئوية‬ ‫القيمة‬ ‫نستبدل‬
0
‫ناقص‬ ‫الفئات‬ ‫وعدد‬
1
.
‫على‬ ‫تحتوي‬ ‫الفئوي‬ ‫المتغير‬ ‫قيمة‬ ‫كانت‬ ‫إذا‬
5
‫فإننا‬ ، ‫مميزة‬ ‫فئات‬
‫نستخدم‬
(
0
،
1
،
2
،
3
،
4
)
#Example
import numpy as np
label_encoder = preprocessing.LabelEncoder()
input_classes = ['suzuki', 'ford', 'suzuki', 'toyota', 'ford', 'bmw']
label_encoder.fit(input_classes)
print("nClass mapping:")
for i, item in enumerate(label_encoder.classes_):
print(item, '-->', i)

Linear Regression
‫ا‬ً‫ع‬‫شيو‬ ‫وأكثرها‬ ‫اآللي‬ ‫التعلم‬ ‫خوارزميات‬ ‫أسهل‬ ‫أحد‬ ‫الخطي‬ ‫االنحدار‬ ‫يعد‬
.
‫التنب‬ ‫للتحليل‬ ‫تستخدم‬ ‫إحصائية‬ ‫طريقة‬ ‫إنها‬
‫ئي‬
.
‫االنحدار‬ ‫يقوم‬
‫المستمرة‬ ‫للمتغيرات‬ ‫تنبؤات‬ ‫بعمل‬ ‫الخطي‬
/
‫إل‬ ‫وما‬ ‫المنتج‬ ‫وسعر‬ ‫والعمر‬ ‫والراتب‬ ‫المبيعات‬ ‫مثل‬ ‫الرقمية‬ ‫أو‬ ‫الحقيقية‬
‫ذلك‬ ‫ى‬
.
‫ظهر‬ُ‫ت‬
‫تابع‬ ‫متغير‬ ‫بين‬ ‫خطية‬ ‫عالقة‬ ‫الخطي‬ ‫االنحدار‬ ‫خوارزمية‬
y)
)
‫ومتغير‬
(
( y
‫االنحدار‬ ‫عليه‬ ‫طلق‬ُ‫ي‬ ‫ثم‬ ‫ومن‬ ، ‫أكثر‬ ‫أو‬ ‫واحد‬ ‫مستقل‬
‫الخطي‬
.
ً‫ق‬‫وف‬ ‫التابع‬ ‫المتغير‬ ‫قيمة‬ ‫تتغير‬ ‫كيف‬ ‫يجد‬ ‫أنه‬ ‫يعني‬ ‫مما‬ ، ‫الخطية‬ ‫العالقة‬ ‫يوضح‬ ‫الخطي‬ ‫االنحدار‬ ‫ألن‬ ‫ا‬ً‫نظر‬
‫المتغير‬ ‫لقيمة‬ ‫ا‬
‫المستقل‬
.
‫المتغيرات‬ ‫بين‬ ‫العالقة‬ ‫يمثل‬ ً
‫مائال‬ ‫ا‬ً‫م‬‫مستقي‬ ‫ا‬ً‫ط‬‫خ‬ ‫الخطي‬ ‫االنحدار‬ ‫نموذج‬ ‫يوفر‬
.
‫أدناه‬ ‫الصورة‬ ‫إلى‬ ‫انظر‬
:

Linear Regression
‫المعادلة‬ ‫هذه‬ ‫في‬
:
= y
‫اإلخراج‬ ‫متغير‬ ‫هو‬
.
‫اإلح‬ ‫النمذجة‬ ‫في‬ ‫التابع‬ ‫المتغير‬ ‫أو‬ ، ‫اآللي‬ ‫التعلم‬ ‫في‬ ‫المستهدف‬ ‫المتغير‬ ‫ا‬ً‫ض‬‫أي‬ ‫ويسمى‬
‫صائية‬
.
‫يمثل‬ ‫إنه‬
‫بها‬ ‫التنبؤ‬ ‫نحاول‬ ‫التي‬ ‫المستمرة‬ ‫القيمة‬
.
= x
‫اإلدخال‬ ‫متغير‬ ‫هو‬
.
‫إلى‬ ‫يشار‬ ، ‫اآللي‬ ‫التعلم‬ ‫في‬
x
‫المس‬ ‫المتغير‬ ‫عليها‬ ‫يطلق‬ ، ‫اإلحصائيات‬ ‫في‬ ‫بينما‬ ، ‫الميزة‬ ‫أنها‬ ‫على‬
‫تقل‬
.
‫وقت‬ ‫أي‬ ‫في‬ ‫إلينا‬ ‫المقدمة‬ ‫المعلومات‬ ‫تمثل‬ ‫إنها‬
.
= w0
‫ص‬ ‫المحور‬ ‫تقاطع‬ ‫أو‬ ‫التحيز‬ ‫مصطلح‬ ‫هو‬
.
=w1
‫القياس‬ ‫عامل‬ ‫أو‬ ‫االنحدار‬ ‫معامل‬ ‫هو‬
.
‫يت‬ ‫مستقيم‬ ‫خط‬ ‫أفضل‬ ‫على‬ ‫المنحدر‬ ‫يعادل‬ ‫ما‬ ‫هو‬ ، ‫الكالسيكي‬ ‫اإلحصاء‬ ‫في‬
‫إنتاجه‬ ‫م‬
‫الخطي‬ ‫االنحدار‬ ‫نموذج‬ ‫تركيب‬ ‫بعد‬
.
‫تسمى‬
wi
‫عام‬ ‫بشكل‬ ‫األوزان‬
.

Luct7.pdf

Recommended

Recommended

More Related Content

Featured

Featured (20)

Luct7.pdf