كيفية إنشاء نموذج ذكاء اصطناعي بسيط
هل ترغب في بناء نموذج ذكاء اصطناعي خاص بك، حتى وإن كان بسيطاً؟
ربما سمعت عن الذكاء الاصطناعي (AI) وكيف أصبح جزءاً من حياتنا اليومية، سواء في السيارات ذاتية القيادة أو المساعدات الصوتية أو التوصيات على يوتيوب ونتفلكس. لكن ما لا يعرفه الكثير أن إنشاء نموذج ذكاء اصطناعي بسيط ليس أمراً معقداً كما يبدو ، خاصة إذا كنت مبتدئاً وتتبع الخطوات الصحيحة.
في هذه المقالة، سنأخذك في رحلة عملية لفهم أساسيات الذكاء الاصطناعي وكيف يمكنك بناء نموذج AI صغير باستخدام بايثون – أحد أكثر اللغات شيوعاً في هذا المجال.
ما هو النموذج الذكي (AI Model)؟
نموذج الذكاء الاصطناعي هو برنامج أو نظام يقوم “بالتعلم” من البيانات، بدلاً من أن يتم برمجته بشكل صريح لتنفيذ مهمة واحدة فقط.
مثلاً:
- يمكن لنموذج التعرف على الأرقام أن يتعلم من صور الأرقام ويتمكّن من التعرف على رقم جديد لم يره من قبل.
- أو نموذج تصنيف النصوص الذي يميز بين رسائل البريد العادي والبريد العشوائي (Spam).
المتطلبات الأساسية
قبل أن نبدأ، تحتاج إلى:
- معرفة أساسية بلغة بايثون (Python) – إن لم تكن لديك خبرة، فهذا الدليل سيساعدك على فهم الأساسيات.
- حاسوب شخصي (ويندوز / ماك / لينكس).
- برنامج Python مثبت (يفضل الإصدار 3.8 فأعلى).
- بيئة تطوير مثل Jupyter Notebook أو VS Code .
- بعض المكتبات المشهورة مثل
scikit-learnوpandasوmatplotlib.
الخطوة 1: تحديد المشكلة التي تريد حلها
أول شيء يجب أن تسأله لنفسك:
ما هي المشكلة التي أريد أن يحلها نموذجي الذكي؟
لتسهيل الأمور، دعنا نختار مشكلة بسيطة:
تصنيف الأزهار حسب قياساتها باستخدام مجموعة بيانات شهيرة تُسمى Iris Dataset .
ستكون مهمتنا:
- إدخال قياسات زهرة (طول الكأس، عرض الكأس، طول بتلة، عرض بتلة)
- والناتج: اسم نوع الزهرة (Setosa, Versicolor, Virginica)
الخطوة 2: تجهيز البيانات
سنستخدم مجموعة بيانات Iris المتوفرة في مكتبة scikit-learn.
كود بايثون لتحميل البيانات:
python
from sklearn.datasets import load_iris
# تحميل البيانات
iris = load_iris()
X = iris.data # المدخلات (قياسات الأزهار)
y = iris.target # المخرجات (أنواع الأزهار)
Xتحتوي على 150 صفًا و4 أعمدة (الميزات)، وyتحتوي على 150 قيمة تمثل الأنواع.
الخطوة 3: تقسيم البيانات
نقسم البيانات إلى:
- مجموعة تدريب : يستخدم النموذج هذه البيانات للتعلم.
- مجموعة اختبار : نختبر بها مدى دقة النموذج بعد التدريب.
كود تقسيم البيانات:
python
1
2
3
4
from sklearn.model_selection import train_test_split
# تقسيم البيانات: 80% تدريب – 20% اختبار
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
الخطوة 4: اختيار نموذج التعلم الآلي
سنستخدم نموذجاً بسيطاً جداً وشائعاً يُسمى K-Nearest Neighbors (KNN) .
هو نموذج تصنيف يعتمد على “الأقرب شبهًا”.
كود اختيار وتدريب النموذج:
python
from sklearn.neighbors import KNeighborsClassifier
# إنشاء النموذج
model = KNeighborsClassifier(n_neighbors=3)
# تدريب النموذج
model.fit(X_train, y_train)
الخطوة 5: اختبار النموذج
الآن بعد أن تعلّم النموذج من البيانات، دعنا نختبره على البيانات الجديدة.
كود الاختبار:
python
# التنبؤ على بيانات الاختبار
y_pred = model.predict(X_test)
# مقارنة التوقعات بالنتائج الحقيقية
print(“التوقعات:”, y_pred)
print(“النتائج الحقيقية:”, y_test)
الخطوة 6: تقييم أداء النموذج
نستخدم مؤشر الدقة (Accuracy) لمعرفة كم نسبة التوقعات الصحيحة.
كود التقييم:
python
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print(“دقة النموذج:”, accuracy * 100, “%”)
قد تكون الدقة حوالي 95% – وهذا نتيجة ممتازة لنموذج بسيط!
الخطوة 7: استخدام النموذج لتوقع بيانات جديدة
تخيل أنك قمت بقياس زهرة جديدة ولديك القيم التالية:
- طول الكأس: 5.1
- عرض الكأس: 3.5
- طول البتلة: 1.4
- عرض البتلة: 0.2
كود التوقع:
python
new_flower = [[5.1, 3.5, 1.4, 0.2]]
prediction = model.predict(new_flower)
print(“الزهرة متوقعة:”, iris.target_names[prediction[0]])
ستظهر لك النتيجة:
'setosa'
هل تريد تحسين النموذج؟
إليك بعض الأفكار:
- تجربة نماذج أخرى : مثل Decision Tree أو Support Vector Machine.
- زيادة عدد البيانات : كلما كانت البيانات أكثر تنوعاً، كان الأداء أفضل.
- تعديل المعاملات (Hyperparameters) : مثل تغيير عدد الجيران في KNN.
- استخدام Cross-validation لاختبار النموذج بطريقة أكثر دقة.
موارد لتعلم المزيد
- Google’s Machine Learning Crash Course
- كتاب: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow – Aurelien Geron
- قناة YouTube: StatQuest with Josh Starmer
