الدرس الأول (١)

يقوم الدرس على التعلم الموجه لفهم النصوص وتقسيم أنواع تعلم الآلة إلى موجه وغير موجه ومعزز. يركز التعلم الموجه على استخدام بيانات تدريب معنونة لتحويل النصوص إلى متجهات رقمية عبر أدوات مثل CountVectorizer، ثم بناء نموذج تنبؤ وتدريبه باستخدام مصنف بايز الساذج لتصنيف نصوص جديدة مثل مراجعات الأفلام إلى تقييم إيجابي أو سلبي. على سبيل المثال، إذا دربت الآلة على آلاف مراجعات الأفلام مع تقييماتها المرفقة، فستتعلم كيف تتنبأ تلقائياً بتقييم أي مراجعة جديدة تعرض عليها.

الفكرة الأساسية

تدريب أجهزة الحاسب على فهم النصوص باستخدام التعلم الموجه، وتحويل النصوص البشرية إلى متجهات رقمية تفهمها الخوارزميات، ثم بناء نموذج تنبؤ لتصنيف مراجعات الأفلام إلى تقييم إيجابي أو سلبي.

الشرح

ينقسم تعلم الآلة إلى ثلاثة أنواع رئيسية: التعلم الموجه الذي يعتمد على بيانات معنونة مثل تصنيف النصوص وتحليل المشاعر، والتعلم غير الموجه الذي يبحث عن الأنماط الخفية في بيانات غير معنونة، والتعلم المعزز الذي يعتمد على التجربة والخطأ والمكافأة. لإدخال النصوص إلى الخوارزميات، نحتاج إلى تحويلها من صيغتها البشرية إلى تنسيق رقمي عبر البرمجة الاتجاهية. تستخدم أداة CountVectorizer لتحويل مجموعة النصوص إلى مصفوفة تمثل حقيبة الكلمات أو ما يسمى bag-of-words، حيث يمثل كل صف مستنداً وكل عمود كلمة، ويحسب عدد مرات ظهور الكلمة مع تجاهل الترتيب. لحفظ الذاكرة، تُخزن البيانات في مصفوفة متباعدة تحتفظ فقط بالمدخلات غير الصفرية، لأن غالبية المدخلات في حقيبة الكلمات تكون صفراً. بعد تحويل البيانات إلى متجهات، يأتي دور بناء خط أنابيب التنبؤ باستخدام مصنف بايز الساذج الذي يصنف نقاط البيانات في فئات مختلفة بناء على احتمالات الكلمات الواردة في النص.

مثال محلول خطوة بخطوة

خذ مجموعة بيانات مراجعات أفلام تحتوي على أعمدة النص وتقييم إيجابي أو سلبي. لتمثيل هذه النصوص برمجياً، أنشئ أداة البرمجة الاتجاهية لتجاهل الكلمات التي تظهر في أقل من عشر مراجعات عبر الأمر $ext{vectorizer_v1 = CountVectorizer(min_df=10)}$. بعد ذلك، طبق هذه الأداة على نصوص التدريب عبر الأمر $ext{vectorizer_v1.fit(X_train_text)}$ ثم حول نصوص التدريب إلى متجهات عبر الأمر $ext{X_train_v1 = vectorizer_v1.transform(X_train_text)}$. بعد أن تجهزت المتجهات، درب مصنف بايز الساذج عليها وعلى تسميات التدريب عبر كتابة الأمر $ext{model_v1 = MultinomialNB()}$ ثم الأمر $ext{model_v1.fit(X_train_v1, Y_train)}$. أخيراً، استخدم خط الأبابيب للتنبؤ بنوع تقييم جملتين جديدتين عبر الأمر $ext{prediction_pipeline_v1.predict(['One of the best movies...', 'I was very disappointed...'])}$, لتنتج الآلة مصفوفة نتائج برمز واحد للتقييم الإيجابي وصفر للتقييم السلبي مثل $ext{array([1, 0])}$.

أخطاء شائعة

• الاعتماد على التنسيق الكثيف للمصفوفات مع مجموعات البيانات الضخمة، مما يؤدي إلى استهلاك هائل لذاكرة الوصول العشوائي وتوقف النظام.
• محاولة إدخال النصوص البشرية مباشرة إلى خوارزميات تعلم الآلة دون تحويلها أولاً إلى متجهات رقمية.
• الخلط بين التعلم الموجه الذي يتطلب بيانات تدريب معنونة، والتعلم غير الموجه الذي يتعامل مع بيانات غير معنونة.

سؤالان للتدريب مع الإجابة

• سؤال 1: لماذا تفضل المصفوفة المتباعدة على المصفوفة الكثيفة عند التعامل مع مصفوفة حقيبة الكلمات؟
• الإجابة: لأن غالبية المدخلات في حقيبة الكلمات تساوي صفراً، والمصفوفة المتباعدة تحتفظ فقط بالمدخلات غير الصفرية، مما يوفر بشكل هائل في الذاكرة مقارنة بالمصفوفة الكثيفة التي تستهلك آلاف الميجابايتات بلا داع.
• سؤال 2: ماذا يمثل الرمز $X$ والرمز $Y$ عادة في بيانات التدريب في التعلم الموجه؟
• الإجابة: يعبر الرمز $X$ عن البيانات المدخلة للتنبؤ، بينما يعبر الرمز $Y$ عن القيم المستهدفة.