الدرس 8 من 11

الأدوات الحقيقية ودورة مشروع تعلّم الآلة

كتبنا كل شي من الصفر عشان تفهم وش يصير داخل النموذج. في الشغل الحقيقي ما أحد يكتب k-NN بيده: يستخدمون مكتبات جاهزة ومجربة. وهذي أشهرها:

pandas	قراءة البيانات من Excel وCSV وقواعد البيانات وتنظيفها وتجميعها. مثل SQL وExcel داخل Python.
scikit-learn	أشهر مكتبة لتعلّم الآلة الكلاسيكي: الانحدار وk-NN وk-means وأشجار القرار، وكلها بنفس الطريقة: `fit` ثم `predict`.
Jupyter / Colab	دفاتر تكتب فيها كود وتشوف النتيجة والرسم تحته مباشرة. Google Colab مجاني ويشتغل من المتصفح بدون تثبيت.

هذا نفس نموذج تسرب العملاء من درس k-NN، لكن بـ scikit-learn. لاحظ كم صار قصير. (هذا الكود يحتاج Colab أو Jupyter، ما يشتغل هنا.)

PYTHON · Colab / Jupyter

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import precision_score, recall_score

df = pd.read_csv("stores.csv")               # orders, weeks, left
X = df[["orders", "weeks"]]                  # features
y = df["left"]                               # target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)                  # learn
pred = model.predict(X_test)                 # predict

print("Precision:", precision_score(y_test, pred))
print("Recall:   ", recall_score(y_test, pred))

بدون كود؟ فيه أدوات تبني نماذج بسيطة لك: Forecast Sheet في Excel يتوقع المبيعات من بيانات شهرية بضغطة، وPower BI فيه توقع وكشف قيم شاذة داخل الرسوم، والخدمات السحابية مثل Azure Machine Learning وGoogle Vertex AI فيها AutoML يجرّب نماذج كثيرة ويختار الأفضل. لكن الفهم اللي أخذته في هذا المسار هو اللي يخليك تعرف إذا النتيجة منطقية.

دورة مشروع تعلّم الآلة: أشهر منهجية اسمها CRISP-DM، وهي دائرية لأنك كثير ترجع خطوة لورا:

انتبهلاحظ إن أول خطوة فهم العمل، مو البرمجة. أغلب مشاريع الذكاء الاصطناعي اللي تفشل، تفشل لأنها حلّت سؤال ما أحد يحتاجه أو ما يقدر يستخدم نتيجته. وهذا بالضبط شغل محلل الأعمال ومحلل النظم.