اختبار الفهم
تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تساعدك الأسئلة التالية في تعزيز فهمك للمفاهيم الأساسية لتعلُّم الآلة.
إمكانيات التوقّعات
يتم تدريب نماذج تعلُّم الآلة الخاضعة للإشراف باستخدام مجموعات بيانات تتضمّن أمثلة مصنّفة. يتعرّف النموذج على كيفية توقّع التصنيف من السمات. ومع ذلك، ليست كل ميزة في مجموعة بيانات معيّنة لها قدرة تنبؤية. في بعض الحالات، لا تؤدي سوى بعض الميزات إلى تحديد التصنيف. في مجموعة البيانات أدناه، استخدِم السعر كسمة، والأعمدة المتبقية كسمات.
ما هي الميزات الثلاث التي تعتقد أنّها من المرجّح أن تكون أفضل العوامل التي تحدّد سعر السيارة؟
Make_model وyear وmiles
من المرجّح أن تكون العلامة التجارية للسيارة أو طرازها وسنة التصنيع والمسافة المقطوعة من بين أهم العوامل التي تساهم في تحديد سعرها.
اللون والارتفاع وmake_model
لا يشكّل ارتفاع السيارة ولونها مؤشرات قوية لسعرها.
أميال، علبة التروس، طراز_السيارة
لا يُعدّ صندوق التروس مؤشرًا رئيسيًا للسعر.
Tire_size وwheel_base وyear
لا يُعدّ حجم الإطارات وقاعدة العجلات مؤشّرين قويّين لسعر السيارة.
التعلُّم الموجَّه وغير الموجَّه
استنادًا إلى المشكلة، ستستخدم إما نهجًا خاضعًا للإشراف أو غير خاضع للإشراف. على سبيل المثال، إذا كنت تعرف مسبقًا القيمة أو الفئة التي تريد توقّعها، ستستخدم التعلّم الخاضع للإشراف. ومع ذلك، إذا أردت معرفة ما إذا كانت مجموعة البيانات تحتوي على أيّ تقسيمات أو تجميعات من الأمثلة ذات الصلة، يمكنك استخدام التعلم غير الخاضع للإشراف.
لنفترض أنّ لديك مجموعة بيانات للمستخدمين لموقع إلكتروني للتسوّق على الإنترنت، وأنّها تحتوي على الأعمدة التالية:
إذا أردت فهم أنواع المستخدمين الذين يزورون الموقع الإلكتروني، هل ستستخدم التعلّم الخاضع للإشراف أم التعلّم غير الخاضع للإشراف؟
التعلُّم غير الموجَّه
لأنّنا نريد من النموذج تجميع مجموعات من العملاء المرتبطين، سنستخدم التعلّم غير الخاضع للإشراف. بعد أن عمل النموذج على تجميع المستخدِمين، أنشأنا أسماء خاصة بنا لكل مجموعة، على سبيل المثال، "مُحبّو الخصومات" و"مُحبّو الصفقات" و"المتصفّحون" و"المستخدِمون الأوفياء" و"المتجوّلون".
التعلّم الخاضع للإشراف لأنّني أحاول توقّع الفئة التي ينتمي إليها المستخدِم.
في التعلّم الخاضع للإشراف، يجب أن تحتوي مجموعة البيانات على التصنيف الذي تحاول توقّعه. في مجموعة البيانات، لا يتوفّر تصنيف يشير إلى فئة من المستخدمين.
لنفترض أنّ لديك مجموعة بيانات عن استهلاك الطاقة في المنازل تتضمّن الأعمدة التالية:
ما هو نوع تعلُّم الآلة الذي ستستخدمه للتنبؤ بساعات الكيلوواط المستخدَمة في السنة لمنزل تم تشييده حديثًا؟
التعلُّم الخاضع للإشراف
يتم تدريب أسلوب التعلّم المُوجّه على أمثلة مصنّفة. في مجموعة البيانات هذه، سيكون "كيلووات ساعة مستخدَمة في السنة" هو التصنيف لأنّه القيمة التي تريد من النموذج توقّعها. ستكون الميزات هي "المساحة المربعة" و"الموقع الجغرافي" و"سنة الإنشاء".
التعلُّم غير الخاضع للإشراف
يستخدم التعلُّم غير الخاضع للإشراف أمثلة غير مصنَّفة. في هذا المثال، سيكون "كيلوواط ساعة مستخدَمة في السنة" هو التصنيف لأنّه هو القيمة التي تريد من النموذج توقّعها.
لنفترض أنّ لديك مجموعة بيانات للرحلات الجوية تتضمّن الأعمدة التالية:
إذا أردت توقّع تكلفة تذكرة طائرة، هل ستستخدم تحليل الانحدار أو التصنيف؟
الانحدار
الناتج الذي يقدّمه نموذج الانحدار هو قيمة رقمية.
التصنيف
الناتج الذي يصدره نموذج التصنيف هو قيمة منفصلة، وتكون عادةً كلمة. في هذه الحالة، تكون تكلفة تذكرة الطائرة قيمة رقمية.
استنادًا إلى مجموعة البيانات، هل يمكنك تدريب نموذج تصنيف لتصنيف تكلفة تذكرة الطائرة على أنّها "مرتفعة" أو "متوسطة" أو "منخفضة"؟
نعم، ولكن علينا أولاً تحويل القيم الرقمية في عمود airplane_ticket_cost إلى قيم تصنيفية.
من الممكن إنشاء نموذج تصنيف من مجموعة البيانات. يمكنك إجراء ما يلي:
- ابحث عن متوسط تكلفة التذكرة من مطار المغادرة إلى مطار الوجهة.
- حدِّد الحدود الدنيا التي تشكل "مرتفعًا" و"متوسطًا" و "منخفضًا".
- قارِن التكلفة المتوقّعة بالحدود الدنيا وأدخِل الفئة التي تندرج ضمنها القيمة.
لا، لا يمكن إنشاء نموذج تصنيف. قيم airplane_ticket_cost رقمية وليست تصنيفية.
وبقليل من الجهد، يمكنك إنشاء نموذج تصنيف.
لا، لا تتنبأ نماذج التصنيف إلا بفئتَين فقط، مثل spam أو not_spam. يجب أن يتوقّع هذا النموذج ثلاث فئات.
يمكن لنماذج التصنيف توقّع فئات متعدّدة. ويُطلق عليها اسم نماذج التصنيف المتعدّد الفئات.
التدريب والتقييم
بعد تدريب نموذج، نقيّمه باستخدام مجموعة بيانات تتضمّن أمثلة مصنّفة، ونقيس القيمة المتوقّعة للنموذج بالقيمة الفعلية للسمة.
اختَر أفضل إجابتَين عن السؤال.
إذا كانت توقّعات النموذج بعيدة كل البعد عن الواقع، ما الذي يمكنك فعله لتحسينها؟
أعِد تدريب النموذج، ولكن استخدِم الميزات التي تعتقد أنّها تمتلك أعلى قدرة على التوقّع للتصنيف.
يمكن أن تؤدّي إعادة تدريب النموذج باستخدام ميزات أقلّ، ولكنّها تتمتع بقدرة أكبر على التوقّع، إلى إنشاء نموذج يقدّم توقّعات أفضل.
لا يمكنك إصلاح نموذج توقّعاته بعيدة كل البعد عن الواقع.
من الممكن إصلاح نموذج تتوفّر فيه توقّعات غير دقيقة. تتطلّب معظم النماذج جولات تدريب متعدّدة إلى أن تقدّم توقّعات مفيدة.
أعِد تدريب النموذج باستخدام مجموعة بيانات أكبر وأكثر تنوعًا.
يمكن أن تُقدّم النماذج التي تم تدريبها على مجموعات بيانات تتضمّن المزيد من الأمثلة ونطاقًا أوسع من القيم توقعات أفضل لأنّ النموذج يتضمّن حلًا عامًا أفضل للعلاقة بين السمات والتصنيف.
جرِّب نهجًا تدريبيًا مختلفًا. على سبيل المثال، إذا استخدمت نهجًا خاضعًا للإشراف، جرِّب نهجًا غير خاضع للإشراف.
ولن يؤدي نهج تدريبي مختلف إلى تقديم توقعات أفضل.
أنت الآن مستعد لاتخاذ الخطوة التالية في رحلة تعلُّم الآلة:
دليل "الأشخاص والذكاء الاصطناعي" إذا كنت تبحث عن مجموعة من الطرق وأفضل الممارسات والأمثلة التي يقدّمها موظفو Google وخبراء المجال والأبحاث الأكاديمية لاستخدام الذكاء الاصطناعي
صياغة المشكلة: إذا كنت تبحث عن منهج تم اختباره على أرض الواقع لإنشاء نماذج تعلُّم الآلة وتجنُّب المشاكل الشائعة أثناء ذلك
دورة مكثّفة عن تعلُّم الآلة إذا كنت مستعدًا لنهج عملي ومفصّل للتعرّف على مزيد من المعلومات حول الذكاء الاصطناعي
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eThis page tests your understanding of core machine learning (ML) concepts through interactive questions.\u003c/p\u003e\n"],["\u003cp\u003eIt covers fundamental ML topics such as predictive power of features, supervised and unsupervised learning, and model training and evaluation.\u003c/p\u003e\n"],["\u003cp\u003eYou'll learn how to choose the right ML approach for different problems and assess the effectiveness of a trained model.\u003c/p\u003e\n"],["\u003cp\u003eLinks to further resources are provided to deepen your understanding of ML and its practical applications.\u003c/p\u003e\n"]]],[],null,["\u003cbr /\u003e\n\nThe following questions help you solidify your understanding of core ML concepts.\n\nPredictive power\n\nSupervised ML models are trained using datasets with labeled examples. The model\nlearns how to predict the label from the features. However, not every feature in\na dataset has predictive power. In some instances, only a few features act as\npredictors of the label. In the dataset below, use price as the label\nand the remaining columns as the features.\n\nWhich three features do you think are likely the greatest predictors for a car's price? \nMake_model, year, miles. \nA car's make/model, year, and miles are likely to be among the strongest predictors for its price. \nColor, height, make_model. \nA car's height and color are not strong predictors for a car's price. \nMiles, gearbox, make_model. \nThe gearbox isn't a main predictor of price. \nTire_size, wheel_base, year. \nTire size and wheel base aren't strong predictors for a car's price.\n\nSupervised and unsupervised learning\n\nBased on the problem, you'll use either a supervised or unsupervised approach.\nFor example, if you know beforehand the value or category you want to predict,\nyou'd use supervised learning. However, if you wanted to learn if your dataset\ncontains any segmentations or groupings of related examples, you'd use\nunsupervised learning.\n\nSuppose you had a dataset of users for an online shopping website, and it contained the following columns:\n\nIf you wanted to understand the types of users that visit the site, would you use supervised or unsupervised learning? \nUnsupervised learning. \nBecause we want the model to cluster groups of related customers, we'd use unsupervised learning. After the model clustered the users, we'd create our own names for each cluster, for example, \"discount seekers,\" \"deal hunters,\" \"surfers,\" \"loyal,\" and \"wanderers.\" \nSupervised learning because I'm trying to predict which class a user belongs to. \nIn supervised learning, the dataset must contain the label you're trying to predict. In the dataset, there is no label that refers to a category of user.\n\nSuppose you had an energy usage dataset for homes with the following columns:\n\nWhat type of ML would you use to predict the kilowatt hours used per year for a newly constructed house? \nSupervised learning. \nSupervised learning trains on labeled examples. In this dataset \"kilowatt hours used per year\" would be the label because this is the value you want the model to predict. The features would be \"square footage,\" \"location,\" and \"year built.\" \nUnsupervised learning. \nUnsupervised learning uses unlabeled examples. In this example, \"kilowatt hours used per year\" would be the label because this is the value you want the model to predict.\n\nSuppose you had a flight dataset with the following columns:\n\nIf you wanted to predict the cost of an airplane ticket, would you use regression or classification? \nRegression \nA regression model's output is a numeric value. \nClassification \nA classification model's output is a discrete value, normally a word. In this case, the cost of an airplane ticket is a numeric value. \nBased on the dataset, could you train a classification model to classify the cost of an airplane ticket as \"high,\" \"average,\" or \"low\"? \nYes, but we'd first need to convert the numeric values in the `airplane_ticket_cost` column to categorical values. \nIt's possible to create a classification model from the dataset. You would do something like the following:\n\n1. Find the average cost of a ticket from the departure airport to the destination airport.\n2. Determine the thresholds that would constitute \"high,\" \"average,\" and \"low\".\n3. Compare the predicted cost to the thresholds and output the category the value falls within. \nNo. It's not possible to create a classification model. The `airplane_ticket_cost` values are numeric not categorical. \nWith a little bit of work, you could create a classification model. \nNo. Classification models only predict two categories, like `spam` or `not_spam`. This model would need to predict three categories. \nClassification models can predict multiple categories. They're called multiclass classification models.\n\nTraining and evaluating\n\nAfter we've trained a model, we evaluate it by using a dataset with labeled examples\nand compare the model's predicted value to the label's actual value.\n\nSelect the two best answers for the question. \nIf the model's predictions are far off, what might you do to make them better? \nRetrain the model, but use only the features you believe have the strongest predictive power for the label. \nRetraining the model with fewer features, but that have more predictive power, can produce a model that makes better predictions. \nYou can't fix a model whose predictions are far off. \nIt's possible to fix a model whose predictions are off. Most models require multiple rounds of training until they make useful predictions. \nRetrain the model using a larger and more diverse dataset. \nModels trained on datasets with more examples and a wider range of values can produce better predictions because the model has a better generalized solution for the relationship between the features and the label. \nTry a different training approach. For example, if you used a supervised approach, try an unsupervised approach. \nA different training approach would not produce better predictions.\n\nYou're now ready to take the next step in your ML journey:\n\n- [People + AI Guidebook](https://pair.withgoogle.com/guidebook/). If you're\n looking for a set of methods, best practices and examples presented by\n Googlers, industry experts, and academic research for using ML.\n\n- [Problem Framing](/machine-learning/problem-framing). If you're looking for\n a field-tested approach for creating ML models and avoiding common pitfalls\n along the way.\n\n- [Machine Learning Crash Course](/machine-learning/crash-course). If you're\n ready for an in-depth and hands-on approach to learning more about ML."]]
