أسس الذكاء الاصطناعي: المنطق والتعلم وما وراءهما

مشهد الذكاء الاصطناعي

اكتشف كيف أدى تطور الذكاء الاصطناعي إلى ظهور مجالات ناشئة مثل التعلم الآلي والتعلم العميق ومعالجة اللغة الطبيعية.

سنغطي ما يلي...

الذكاء الاصطناعي ليس تعلم الآلة
مشهد الذكاء الاصطناعي

الذكاء الاصطناعي ليس تعلم الآلة

كثيرًا ما يُستخدم مصطلحا الذكاء الاصطناعي والتعلم الآلي بشكلٍ متبادل، إلا أن هذا ليس صحيح تمامًا، فهما مجالان مختلفان . يُعدّ التعلم الآلي فرعًا من فروع الذكاء الاصطناعي، ويركّز على تطوير الخوارزميات والنماذج الإحصائية التي تُمكّن الحواسيب من التعلّم واتخاذ القرارات بناءً على البيانات. في المقابل، يركّز الذكاء الاصطناعي على إنشاء أنظمة ذكية من خلال الاستدلال والتعلّم وحلّ المشكلات والإدراك وفهم اللغة. تُحسّن أنظمة التعلم الآلي أداءها في مهمة مُحدّدة مع اكتساب الخبرة، أي أنها كلما تعرّضت لمزيد من البيانات، تعلّمت وحسّنت نماذجها. كما تختلف أهداف كلا المجالين: فالذكاء الاصطناعي يركّز على محاكاة الذكاء البشري، بينما يطوّر التعلم الآلي نماذج قادرة على تقديم تنبؤات دقيقة، غالبًا بالاستعانة بالبيانات.

مشهد الذكاء الاصطناعي

دعونا نستكشف مشهد الذكاء الاصطناعي وكيف يرتبط بالمجالات الفرعية الأخرى لعلوم الحاسوب.

التعلم الآلي

يُعدّ التعلّم الآلي فرعاً من فروع الذكاء الاصطناعي، يمكّن الأنظمة من التعلّم من البيانات وتحسين أدائها بمرور الوقت دون الحاجة إلى برمجتها بشكل صريح. ويشمل التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم المعزز، والتعلّم شبه الخاضع للإشراف.

لنلقِ نظرة على مثالٍ لكيفية مساعدة التعلّم الخاضع للإشراف في التنبؤ بدرجات الامتحانات بناءً على عدد ساعات الدراسة باستخدام الانحدار الخطي. في هذا المثال، نستخدم نموذج انحدار خطي بسيط للتنبؤ بدرجة الطالب بناءً على عدد ساعات دراسته. فبدلاً من أن يكتب مبرمجٌ بشري قاعدةً محددةً للدرجة، يتعلم الجهاز القاعدة بنفسه من خلال النظر إلى الأمثلة.

Python 3.10.4

######### Machine Learning Application #########
def linear_regression_exam_score_prediction():
  # Import Necessary Libraries
  import numpy as np
  import matplotlib.pyplot as plt
  from sklearn.model_selection import train_test_split
  from sklearn.linear_model import LinearRegression
  from sklearn.metrics import mean_squared_error
  
  # Create a Dataset
  X = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1)
  y = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100])
  plt.figure(figsize=(15,10))
  # Visualize the Entire Dataset
  plt.scatter(X, y, color='blue', label='All Data')
  plt.title('Hours Studied vs. Score')
  plt.xlabel('Hours Studied')
  plt.ylabel('Score')
  plt.legend()
  plt.savefig("output/original.png")
  plt.show()
  
  # Split the Dataset into Training and Testing Sets
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  
  # Train the Linear Regression Model
  model = LinearRegression()
  model.fit(X_train, y_train)
  
  # Make Predictions
  y_pred = model.predict(X_test)
  
  # Visualize the Training, Testing, and Predicted Results
  plt.scatter(X_train, y_train, color='green', label='Training Data')
  plt.scatter(X_test, y_test, color='red', label='Testing Data')
  plt.plot(X_test, y_pred, color='blue', linestyle='--', label='Predicted')
  plt.title('Actual vs. Predicted Scores')
  plt.xlabel('Hours Studied')
  plt.ylabel('Score')
  plt.legend()
  plt.savefig("output/predicted.png")
  plt.show()
  
  # Evaluate the Model
  mse = mean_squared_error(y_test, y_pred)
  print(f'Mean Squared Error: {mse}')
# Calling the above function
linear_regression_exam_score_prediction()