شرح مادة عال 462 (CSC 462) تعلم الالة - جامعة الملك سعود

مادة عال 462 (CSC 462)، تعلم الالة (Machine Learning)، من اقوى المواد المتقدمة في قسم علوم الحاسب بجامعة الملك سعود. هذي المادة تعلّمك كيف تخلي الكمبيوتر يتعلم من البيانات بدل ما تبرمج كل قاعدة يدويا. تخيّل انك تبني نظام يكشف الايميلات المزعجة (spam) تلقائيا، او يتوقع سعر بيت بناء على مساحته وموقعه، او يقسّم العملاء لمجموعات عشان تستهدف كل مجموعة بعرض مختلف. كل هذي تطبيقات تعلم الالة.

المادة تبني على اساسيات قوية: لازم تكون فاهم خوارزميات من عال 311، وعندك خلفية كويسة في الاحصاء والاحتمالات. لو اساسياتك في بايثون والرياضيات قوية، عال 462 راح تكون من امتع المواد اللي تدرسها.

ليش عال 462 مادة مهمة في مسارك؟

سوق العمل اليوم يطلب مهندسين يفهمون تعلم الالة بشكل متزايد. الشركات السعودية الكبرى مثل STC و Aramco و SDAIA كلها تبحث عن خريجين عندهم خبرة في هذا المجال. وهذي المادة تحديدا تفتح لك ابواب كثيرة:

• وظائف عالية الطلب: مهندس تعلم الالة (ML Engineer) وعالم بيانات (Data Scientist) من اعلى الوظائف رواتب في السعودية
• مشاريع التخرج: كثير من المشاريع المميزة تعتمد على تعلم الالة، سواء في الرؤية الحاسوبية او معالجة اللغات الطبيعية
• رؤية 2030: التحول الرقمي في المملكة يعتمد بشكل كبير على تقنيات الذكاء الاصطناعي وتعلم الالة
• البحث العلمي: لو تفكر تكمل ماجستير او دكتوراه، هذي المادة اساس لمعظم ابحاث الذكاء الاصطناعي

لو تبي تبني خلفية اقوى عن الذكاء الاصطناعي بشكل عام، راجع مقدمة في الذكاء الاصطناعي.

انواع تعلم الالة الثلاثة

قبل ما ندخل في الخوارزميات، لازم تفهم التصنيف الرئيسي لانواع التعلم لان كل نوع يناسب مشاكل مختلفة:

1. التعلم الموجّه (Supervised Learning)

تعطي النموذج بيانات مع الاجابات الصحيحة (labels) وهو يتعلم العلاقة بينها. مثال: تعطيه صور قطط وكلاب مع تصنيف كل صورة، وهو يتعلم يفرّق بينهم.

• التصنيف (Classification): الناتج فئة محددة (spam / not spam، مريض / سليم)
• الانحدار (Regression): الناتج رقم مستمر (سعر بيت، درجة حرارة)

2. التعلم غير الموجّه (Unsupervised Learning)

تعطي النموذج بيانات بدون اجابات وهو يكتشف الانماط والمجموعات بنفسه. مثال: تعطيه بيانات عملاء متجر الكتروني وهو يقسّمهم لمجموعات (عملاء كثيري الشراء، عملاء موسميين، عملاء جدد).

• التجميع (Clustering): تجميع البيانات المتشابهة
• تقليل الابعاد (Dimensionality Reduction): ضغط البيانات مع الحفاظ على المعلومات المهمة

3. التعلم المعزز (Reinforcement Learning)

النموذج يتعلم بالتجربة والخطا. ياخذ قرارات ويحصل على مكافاة او عقوبة. بعد فترة يتعلم الاستراتيجية المثلى. مثال: تعليم روبوت يمشي، او بناء ذكاء اصطناعي يلعب شطرنج.

1. الانحدار الخطي (Linear Regression)

الانحدار الخطي ابسط خوارزمية في تعلم الالة واكثرها استخدام. الفكرة: تحاول ترسم خط مستقيم يمثّل العلاقة بين المتغيرات.

مثال عملي: تبي تتوقع سعر بيت بناء على مساحته. عندك بيانات 100 بيت (المساحة + السعر الفعلي). الانحدار الخطي يلاقي الخط اللي يقلل الفرق بين التوقع والسعر الحقيقي.

المعادلة

المعادلة الاساسية بسيطة: y = w * x + b

• y: القيمة المتوقعة (سعر البيت)
• x: المدخل (المساحة)
• w: الوزن (الميل - كم يتغير السعر مع كل متر مربع)
• b: الانحياز (التقاطع مع المحور)

تطبيق عملي بـ scikit-learn

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import numpy as np

# بيانات: المساحة بالمتر المربع والسعر بالريال
X = np.array([[80], [100], [120], [150], [200], [250], [300]])
y = np.array([400000, 500000, 580000, 720000, 950000, 1200000, 1450000])

# تقسيم البيانات لتدريب واختبار
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# بناء النموذج وتدريبه
model = LinearRegression()
model.fit(X_train, y_train)

# توقع سعر بيت مساحته 180 متر
predicted = model.predict([[180]])
print(f"السعر المتوقع: {predicted[0]:,.0f} ريال")
print(f"دقة النموذج: {model.score(X_test, y_test):.2%}")

2. الانحدار اللوجستي (Logistic Regression)

رغم ان اسمه فيه “انحدار”، الانحدار اللوجستي يستخدم للتصنيف مو الانحدار. بدل ما يتوقع رقم، يتوقع احتمال ان العنصر ينتمي لفئة معينة (بين 0 و 1).

مثال عملي: كشف الايميلات المزعجة. النموذج ياخذ خصائص الايميل (عدد الكلمات، وجود روابط، كلمات معينة) ويعطيك احتمال انه spam. لو الاحتمال اكثر من 0.5، يصنّفه spam.

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# بيانات ايميلات: [عدد الروابط، عدد كلمات مشبوهة، طول الايميل]
X_train = [[5, 3, 50], [0, 0, 200], [8, 5, 30],
           [1, 0, 150], [10, 7, 20], [0, 1, 300]]
y_train = [1, 0, 1, 0, 1, 0]  # 1 = spam, 0 = ليس spam

# تدريب النموذج
clf = LogisticRegression()
clf.fit(X_train, y_train)

# اختبار على ايميل جديد
new_email = [[6, 4, 40]]
result = clf.predict(new_email)
prob = clf.predict_proba(new_email)
print(f"التصنيف: {'spam' if result[0] == 1 else 'ليس spam'}")
print(f"الاحتمال: {prob[0][1]:.2%}")

3. اشجار القرار و Random Forest

اشجار القرار (Decision Trees)

شجرة القرار تشتغل بنفس طريقة تفكيرك: سلسلة من الاسئلة بنعم/لا توصلك للقرار النهائي. كل عقدة في الشجرة تسال سؤال عن خاصية معينة، والاجابة تحدد المسار التالي.

مثال: تبي تقرر هل تروح الجامعة اليوم ولا لا؟ هل فيه محاضرة مهمة؟ نعم -> هل الجو ممطر بقوة؟ لا -> روح. هذا بالضبط منطق شجرة القرار.

Random Forest

المشكلة في شجرة قرار واحدة انها ممكن تكون حساسة جدا للبيانات (overfitting). الحل: Random Forest يبني عشرات او مئات الاشجار، كل شجرة تتدرب على عينة مختلفة من البيانات، والقرار النهائي يكون بالتصويت بين كل الاشجار.

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

# تحميل بيانات الزهور (مثال كلاسيكي)
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

# بناء نموذج Random Forest بـ 100 شجرة
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# تقييم الدقة
accuracy = rf.score(X_test, y_test)
print(f"دقة النموذج: {accuracy:.2%}")

4. K-Nearest Neighbors (KNN)

خوارزمية KNN من ابسط خوارزميات التصنيف. الفكرة: لما يجيك عنصر جديد تبي تصنّفه، شوف اقرب K جيران له في البيانات، وصنّفه بنفس تصنيف الاغلبية.

مثال: عندك بيانات مرضى (ضغط الدم + مستوى السكر) مع تشخيص (مريض / سليم). مريض جديد جاء، تشوف اقرب 5 مرضى له في البيانات. لو 4 منهم مرضى وواحد سليم، تصنّفه مريض.

from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

# بيانات: [ضغط الدم، مستوى السكر]
X_train = [[120, 80], [140, 90], [130, 85], [160, 100],
           [110, 70], [115, 75], [150, 95], [105, 65]]
y_train = [0, 1, 0, 1, 0, 0, 1, 0]  # 0=سليم، 1=مريض

# تطبيع البيانات (مهم جدا لـ KNN)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_train)

# بناء نموذج KNN مع K=3
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_scaled, y_train)

# تصنيف مريض جديد
new_patient = scaler.transform([[135, 88]])
print(f"التشخيص: {'مريض' if knn.predict(new_patient)[0] else 'سليم'}")

5. الة المتجه الداعم (Support Vector Machines - SVM)

SVM تحاول ترسم حد فاصل (hyperplane) بين الفئات بحيث تكون المسافة بين الحد واقرب نقاط من كل فئة اكبر ما يمكن. هذي النقاط القريبة اسمها “متجهات الدعم” (Support Vectors).

ليش SVM قوية؟ لانها تشتغل كويس حتى مع بيانات معقدة باستخدام kernel trick. يعني تقدر تتعامل مع بيانات ما تقدر تفصلها بخط مستقيم عن طريق تحويلها لبعد اعلى.

from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_breast_cancer

# تحميل بيانات اورام (حميد / خبيث)
data = load_breast_cancer()
X, y = data.data, data.target

# بناء نموذج SVM مع kernel RBF
svm = SVC(kernel='rbf', C=1.0, gamma='scale')

# تقييم بـ Cross-Validation (5 مجموعات)
scores = cross_val_score(svm, X, y, cv=5)
print(f"متوسط الدقة: {scores.mean():.2%}")
print(f"الانحراف المعياري: {scores.std():.2%}")

6. الشبكات العصبية (Neural Networks)

الشبكات العصبية مستوحاة من طريقة عمل الدماغ البشري. تتكون من طبقات من خلايا عصبية اصطناعية (neurons)، كل خلية تستقبل مدخلات، تعالجها، وتمرر الناتج للطبقة التالية.

البيرسبترون (Perceptron)

ابسط شبكة عصبية: خلية واحدة تاخذ مدخلات، تضربها في اوزان، تجمعها، وتمررها عبر دالة تفعيل (activation function).

المعادلة: output = activation(w1*x1 + w2*x2 + ... + b)

دوال التفعيل الرئيسية

الدالة	المعادلة	الاستخدام
Sigmoid	1 / (1 + e^-x)	طبقة الخروج للتصنيف الثنائي
ReLU	max(0, x)	الاكثر استخدام في الطبقات المخفية
Softmax	e^xi / sum(e^xj)	طبقة الخروج للتصنيف المتعدد
Tanh	(e^x - e^-x) / (e^x + e^-x)	بديل لـ Sigmoid، قيم بين -1 و 1

بناء شبكة عصبية بسيطة

from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

# تحميل بيانات ارقام مكتوبة يدويا (0-9)
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(
    digits.data, digits.target, test_size=0.3, random_state=42
)

# شبكة عصبية بطبقتين مخفيتين (64 و 32 خلية)
nn = MLPClassifier(
    hidden_layer_sizes=(64, 32),
    activation='relu', max_iter=500, random_state=42
)
nn.fit(X_train, y_train)

print(f"دقة التدريب: {nn.score(X_train, y_train):.2%}")
print(f"دقة الاختبار: {nn.score(X_test, y_test):.2%}")

7. خوارزمية K-Means (التجميع)

K-Means اشهر خوارزمية تعلم غير موجّه. تقسّم البيانات لـ K مجموعة بحيث كل نقطة تنتمي للمجموعة اللي مركزها اقرب لها.

مثال عملي: عندك متجر الكتروني وتبي تقسّم العملاء لمجموعات بناء على سلوكهم الشرائي (عدد المشتريات الشهرية + متوسط قيمة الطلب). K-Means تلقائيا تلاقي المجموعات: مثلا عملاء VIP (كثير مشتريات + قيمة عالية)، عملاء موسميين (قليل مشتريات + قيمة متوسطة)، عملاء جدد (مشتريات قليلة + قيمة منخفضة).

كيف تشتغل K-Means؟

1. اختار K مراكز عشوائية
2. كل نقطة بيانات تنتمي لاقرب مركز
3. حدّث المراكز (احسب المتوسط لكل مجموعة)
4. كرر الخطوات 2 و 3 حتى المراكز ما تتغير

from sklearn.cluster import KMeans
import numpy as np

# بيانات عملاء: [مشتريات شهرية، متوسط قيمة الطلب]
X = np.array([[2, 50], [3, 60], [15, 300], [18, 350],
              [20, 400], [1, 30], [8, 150], [12, 200],
              [25, 500], [2, 40]])

# تقسيم لـ 3 مجموعات
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
kmeans.fit(X)

# عرض التصنيفات
labels = ["عملاء عاديين", "عملاء متوسطين", "عملاء VIP"]
for i, point in enumerate(X):
    print(f"عميل {i+1}: مجموعة {kmeans.labels_[i]}")

8. تقليل الابعاد (PCA)

لما تكون عندك بيانات فيها 50 او 100 خاصية (feature)، يصير صعب تفهمها او ترسمها. تحليل المكونات الرئيسية (PCA) يقلل عدد الابعاد مع الحفاظ على اكبر قدر من المعلومات.

مثال: عندك بيانات طلاب فيها 20 خاصية (درجات مواد مختلفة). PCA يقدر يقلّلها لـ 2 او 3 ابعاد عشان تقدر ترسمها وتشوف الانماط بعينك.

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import numpy as np

# بيانات الزهور (4 ابعاد)
data = load_iris()
print(f"الابعاد الاصلية: {data.data.shape}")  # (150, 4)

# تقليل الى بعدين
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(data.data)
print(f"الابعاد بعد PCA: {X_reduced.shape}")  # (150, 2)

# نسبة المعلومات المحفوظة
info = sum(pca.explained_variance_ratio_)
print(f"المعلومات المحفوظة: {info:.2%}")

9. تقييم النماذج (Model Evaluation)

بناء النموذج سهل. تقييمه صح هو الصعب. لو ما تقيّم نموذجك بالطريقة الصحيحة، ممكن تفكر انه ممتاز وهو فعليا ما يسوى شيء.

تقسيم البيانات (Train/Test Split)

القاعدة الذهبية: لا تقيّم النموذج على نفس البيانات اللي تدرب عليها. دائما قسّم بياناتك: 70-80% للتدريب و 20-30% للاختبار.

التحقق المتقاطع (Cross-Validation)

بدل تقسيم واحد، قسّم البيانات لـ K اجزاء، وكل مرة استخدم جزء مختلف كاختبار والباقي كتدريب. النتيجة اكثر موثوقية.

مصفوفة الارتباك (Confusion Matrix)

لو عندك نموذج يكشف مرض معين، اربع حالات ممكنة:

	توقع: مريض	توقع: سليم
فعلا مريض	True Positive (TP)	False Negative (FN)
فعلا سليم	False Positive (FP)	True Negative (TN)

مقاييس الاداء

• الدقة (Precision): من كل اللي النموذج قال عنهم “مريض”، كم فعلا مريض؟ TP / (TP + FP)
• الاستدعاء (Recall): من كل المرضى الفعليين، كم النموذج اكتشف؟ TP / (TP + FN)
• F1-Score: المتوسط التوافقي بين Precision و Recall: 2 * (P * R) / (P + R)

from sklearn.metrics import classification_report, confusion_matrix
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer

# بيانات اورام
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# تقرير كامل
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

10. الافراط في التعلم والتنظيم (Overfitting & Regularization)

الافراط في التعلم (Overfitting) اكبر مشكلة في تعلم الالة. يعني النموذج حفظ بيانات التدريب بالتفصيل الممل (حتى الضوضاء والاخطاء) بدل ما يتعلم الانماط الحقيقية. النتيجة: اداء ممتاز على بيانات التدريب واداء سيء على بيانات جديدة.

كيف تعرف ان نموذجك عنده Overfitting؟

• دقة التدريب 99% لكن دقة الاختبار 70% = فرق كبير = overfitting
• النموذج معقد جدا (شجرة قرار عميقة جدا مثلا)
• البيانات قليلة مقارنة بعدد الخصائص

التنظيم (Regularization)

التنظيم يضيف عقوبة على تعقيد النموذج عشان يمنعه من الحفظ:

النوع	الاسم	الطريقة	الاستخدام
L1	Lasso	يجمع القيم المطلقة للاوزان	يصفّر بعض الاوزان (اختيار خصائص)
L2	Ridge	يجمع مربعات الاوزان	يصغّر كل الاوزان (لا يحذف)
L1 + L2	ElasticNet	يجمع الاثنين	مزيج من المميزات

from sklearn.linear_model import Ridge, Lasso
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_diabetes

# بيانات مرض السكري
data = load_diabetes()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

# مقارنة بدون تنظيم ومع L2 (Ridge)
from sklearn.linear_model import LinearRegression
lr = LinearRegression().fit(X_train, y_train)
ridge = Ridge(alpha=1.0).fit(X_train, y_train)

print(f"بدون تنظيم - تدريب: {lr.score(X_train, y_train):.2%}")
print(f"بدون تنظيم - اختبار: {lr.score(X_test, y_test):.2%}")
print(f"مع Ridge - تدريب: {ridge.score(X_train, y_train):.2%}")
print(f"مع Ridge - اختبار: {ridge.score(X_test, y_test):.2%}")

طرق اخرى لمنع Overfitting

• زيادة البيانات: كل ما زادت البيانات، قل الافراط في التعلم
• تقليل تعقيد النموذج: مثلا تحدد عمق شجرة القرار بـ max_depth=5
• Early Stopping: توقف التدريب لما اداء الاختبار يبدا ينزل
• Dropout: في الشبكات العصبية، تطفي خلايا عشوائية اثناء التدريب

اخطاء شائعة في عال 462

كل فصل، طلاب كثير يقعون في نفس الاخطاء. تجنبها من البداية:

1. عدم تقسيم البيانات: تدرّب وتختبر على نفس البيانات وتفكر النموذج ممتاز. دائما استخدم train/test split
2. تجاهل تطبيع البيانات: خوارزميات مثل KNN و SVM تتاثر كثير بمقاييس الخصائص المختلفة
3. اختيار accuracy فقط للتقييم: خصوصا مع بيانات غير متوازنة. استخدم F1-Score و confusion matrix
4. حشو خصائص كثيرة بدون تحليل: خصائص اكثر مو بالضرورة نتائج افضل. احيانا تسبب curse of dimensionality
5. عدم ضبط المعاملات (Hyperparameter Tuning): القيم الافتراضية مو دائما الافضل. جرب GridSearchCV
6. تجاهل تحليل البيانات اولا: قبل ما تبني نموذج، افهم بياناتك بالاحصائيات والرسوم البيانية

ربط عال 462 بمسارك الاكاديمي والمهني

عال 462 مو مجرد مادة تعدّيها. هي بوابة لمسار كامل:

• التعلم العميق (Deep Learning): لو حبيت تتعمق في الشبكات العصبية (CNN للصور، RNN للنصوص)
• معالجة اللغات الطبيعية (NLP): تطبيقات المحادثة الذكية والترجمة الالية تعتمد على ML
• الرؤية الحاسوبية (Computer Vision): كشف الوجوه، السيارات ذاتية القيادة، التحليل الطبي للصور
• مشاريع التخرج: بناء نظام توصيات، كشف احتيال، تحليل مشاعر التغريدات
• شهادات معتمدة: بعد المادة تقدر تاخذ شهادات مثل Google ML Engineer او AWS ML Specialty

لو تبي تقوّي اساسياتك في بايثون قبل المادة، شوف دليل بايثون للمبتدئين. ولو تحتاج دروس خصوصية تشرح لك المفاهيم الصعبة، راجع خدمة الدروس الخصوصية في البرمجة.

خلاصة

عال 462 مادة تغيّر طريقة تفكيرك في البرمجة. بدل ما تكتب قواعد صريحة، تبني انظمة تتعلم بنفسها. المادة تجمع بين الرياضيات والبرمجة والتفكير التحليلي، وهذا اللي يخليها ممتعة وصعبة في نفس الوقت. ركّز على فهم المفاهيم الاساسية قبل الكود، تمرّن على بيانات حقيقية، ولا تنسى ان تقييم النموذج اهم من بنائه. لو سويت كل هذا، ان شاء الله تعدّي المادة بتقدير ممتاز وتطلع منها بمهارات تفيدك في سوق العمل.