#live-training — التعلّم المُشرَف

ستّ خوارزميات تتعلّم أمام عينيك كفيديو: REC، عدّاد زمني، تعليقات توضيحية، مؤشّرات مباشرة. المشاهدة مجانية؛ تعديل النموذج بريميوم.

ما ستُجرّبه

أهلًا بك في #live-training 🎬. هنا، ولمرّة واحدة، لا تضبط شيئًا في البداية: أنت تشاهد. المشهد يعرض فيلمًا من ستّ حلقات، حلقة لكلّ خوارزمية: خطّ يتعلّم التنبّؤ بسعر، حدّ فاصل يفرّق بين النجاح والرسوب، خريطة جيران تُرسم سطرًا سطرًا، شجرة تقسّم المستوى، غابة تصوّت، وهامش يتّسع. مؤشّر REC، عدّاد زمني، تعليقات توضيحية، ومؤشّرات مباشرة: كلّ حلقة تدوم أقلّ من دقيقة، والتالية تبدأ تلقائيًّا. المشاهدة مجانية، في حلقة متكرّرة، ما شئت. أمّا تعديل النموذج — معدّل التعلّم، k، العمق، الهامش، التنبّؤ بنقطة — فهو بريميوم: إن جرّبت، سأقولها لك بـ «أوبس».
الفيلم يعمل. أوقفه مؤقّتًا حين تشاء: /pause. مؤشّر REC يترك مكانه لـ «إيقاف مؤقت»، العدّاد الزمني يتجمّد، وتستطيع قراءة المؤشّرات على مهل.
أسرِع: /speed 2. عدد الإطارات في الثانية يتضاعف. الحلقات البطيئة (الشجرة تضع تقسيمًا كلّ 0.8 ثانية) تصبح عصبية؛ وانحدارات التدرّج تنطلق.
انتقل مباشرةً إلى حلقة: /episode knn. يستأنف الفيلم من بداية الحلقة 3: الجيران الأقرب kNN لا يدرّبون شيئًا، لذا نشاهد خريطة القرار تُحسب بكسلًا بكسلًا، ثمّ زهرة مجهولة تبحث عن جاراتها.
فاتك تفصيل؟ /replay يعيد الحلقة الحالية من الإطار الأوّل. البذرة نفسها، السحبة نفسها، الفيلم نفسه: الأمر حتميّ عن قصد — لكي تقارن، عليك أن تعيد مشاهدة الشيء نفسه.
دورك الآن. من جهة المُشاهد (مجاني): /episode tree، /episode forest، /episode svm، /speed 0.5، /subtitles لإخفاء التعليقات التوضيحية أو إظهارها، /autoplay للتكرار المتسلسل أو التوقّف عند نهاية الحلقة. من جهة المُخرج (بريميوم): /lr 0.05 انحدار حذر، /lr 1 انحدار ينحرف عن مساره، /k 1 حدود عصبية، /depth 6 شجرة تفرط في التخصيص، /trees 40 غابة كثيفة، /margin 20 هامش متشدّد، /noise 0.9 بيانات مختلطة، /seed 12 سحبة أخرى، /predict 0.7 0.3 لوضع نجمة وقراءة حكم النموذج. أوبس… هذه تحتاج إلى الاشتراك — سأقول لك كيف. بعد ذلك: #linear-regression للتحكّم بالخطّ ثلاثي الأبعاد، أو #knn لضبط k بنفسك.

أوامر القناة

/episode <linear|logistic|knn|tree|forest|svm|next> — ينتقل إلى حلقة (أو إلى التالية) ويعرضها من البداية.
/pause — يوقف الفيلم مؤقّتًا (يتجمّد العدّاد الزمني).
/play — يستأنف عرض الفيلم.
/speed <0.5|1|2|4> — سرعة العرض: من 0.5 (بطيء) إلى 4 (سريع).
/replay — يعيد الحلقة الحالية من الإطار الأوّل (السحبة نفسها).
/subtitles — يُظهر أو يُخفي التعليقات التوضيحية.
/autoplay — يفعّل أو يوقف التشغيل التلقائي المتسلسل للحلقات.
/reset — يعود إلى الحلقة الأولى وإلى الإعدادات الافتراضية.
/lr <0.01..1> — 🔒 بريميوم · معدّل التعلّم في انحدارات التدرّج (الحلقات 1 و2 و6).
/noise <0..1> — 🔒 بريميوم · تشتّت البيانات: 0 = سحابات واضحة، 1 = مختلطة جدًّا.
/points <n=20..200> — 🔒 بريميوم · عدد النقاط (واحدة من كلّ أربع تُستخدم للاختبار).
/seed <1..99> — 🔒 بريميوم · سحبة عشوائية أخرى للبيانات (الإعدادات نفسها).
/k <1..15> — 🔒 بريميوم · عدد الجيران في kNN (الحلقة 3).
/depth <1..6> — 🔒 بريميوم · العمق الأقصى لشجرة القرار (الحلقة 4).
/trees <1..40> — 🔒 بريميوم · عدد أشجار الغابة العشوائية (الحلقة 5).
/margin <C=0.1..20> — 🔒 بريميوم · الثابت C في SVM: غرامة النقاط الواقعة داخل الهامش (الحلقة 6).
/predict <x=0..1> <y=0..1> — 🔒 بريميوم · يضع نجمة عند (x, y) ويقرأ جواب النموذج المدرَّب.

المسرد

الحقبة (epoch): مرور كامل على بيانات التدريب مع تحديث للمُعاملات. في الفيلم، كلّ إطار من الحلقات 1 و2 و6 حقبة: الخطّ أو الحدّ الفاصل يتحرّك قليلًا في كلّ واحدة.
دالة الخسارة (loss function): العدد الذي يسعى التدريب إلى تقليله: MSE للانحدار، وLog-loss للانحدار اللوجستي، والخسارة المفصلية لـ SVM. المنحنى الذي يهبط بجانب الفيلم هو هذه الدالة.
التقارب (convergence): اللحظة التي تصبح فيها التحديثات مهمَلة: الخسارة تكاد لا تتحرّك، والنموذج «وصل». التعليقات الأخيرة في حلقات انحدار التدرّج تشير إليها.
التباعد (divergence): حين يكون معدّل التعلّم كبيرًا جدًّا، تتجاوز كلّ خطوة قعر الوعاء وتصعد أعلى من سابقتها: الخسارة تنفجر. يتوقّف الفيلم على خطّ أحمر و«أوبس».
الحدّ الفاصل (decision boundary): الخطّ (أو السطح) الذي يغيّر فيه النموذج رأيه بين فئتين. مستقيم في الانحدار اللوجستي وSVM الخطّي، مسنّن في kNN، على شكل درج في الشجرة، ضبابي ثمّ واضح في الغابة.
مجموعة الاختبار (test set): نقاط تُوضع جانبًا (الدوائر المجوّفة) ولا يراها النموذج أبدًا أثناء التدريب. عليها نقيس الدقّة الصادقة: تصنيف ما حُفظ عن ظهر قلب لا يثبت شيئًا.
متّجه الدعم (support vector): نقطة تدريب تقع على الهامش أو داخله (محاطة بالأصفر في الحلقة 6). هذه النقاط وحدها تحدّد الحدّ الفاصل في SVM: حذف غيرها لا يحرّكه.
مؤشّر Gini: مقياس لعدم نقاء مجموعة من النقاط: 0 إن كانت من فئة واحدة، وأقصاه حين تتساوى الفئات. تختار شجرة القرار في كلّ عقدة التقسيم الذي يخفّض متوسّط عدم النقاء في النصفين أكثر ما يمكن.
Bootstrap وBagging: سحب n نقطة مع الإرجاع من n نقطة أصلية يعطي عيّنة مختلفة قليلًا؛ وتدريب نموذج على كلّ عيّنة ثمّ جعل المجموعة تصوّت هو الـ bagging. الغابة العشوائية هي bagging من الأشجار.

قنوات أخرى في التعلّم المُشرَف

#live-training — ستّ خوارزميات تتعلّم أمام عينيك كفيديو: REC، عدّاد زمني، تعليقات توضيحية، مؤشّرات مباشرة. المشاهدة مجانية؛ تعديل النموذج بريميوم.
#linear-regression — مطابقة خطّ: المربّعات الصغرى، البواقي، MSE، R² والنزول التدرّجي — اللبنة الأولى لكلّ نموذج تعلّم مُوجَّه.
#logistic-regression — التصنيف إلى فئتين: السيغمويد، حدّ القرار، العتبة والخسارة اللوغاريتمية — ولماذا لا يكفي الخطّ دائمًا.
#decision-trees — شجرة تنحت المستوى إلى مستطيلات: جيني، الإنتروبيا، العمق، التقليم — وفرط التعلّم الذي تراه بأمّ عينيك.
#knn — أقرب k جار: صنِّف بالشبه، اختر k، غيّر المسافة — وشاهد الحدّ ينعم أو يتشظّى.
#svm-margins — آلات متّجهات الدعم: أوسع هامش ممكن، المعامل C، ونواة RBF التي تُقوِّس الحدّ.
#classification-metrics — الدقّة، الاستدعائيّة، F1، مصفوفة الالتباس، ROC وAUC: قراءة مصنِّف بأمانة، خاصّة عند اختلال توازن الفئات.