Phase 02: ML Fundamentals

ما هو التعلم الآلي

Type: Learn

Languages: Python

Prerequisites: Phase 1 (Math Foundations)

Time: ~45 minutes

أهداف التعلم

• شرح الفرق بين التعلم المراقب والغير المراقب والتعلم المُعزز وتحديد النوع الذي ينطبق على مشكلة معينة
• تنفيذ أقرب تصنيف مركزي من الصفر وتقييمها ضد خط أساسي عشوائي
• تمييز بين مهام التصنيف والعودة واختيار وظيفة الخسارة المناسبة لكل منها
• تقييم ما إذا كانت مشكلة تجارية معينة مناسبة لمعالجة المعلومات أو تحل بشكل أفضل باستخدام قواعد تحديدية

المشكلة

تريد بناء مرشح للشحوم. النهج التقليدي: الجلوس و كتابة مئات القواعد. "إذا كان البريد الإلكتروني يحتوي على "مال مجاني"، ضع علامة على أنها شحوم. إذا كان لديها أكثر من 3 علامات صرخة، ضع علامة على أنها شحوم. " أنت تقضي أسابيع في كتابة القواعد. ثم يقوم المتسللون بتغيير صياغته. قواعدك تنتهك. أنت تكتب المزيد من القواعد. الدورة لا تنتهي أبدا.

تعلم الآلة يغير هذا. بدلاً من كتابة القواعد، تعطى الكمبيوتر الآلاف من الرسائل الإلكترونية المسموحة ("رغوة" أو "ليس رغوة") وتدعها تفكر في القواعد بنفسه. الكمبيوتر يجد أنماط لم تكن قد فكرت بها. عندما يغير الرغوة التكتيكات، تقوم بتدريب جديد على البيانات بدلاً من إعادة كتابة الرمز.

هذا التحول من "قواعد البرمجة" إلى "التعلم من البيانات" هو جوهر التعلم الآلي. كل محرك توصيات، ومساعد صوتي، وسيارة ذاتية القيادة، ونموذج اللغة يعمل بهذه الطريقة.

المفهوم

التعلم من البيانات وليس من القواعد

البرمجة التقليدية والتعلم الآلي يحل المشاكل في اتجاهات معارضة.

flowchart LR
    subgraph Traditional["Traditional Programming"]
        direction LR
        R[Rules] --> P1[Program]
        D1[Data] --> P1
        P1 --> O1[Output]
    end

    subgraph ML["Machine Learning"]
        direction LR
        D2[Data] --> P2[Learning Algorithm]
        O2[Expected Output] --> P2
        P2 --> M[Model / Rules]
    end

البرمجة التقليدية: أنت تكتب القواعد. البرنامج يطبقها على البيانات لإنتاج الخروج.

تعلم الآلة: توفر البيانات والمخرجات المتوقعة. ال خوارزمية تكتشف القواعد.

"النموذج" الذي يأتي من التدريب هو القواعد، ويشكّل بأرقام (وزن، ملامح). فإنه يُعمّل من الأمثلة التي رأىها لتحقيق التنبؤات على البيانات التي لم يسبق له أن رأى.

الأنواع الثلاثة من التعلم الآلي

flowchart TD
    ML[Machine Learning] --> SL[Supervised Learning]
    ML --> UL[Unsupervised Learning]
    ML --> RL[Reinforcement Learning]

    SL --> C[Classification]
    SL --> R[Regression]

    UL --> CL[Clustering]
    UL --> DR[Dimensionality Reduction]

    RL --> PO[Policy Optimization]
    RL --> VL[Value Learning]

Supervised Learning: لديك زوجات المدخلات والمخرجات. يتعلم النموذج رسم الخواص إلى الخواص.

• "هنا 10 آلاف صورة تحمل علامة القط أو الكلب، تعلم كيف تفصل بينها".
• "هنا ميزات المنزل وأسعارها، تعلم التنبؤ بالأسعار".

Unsupervised Learningلديك مدخلات فقط لا تسميات النموذج يجد هيكلًا بنفسه

• "هنا 10 آلاف تاريخ مشتريات العملاء، إبحث عن مجموعات طبيعية"
• "هنا 1000 نقطة بيانات بعدية، خفض إلى 2 أبعاد مع الحفاظ على الهيكل".

Reinforcement Learning: يقوم العميل بعمل في بيئة ويتلقى مكافآت أو عقوبات. يتعلم استراتيجية (سياسة) لتعظيم الكمية الكاملة من المكافأة.

• "لعب هذه اللعبة، +1 للفوز، -1 للفقدان، اكتشف استراتيجية".
• "تحكم في ذراع الروبوت هذا +1 لالتقاط الكائن، -0.01 لكل ثانية مضيعة".

معظم ما ستبني في الممارسة يستخدم التعلم المشرف عليه. التعلم غير المشرف عليه شائع للتعليم المسبق والاستكشاف. تعزيز التعلم قوى AI اللعبة، الروبوتات، و RLHF لنماذج اللغة.

ما وراء الثلاثة الكبرى

الفئات الثلاث أعلاه نظيفة، ولكن العالم الحقيقي ML غالبا ما يغمض الخطوط.

Semi-supervised learningيستخدم مجموعة صغيرة من البيانات المعلقة ومجموعة كبيرة من البيانات غير المعلقة. قد يكون لديك 100 صورة طبية معلقة و100000 صورة غير معلقة.

• Label propagation:قم ببناء رسم بياني يربط نقاط البيانات المماثلة. تمتد العلامات من العقد المسموحة إلى الجيران غير المسموحين من خلال الرسم البياني.
• Pseudo-labeling:تدريب نموذج على البيانات المعلقة، استخدمه للتنبؤ باللوائح للبيانات غير المعلقة، ثم إعادة تدريب على كل شيء.
• Consistency regularization:يجب أن يعطي النموذج نفس التنبؤ للمدخول ونسخة متضايقة قليلاً من تلك المدخلات. هذا يعمل حتى دون علامات.

Self-supervised learningيخلق الإشراف من البيانات نفسها. لا حاجة إلى علامات بشرية على الإطلاق. النموذج يخلق مهمة التنبؤ الخاصة به من بنية البيانات.

• Masked language modeling (BERT):إخفاء 15٪ من الكلمات في الجملة، تدريب النموذج على التنبؤ بالكلمات المفقودة. "التسميات" تأتي من النص الأصلي.
• Contrastive learning (SimCLR):خذ صورة، وإنشأ نسختين متزايدة، ومرح النموذج بتعرفها على أنها جاءت من نفس الصورة بينما تميزها عن نسخة متزايدة من الصور الأخرى.
• Next-token prediction (GPT):توقع الكلمة التالية مع كل الكلمات السابقة. كل وثيقة نصية تصبح مثال تدريب.

هذه ليست فئات منفصلة عن الثلاثة الكبرى. إنها استراتيجيات تجمع بين الأفكار المراقبة وغير المراقبة. يتم إشراف التعلم الذاتي تقنياً (النموذج يتوقع شيئاً) ، ولكن يتم إنشاء اللقبات تلقائيًا ، وليس من قبل البشر.

التصنيف مقابل الرجوع

هذه هي المهام الرئيسية الثانية للتعلم المشرف عليه.

الجوابات المرتبطة بالصنف هي: "أي فئة؟" والرجوع يرد: "كم؟"

بعض المشاكل يمكن أن تكون في إطار أي من الطرق. التنبؤ إذا كان السهم يرتفع أو ينخفض هو التصنيف. التنبؤ بسعر دقيق هو التراجع.

سير عمل ML

كل مشروع للتعلم الآلي يتبع نفس الخط الأنابيب، بغض النظر عن الخوارزمية.

flowchart LR
    A[Collect Data] --> B[Clean & Explore]
    B --> C[Feature Engineering]
    C --> D[Split Data]
    D --> E[Train Model]
    E --> F[Evaluate]
    F -->|Not good enough| C
    F -->|Good enough| G[Deploy]
    G --> H[Monitor]
    H -->|Performance drops| A

Collect Dataجمع البيانات الخامة، فأكثر البيانات أفضل دائماً تقريباً، لكن الجودة هي أكثر أهمية من الكمية.

Clean & Explore: التعامل مع القيم المفقودة، وإزالة المكررات، وتصور التوزيعات، وتحديد الانحرافات. هذه الخطوة غالبا ما تستغرق 60-80% من إجمالي وقت المشروع.

Feature Engineeringتحويل البيانات الخام إلى ميزات يمكن أن تستخدمها النموذج. تحويل التواريخ إلى أيام الأسبوع. تطبيع العمود العددي. تشفير المتغيرات الفئوية. الميزات الجيدة مهمة أكثر من الخوارزميات المهنية.

Split Data: تقسيمها إلى مجموعات تدريبية وتصديق وتختبارات. يقوم النموذج بتدريب على بيانات التدريب، ويقوم بتحديد المعايير المفرطة على بيانات التحقق، ويقوم تقرير الأداء النهائي على بيانات التجارب.

Train Model: إرسال بيانات التدريب إلى خوارزمية. يقوم خوارزمية بتعديل المعلمات الداخلية لتقليل وظيفة الخسارة.

Evaluate: قياس الأداء على بيانات التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحققق من التحققق من التحققق من التحققق من التحقققق من التحقققق من التحقققق من التحقققق من التحقققق من التحقققق.

Deploy: وضع النموذج في الإنتاج حيث يقوم بتنبؤات على بيانات جديدة.

Monitor: تتبع الأداء مع مرور الوقت. تغير توزيع البيانات (تحرك البيانات) ، وتدهور النماذج. عندما تنخفض الأداء، إعادة التدريب.

التدريب والتحقق من الوصول إلى الاختبار

هذا هو المفهوم الأهم الذي يخطئ به المبتدئين. يجب عليك تقييم نموذجك على بيانات لم يرها أثناء التدريب. وإلا كنت تقيس التذاكر، وليس التعلم.

flowchart LR
    subgraph Dataset["Full Dataset (100%)"]
        direction LR
        TR["Training Set (70%)"]
        VA["Validation Set (15%)"]
        TE["Test Set (15%)"]
    end

    TR -->|Train model| M[Model]
    M -->|Tune hyperparameters| VA
    VA -->|Final evaluation| TE

مجموعة الاختبارات مقدسة. تنظر إليها مرة واحدة بالضبط. إذا كنت تستمر في تعديل نموذجك بناء على أداء الاختبار، كنت تدرب على نحو فعال على مجموعة الاختبارات وأرقامك المبلغ عنها لا معنى لها.

بالنسبة لمجموعات بيانات صغيرة، استخدم التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق.

التكيف المفرط مقابل التكيف السهل

flowchart LR
    subgraph UF["Underfitting"]
        U1["Model too simple"]
        U2["High bias"]
        U3["Misses patterns"]
    end

    subgraph GF["Good Fit"]
        G1["Right complexity"]
        G2["Balanced"]
        G3["Generalizes well"]
    end

    subgraph OF["Overfitting"]
        O1["Model too complex"]
        O2["High variance"]
        O3["Memorizes noise"]
    end

    UF -->|Increase complexity| GF
    GF -->|Too much complexity| OF

Underfitting: النموذج بسيط جداً لا يمكن التقاط الأنماط في البيانات. خط مستقيم يحاول أن يتناسب مع علاقة منحنية. خطأ تدريب كبير. خطأ اختبار كبير.

Overfitting: النموذج معقد جداً ويتذكر بيانات التدريب، بما في ذلك ضجيجها. منحنى متحرك يمر عبر كل نقطة تدريب ولكن يفشل في البيانات الجديدة. خطأ التدريب منخفض. خطأ الاختبار مرتفع.

Good fit: يتم تصوير النموذج أنماط حقيقية دون حفظ الضوضاء. خطأ التدريب وخطأ الاختبار منخفضة نسبيا.

علامات الإصلاح الزائد:

• دقة التدريب أعلى بكثير من دقة التحقق
• النموذج يعمل بشكل جيد على بيانات التدريب ولكن بشكل سيء على بيانات جديدة
• إضافة المزيد من بيانات التدريب تحسن الأداء (النموذج كان يتذكر وليس يتعلم)

أجهزة إصلاحية:

• الحصول على المزيد من البيانات التدريبية
• تقليل تعقيد النموذج (أقل معايير، بنية أبسط)
• التنظيم (إضافة عقوبة على الأوزان الكبيرة)
• الإقلاع عن العمل (تخفيض العصبية بشكل عشوائي أثناء التدريب)
• التوقف المبكر (توقف التدريب عندما يبدأ خطأ التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحقق من التحق.

أجهزة للاستعداد:

• استخدم نموذج أكثر تعقيداً
• إضافة مزيد من الميزات
• تقليل التنظيم
• القطار أطول

التجارة بين التنوعات المتحيزة

هذا هو الإطار الرياضي وراء الإفراط في التكيف والإفراط في التكيف.

Bias: خطأ من افتراضات خاطئة في النموذج. نموذج خطي لديه تحيز كبير عندما تكون العلاقة الحقيقية غير خطية. التحيز العالي يؤدي إلى عدم الالتزام.

Variance: خطأ من الحساسية إلى التقلبات الصغيرة في بيانات التدريب. نموذج ذو اختلاف كبير يعطي توقعات مختلفة جدا عند تدريب على مجموعات فرعية مختلفة من البيانات. يؤدي التباين العالي إلى الإفراط في التكيف.

الخطأ الكلي = التحيز^2 + التباين + الضجيج غير القابل للتقليل

لا يمكنك تقليل الضجيج غير القابل للحد من الضجيج (إنه عشوائية في البيانات نفسها). تريد العثور على نقطة حلوة حيث يتم تقليل التباين^2 + التباين.

لا يوجد نظرية الغداء المجانية

لا يوجد خوارزمية واحدة تعمل بشكل أفضل لكل مشكلة. خوارزمية تعمل بشكل جيد على فئة واحدة من المشاكل سوف تؤدي بشكل سيء على أخرى. هذا هو السبب في أن علماء البيانات يحاولون خوارزميات متعددة ومقارنة النتائج.

في الممارسة العملية، يعتمد الاختيار على:

• كم عدد البيانات التي لديك
• كم عدد الميزات
• سواء كانت العلاقة خطية أو غير خطية
• إذا كنت بحاجة إلى تفسير
• كم من الحوسبة يمكنك تحمل

متى لا تستخدم تعلم الآلة

إنّه أداة قوية، لكنّها ليست دائماً الأداة المناسبة. قبل أن تصل إلى نموذج، اسأل نفسك إن كنتِ في حاجة إليه فعلاً.

Do not use ML when:

• Rules are simple and well-defined.حسابات الضرائب، خوارزميات التصنيف، تحويلات الوحدات، إذا كنت تستطيع كتابة المنطق في بضعة بيانات إن، نموذج يضيف التعقيد دون فائدة.
• You have no data or very little data.المعلمين يحتاجون إلى أمثلة للتعلم من خلالها، مع 10 نقاط بيانات، لا يمكنك تدريب أي شيء ذي معنى. جمع البيانات أولاً.
• The cost of being wrong is catastrophic and you need guaranteed correctness.حساب الجرعة الطبية، التحكم في مفاعل نووي، التحقق المشفر. نماذج ML احتمالية. فإنها سوف تكون خاطئة في بعض الأحيان. إذا كان "أحيانا خاطئة" غير مقبولة، استخدم أساليب تحديد.
• A lookup table or heuristic solves the problem.إذا كان العد الأدنى أو الجدول البسيط يغطي 99٪ من الحالات، فإن إضافة ML يزيد من تكلفة الصيانة دون تحسين كبير.
• You cannot explain the decision and explainability is required.تتطلب الصناعات المنظمة (الاقتراض، التأمين، العدالة الجنائية) أحياناً أن تكون كل قرار قابل للتفسير بالكامل. بعض نماذج ML يمكن تفسيرها (التراجع السري، أشجار القرار الصغيرة). معظمها لا يمكن تفسيرها.
• The problem changes faster than you can retrain.إذا كانت القواعد تتغير كل يوم وتستغرق إعادة التدريب أسبوعاً، فإن النموذج دائمًا قديم.

استخدم هذا الرسم البياني للقرار:

flowchart TD
    A["Do you have data?"] -->|No| B["Collect data first or use rules"]
    A -->|Yes| C["Can you write the rules explicitly?"]
    C -->|"Yes, and they are simple"| D["Use rules. Skip ML."]
    C -->|"No, or they are too complex"| E["Is the cost of errors acceptable?"]
    E -->|"No, need guaranteed correctness"| F["Use deterministic methods"]
    E -->|Yes| G["Do you need explainability?"]
    G -->|"Yes, strictly"| H["Use interpretable models only"]
    G -->|"No, or partially"| I["Use ML"]
    I --> J["Do you have enough labeled data?"]
    J -->|Yes| K["Supervised learning"]
    J -->|"Some labels"| L["Semi-supervised learning"]
    J -->|"No labels"| M["Unsupervised or self-supervised"]

بناءها

الرمز فيcode/ml_intro.pyيطبق أقرب تصنيف مركزي من الصفر، أبسط خوارزمية ML ممكنة. يظهر الفكرة الأساسية: تعلم من البيانات، ثم التنبؤ على البيانات الجديدة.

الخطوة الأولى: أقرب مركزية من الصفر

يقوم أقرب مصنف مركزي بحساب مركز (متوسط) كل فئة في بيانات التدريب. للتنبؤ ، يعين كل نقطة جديدة إلى الفئة التي يكون مركزها أقرب.

pythonCopyclass NearestCentroid:
    def fit(self, X, y):
        self.classes = np.unique(y)
        self.centroids = np.array([
            X[y == c].mean(axis=0) for c in self.classes
        ])

    def predict(self, X):
        distances = np.array([
            np.sqrt(((X - c) ** 2).sum(axis=1))
            for c in self.centroids
        ])
        return self.classes[distances.argmin(axis=0)]

هذا هو الخوارزمية بأكملها. فيت يحسب وسائل اثنين. التنبؤ يحسب المسافات. لا تراجع تراجع، لا تكرار، لا حواجز فائقة.

الخطوة الثانية: تدريب على البيانات الاصطناعية

نحن نخلق مجموعة بيانات تصنيف 2D مع فئتين تتداخل قليلا. مصنف المركزية رسم حدود القرار الخطية بين مراكز الفئة.

pythonCopyrng = np.random.RandomState(42)
X_class0 = rng.randn(100, 2) + np.array([1.0, 1.0])
X_class1 = rng.randn(100, 2) + np.array([-1.0, -1.0])
X = np.vstack([X_class0, X_class1])
y = np.array([0] * 100 + [1] * 100)

الخطوة الثالثة: مقارنة مع الخطوط الأساسية

يجب مقارنة كل نموذج ML مع خط أساسي بسيط. هنا، يتوقع خط أساسي فئة عشوائية. إذا لم يتغلب نموذج ML الخاص بك على التخمين عشوائي، فشيئا خاطئ.

pythonCopybaseline_preds = rng.choice([0, 1], size=len(y_test))
baseline_acc = np.mean(baseline_preds == y_test)

يجب أن يكون مصنف المركزية أكثر من 90٪ دقة على مجموعة البيانات النظيفة.

لماذا هذا مهم

أقرب تصنيف مركزي بسيط بشكل بسيط. ليس لديه أي مفاصيل فائقة، ولا تكرار، ولا نزول تراجع. ومع ذلك فإنه يلتقط نمط ML الأساسي:

1. Learnتمثيل من بيانات التدريب (المركز المركزي)
2. Predictعلى البيانات الجديدة باستخدام هذه التمثيل (أقرب مسافة)
3. Evaluateمقابل خط أساسي (التخمين العشوائي)

كل خوارزمية ML، من الرجوع اللوجستي إلى المحولات، تتبع نفس النمط ثلاثي الخطوات. يصبح التمثيل أكثر تعقيدًا، ولكن سير العمل يبقى نفسه.

الخطوة الرابعة: ما لا يمكن أن يفعله مركز المجموعات

يفترض أقرب مصنف مركزي أن كل فئة تشكل بقعة واحدة. يرسم حدود القرار الخطية. يفشل عندما:

• الفئات لديها مجموعة متعددة (على سبيل المثال، يمكن كتابة رقم "1" بطرق مختلفة)
• الحدود القرارية غير خطية (على سبيل المثال ، تغلف فئة واحدة حول أخرى)
• الميزات لها مقياس مختلف جدا (تهيمن المسافة على ميزة أكبر مقياس)

هذه القيود تحفز كل خوارزمية أخرى سوف تتعلم. قريب K يدير العديد من المجموعات. شجرة القرار تتعامل مع الحدود غير الخطية. تحل مقياس الميزات مشكلة النطاق. كل درس يبني على قيود السابقة.

استخدمها

يقدم sklearn NearestCentroidومدفّعات البيانات الاصطناعية:

pythonCopyfrom sklearn.neighbors import NearestCentroid
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

X, y = make_classification(
    n_samples=500, n_features=2, n_redundant=0,
    n_clusters_per_class=1, random_state=42
)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

clf = NearestCentroid()
clf.fit(X_train, y_train)
print(f"Accuracy: {clf.score(X_test, y_test):.3f}")

أرسله

هذا الدرس يُنتجoutputs/prompt-ml-problem-framer.md-- إرسال استشارة تحويل مشاكل الأعمال الغامضة إلى مهام تحديد المعلومات أعطيه وصف للمشكلة ("نريد تقليل التزايد" أو "تنبؤ بالطلب للربع القادم") ويحدد نوع التعلم ويحدد هدف التنبؤ ويعد ميزات المرشحين ويحدد مقياس النجاح ويحدد خطة أساسية ويعرض على مشاكل مثل تسرب البيانات أو عدم توازن الفئة. استخدمها في بداية أي مشروع من مشروع ML لتجنب بناء الشيء الخطأ.

الشروط الرئيسية

التمارين

1. خذ أي مجموعة بيانات (مثل Iris، Titanic) وقسمها 70/15/15 إلى قطار/تأكييد/اختبار. شرح لماذا لا يجب ضبط المعايير العالية على مجموعة الاختبار.
2. أذكر ثلاثة مشاكل حقيقية. لكل منها، حدد ما إذا كانت تصنيف، تراجع، أو تجمع، وما إذا كانت تحت الإشراف أو بدون إشراف.
3. النموذج يحصل على دقة 99٪ على بيانات التدريب ولكن 60٪ على بيانات الاختبار. تشخيص المشكلة وإدراج ثلاثة أشياء كنت تحاول إصلاحها.

المزيد من القراءة

• An Introduction to Statistical Learning- كتاب دراسي مجاني يضم جميع أساليب ML الكلاسيكية مع أمثلة عملية
• Google's Machine Learning Crash Course- مقدمة بصرية مخففة لمفاهيم ML
• Scikit-learn User Guide- المرجح العملي لتنفيذ ML في Python

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.