السؤال في التطبيقات العملية

من الأفضل تجربة الخوارزميات المختلفة على مجموعة التدريب وتقييم الأداء على مجموعة الاختبار، واستخراج الميزات باستخدم تقنيات مثل TF-IDF أو Word Embeddings (مثل Word2Vec أو GloVe).

ثم إجراء تحليل مقارن بين الخوارزميات التقليدية Basic ML وخوارزميات NLP الحديثة باستخدام مجموعة من المقاييس مثل:

• Accuracy
• Precision
• Recall
• F1-score

بخصوص تحليل المشاعر من خلال Basic ML، فيوجد الخوارزميات التالية:

• Naive Bayes: تعتبر خوارزمية بسيطة وفعالة لتحليل المشاعر، خاصة مع البيانات النصية.
• SVM (Support Vector Machine): يمكن استخدامها أيضًا لتصنيف المشاعر بدقة.
• Decision Trees / Random Forests: مفيدة أيضًا في حالات معينة.

وخوارزميات NLP هي:

• LSTM (Long Short-Term Memory) تعمل بشكل جيد مع البيانات التسلسلية مثل النصوص.
• Transformers (مثل BERT, RoBERTa) تعتبر من أكثر النماذج فعالية في مهام تحليل المشاعر.

النماذج القائمة على Transformers مثل BERT أثبتت الدراسات أنها تتفوق على النماذج التقليدية مثل Naive Bayes وSVM في مهام تحليل المشاعر،  BERT وRoBERTa، على وجه الخصوص، يمكنهما فهم السياق والاعتماد على العلاقات بين الكلمات بشكل أفضل.

أما LSTM لا يزال خيارًا جيدًا في بعض التطبيقات، بالأخص عندما يتعلق الأمر بالنصوص الطويلة.

بالنسبة لتصنيف الشخصيات من خلال Basic ML فيوجد:

• Logistic Regression هي نقطة بداية جيدة لتصنيف الشخصيات.
• K-Nearest Neighbors (KNN) تستطيعي استخدامها أيضًا في بعض السيناريوهات.

و NLP يوجد BERT / DistilBERT لاستخراج ميزات من النصوص وتحسين دقة التصنيف.

Transformers (مثل BERT، DistilBERT) تعتبر فعالة جدًا في تصنيف الشخصيات لأنها تستطيع فهم السياق بشكل دقيق، وخوارزميات التعلم الآلي التقليدية مثل Random Forest وSVM يمكن أن تكون فعالة أيضًا، لكن نتائجها غالبًا ما تكون أقل دقة من النماذج القائمة على Transformers.

أما تصنيف الأخبار الكاذبة، ففي Basic ML:

• Naive Bayes فعالة لتصنيف النصوص.
• Random Forests لتصنيف الأخبار حسب ميزات متعددة.

وفي NLP BERT وRoBERTa يعتبران من الخيارات الممتازة لتصنيف الأخبار الكاذبة بسبب قوتهما في فهم السياق، وتم إثبات أنها تحقق نتائج أعلى بكثير مقارنة بالخوارزميات التقليدية مثل Naive Bayes وRandom Forest نظرًا لأن الأخبار تحتوي على تعقيدات لغوية وسياقية، فإن النماذج القائمة على Transformers تكون أكثر قدرة على التعامل مع تلك التعقيدات.

XGBoost خياراً جيدًا عند استخدام ميزات تم استخراجها من النصوص باستخدام تقنيات أخرى.

نستخلص مما سبق أنّ النماذج القائمة على Transformers في أغلب الأحوال تقدم نتائج أفضل في مجموعة واسعة من مهام معالجة اللغة الطبيعية، بما في ذلك تحليل المشاعر وتصنيف النصوص.

بالنسبة للمشاريع التي تتطلب دقة عالية، يُفضل استخدام النماذج الحديثة مثل BERT وRoBERTa.

والخوارزميات التقليدية مثل Naive Bayes وSVM وRandom Forest لا تزال تؤدي بشكل جيد في العديد من التطبيقات، وذلك عندما تكون البيانات محدودة أو عند الحاجة إلى وقت تدريب أقل.

وعليكم السلام ورحمة الله وبركاته.

بالنسبة للخوارزميات المناسبة لتطبيقاتك المحددة يمكن أن تختلف الخيارات بناء على نوع البيانات والمشكلة المحددة . إليكي بعض الأمثلة للخوارزميات الشائعه لكل تطبيق:

• تحليل المشاعر:
  • NLP: استخدام الأدوات والمكتبات المعروفة في تحليل المشاعر مثل NLTK وspaCy.و الخوارزميات المناسبة مثل Vader Sentiment Analysis، TextBlob، والموديلات العميقة مثل LSTM للتعامل مع توافرها.

  • Basic ML: يمكن استخدام خوارزميات بسيطة مثل Naive Bayes أو Logistic Regression على مجموعة متنوعة من الميزات مثل تواتر الكلمات (Bag of Words) أو TF-IDF لتصنيف المشاعر.

• تصنيف الشخصيات بالاعتماد على التغريدات:
  • NLP: استخدام أساليب تعلم الآلة المتقدمة مثل تصنيف النصوص باستخدام الشبكات العصبية العميقة.والخوارزميات المناسبة مثل Word2Vec، GloVe، FastText لتمثيل النصوص، ومن ثم استخدام SVM أو شبكات عصبونية للتصنيف.

  • Basic ML: يمكن استخدام خوارزميات مثل Naive Bayes أو SVM مع استخدام الميزات المستخرجة من التغريدات مثل عدد الكلمات المستخدمة، والهاشتاجات، والرموز التعبيرية لتصنيف الشخصيات.

• تصنيف الأخبار الكاذبة:
  • NLP: استخدام تقنيات NLP المتقدمة مثل تحليل التعبيرات المعقدة واستخدام الشبكات العصبونية العميقة. والخوارزميات المناسبة  TF-IDF، Word Embeddings، والموديلات مثل BERT لفهم السياق والمعاني الضمنية للنصوص.

  • Basic ML: استخدام خوارزميات مثل Naive Bayes أو Decision Trees لتصنيف الأخبار بناءً على مجموعة متنوعة من الميزات مثل كلمات المحتوى، والهيكل اللغوي للجمل، وأنماط الأسلوب.