اريد ارشاد حول مجال تعلم الاله

وعليكم السلام ورحمة الله،

مجال تعلّم الآلة ليس سهلا تماما ولا مستحيلا فهو مجال يحتاج وقتا وصبرا لأنه يجمع بين البرمجة وبالنسبة لك فلديك فيها أساس جيد من خلال لغة بايثون وتحليل البيانات وبين بعض المفاهيم الرياضية والإحصائية لكن يمكن التقدم فيه تدريجيا خطوة خطوة دون أن يكون عائقا إذا قسمت طريقك لمسارات صغيرة وطبّقت باستمرار على مشاريع بسيطة ثم أعقد قليلا كل مرة.

فالخوارزميات التي درستها في مسار تعلّم الآلة في الدورة تعد بداية عملية ممتازة وستسمح لك ببناء مشاريع حقيقية لكنها وحدها غالبا لا تكفي للتوظيف مباشرة فأصحاب العمل يبحثون عن شخص يعرف كيف يختار البيانات وينظفها ثم يبني نموذجا مناسبا ويقيم أداءه ثم ينشره أو يدمجه في تطبيق لذلك تحتاج أن تبني من 3 إلى 5 مشاريع عملية واضحة مثل أنظمة التوصية وتصنيف النصوص وتوقع الأسعار ثم تعرضها في GitHub أو في معرض أعمالك فهذا ما يحوّل ما تعلمته في المسار إلى شيء قابل للتوظيف.

من الناحية النظرية أنت لا تحتاج في البداية إلى الغوص في كل التفاصيل والبرهان الرياضي لكل خوارزمية فيكفي أن تمتلك أساسيات الرياضيات الضرورية كالجبر الخطي، التفاضل البسيط، الاحتمالات والإحصاء الأساسية مع فهم كيف تعمل الخوارزميات ثم كلما تقدّمت وواجهت مشاكل أعمق في النماذج أو أردت الانتقال للتعلم العميق أو بحث علمي ستزيد جرعة الرياضيات والنظرية تدريجيا بدل أن تجعلها حاجزا نفسيا من البداية.

وعليكم السلام ورحمة الله وبركاته .

إن شعورك بالخوف والتوهان أمر طبيعي جدا عند الانتقال من تحليل البيانات إلى تعلم الآلة (Machine Learning) فالمجال يبدو من النظرة الأولى كبحر عميق من الرياضيات والبرمجة ولكن إطمئن فخلفيتك في تحليل البيانات باستخدام بايثون هي حجر أساس قوي يمكن أن تبدأ به.

بتاريخ 11 ساعة قال Faisal Al Zaedi:

1 هل هذا المجال صعب جدا ؟

الإجابة هنا تعتمد على مدى المستوى الذي تنوي الوصول إليه:

• فكمستخدم للخوارزميات ليس صعبا إذا كنت تجيد التعامل مع مكتبات مثل Scikit-Learn وتعرف كيف تعالج البيانات فأنت وصلت لأكثر نمن نصف الطريق.
• أما كمبتكر أو باحث فهنا تكمن الصعوبة لأنه يتطلب تعمقا كبيرا في الرياضيات (كالجبر الخطي والتفاضل والإحصاء) ةفهم كيف تعمل الخوارزمية من الداخل وتطويرها.

الخلاصة المجال يحتاج إلى صبر واستمرارية  والصعوبة تكمن في هندسة البيانات (Data Engineering) وضمان جودتها أكثر من بناء النموذج نفسه.

بتاريخ 11 ساعة قال Faisal Al Zaedi:

2 هل كل الخوارزميات التي تعلمتها في هذا المسار كافية لتوظفني في نفس المجال؟

بصراحة إن الخوارزميات وحدها لا توظف فسوق العمل لا يبحث عن شخص يعرف خوارزمية معينة مثلا Random Forest أو XGBoost فحسب بل يبحث عن شخص يمتلك المهارات التالية:

• حل المشكلات (Problem Solving): فهل تستطيع تحديد أي خوارزمية تناسب هذه المشكلة المعينة .
• نشر النموذج (Model Deployment): فهل تعرف كيف تأخذ النموذج من ملف Jupyter Notebook وتضعه في تطبيق أو موقع ليستخدمه الناس.
• فهم دورة حياة المشروع (ML Pipeline): حيث تبدأ من جمع البيانات ثم تنظيفها واختيار الميزات (Feature Engineering) والتدريب وأخيرا التقييم.

بتاريخ 11 ساعة قال Faisal Al Zaedi:

3 وهل ينقصني معرفة نظريه حول هذا المجال ؟

وبما أنك قادم من خلفية برمجية وتحليلية فغالبا فنعم قد تحتاج لتعزيز الجانب النظري في ثلاث نقاط أساسية:

• الإحصاء الاستدلالي (Inferential Statistics): لفهم ما إذا كانت النتائج التي يعطيها النموذج حقيقية أم مجرد صدفة.
• فهم ال Underfitting وال Overfitting وذلك لمعرفة لماذا يفشل الموديل أحياناً في التنبؤ ببيانات جديدة وكيفية معالجة ذلك رياضيا.
• أيضا رياضيات الخوارزميات فلا أقصد أن تحل المعادلات بالورقة والقلم بل أن تفهم لماذا نستخدم مثلا ال Gradient Descent لتحسين الأداء وما هو دور Cost Function.