A.4 · التعلم الآلي

تركيز SL المدعوم. الهدف الأول للتقييم 2027؛ يعيد PDF الرسمي 403؛ الكتيب القديم المكتسب هو التقييم النهائي 2026. يحافظ الدليل المتبقي ومتطلبات التقييم والعمل العملي على امتيازاتها المسجلة.

المتطلبات السابقة: قراءة الكميات والوحدات المعلنة، واستخدام الحساب وشرط النموذج أدناه. طور كل درس طريقته الخاصة قبل النقل المستقل.

هذه أمثلة تعليمية أصلية أو خيالية صراحةً، وليست قياسات فعلية أو تحقيقات مُقيّمة مكتملة من المتعلمين.

ما الذي قد يفسر هذه الملاحظة؟

• يمكن لنموذج أن يحقق درجة عالية عن طريق تعلم اختصار في بيانات التدريب. يجب أن يختبر التقييم المهمة المقصدة على أمثلة غير مرئية مناسبة.
• ابدأ بتوقع. حدد الكميات أو الخصائص التي ستقارنها، ثم حدد الدليل الذي يمكنه التمييز بين تفسيرين.

بنِ النموذج

• تستخدم قواعد البيانات العلائقية الجداول والمفاتيح والعلاقات لتنظيم البيانات. يقدر التعلم الآلي الأنماط من البيانات. تخدم بيانات التدريب والتقييم أدواراً مختلفة.
• المفتاح الأساسي: مجموعة خصائص تُعرّف سجلًا بشكل فريد؛ تسرب البيانات: استخدام معلومات غير متاحة وقت التنبؤ المقصود.

اختر الأدلة القادرة على اختبار النموذج

• المفتاح الأساسي يُعرّف السجل فريداً؛ المفتاح الخارجي يربط السجلات. في التنبؤ، يمكن أن يكشف التسرب عن معلومات غير متاحة وقت القرار الحقيقي. قد تخفي الدقة وحدها توزيع هدف غير متوازن.
• استخدم سجلات الحجز الوهمية لتحديد الكيانات والسمات والعلاقات. بالنسبة للتمرين التعليمي، استخدم مجموعة بيانات عامة غير حساسة، وقم بفصل بيانات التدريب عن بيانات الاختبار، ووصف من قد يتأثر بالأخطاء. نطاق هدف 2027 CS الحالي ينتظر الدليل المكتسب.

اعمل من الكميات المعروفة

• أدر القيم المعروفة ووحداتها. اختر العلاقة لأن افتراضاتها تتناسب مع هذه الحالة، ثم أعد ترتيب المعادلة قبل التعويض.
• معلوم: يصنّف مُصنِّف 90 تنبؤات صحيحة بين 100 حالة. الدقة = الصحيح/الإجمالي×100 = 90%. إذا كانت 90 حالات تتبع فئة واحدة، فإن التنبؤ بهذه الفئة دائمًا يعطي نفس الدقة ولا يزال يمكنه فشل كل حالات الفئة الأقلية.

مثال:

نموذج يُنتج 72 تنبؤات صحيحة من أصل 80. أوجد النسبة المئوية للدقة. استخدم نفس التسلسل: الكميات المعلومة → النموذج → العلاقة → التعويض → الوحدة والتفسير.

تحقق من الاستنتاج وحدوده

• الدقة العالية ليست دليلاً على العدالة أو الفهم السببي. المفتاح الأساسي لقاعدة البيانات ليس ببساطة أي حقل يبدو مهماً.
• عُد إلى الملاحظة الأصلية. اشرح ما يدعمه النتيجة، وما هي الشروط التي تفترضها، وطريقة واحدة لاختبار تفسير منافس.

تحذير:

المُصنِّف الذي يمتلك دقة 90% يجب أن يعامل كل فئة بنفس القدر من الجيدة. هذا الادعاء خاطئ: الدقة العالية ليست دليلاً على العدالة أو الفهم السببي. المفتاح الأساسي لقاعدة البيانات ليس ببساطة أي حقل يبدو مهماً.

المفتاح:

نماذج البيانات وتعلم الآلة المسؤول: المفتاح الأساسي يحدد سجلاً فريداً؛ والمفتاح الأجنبي يربط السجلات. في التنبؤ، قد يكشف تسريب المعلومات عن بيانات غير متاحة وقت اتخاذ القرار الحقيقي. قد تخفي الدقة وحدها توزيع الهدف غير المتوازن.

تتبع قابل للتشغيل وحدود

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

المخرجات المتوقعة:

0.89 0.8
UNDEFINED

الدقة تقسم التنبؤات الصحيحة على جميع الحالات؛ استرجاع الإيجابي يقسم الإيجابيات الحقيقية على الإيجابيات الفعلية. بدون حالات إيجابية، يكون الاسترجاع غير معرف بدلاً من الصفر. مجموعة البيانات خيالية، ولا تحتوي على نموذج مدرب أو بيانات شخصية.