اتخاذ القرار القائم على القواعد - الذكاء الاصطناعي - ثالث ثانوي

الدرس الثالث اتخاذ القرار القائم على القواعد رابط الدرس الرقمي www.ien.edu.sa کز الأنظمة القائمة على القواعد Rule-Based Systems أنظمة الذكاء الاصطناعي القائمة على القواعد على استخدام مجموعة من القواعد المحدَّدة مُسبقًا لاتخاذ القرارات وحل المشكلات. الأنظمة الخبيرة (Expert Systems هي المثال الأكثر شهرة للذكاء الاصطناعي القائم على القواعد، وهي إحدى صور الذكاء الاصطناعي الأولى التي طُوِّرت وانتشرت في فترة الثمانينيات والتسعينيات من القرن الماضي. وغالبًا ما كانت تُستخدم لأتمتة المهام التي تتطلب عادةً خبرات بشرية مثل: تشخيص الحالات الطبية أو تحديد المشكلات التقنية وإصلاحها. واليوم لم تعد الأنظمة القائمة على القواعد التقنية هي الأحدث، حيث تفوّقت عليها منهجيات الذكاء الاصطناعي الحديثة. ومع ذلك، لا تزال الأنظمة الخبيرة شائعة الاستخدام في العديد من المجالات نظرًا لقدرتها على الجمع بين الأداء المعقول وعملية اتخاذ القرار البديهية والقابلة للتفسير. قاعدة المعرفة Knowledge Base أحد المكونات الرئيسة لأنظمة الذكاء الاصطناعي القائمة على القواعد هي قاعدة المعرفة، وهي مجموعة من الحقائق والقواعد التي يستخدمها النظام لاتخاذ القرارات تُدخل هذه الحقائق والقواعد في النظام بواسطة الخبراء الأنظمة الخبيرة :(Expert Systems) النظام الخبير هو أحد أنواع الذكاء الاصطناعي الذي يُحاكي قدرة البشريين المسؤولين عن تحديد المعلومات الأكثر أهمية وتحديد القواعد التي اتخاذ القرار لدى الخبير البشري. يتَّبعها النظام. لاتخاذ القرار أو حل المشكلة، يبدأ النظام الخبير بالتحقق من الحقائق والقواعد في قاعدة البيانات وتطبيقها على الموقف الحالي. إن لم يتمكن النظام من العثور على تطابق بين الحقائق والقواعد في قاعدة المعرفة يَستخدم النظام قاعدة المعرفة المكونة من قواعد وحقائق ومحركات الاستدلال لتقديم المشورة أو حل فقد يطلب من المستخدم معلومات إضافية أو إحالة المشكلة إلى خبير بشري المشكلات في مجال معرفي مُحدَّد. لمزيد من المساعدة، وإليك بعض مزايا وعيوب الأنظمة القائمة على القواعد موضحة في الجدول 2.5 جدول 2.5: المزايا والعيوب الرئيسة للأنظمة القائمة على القواعد المزايا العيوب . يمكنها اتخاذ القرارات وحل المشكلات بسرعة • تعمل هذه الأنظمة بكفاءة طالما كانت مدخلات المعرفة وبدقة أفضل من البشر ، خاصةً عندما يتعلق الأمر والقواعد جيدة، وقد لا تستطيع التعامل مع المواقف التي بالمهام التي تتطلب قدرًا كبيرًا من المعرفة أو تقع خارج نطاق خبراتها. البيانات. لا يُمكنها التعلَّم أو التكيُّف بالطريقة نفسها مثل البشر • تعمل هذه الأنظمة باستمرار، دون تحيز أو أخطاء وهذا يجعلها أقل قابلية للتطبيق على الأحداث المتغيّرة قد تؤثر في بعض الأحيان على اتخاذ القرار حيث تتغير مدخلات البيانات والمنطق كثيرًا بمرور الوقت. البشري. 89 وزارة التعليم Ministry of Education 2024-1446

في هذا الدرس ستتعلّم المزيد حول الأنظمة القائمة على القواعد في سياق أحد تطبيقاتها نظام ذكاء اصطناعي قائم على القواعد الرئيسة ، وهو التشخيص الطبي. سيعرض النظام تشخيصًا طبيا وفقًا للأعراض التي تظهر على المريض، كما هو موضح في الشكل .2.8. بدءًا بنظام تشخيص بسيط مُستند إلى القواعد ، وستكتشف بعض الأنظمة الأكثر ذكاءً وكيف يُحقق كل تكرار نتائج أفضل. و الإصدار 1 Я في الإصدار الأول ستبني نظامًا بسيطًا قائمًا على القواعد يمكنه تشخيص ثلاثة أمراض محتملة Kidneystones ( حصى الكلى ) ، و Appendicitis ) التهاب الزائدة الدودية)، وFood poisoning (التسمم الغذائي). ستكون المدخلات إلى النظام هي قاعدة معرفة بسيطة تربط كل مرض بقائمة من الأعراض المحتملة. يتوفّر ذلك في ملف بتنسيق JSON ( جيسون) يُمكنك تحميله وعرضه كما هو موضح بالأسفل. قاعدة المعرفة مرض 1 أعراض d مرض 2 أعراض h a b C e f g مرض 3 أعراض | i j k مريض 2 أعراض مريض 1 أعراض f g e k b d a j مرض مرض مرض 2 1 التشخيصات شكل :2.8 التشخيص الطبي بواسطة نظام الذكاء الاصطناعي القائم على القواعد وزارة التعليم Ministry of Education 2024-1446 import json # a library used to save and load JSON files # the file with the symptom mapping symptom_mapping_file='symptom_mapping_v1.json' # open the mapping JSON file and load it into a dictionary with open(symptom_mapping_file) as f: mapping=json.load(f) # print the JSON file print(json.dumps (mapping, indent-2)) { "diseases":{ "food poisoning": [ ], "vomiting", "abdominal pain", "diarrhea", "fever" "kidney stones": [ ], "lower back pain", "vomiting", "fever" "appendicitis": [ "abdominal pain", "vomiting", "fever" ] } سلم } 90

91 وزارة التعليم Ministry of Education 2024-1446 سيتّبع الإصدار الأول القائم على القواعد قاعدة بسيطة ألا وهي: إذا كان لدى المريض على الأقل ثلاثًا من جميع الأعراض المحتملة للمرض، فيجب إضافة المرض كتشخيص مُحتمل. يمكنك العثور أدناه على دالة Python (البايثون) التي تستخدم هذه القاعدة لإجراء التشخيص، بالاستناد إلى قاعدة المعرفة المذكورة أعلاه وأعراض المرض الظاهرة على المريض. def diagnose_v1(patient_symptoms: list): diagnosis=[] # the list of possible diseases if "vomiting" in patient_symptoms: if "abdominal pain" in patient_symptoms: if "diarrhea" in patient_symptoms: #1: vomiting, 2:abdominal pain, 3:diarrhea diagnosis.append('food poisoning') elif 'fever' in patient_symptoms: #1:vomiting, 2:abdominal pain, 3:fever diagnosis.append('food poisoning') diagnosis.append('appendicitis') elif "lower back pain" in patient_symptoms and 'fever' in patient_symptoms: #1:vomiting, 2:lower back pain, 3:fever diagnosis.append('kidney stones') elif "abdominal pain" in patient_symptoms and\ "diarrhea" in patient_symptoms and\ "fever" in patient_symptoms:\ #1:abdominal pain, 2:diarrhea, 3:fever diagnosis.append('food poisoning') return diagnosis في هذه الحالة، تكون قاعدة المعرفة محددةً بتعليمات برمجية ثابتة (Hard-Coded) داخل الدالة في شكل عبارات IF. تستخدم هذه العبارات الأعراض الشائعة بين الأمراض الثلاثة للتوصل تدريجيًا إلى التشخيص في أسرع وقت ممكن. على سبيل المثال، عرض Vomiting ( القيء ) مشترك بين جميع الأمراض. لذلك، إذا كانت عبارة IF الأولى صحيحة فقد تم بالفعل حساب أحد الأعراض الثلاثة المطلوبة لجميع الأمراض. بعد ذلك، ستبدأ في البحث عن Abdominal pain ( ألم البطن) المرتبط بمرضين وتستمر بالطريقة نفسها حتى يتم النظر في جميع مجموعات الأعراض الممكنة.

وزارة التعليم Ministry of Education 2024-1446 يمكنك بعد ذلك اختبار هذه الدالة على ثلاثة مرضى مختلفين # Patient 1 my_symptoms=['abdominal pain', 'fever', 'vomiting'] diagnosis=diagnose_v1(my_symptoms) print('Most likely diagnosis:',diagnosis) # Patient 2 my_symptoms=['vomiting', 'lower back pain', 'fever' ] diagnosis-diagnose_v1(my_symptoms) print('Most likely diagnosis:',diagnosis) # Patient 3 my_symptoms=['fever', 'cough', 'vomiting'] diagnosis=diagnose_v1(my_symptoms) print('Most likely diagnosis:',diagnosis) Most likely diagnosis: ['food poisoning', 'appendicitis'] Most likely diagnosis: ['kidney stones'] Most likely diagnosis: [] المريض 3 الأعراض: Fever (الحمى) . Cough (السعال) . Vomiting (القيء) المريض 2 الأعراض: Vomiting (القيء) Lower back pain المريض 1 الأعراض: Abdominal pain ( ألم في البطن) Fever (الحمى) Vomiting (القيء) ( ألم بأسفل الظهر) Fever (الحمى) التشخيص الطبي باستخدام نظام الذكاء الاصطناعي القائم على القواعد | symptom_mapping_v1.json Kidney stones (حصى الكلى) Food poisoning or Appendicitis (التسمم الغذائي أو التهاب الزائدة الدودية) شكل 2.9 تمثيل الإصدار الأول يتضمن التشخيص الطبي للمريض الأول التسمم الغذائي والتهاب الزائدة الدودية؛ لأن الأعراض الثلاثة التي تظهر على المريض ترتبط بكلا المرضين. يُشخص المريض الثاني بحصى الكلى، فهو المرض الوحيد الذي تجتمع فيـه الأعراض الثلاثة. في النهاية، لا يُمكن تشخيص الحالة الطبية للمريض الثالث؛ لأن الأعراض الثلاثة التي ظهرت على المريض لا تجتمع في أي من الأمراض الثلاثة. يتميز الإصدار الأول القائم على القواعد بالبديهية والقابلية للتفسير، كما يتضمن استخدام قاعدة المعرفة والقواعد في التشخيص الطبي دون تحيز أو انحراف عن الخط المعياري. ومع ذلك، يشوب هذا الإصدار العديد من العيوب: أولًا، أن قاعدة ثلاثة أعراض على الأقل هي تمثيل مُبسط للغاية لكيفية التشخيص الطبي على يد الخبير البشري. ثانيًا ، أن قاعدة المعرفة داخل الدالة تكون محددةً بتعليمات برمجيةٍ ثابتة، وعلى الرغم من أنه يسهل إنشاء عبارات شَرطيَّة بسيطة لقواعد المعرفة الصغيرة، إلا أن المهمة تصبح أكثر تعقيدًا وتستغرق وقتًا طويلًا عند تشخيص الحالات التي تعاني من العديد من الأمراض والأعراض المرضية. 92

الإصدار 2 في الإصدار الثاني، ستُعزّز مرونة وقابلية تطبيق النظام القائم على القواعد بتمكينه من قراءة قاعدة المعرفة المتغيرة مباشرةً من ملف JSON ( جسون ) . سيؤدي هذا إلى الحد من عملية الهندسة اليدوية لعبارات IF الشرطية حسب الأعراض ضمن الدالة. وهذا يُعدُّ تحسنًا كبيرًا يجعل النظام قابلا للتطبيق على قواعد المعرفة الأكبر حجمًا مع تزايد عدد الأمراض والأعراض. وفي الأسفل، مثال يوضّح قاعدة المعرفة. symptom_mapping_file='symptom_mapping_v2.json' with open(symptom_mapping_file) as f: mapping=json.load(f) print(json.dumps(mapping, indent=2)) { "diseases" : { "covid19": [ ], "fever", "headache", "tiredness", "sore throat", "cough" 'common cold": [ ], "stuffy nose", "runny nose", "sneezing", "sore throat", "cough" "flu": [ "fever", ], "headache", "tiredness", "stuffy nose", "sneezing", "sore throat", "cough", "runny nose" "allergies": [ ] } } "headache", "tiredness", "stuffy nose", "sneezing", "cough", "runny nose" یک قاعدة المعرفة الجديدة هذه أكبر قليلًا من سابقتها. ومع ذلك، يتضح أن محاولة إنشاء عبارات IF الشرطية في هذه الحالة ستكون أصعب بكثير. على سبيل المثال، تضمنت قاعدة المعرفة السابقة ربط أحد الأمراض بأربعة أعراض، ومرضين بثلاثة أعراض. وعند تطبيق قاعدة ثلاثة أعراض على الأقل المطبّقة في الإصدار الأول، تحصل على 6 مجموعات ثلاثية من الأعراض المحتملة التي تؤخذ في الاعتبار. في قاعدة المعرفة الجديدة بالأعلى، تكون للأمراض الأربعة 5 و 5 و 8 و 6 أعراض على التوالي وبهذا، تحصل على 96 مجموعة ثلاثية من الأعراض المحتملة. وفي حال التعامل مع مئات أو حتى آلاف الأمراض، ستجد أنّه من المستحيل إنشاء نظام مثل الموجود في الإصدار الأول. وكذلك ، لا يوجد سبب طبي وجيه لقِصَر التشخيص الطبي على مجموعات ثلاثية من if else الإصدار 1 الإصدار 2 for الأعراض. ولذلك، ستجعل منطق التشخيص Diagnosis (Logic) أكثر تنوعا بحساب شكل 2.10: الإصدار الثاني لا الأعراض المطابقة لكل مرض، والسماح للمُستخدم بتحديد عدد الأعراض المطابقة يحتوي على عبارات IF الشرطية عدد التي يجب توافرها في المرض لتضمينه في التشخيص. المحددة بتعليمات برمجية ثابتة 93 وزارة التعليم Ministry of Education 2024-1446

وزارة التعليم Ministry of Education 2024-1446 def diagnose_v2(patient_symptoms:list, symptom_mapping_file:str, matching_symptoms_lower_bound:int): diagnosis=[] with open(symptom_mapping_file) as f: mapping=json.load(f) # access the disease information disease_info-mapping[ 'diseases'] # for every disease for disease in disease_info: counter=0 disease_symptoms=disease_info[disease] # for each patient symptom for symptom in patient_symptoms: # if this symptom is included in the known symptoms for the disease if symptom in disease_symptoms: counter+= 1 if counter>=matching_symptoms_lower_bound: diagnosis.append(disease) return diagnosis لك لا يحتوي هذا الإصدار على عبارات IF الشرطية المحددة بتعليمات برمجية ثابتة. بعد تحميل مُخطَّط الأعراض من ملف JSON ( جسون) ، يبدأ الإصدار في أخذ كلّ مرض محتمل في الاعتبار باستخدام حلقة التكرار الأولى FOR. تتحقق الحلقة من كل عَرِّض على حدة بمقارنته بالأعراض المعروفة للمرض وزيادة العداد (Counter) في كل مرة يجد فيها النظام تطابقًا. 94

# Patient 1 my_symptoms=["stuffy nose", "runny nose", "sneezing", "sore throat"] diagnosis-diagnose_v2(my_symptoms, 'symptom_mapping_v2.json', 3) print('Most likely diagnosis:',diagnosis) # Patient 2 my_symptoms=["stuffy nose", "runny nose", "sneezing", "sore throat"] diagnosis-diagnose_v2(my_symptoms, 'symptom_mapping_v2.json', 4) print('Most likely diagnosis:',diagnosis) # Patient 3 my_symptoms=['fever', 'cough', 'vomiting'] diagnosis-diagnose_v2(my_symptoms, 'symptom_mapping_v2.json' , print('Most likely diagnosis:',diagnosis) Most likely diagnosis: [ 'common cold', 'flu', 'allergies ' ] Most likely diagnosis: ['common cold'] Most likely diagnosis: [] 3) المريض 1 الأعراض: Stuffy nose ( انسداد الأنف) Runny nose (رشح الأنف) Sneezing (العطاس) Sore throat ( التهاب الحلق ) المريض 2 الأعراض: Stuffy nose ( انسداد الأنف) Runny nose (رشح الأنف) . Sneezing (العطاس) Sore throat ( التهاب الحلق ) المريض 3 الأعراض: Fever (الحمى) Cough (السعال) . Vomiting (القيء ) ? symptom_mapping_v2.json Common cold نزلات البرد json Common cold or Flu or Allergies نزلات البرد أو الإنفلونزا أو الحساسية ) شكل 2.11: تمثيل الإصدار الثاني لاحظ أن الإصدار الثاني هو نسخة مُعمَّمة من الإصدار الأول. ومع ذلك، يُعدُّ هذا الإصدار أكثر قابلية للتطبيق على نطاق واسع، ويمكن استخدامه كما هو مع أي قاعدة معرفة أخرى بالتنسيق نفسه، حتى لو كانت تشمل الآلاف من الأمراض مع عدد ضخم من الأعراض. كما يسمح للمُستخدم بزيادة أو تقليل عدد القيود على التشخيص بضبط المتغير matching_symptoms_lower_bound. يمكن ملاحظة ذلك في حالة المريض 1 والمريض 2: فعلى الرغم من أنهما يعانيان من الأعراض نفسها ، إلا أنه عند ضبط هذا المتغيّر ، ستحصل على تشخيص مختلف تمامًا. على الرغم من هذه التحسينات، إلا إن بعض العيوب لا تزال موجودة في هذا الإصدار، ولا يُعدُّ تمثيلا دقيقًا للتشخيص الطبي الحقيقي. 95 وزارة التعليم Ministry of Education 2024-1446

وزارة التعليم Ministry of Education 2024-1446 الإصدار 3 في الإصدار الثالث، ستزيد من ذكاء النظام القائم على القواعد بمنحه إمكانية الوصول إلى نوع مُفصَّل من قاعدة المعرفة. هذا النوع الجديد يأخذ بعين الاعتبار الحقيقة الطبية التي تقول: إنّ بعض الأعراض تكون أكثر شيوعًا من أخرى للمرض نفسه. sů! :Jäilläyhä symptom_mapping_file='symptom_mapping_v3.json' with open(symptom_mapping_file) as f: mapping-json.load(f) print(json.dumps (mapping, indent-2)) { "diseases" : { "covid19": { "very common": [ ], "fever", "tiredness", "cough" "less common": [ "headache", "sore throat" ] }, "common cold": { "very common": [ ], "stuffy nose", "runny nose", "sneezing", "sore throat" "less common": [ "cough" "fever", "headache", "tiredness" "sore throat", "cough" ], "less common": [ "stuffy nose", "sneezing", "runny nose" ] }, "allergies": { "very common": [ ], "stuffy nose", "sneezing", "runny nose" "less common": [ "headache", "tiredness", "cough" ] }, ] } "flu": { } "very common": [ } 96

97 وزارة التعليم Ministry of Education 2024-1446 e لن يُنظر إلى المنطق الذي يقتصر على عدد الأعراض، وسيُستبدل بدالة تسجيل النقاط التي تعطي أوزانًا مُخصَّصة للأعراض الأكثر والأقل شيوعًا. ستتوفر للمُستخدم كذلك المرونة لتحديد الأوزان التي يراها مناسبة. سيتم تضمين المرض أو الأمراض ذات المجموع الموزون الأعلى في التشخيص. from collections import defaultdict def diagnose_v3(patient_symptoms: list, ): symptom_mapping_file:str, very_common_weight: float-1, less_common_weight: float=0.5 with open(symptom_mapping_file) as f: mapping-json.load(f) disease_info=mapping['diseases'] # holds a symptom-based score for each potential disease disease_scores=defaultdict(int) for disease in disease_info: # get the very common symptoms of the disease very_common_symptoms-disease_info [disease] ['very common'] # get the less common symptoms for this disease less_common_symptoms-disease_info [disease] ['less common'] for symptom in patient_symptoms: if symptom in very_common_symptoms: disease_scores [disease] += very_common_weight elif symptom in less_common_symptoms: disease_scores [disease] +=less_common_weight #find the max score all candidate diseases max_score=max(disease_scores.values()) if max_score==0: else: return [ ] # get all diseases that have the max score diagnosis [disease for disease in disease_scores if disease_scores [disease]==max_score] return diagnosis, max_score

لكل مرض محتمل في قاعدة المعرفة، تُحدِّد هذه الدالة الجديدة الأعراض الأكثر والأقل ظهورا على المريض، ثم تزيد من درجة المرض وفقًا للأوزان المقابلة، وفي الأخير تُدرج الأمراض ذات الدرجة الأعلى في التشخيص. يُمكنك الآن اختبار تنفيذ الدالة مع بعض الأمثلة: # Patient 1 my_symptoms=["headache", "tiredness", "cough"] diagnosis-diagnose_v3(my_symptoms, 'symptom_mapping_v3.json' ) print('Most likely diagnosis:',diagnosis) # Patient 2 my_symptoms=["stuffy nose", "runny nose", "Sneezing", "Sore throat"] diagnosis-diagnose_v3(my_symptoms, 'symptom_mapping_v3.json' ) print('Most likely diagnosis: ',diagnosis) # Patient 3 my_symptoms=["stuffy nose", "runny nose", "sneezing", "sore throat"] diagnosis=diagnose_v3(my_symptoms, 'symptom_mapping_v3.json', 1, print('Most likely diagnosis:',diagnosis) Most likely diagnosis: (['flu'], 3) Most likely diagnosis: (['common cold'], 4) Most likely diagnosis: (['common cold', 'flu'], 4) 1) المريض 1 المريض 2 الأعراض: الأعراض: Headache (الصداع) Tiredness (الإعياء) . Cough (السعال) Stuffy nose (انسداد الأنف) Runny nose (رشح الأنف) Sneezing (العطاس) Sore throat ( التهاب الحلق ) المريض 3 الأعراض: Stuffy nose (انسداد الأنف) Runny nose (رشح الأنف) Sneezing (العطاس) Sore throat ( التهاب الحلق) symptom_mapping_v2.json json Flu (الإنفلونزا) Common cold نزلات البرد شكل 2.12: تمثيل الإصدار الثالث Common cold or Flu نزلات البرد أو الإنفلونزا ) قد تلاحظ أنه على الرغم من أن الأعراض الثلاثة على المريض : adache الصداع) ، وTiredness الإعياء ) ، و Cough (السعال) تظهر عند الإصابة بكل من Flu (الإنفلونزا ) ، وCovid19 (كوفيد - 19). والحساسية، إلّا أنّ الظاهر في نتائج التشخيص هي الإنفلونزا فقط. هذا لأن جميع الأعراض الثلاثة شائعة جدا في قاعدة المعرفة، مما يؤدي إلى درجة قصوى قدرها .. وبالمثل، في ظل معاناة المريض الثاني والثالث من الأعراض نفسها، تؤدي مدخلات الأوزان المختلفة للأعراض الأكثر والأقل شيوعًا إلى تشخيصات مختلفة. وعلى وجه التحديد، يَنتج عن استخدام وزن متساوٍ لنوعين من الأعراض إضافة الإنفلونزا إلى التشخيص. وزارة التعليم Ministry of Education 2024-1446 98

99 وزارة التعليم Ministry of Education 2024-1446 الإصدار 4 يمكن تحسين النظام القائم على القواعد بزيادة كفاءة قاعدة المعرفة وتجربة دوال تسجيل النقاط (Scoring Functions) المختلفة. وعلى الرغم من أن ذلك سيؤدي إلى تحسين النظام، إلا أنه سيتطلب الكثير من الوقت والجهد اليدوي. ولحسن الحظ، هناك طريقة آلية لبناء نظام مبني على القواعد يكون ذكيًا بما يكفي لتصميم قاعدة معرفة ودالة تسجيل نقاط خاصة به باستخدام تعلم الآلة. يُطبّق تعلم الآلة القائم على القواعد (Rule-Based Machine Learning) خوارزمية تعلم لتحديد القواعد المفيدة تلقائيًا ، بدلًا من الحاجة إلى الإنسان لتطبيق المعرفة والخبرات السابقة في المجال لبناء القواعد وتنظيمها يدويًا. فبدلا من قاعدة المعرفة ودالة تسجيل النقاط المصممتان يدويًا ، تَتوقَّع خوارزمية تعلُّم الآلة مُدخَلًا واحدًا فقط وهو مجموعة البيانات التاريخية للحالات المرضيَّة. فالتعلُّم من البيانات مباشرةً يحول دون حدوث المشكلات المرتبطة باكتساب المعرفة الأساسية والتحقق منها. تتكون كل حالة من بيانات أعراض المريض والتشخيص الطبي الذي يمكن أن يقدمه أي خبير بشري مثل الطبيب. وباستخدام مجموعة بيانات التدريب، تتعلّم الخوارزمية تلقائيا كيف تتنبأ بالتشخيص المحتمل لحالة مريض جديد. import pandas as pd #import pandas to load and process spreadsheet-type data medical_dataset = pd.read_csv('medical_data.csv') # load a medical dataset. medical_dataset fever cough tiredness headache stuffy nose runny nose sneezing sore throat diagnosis 0 1 1 1 0 0 0 0 0 covid19 1 0 1 1 1 0 0 0 0 covid19 2 1 1 1 0 0 0 0 0 covid19 3 1 1 1 0 0 0 0 0 covid19 4 1 1 1 0 0 0 0 covid19 ... 1995 0 1 0 0 1 1996 0 0 0 1 1 1997 0 0 1 0 1 O010 1 1 common cold 1 0 common cold 0 1 common cold 1998 0 0 0 0 1 0 0 1 common cold 1999 0 1 0 0 0 0 1 1 common cold في المثال أعلاه، تحتوي مجموعة البيانات على 2,000 حالة مرضية، بحيث تتكون كل حالة من 8 أعراض محتملة: Fever (الحمى ، و Cough (السعال)، وTiredness (الإعياء)، Headache (الصداع)، وStuffy nose انسداد الأنف ) ، و Runny nose ( رشح الأنف ) ، و Sneezing العطاس ، و Sore throat التهاب الحلق. ترمز كل واحدة من هذه الأعراض في عمود ثنائي منفصل. العدد الثنائي 1 يشير إلى أن المريض يعاني من الأعراض، بينما العدد الثنائي 0 يشير إلى أن المريض لا يُعاني من الأعراض.

وزارة التعليم Ministry of Education 2024-1446 يحتوي العمود الأخير على تشخيص الخبير البشري، وهناك أربعة تشخيصات محتملة: Covid19 كوفيد - 19 ، و Flu ( الإنفلونزا ) ، و Allergies (الحساسية ) ، و Common cold نزلات البرد. يمكنك التحقق من ذلك بسهولة باستخدام المقطع البرمجي التالي بلغة البايثون set(medical_dataset['diagnosis']) على الرغم من أن هناك العشرات من خوارزميات تعلُّم الآلة المحتملة التي يمكن استخدامها مع مجموعة البيانات هذه، إلا أنك ستستخدم تلك التي تتبع المنهجية المستندة على منطق شجرة القرار (Decision Tree) ، كما ستستخدم Decision Tree Classifier (مصنّف شجرة القرار) من مكتبة البايثون سكليرن (Sklearn على وجه التحديد. from sklearn.tree import Decision Tree Classifier def diagnose_v4(train_dataset: pd.DataFrame): # create a Decision Tree Classifier model=DecisionTreeClassifier(random_state=1) # drop the diagnosis column to get only the symptoms train_patient_symptoms=train_dataset.drop(columns=['diagnosis']) #get the diagnosis column, to be used as the classification target train_diagnoses=train_dataset['diagnosis'] # build a decision tree model.fit(train_patient_symptoms, train_diagnoses) # return the trained model return model يُعد تطبيق البايثون في الإصدار الرابع أقصر وأبسط بكثير من التطبيقات السابقة، فهو ببساطة يقرأ الملف التدريبي، ويستخدمه لبناء نموذج شجرة القرار استنادًا إلى العلاقات بين الأعراض والتشخيصات، ومن ثُمَّ ينتج نموذجًا مخصَّصًا. لاختبار هذا الإصدار بشكل صحيح، ابدأ بتقسيم مجموعة البيانات إلى مجموعتين منفصلتين، واحدة للتدريب، وأخرى للاختبار. from sklearn.model_selection import train_test_split # use the function to split the data, get 30% for testing and 70% for training. train_data, test_data = train_test_split(medical_dataset, test_size=0.3, random_state=1) #print the shapes (rows x columns) of the two datasets print(train_data.shape) print(test_data.shape) (1400, 9) (600, 9) 100

101 وزارة التعليم Ministry of Education 2024-1446 لديك الآن 1,400 نقطة بيانات ستُستخدم لتدريب النموذج و600 نقطة ستستخدم لاختباره. ابدأ بتدريب نموذج شجرة القرار وتمثيله: from sklearn.tree import plot_tree import matplotlib.pyplot as plt my_tree-diagnose_v4(train_data) # train a model print(my_tree.classes_) # print the possible target labels (diagnoses) plt.figure(figsize=(12,6)) # size of the visualization, in inches # plot the tree plot_tree(my_tree, ) max_depth=2, fontsize=10, feature_names-medical_dataset.columns[:-1] ['allergies' I common cold' 'covid19' 'flu'] gini samples sore throat <= 0.5 = 0.606 = 791 value = [354, 340, 71, 26] fever <0.5 gini = 0.75 samples = 1400 [354, 345, 358, 343] value = sore throat <= 0.5 gini = 0.507 samples = 609 value=[0, 5, 287, 317] runny nose <= 0.5 gini = 0.497 samples = 526 = value [354, 101, 58, 13] tiredness <= 0.5 gini = 0.182 samples = 265 value = [0, 239, 13, 13] sneezing <= 0.5 gini = 0.387 = samples 317 value = [0, 2, 235, 80] headache <= 0.5 gini = 0.309 samples = 292 value=[0, 3, 52, 237] (...) (...) (...) (...) (...) (...) (...) (...) شكل 2.13: نموذج شجرة القرار المجموعة بيانات medical_data البيانات الطبية) بعمق مستويين

تُستخدم دالة ( )plot_tree لرسم وعرض شجرة القرار. ولعدم توفر مساحة كافية للعرض سيتم تمثيل المستويين الأولين فقط، بالإضافة إلى الجذر. يمكن ضبط هذا الرقم بسهولة باستخدام المتغير max_depth. # plot the tree plot_tree(my_tree, max_depth=2, fontsize=10 fever <= 0.5 gini = 0.75 samples = 1400 value [354, 345, 358, 343] = ، عمق شجرة القرار. كل عقدة في الشجرة تُمثَّل مجموعة فرعية من المرضى، فعلى سبيل المثال، تُمثْل عُقدة الجذر إجمالي عدد 1,400 مريض في مجموعة بيانات التدريب. من بينهم، 354 ، و 345 ، و 358 و 343 شُخصوا بـ Allergies (الحساسية. و Common cold نزلات البرد ، و Covid19 (كوفيد - (19) ، و Flu (الإنفلونزا، sore throat <= 0.5 gini = 0.606 samples = 791 value = [354,340,71,26] sampies = 1400 value=[354, 345, 358, 343] sore throat <= 0.5 gini = 0.507 samples = 609 value = [0, 5, 287, 317] runny nose <= 0.5 gini 0.497 tiredness <= 0.5 gini = 0.182 = sneezing <= 0.5 gini 0.387 على التوالي. headache <= 0.5 gini = 0.309 بنيت ت الشجرة باستخدام نمط من الأعلى إلى الأسفل عبر التفرع الثنائي (Binary Splitis). يستند التفرُّع الأول إلى ما إذا كان المريض يعاني من الحُمى أم لا. ونظرًا لأن كل خصائص الأعراض ثنائية، يكون التحقق 0.5=> a صحيحًا إذا لم يكن المريض يعاني من الأعراض. أما المرضى الذين لا يعانون من الحُمى (المسار الأيسر) يتفرعون مرة أخرى بناءً على ما إذا كانوا يعانون من التهاب الحلق أم لا. المرضى الذين لا يعانون من التهاب الحلق يتفرعون بناءً على ما إذا كانوا يعانون من رشح الأنف أم لا. في هذه المرحلة، تحتوي العقدة على 526 حالة. تم تشخيص 354، و101، و58 ، و13 من بينهم بالحساسية ، ونزلات البرد، وكوفيد - 19 ، والإنفلونزا، على التوالي. Sampie value [354, 340, 71, 26] runny nose <= 0.5 gini = 0.497 samples = 526 value = [354, 101, 58, 13] = value [0, 5, 287, 317] tiredness <= 0.5 gini = 0.182 samples = 265 value[0, 239, 13, 13] sneezing <= 0.5 0.387 == gini 317 samples value=[0, 2, 235, 80] = headache <= 0.5 | gini = 0.309 samples = 292 value=[0, 3, 52, 237] إلى يستمر التفرع حتى تُحدِّد الخوارزمية الحالات التي انقسمت بالفعل يقيس مؤشر جيني (Gini Index) عُقد نقيَّة تمامًا. العقدة النقيّة بالكامل تحتوي على الحالات الشوائب بالعقدة، وبالتحديد احتمالية التي لها التشخيص نفسه . قيم مؤشر gini (جيني) المحددة على تصنيف محتويات العقدة بصورة خاطئة. كل عقدة، تُمثَّل مؤشرات على مقياس جيني، وهي صيغة شهيرة يشير انخفاض معامل جيني إلى ارتفاع تُستخدم لتقييم درجة نقاء العقدة. درجة تأكد الخوارزمية من التصنيف. وزارة التعليم Ministry of Education 2024-1446 102

103 وزارة التعليم Ministry of Education 2024-1446 ستستخدم الآن شجرة القرار للتنبؤ بالتشخيص الأكثر احتمالا للمرضى في مجموعة الاختبار. تُستخدم مجموعة الاختبار لتقييم أداء النموذج تستند طريقة التقييم الدقيقة على ما إذا كان المقصود من المهمة الانحدار (Regression) أم التصنيف (Classification). في مثل مشكلات التصنيف المعروضة هنا، تُستخدم طرائق التقييم الشهيرة مثل: حساب دقة النموذج ( Model's Accuracy) ومصفوفة الدقة (Confusion Matrix). • الدقة هي نسبة التنبؤات الصحيحة التي يقوم بها المصنِّف. تحقق دقة عالية قريبة من %100 يعني أن معظم التنبؤات التي يقوم بها المصنّف صحيحة. مصفوفة الدقة هي جدول يقارن بين القيم الحقيقية ( الفعلية) وبين التنبؤات التي يقوم بها المصنّف في مجموعة البيانات. يحتوي الجدول على صف واحد لكل قيمة صحيحة وعمود واحد لكل قيمة متوقعة. كل مدخل في المصفوفة عدد الحالات التي لها قيم فعلية ومُتوقعة. يُمثل # functions used to evaluate a classifier from sklearn.metrics import accuracy_score, confusion_matrix # drop the diagnosis column to get only the symptoms test_patient_symptoms=test_data.drop(columns=['diagnosis']) # get the diagnosis column, to be used as the classification target test_diagnoses=test_data['diagnosis'] # guess the most likely diagnoses pred=my_tree.predict(test_patient_symptoms) # print the achieved accuracy score accuracy_score(test_diagnoses,pred) 0.8166666666666667 ستلاحظ أن شجرة القرار تُحقق دقة تصل إلى 81.6، وهذا يعني أنه من بين 600 حالة تم اختبارها ، شَخصت الشجرة 490 منها بشكل صحيح. يُمكنك كذلك طباعة مصفوفة الدقة للنموذج لتستعرض بشكل أفضل الأمثلة المصنّفة بشكل خاطئ. و confusion_matrix(test_diagnoses,pred) array([[143, 3, 0, 0], [ 48, 5, 98, 4], [ 2, 1, 127, 12], [ 1, 3, 31, 122]])

وزارة التعليم Ministry of Education 2024-1446 الحساسية المتوقعة نزلات البرد المتوقعة كوفيد 19 - المتوقع الإنفلونزا المتوقعة 0 0 3 143 4 5 98 48 12 127 1 2 122 31 3 1 الحساسية الفعلية نزلات البرد الفعلية كوفيد-19 الفعلي الإنفلونزا الفعلية شكل 2.14: مصفوفة الدقة للحالات المتوقعة والحالات الفعلية الأرقام الواقعة في الخط القُطري (المظللة باللون الوردي) تُمثَّل الحالات المتوقعة بشكل صحيح، أما الأرقام التي تقع خارج الخط القُطري فتُمثَّل أخطاء النموذج. على سبيل المثال، بالنظر إلى ترتيب التشخيصات الأربعة المحتملة Allergies (الحساسية)، Common cold نزلات البرد، Covid19 (كوفيد (19) ، Flu (الإنفلونزا، توضّح المصفوفة أن النموذج أخطأ في تصنيف 48 حالة من المصابين بنزلات البرد بأنهم مصابون بالحساسية، كما أخطأ في تصنيف 31 حالة من المصابين بالإنفلونزا بأنهم مصابون بكوفيد -19. 6 وعلى الرغم من أن هذا النموذج ليس مثاليا ، فمن المثير للدهشة أنّه قادر على تحقيق مثل هذه الدرجة العالية من الدقة بتعلم مجموعة القواعد الخاصة به، دون الحاجة إلى قاعدة معرفة أنشئت يدويًا . بالإضافة إلى تحقيق مثل هذه الدقة دون محاولة ضبط متغيرات الأداء المتنوعة لـ Decision Tree Classifier (مصنف شجرة القرار . وبالتالي، يُمكن تحسين دقة النموذج لأفضل من ذلك. كما يُمكن تحسين النموذج بتجاوز قيود النموذج القائم على القواعد وتجربة أنواع مختلفة من خوارزميات تعلُّم الآلة. وستتعلّم بعض هذه الطرائق في الوحدة التالية. 104

1 2 تمرينات اذكر بعض مزايا وعيوب الأنظمة القائمة على القواعد. ما مزايا وعيوب الإصدار الأول؟ 3 أضف إلى المقطع البرمجي الخاص بالإصدار الأول لنظام قائم على القواعد مريضًا يُعاني من الأعراض التالية Vomiting (القيء و Abdominal pain) آلام البطن ، و Diarrhea الإسهال، وFever (الحمى)، و Lower back pain ألم بأسفل الظهر)] . ما التشخيص الطبي لحالة المريض ؟ دَوِّن ملاحظاتك بالأسفل. 105 وزارة التعليم Ministry of Education 2024-1446

106 4 في الإصدار الثاني، كم عدد الأمراض الموضحة في تشخيص كل مريض إذا غَيَّرت قيمة المتغير matching_symptoms_lower_bound إلى 2 و 3 و 4 ؟ عَدِّل المقطع البرمجي ثم دون ملاحظاتك. 5 6 في الإصدار الثالث غَيَّر كلا الوزنين إلى 1 للمريضين الأول والثاني تماما مثل المريض الثالث. عَدِّل المقطع البرمجي ثم دون ملاحظاتك. صف بإيجاز كيف يُمكن تحسين كل إصدار بالنسبة للإصدار السابق له الأول) إلى الثاني، والثاني إلى الثالث، والثالث إلى الرابع وزارة التعليم Ministry of Education 2024-1446