نمذجة البيانات التنبؤية - علم البيانات - ثاني ثانوي

144 .4 نمذجة البيانات التنبؤية والتوقع سيتعرف الطالب في هذه الوحدة على مفهوم نمذجة البيانات التنبؤية والتوقع، ويشمل ذلك مفهوم النمذجة التنبؤية، وأنماط النماذج التنبؤية وتطبيقاتها. وسيتعلم الطالب أيضًا مفهوم التوقع، وشرح خطوات الوصول إلى نتائج التوقع وتوضيحها، وسيُركّز على مفهوم تحسين الحلول، وذلك من خلال صياغة المشكلة وإيجاد الحل الأمثل لها من بين الحلول الممكنة باستخدام أداة إكسل سولفر (Excel Solver). وفي الختام سيتعلم الطالب طريقة تقييم النتائج التي يحصل عليها وذلك بهدف الوصول إلى أفضل النتائج والتوصيات المتعلقة بالإجراءات أو العمليات التي قد يتم تنفيذها في المستقبل. أهداف التعلم بنهاية هذه الوحدة سيكون الطالب قادرًا على أن : يُعرف مصطلح النمذجة التنبؤية. يُقدم وصفا واضحا لفئات النمذجة التنبؤية. يُحدِّد خطوات عملية النمذجة التنبؤية. يُعدد ميزات النمذجة التنبؤية وعيوبها. > يعرف مصطلح التوقع. يُحدد الخطوات المتبعة في عمليات التنبؤ. > يُنفذ عملية التوقع في مايكروسوفت إكسل (Microsoft Excel). > يعرف مفهوم نطاق الثقة. يُصنّف المخططات أو الرسومات البيانية المتنوعة للتوقع. يعرف مفهوم نموذج التحسين. يُطبق عملية التَّحسين باستخدام أداة إكسل سولفر. يُقيم نتائج عملية التحسين ويُحدّد التوصيات المستقبلية. وزارة التعليم Ministry of Education 2024-1446

الدرس الأول رابط الدرس الرقمي نمذجة البيانات التنبؤية www.ien.edu.sa تلجأ المؤسسات والشركات لاستخدام النمذجة التنبؤية لتحليل الأحداث المستقبلية المتعلقة بنشاطها التجاري، وذلك بهدف اتخاذ أفضل القرارات. ويمكن استخدام نماذج التنبؤ لفهم ومعرفة شرائح وفئات المستهلكين، ولتقدير المبيعات المحتملة، أو لفهم ومعرفة القضايا الأمنية للحسابات. ما النمذجة التنبؤية ؟ What is Predictive Modeling الله : (Predictive Modeling) تُعدّ التحليلات التنبؤية فرعًا من فروع علم تحليل البيانات المتقدم ، وتستعين هذه التحليلات بالبيانات السابقة، إلى جانب طرائق أخرى كالنمذجة الإحصائية، وتنقيب البيانات، وتعلّم الآلة، وذلك لتقديم التنبؤات النمذجة التنبؤية حول النتائج المستقبلية لقرارات أو عمليات معينة تقوم بها الشركات أو المؤسسات. وتستخدم الشركات والمؤسسات التحليلات التنبؤية للتعرف على أنماط معينة في هذه البيانات يُمكن من خلالها تحديد الفُرص هي أسلوب إحصائي تُستخدم والمخاطر. فعلى سبيل المثال، تجمع خدمة الأرصاد الجوية البيانات بشكل يومي عن المتغيرات المختلفة المتعلقة فيه النتائج والبيانات السابقة بحالة الطقس مثل درجات الحرارة والرطوبة وغيرها، مما يمكنها من التنبؤ بحالة الطقس في الأيام القادمة. للتنبؤ بالأحداث أو النتائج تُستخدم التحليلات التنبؤية على نطاق واسع في مجال الرعاية الصحية وذلك بهدف تحسين طرائق تشخيص وعلاج المرضى المصابين بالأمراض المزمنة، وتستخدم إدارات الموارد البشرية والشركات نماذج التنبؤ في تحسين عمليات اختيار الموظفين وتعيينهم ، وأما البنوك فتستخدمها بشكل واسع للكشف عن عمليات الاحتيال. و دو المستقبلية. مثال عندما أصبح فيروس كورونا (19-COVID) وباءً وأصاب جميع الدول في أنحاء العالم، اعتمد خبراء الصحة في كثير من الدول على علم البيانات لنمذجة السلوك الوبائي للمرض وللتنبؤ بمعدلات العدوى والوفيات. ولقد أسهمت النماذج التي تم تطويرها في تمكين الجهات الصحية والباحثين والعاملين في المجال الطبي من تطوير طرائق لكبح جماح انتشار الجائحة ، والحد من آثارها المحتملة. أجرى باحثون في جامعة الملك سعود في المملكة العربية السعودية - وذلك بالتعاون مع جامعات أخرى - دراسةً تنبؤية حول انتشار فيروس كورونا (19-COVID) في المملكة ، وهدفت تلك الدراسة إلى التوصل إلى فهم عميق للسلوك المتغير للعدوى باستخدام النماذج التنبؤية والمحاكاة، واستعان الباحثون ببيانات وإحصائيات دقيقة صادرة من وزارة الصحة السعودية لدعم نماذجهم بمعلومات عن انتشار الوباء، ولتقديم التوقعات المحتملة حول أعداد الإصابات. لقد ساعد هذا التقدير في اتخاذ القرارات المناسبة من قِبَلِ الحكومة والجهات المسؤولة في المملكة، وذلك من خلال اتخاذ التدابير الفعّالة للمراقبة والوقاية، وتضمنت هذه التدابير فرض القيود على السفر والتنقل وإغلاق المدارس والمساجد، وكان لها تأثير عظيمٌ في تأخير الوصول لذروة تفشي الوباء والحد من معدلات الإصابة وانتشار الوباء في المملكة. لقد أصبح القيام بعمليات النمذجة أمرًا مهما خلال تلك الفترة، ويرجع ذلك بشكل أساس إلى توفر البيانات الحقيقية، التي ساهمت في تقديم نماذج التنبؤ لانتشار المرض من خلال مقارنة الأعداد المتوقعة للإصابات بالعدد الفعلي لها. أصبح عدد الحالات المكتشفة حديثا يتناقص مع دخول الإجراءات المختلفة مثل الإغلاق وقيود السفر حيز التنفيذ، وكان في ذلك دليل واضح على أن تنبؤات الباحثين كانت قريبةً جدًا مما حدث فعلا ، كما يظهر في الشكل 4.1، حيث تُظهر الأعمدة في الشكل المعلومات التراكمية حول الأعداد الحقيقية للإصابة، بينما يُظهر الخط الأحمر توقعات عدد الإصابات، ويعرض المخطط البياني أيضًا التواريخ التي تم فيها فرض القيود المختلفة. 7 May 29 Apr School closures Mosque closures Domestic flight shutdown -Curfew Shops partial reopening Apr Date (2020) 15 Mar 19 Mar 21 Mar 9 Mar 2 Mar 1e4 + 3 Cumulative number of reported cases شكل 4.1 تقييم النموذج التنبؤي مع العدد الفعلي والعدد المتوقع لحالات الإصابة المسجلة يوميًا 145 وزارة التعليم Ministry of Education 2024-1446

146 فئات النمذجة التنبؤية Predictive Modeling Categories Я تتمثل مهمة المتعلم في النمذجة التنبؤية بالوصول إلى الدالة أو العلاقة الوظيفية التي تربط متغيرات الإدخال بالمخرجات (التنبؤات) في بيانات التدريب (Training Data)، وذلك بصرف النظر عن طبيعة تلك الدالة ومعاملاتها. بمجرد الوصول إلى هذه العلاقة الوظيفية، يُمكن استخدامها للتنبؤ بِقِيَم المخرجات بناءً على متغيرات الإدخال المختلفة. وتصنف النماذج التنبؤية إلى فئتين: فئة تحتوي على عدد محدد من المعاملات وتسمى بالنموذج المعاملي Parametric Model)، وفئة لا تحتوي على عدد محدد من المعاملات، ويطلق عليها تسمية النموذج غير المعاملي Non-Parametric Model). 1. النماذج المعاملية Parametric Models تُعدّ الافتراضات جزءًا أساسيًا من أي نموذج من نماذج البيانات، فهي تُحسن التنبؤات وتجعل النموذج أسهل للفهم. يَضعُ النموذج المعاملي افتراضات محددة حول شكل الدالة التي سيتم تعيينها ، ويفترض مجموعة محددة مسبقًا من المعاملات، وذلك بشكل مستقل عن تلك الموجودة في أمثلة التدريب، وهكذا فإن النموذج المعاملي يقوم بتلخيص بيانات التدريب من خلال هذه المجموعة من المعاملات. .2 النماذج غير المعاملية Non-Parametric Models المعامل (Parameter): يمكن وصف المعامل بأنه متغير جوهري وأساسي في تكوين النموذج. يعتمد المتخصصون في عمل تحليلات النماذج التنبؤية على البيانات من المصادر التالية : بيانات العملاء (Customer Data). بيانات عملياتية Transactional Data). إن نماذج تَعلُّم الآلة غير المعاملية ليست معنية بتكوين الافتراضات حول دالة التعيين (Mapping Function)، فيمكن لمثل هذه النماذج مثلا تقدير طبيعة العلاقة الوظيفية من خلال بيانات التدريب. وتُعدّ هذه النماذج خيارًا ممتازا البيانات الطبية (Medical Data). لتحليل الكميات الكبيرة من البيانات دون أي معرفة سابقة عنها. البيانات المالية (Financial Data). المعلومات الديموغرافية Demographic Data). البيانات الجغرافية Geographic Data). بيانات التسويق الرقمي ( Digital Marketing Data). إحصائيات الويب Web Traffic Statistics). الجدول 4.1 مقارنة بين النماذج المعاملية وغير المعاملية المعيار النماذج المعاملية النماذج غير المعاملية بيانات التدريب تتطلب بيانات تدريب أقل من النماذج غير تتطلب بيانات أكثر بكثير من النماذج المعاملية لتقدير المعاملية. أو دالة التعيين. العلاقة سرعة التدريب أسرع إنجازا من الناحية الحسابية، ويُمكن تدريبها تستغرق وقتًا أطول للتدريب، حيث تتضمن تحليل علاقات أكثر بشكل أسرع لوجود معاملات محدودة للتدريب. تعقيدًا يتم تقديرها أثناء عملية التدريب. الملاءمة قد لا تُقدّم هذه النماذج أفضل ملاءمة للبيانات - تُوفّر هذه النماذج تنبؤات أكثر دقة من النماذج المعاملية من حيث ومن المستبعد أن تتطابق تمامًا مع دالة التعيين. ملاءمة البيانات، ولكن الخوارزميات في هذه النماذج تكون أكثر عرضة لمشكلة فرط التخصيص (Overfitting). إجراءاتُها أكثر تعقيدًا وصعوبة سواء من ناحية إمكانية التفسير التعقيد تتميز إجراءاتُها بسهولة فهمها وتفسيرها. أو الفهم. وزارة التعليم Ministry of Education 2024-1446

مهام النمذجة التنبؤية Predictive Modeling Tasks تعد نماذج التصنيف (Classification) والانحدار (Regression) من أهم النماذج وأكثرها استخدامًا في مهام النمذجة التنبؤية. 1. التصنيف Classification يعتمد نموذج التصنيف على عملية تقييم المتغيرات المدخلة ثم تصنيفها ضمن مجموعات لتكوين بيانات المخرجات، وبذلك فإن المتغير الذي سيتم توقعه ستكون له قيم متقطعة Discrete) ، وقد تكون هذه القيم ببساطة مجرد إجابة لسؤال معين بـ "نعم" أو "لا". ويُستخدم نموذج التصنيف في تقييم عمليات التمويل والبيع بالتجزئة، حيث بمقدوره جمع المعلومات بسرعة وتصنيفها في مجموعات لتقديم الإجابات عن الأسئلة المتعلقة بتلك العمليات. 2. الانحدار Regression يعتمد نموذج الانحدار على مبدأ إيجاد علاقات رياضية تربط بين متغيرين، بحيث يُمكن تنبؤ أحدهما من خلال معرفة المتغير الآخر، ويُطلق على المتغير المدخل اسم المتغير المستقل (Independent Variable) ، بينما يُطلق على المتغير المخرج اسم المتغير التابع Dependent Variable)، ويتنبأ هذا النموذج بالقيم المحتملة للمتغيرات التابعة من خلال معالجة قيم المتغيرات المستقلة. يتم تمثيل هذا النموذج بيانيًا في صورة خط مستقيم ( انحدار خطي ) يتقارب مع جميع نقاط البيانات المستقلة. ويمكن لنموذج الانحدار على سبيل المثال التنبؤ بمدة بقاء شخص إبان دخول المستشفى، ويمثل عدد الأيام في المستشفى المتغير التابع، أما معدل النبض لذلك الشخص مثلا فيمثل المتغير المستقل. = شكل 4.2 يوضح الفرق بين التصنيف (الشكل العلوي) والانحدار (الشكل السفلي) ، حيث يمثل التصنيف الخط المنقط وهو الحد الخطي الفاصل بين فئتين مختلفتين، بينما يُمثل الخط المنقط في الانحدار العلاقة الخطية بين متغيرين الجدول 4.2 مقارنة بين التصنيف والانحدار التصنيف الانحدار التصنيف هو التنبؤ بالمخرجات لفئة متقطعة بمعنى أن الانحدار هو التنبؤ بناتج كمي مستمر بمعنى أن المتغير المخرج يجب المتغير المخرج يجب أن يكون عددًا صحيحًا. أن يكون قيمة مستمرة أو عددًا حقيقيًا. تُستخدم خوارزمية التصنيف لتعيين قيمة المدخل تُستخدم خوارزمية الانحدار لتعيين قيمة المدخل (x) مع المتغيـر (x) مع المتغير المخرج ذي القيم المتقطعة (7). المخرج ذي القيم المستمرة (y) 147 وزارة التعليم Ministry of Education 2024-1446

148 من المهام الشائعة الأخرى للنمذجة التنبؤية 3. التوقع Forecasting وهو إجراء وتقديم لتقديرات رقمية معينة بناءً على تحليل البيانات السابقة والتي يطلق عليها البيانات التاريخية. وتستخدم شركات الاستثمار التوقعات للتنبؤ بأسعار الأسهم في التداولات اليومية أو طويلة الأجل، ويُعد نموذج التوقع من أكثر نماذج التنبؤ شيوعًا حيث يتميز بإمكانيات استخدام كثيرة في العديد من المجالات. 4. التجميع Clustering يُصنف نموذج التجميع البيانات إلى مجموعات بناءً على الخصائص المتشابهة بينها، ثم يستخدم بيانات كل مجموعة (Cluster) لتحديد النتائج على نطاق واسع لكل مجموعة. وهناك نوعان من طرائق التجميع يتم استخدامهما في هذا النموذج: التجميع الصلب (Hard Clustering) يعتمد على تصنيف البيانات إلى مجموعات متميزة، حيث يمكن أن تنتمي كل نقطة بيانات إلى مجموعة واحدة فقط، والتجميع الناعم (Soft Clustering) يعتمد على تعيين احتمالات لكل نقطة بيانات، حيث يمكن أن تنتمي نقاط البيانات إلى أكثر من مجموعة واحدة. ويُمكن للشركات استخدام نموذج التجميع لتحديد استراتيجيات التسويق لفئات معينة من المستهلكين. 5 نموذج اكتشاف القيم الشاذة Outlier Detection يطلق مصطلح القيم الشاذة على قيم البيانات غير المتجانسة أو تلك المنفصلة عن بقية البيانات في مجموعة البيانات، ويمكن لنماذج اكتشاف القيم الشاذة فحص وتحديد القيم الغريبة وغير العادية في البيانات، وتقييم مدى ارتباطها بفئات أو أرقام أخرى. 6 السلاسل الزمنية Time Series 100 140 120- 100- 80- 60- 8622 40- 20 0 25 50 spend_score 75 شكل 4.3 مثال على التجميع لأربع مجموعات بناء على قيمتي الدخل ومعدل الإنفاق تستخدم نماذج السلاسل الزمنية قيم البيانات المتوفرة سابقًا ضمن تسلسل زمني محدد كعوامل الإدخال في مجموعة البيانات؛ وذلك من أجل التنبؤ بقيم جديدة أو أحداث مستقبلية، ويمكن لهذه النماذج تقديم التوقعات المستقبلية لاتجاهات أو أحداث فريدة أو متعددة. يمكن لنماذج السلاسل الزمنية أيضًا تحليل تأثير العوامل الخارجية كتلك الموسمية والعارضة (غير المتوقعة) التي قد تحدث على القيم والاتجاهات المستقبلية، على سبيل المثال يمكن لشركة صناعات إلكترونية استخدام نموذج السلاسل الزمنية لتحليل الوقت المطلوب لمعالجة الطلبيات على مدار العام الماضي، وبالتالي يمكن للنموذج التنبؤ بمتوسط وقت المعالجة الشهري تُستخدم طرائق أخرى للنمذجة التنبؤية في المسائل الأكثر تعقيدًا. من طرائق النمذجة التنبؤية : أشجار القرار (Decision Trees). التعزيز الاشتقاقي (Gradient Boosting). النماذج الخطية العامة General Linear Models). الشبكات العصبية Neural Networks). income نماذج بروفيت Prophet Models). وزارة التعليم Ministry of Education 2024-1446

عملية النمذجة التنبؤية The Predictive Modeling Process يمكن تعريف النمذجة التنبؤية ببساطة على أنها عملية تنفيذ خوارزميات على مجموعات من البيانات لإنشاء التنبؤات ، ويتم في هذه العملية إنشاء نموذج وتدريبه، ثم التحقق من صحته وإدخال التحسينات عليه عند الحاجة للحصول على المعلومات المناسبة التي تلبي احتياجات المؤسسة. وتتكون الخطوات الأساسية لإجراء النمذجة التنبؤية بشكل نموذجي من: .1 جمع البيانات وتنظيفها Data Collection and cleaning إن من المهم القيام بجمع البيانات من جميع المصادر المتوفرة بهدف استخراج المعلومات اللازمة لعملية النمذجة، وبعد ذلك تجري عملية تنظيفها من الشوائب والقيم الشاذة للحصول على تقديرات دقيقة. وتُطبَّق هذه الخطوة على البيانات المختلفة مثل عمليات البيع والشراء والاستبانات الخاصة بالعملاء ، والبيانات الإحصائية الخاصة بالاقتصاد والمسح السكاني ، والبيانات التي يتم جمعها بشكل آلي عبر الويب ومن خلال الأجهزة المختلفة وغير ذلك. 2. تحويل البيانات Data Transformation تجري عملية تحويل البيانات بتوحيد بنية البيانات وصياغتها باستخدام عمليات معالجة دقيقة للحصول على البيانات في صورتها النهائية، وتشمل هذه العملية تحديد نطاقات معينة لقيم البيانات وإزالة القيم الغريبة والبيانات الشاذة من خلال تحليل الارتباط .(Correlation Analysis) 3 صياغة النموذج التنبؤي Formulation of the Predictive Model تتضمن عملية صياغة النموذج التنبؤي القيام بتحديد طرائق التنبؤ المناسبة حسب الحاجة ، فيمكن مثلا استخدام شجرة القرار في عملية التصنيف، بينما يجب استخدام نموذج التعزيز الاشتقاقي حين تكون المهمة تتعلق بالانحدار. ويجري أثناء هذه العملية تحديد بيانات التدريب والاختبار في النموذج، حيث يتم تدريب خوارزمية الإجراء المحدد باستخدام بيانات التدريب المتاحة، ثم يتم تطبيق النموذج الناتج على البيانات لاختبارها وتحديد أداء النموذج. .4 الاستنتاجات أو الاستدلالات Inferences or Conclusions في النهاية يتم استخراج الاستدلالات واستخلاص الاستنتاجات من النموذج، والتي تُساعد في الإجابة على أسئلة الأعمال. جمع البيانات وتنظيفها تحويل البيانات شكل 4.4 مخطط عملية النمذجة التنبؤية الاستنتاجات أو الاستدلالات صياغة النموذج التنبؤي 149 وزارة التعليم Ministry of Education 2024-1446

150 مثال عملي على التصنيف Practical Classification Example B يعرض هذا المثال كيفية إنشاء نموذج تنبؤي في إطار علم البيانات. افترض أنك تعمل ضمن فريق مشروع مهمته تفقد هياكل المباني الخرسانية وفحصها بحثًا عن الشقوق الموجودة فيها، ولأن هذه العملية تتميز بالصعوبة والخطورة المصاحبة لها ، وبشكل خاص في المباني المرتفعة، فيمكنك إنشاء نموذج تعلم الآلة Machine Learning Model الذي بمقدوره فحص صور الخرسانة في هياكل المباني، ثم تصنيفها إلى فئة إيجابية في حال وجود الشقوق بها ، وأخرى سلبية إذا خَلت من الشقوق. يمكن بعد ذلك دمج الصور التي يمكن التقاطها بواسطة طائرة مسيرة دون طيار مع النموذج مما يتيح إجراء فحص المباني بطريقة أكثر أمانًا وفاعلية. تتطلب عملية تدريب النموذج وجود البيانات، والتي ستنقسم في هذه الحالة إلى فئتين تتضمن الفئة الأولى صورًا للخرسانة التي تحتوي على الشقوق، بينما تتضمن الأخرى صورًا لخرسانة سليمة خالية من الشقوق. يجب أيضًا تقسيم مجموعة بيانات الصور إلى مجموعتي بيانات منفصلتين: > مجموعة التدريب (Training Dataset) وتتضمن الصور التي ستستخدمها لتدريب نموذج تعلُّم الآلة. > مجموعة الاختبار (Test ataset وتتضمن صورًا جديدة لم تكن ضمن مجموعة بيانات تدريب النموذج ويهدف استخدام هذه الصور إلى اختبار أداء النموذج وتقييمه. يجب أن تحتوي مجموعة التدريب ومجموعة الاختبار على صور لكلتا الفئتين من الهياكل الخرسانية: الفئة الإيجابية ) التي تحتوي على الشقوق) أو من الفئة السلبية ( التي تخلو من الشقوق ) . لتدريب نموذج على تصنيف صور الخرسانة، يمكنك استخدام برنامج آلة قابلة للتعليم Table Machine عبر الإنترنت، وهي متاحة على الموقع الإلكتروني : https://teachablemachine.withgoogle.com ، وستقوم بتحميل الصور من مجلد الصور في حاسوبك لتصنيفها. لإنشاء نموذج وتدريبه : > افتح المتصفح وانتقل إلى الموقع الإلكتروني : https://teachablemachine.withgoogle.com.1 > اضغط على Get Started البدء ) . > اضغط على Image Project مشروع الصورة). اضغط على Standard Image Model نموذج الصورة القياسي. 4 > أعد تسمية 1 Class (الفئة1) إلى (Positive إيجابي ) و 2 Class الفئة (2) إلى Negative ( سلبي). 5 > اضغط على Upload) (تحميل) في الفئة الإيجابية. 6 > اضغط على Choose images from your files, or drag & drop here اختيار الصور من ملفاتك أو اسحبها وأفلتها هنا، لتحديد وتحميل مجموعة الصور التدريبية التي بها شقوق في الخرسانة من المجلد الفرعي إيجابي (Positive في مجلد صور التصنيف Image for classification الموجود داخل المستندات .(Documents) > كرر العملية لتحديد وتحميل مجموعة الصور التدريبية التي لا تحتوي على شقوق في الخرسانة من المجلد الفرعي سلبي (Negative) في مجلد صور التصنيف (Images for classification داخل المستندات (Documents). > اضغط على Train Model تدريب (النموذج. 9 وزارة التعليم Ministry of Education 2024-1446

↓ =1 151 TM Teachable Machine + https://teachable machine.withgoogle.com 1 Teachable Machine Train a computer to recognize your own images, sounds, & poses. A fast, easy way to create machine learning models for your sites, apps, and more - no expertise or coding required. Get Started 2 mlo p5.js Coral node ARDUINO TM Teachable Machine C + https://teachable machine.withgoogle.com/train = Teachable Machine New Project وزارة التعليم Ministry of Education 2024-1446 Open an existing project from Drive. Open an existing project from a file. B Not syncing About FAQ Get Started Snap Clap 27% 65% B Not syncing Image Project Teach based on images, from files or your webcam. Audio Project Teach based on one-second-long sounds, from files or your microphone. Pose Project Teach based on images, from files or your webcam. 3 English release-2-4-4-2.4.4 #95c54c

وزارة التعليم Ministry of Education 2024-1446 ם TM Teachable Machine + https://teachable machine.withgoogle.com/train = Teachable Machine A B { N New Image Project 4 Standard image model Best for most uses 224x224px color images Export to TensorFlow, TFLite, and TF.js Model size: around 5mb Embedded image model Best for microcontrollers 96x96px greyscale images Export to TFLite for Microcontrollers, TFLite, and TF.js Model size: around 500kb See what hardware supports these models. Image Project Teach based on images, from files or your webcam. Teach based on one-second-long sounds, from files or your microphone. Post Project Teach based on images, from files or your webcam. = Teachable Machine Class 1 Add Image Samples: ↑ 5 Webcam 6 Upload Class 2 Add Image Samples: Webcam Upload Training Train Model Advanced Not syncing 152

153 = Teachable Machine Positive File × Add Image Choose images from your files, 7 or drag & drop here Import images from Google Drive →> Images will be cropped to square = Teachable Machine Positive 21 Image Samples Webcam Upload Negative 21 Image Samples Webcam Upload = Teachable Machine Positive Add Image Samples: Webcam Upload Negative Add Image Samples: ↑ Webcam Upload Training 9 Train Model Advanced 2. Train your Model Now that you have two classes, you can train your model here (or add more classes). ΑΑΑΑ Training Preview Add a class ☑ Export M You mun train a model on the left you can preview it here Ava 80 Preview Export Model You must train a model on the left before you can preview it here. English release-2-4-4-2.4.4 #95c54c شكل 4.5 إنشاء نموذج وتدريبه يمكنك اختبار النموذج عند الانتهاء من عملية التدريب من خلال تقديم صورة من بيانات الاختبار، وذلك إما من الفئة الإيجابية ( التي تحتوي على الشقوق) أو من الفئة السلبية ( التي تخلو من الشقوق ) ، ثم يمكنك تقييم المخرجات. وزارة التعليم Ministry of Education 2024-1446

لاختبار وتقييم نموذج : حدد صورة بها شقوق في الخرسانة من المجلد الفرعي اختبار (Test الموجود في مجلد صور التصنيف (Images for classification داخل المستندات (Documents) وقم بتحميلها . > اضغط على Choose images from your files, or drag & drop here اختيار الصور من ملفاتك أو اسحبها وأفلتها هنا ) . 2 Positive 21 Image Samples Webcam Upload Negative 21 Image Samples ث Webcam Upload = Teachable Machine Positive 21 Image Samples Webcam Add a class Upload MNA Negative 21 Image Samples Webcam Upload Add a class ... ... Training Model Trained Advanced Training Model Trained Advanced شكل 4.6 اختبار وتقييم نموذج Preview 不 Export Model Input ON File Choose images from your files, 1 or drag & drop here Output Positi... Negat... Import images from Google Drive Preview Export Model Choose images from your files, or drag & drop here Import images from Google Drive 2 Output Positi... 100% Negat... كما تلاحظ ، فقد صَنَّف النموذج الصورة بشكل صحيح في الفئة الإيجابية مع نسبة يقين %100، وذلك متوقع؛ لأن صورة الخرسانة التي قمت بتحميلها تحتوي على الشقوق. وعليك تكرار الخطوتين الأخيرتين لتحميل صورة مختلفة وتقييم النموذج مرة أخرى. وزارة التعليم Ministry of Education 2024-1446 154

155 ميزات وتحديات النمذجة التنبؤية Benefits and Limitations of Predictive Modeling ميزات النمذجة التنبؤية : تحسين استراتيجات التسويق والمبيعات وخدمة العملاء. تحسين التنافسية المبنية على المعرفة وتوظيف الاستراتيجيات لاكتساب ميزة المنافسة. تعزيز جودة المنتجات والخدمات. التحليل الدقيق لمتطلبات المستهلك. تحديات النمذجة التنبؤية : أمن وخصوصية البيانات. التعامل مع حجم كبير من البيانات. تحديات إدارة البيانات. الحاجة المستمرة لتكييف النماذج مع القضايا والمشاكل المستجدة. IBM Watson Projects Tools Community Catalog Services My Projects SPSS Modeler Lab / Customer Churn / churned CHAID Tree Model Model Information Tree Diagram TARGET CHURNED Display labels on nodes ☐ Display labels on branches Predictor Importance Top Decision Rules Tree Diagram وزارة التعليم Ministry of Education 2024-1446 4IN 1IN 5 dropped ratio <= .096 15 | N HOT N 21 Y 16|N 22 | N 6IN 2IN 7 | N 17 | N OIN 11 18 Y . 12 | N BIN 13 | Y 3|N 19 | N 9 Y 14 | N 20 N 100% توفير التوقعات للعوامل الخارجية التي تؤثر على الإنتاجية أو سير العمل. المساهمة في إدارة المخاطر المالية والاستثمارية. توفير التنبؤ بالموارد أو بالمخزون من المواد المختلفة. التنبؤ بالتوجهات المستقبلية للأعمال. دعم عملية إدارة القوى العاملة وتحليل المشاكل المتعلقة بها. 程 أدوات النمذجة التنبؤية Predictive Modeling tools توجد أدوات النمذجة التنبؤية الحديثة على صورة منصات متكاملة تدعم تطوير الخوارزميات وتحليل البيانات وتقديم النتائج الموثوقة، ويتم استخدام هذه الأدوات من قبل الشركات والمؤسسات البحثية لإخراج استنتاجات دقيقة وشاملة يمكنها المساهمة في اتخاذ القرارات الفعّالة الأدوات المتاحة : منصة H2O للذكاء الاصطناعي ) H2O Driverless). منصة IBM واتسون ستوديو IBM Watson Studio). منصة رابيد ماينر ستوديو RapidMiner Studio). منصة ساب للتحليلات السحابية (SAP Analytics Cloud). منصة ساس (SAS). منصة IBM الحزمة الإحصائية للعلوم الاجتماعية IBM SPSS). شكل :4.7 مخطط تحليل البيانات وتحويلها منصة أوراكل لعلم البيانات (Oracle Data Science).

156 جدول 4.3 تطبيقات النمذجة التنبؤية التطبيق الوصف المبيعات يمكن أن يساهم التحليل التنبؤي في تحديد مكانة الشركة المالية من حيث المبيعات والأرباح فمن خلال الكشف عن الحالات الشاذة والتباين في البيانات المالية السابقة للأقسام المختلفة في الشركة، يمكن للنمذجة تحديد الأقسام ذات الأداء المنخفض مثل قسم المبيعات، وهذا يؤدي إلى تحسين أداء الشركة وإدخال التحسينات على الأقسام أو العمليات بما يتناسب مع استراتيجيات النمو والأداء المتميز التسويق يمكن للشركات استهداف فئات معينة من العملاء بالحملات الترويجية لمنتجات أو خدمات معينة، وذلك من خلال التحليل والتنبؤ استنادًا إلى البيانات السابقة، كما يمكن لها أيضًا توقع استجابات هؤلاء العملاء ومتطلباتهم، وهنا يكمن أحد الأسباب الرئيسة في قيام الشركات بجمع البيانات السابقة. تُعدّ معرفة رغبات العملاء والتنبؤ بالمنتجات والخدمات التي يرغبون في الحصول عليها في المستقبل من أهم استراتيجيات التسويق الحديثة. تُعد وسائل التواصل الاجتماعي مصدرًا أساسيًا للبيانات الضخمة غير المنظمة وغير المتجانسة، وسائل التواصل والتي تتكون من مشاركة ملايين الأشخاص يوميًا في الحديث عن القضايا والمواضيع المختلفة، ويُعد تحليل بياناتها من أكثر التطبيقات استخدامًا للنمذجة التنبؤية، حيث يسمح للمؤسسات والشركات باستكشاف اهتمامات العملاء وبالتالي تطوير خططها المستقبلية وفقًا لذلك. الاجتماعي تقييم المخاطر تُستخدم النمذجة على نطاق واسع في المؤسسات المالية لتقييم المخاطر المتعلقة بتمويل الأفراد والأعمال، حيث تساهم بشكل فعّال في تقييم أهليتهم للتمويل والكشف عن الاحتيال، ويُمكن لأدوات التحليل التنبؤية أيضًا مساعدة المؤسسات في إجراء تقييم لمخاطر الاستثمار وتحديد درجة المخاطرة أو العائد المستقبلي على الاستثمار. تُستخدم النمذجة في عملية تحسين الجودة من خلال الاستعانة بملاحظات العملاء حول منتج تحسين الجودة أو خدمة معينة لتحسين جودتها، وكذلك للتنبؤ بالأثر المتوقع للتغييرات في المنتجات أو الخدمات من حيث زيادة المبيعات أو إقبال الزبائن على شرائها. وزارة التعليم Ministry of Education 2024-1446

تمرينات 1 حدد الجملة الصحيحة والجملة الخاطئة فيما يلي: 1. تستخدم الشركات التحليلات التنبؤية للعثور على أنماط معينة في هذه البيانات تساعد في التعرف على المخاطر والفرص المتاحة التي تتعلق بعمليات تلك الشركات. و 2 يزداد تعقيد النماذج ويصبح من الصعب تفسيرها بشكل ميسر كلما ارتفعت دقة التحليلات المراد الحصول عليها. .3. تُعدّ البيانات ذات الطبيعة المعقدة، كتلك المتعلقة بالسلوك البشري أحد أسباب فشل النموذج. .4. يُعد الحصول على بيانات ذات علاقة بالنموذج التنبؤي من أول المتطلبات لنجاح ذلك النموذج وعمله بشكل فاعل. .5. يُعد تقييم المخاطر المالية من أهم استخدامات التحليل التنبؤي. 6. لا يُمكن لنموذج التنبؤ التعامل مع أكثر من متغير واحد في نفس الوقت. .7 تُستخدم نماذج القيم الشاذة لاكتشاف المعاملات الاحتيالية والحركات المشبوهة. 8. يُمكن لنموذج السلاسل الزمنية تحليل العوامل الخارجية الموسمية أو العارضة التي يمكنها أن تؤثر على الاتجاهات المستقبلية. 9. يُمكن وصف المعامل بأنه متغير جوهري في النموذج. 10 تُستخدم نماذج التنبؤ لتقديم التوقعات المستقبلية لأحداث معينة من خلال استخدام قيم البيانات السابقة المتوفرة، وذلك ضمن تسلسل زمني محدد كعوامل الإدخال في مجموعة البيانات. صحيحة خاطئة 157 وزارة التعليم Ministry of Education 2024-1446

وزارة التعليم Ministry of Education 2024-1446 اشرح بإيجاز مفهوم النمذجة التنبؤية مُستعينا بالبحث على الإنترنت وأعط مثالا عليها. 2 3 اشرح بإيجاز خطوات البدء بإنشاء نموذج تنبؤي. صف بعض التطبيقات العملية للنمذجة التنبؤية في واقعنا اليومي. 4 158

159 وزارة التعليم Ministry of Education 2024-1446 تم تكليفك بإنشاء نموذج تنبؤي لحوادث المرور في المملكة، وبالطبع فإن عليك أولا تحديد البيانات التي تحتاج إليها في هذا النموذج . ابحث في منصة البيانات المفتوحة عبر الويب (https://open.data.gov.sa) عن البيانات المناسبة، ثم حدد نوع هذه البيانات وعدد سنوات البيانات التي ستحتاج إليها. تم تكليفك بإنشاء نموذج تنبؤي لتصنيف مجموعة من الصور لوسائل المواصلات المختلفة، والتي تشمل السيارات والطائرات والسفن. وضّح الخطوات التي ستقوم بها لإنشاء هذا النموذج، بدءًا من عملية جمع البيانات حتى عملية تدريب النموذج ابحث على الإنترنت عن أمثلة حول المخاوف الأخلاقية المتعلقة بالخصوصية، والتي قد تُعزى إلى استخدام النمذجة التنبؤية. على سبيل المثال، هل يحق للشركات من الناحية الأخلاقية تعيين وترقية الموظفين وفقًا لنماذج التنبؤ التي تعتمد على البيانات الصحية لأولئك الموظفين؟ 5 6 7