ليست فكرة من الخيال العلمي بل هي فكرة ممكنة ، وموجودة من عقود حتى ! إطلعي على منشوري هذا :

لم أذكر بايثون على وجه التخصيص في هذا الموضوع لكن أعتقد أنك اطلعت على مدونتي ^_^

إذا كنت تريد لغة برمجة تجمع بين القوة والبساطة وفي نفس الوقت تتميز بمجتمع كريم جداً فبايثون هي الخيار الأول ، وأيضا ما جعلني أميل لبايثون هو كون أشهر حزمتين برمجيتين لتعلم الآلة اليوم هما sklearn (تعلم الآلة كلاسيكي) و tensorflow (الشبكات العصبية الإصطناعية) هما حزمتي بايثون بالأساس .

R أيضا لغة ممتازة في هذا المجال ولكن الأوراق العلمية والبحوث الكبيرة في مجال الذكاء الصنعي تشكل لغة بايثون جزء كبير منها

• عملية التعلم والتطبيق لا تتطلب موارد حاسوبية ضخمة ، يمكنك فعل ذلك على أي حاسوب بسيط ، بل ويمكنك التطبيق أونلاين عبر google colab :

  https://colab.research.goog...

  • نعم لقد كان تعلمي ذاتياً ولكن قبل سنوات دخلت مجال البرمجة وأصبحت جيد في مجموعة من اللغات أهمها بايثون ، وهذا ساعدني كثيرا في فهم الخوارزميات وتطبيقها ، إذا كنت تتقن إحدى لغات البرمجة يمكنك متابعة دروس الرياضيات عبر khan academy في اليوتيوب ، والتسجيل في موقع kaggle.com لتطلع على الدروس التطبيقية الخاصة بتعلم الآلة وتجربها بنفسك (هذا هو مساري الدراسي .)
  • الخوارزمية الجينية هي خوارزمية مستلهمة من الانتقاء الطبيعي ، شخصياً لا أفضل اعتبارها ذكاءً صنعياً ولكنها تستخدم اليوم مع الكثير من خوارزميات الذكاء الصنعي المتقدمة لاختيار الحلول الأمثل ضمن فضاء من الحلول أو ترجيح الإحتمالات .
  • الذكاء الصنعي لا يدور حول الأتمتة أو إستبدال البشر بالأساس (فهذا تفعله الآلات الغبية منذ قرون ههه ) الذكاء الصنعي هو محاولة لمحاكاة العقل البشري والوصول إلى آلات يمكنها التفكير-نسبيا- واتخاذ القرارات-جزئيا- ، هذا هو الهدف .

بالنسبة للكثير من الوظائف المتكررة فقد حلت الآلات مكانها منذ قرون ومازلت تفعل إلى الآن ، أنظر حولك فقط وستفهم قصدي

إذا كان التعرف على الأنماط يتم بطريقة نصف أوتوماتيكية أو أوتوماتيكية بالكامل يعتبر ذكاء اصطناعي لأن النموذج المسؤول (أقصد نموذج تعلم الآلة هنا) هو نموذج يتعرف على الأنماط ويصنفها دون تدخل منا .

توجد نماذج غير ذكية للتعرف على الأنماط ولا تتطلب سوى مجموعة من الجمل الشرطية ولكنها نماذج ضعيفة ، على سبيل المثال يمكنك عمل نموذج للتعرف على قطتك من خلال لونها وشكل عينيها ولكنه لن يعمل بمجرد تغير إضاءة الغرفة أو حين تغمض القطة عينها ، النموذج المبني بالذكاء الصنعي مثلاً يستطيع تمييز القطط عن الكلاب فقط عبر تغديته بمجموعة من صور القطط والكلاب ، وفي الأخير سيكون قادر على التعرف وتمييز صور القطط مهما كانت زاوية التصوير أو الإضاءة ويميزها حتى لو كانت ترتدي قبعات ههه ، بل إنه قادر على التعرف على فصائل من القطط لم يسبق له التعامل معها من قبل .

نعم يمكن ذلك عبر لغة السي أو بايثون ، إليك درس كامل عن كيفية التطبيق من البداية حتى النهاية :

أفضل مصدر هو التعلم بالتطبيق ، شخصيا استفدت كثيرا من Kaggle.com ; وأنصحك بالتسجل فيه ومتابعة الدروس

شخصيا ليست لدي أية فكرة عن دراسة هذا المجال في دول شرق آسيا ، يقال أن حكومة الصين هي الأفضل في هذا المجال

بما أن الذكاء الصنعي هو علم يسعى لمحاكاةِ العقل البشري في الآلات المُبرمَجة باستخدام نماذج قابلة للتعلم (machine learning) من البيانات ، فعِلم البيانات هو العلم الذي يوظف لفهم وتحليل ورقمنة هذه البيانات وهو علم تطبيقي قائم بذاته ، في حين أن الذكاء الصنعي يتخذ أبعاد فلسفية وإنسانية ولا يلتقي مع علم البيانات إلا في جانبه التطبيقي للتعلم الآلي الذي يطلق عليه الـ machine learning ، حيث أن بعض العلماء يرون أن تعلم الآلة علم فرعي عن علم البيانات .

" يُسمّى أيضاً العلم القائم على البيانات (Data-Driven Science)، وهو مجال متعدد التخصصات حول الأساليب العلمية والعمليات والنظم لاستخراج المعرفة أو الأفكار من البيانات في أشكال مختلفة، إما منظمة أو غير منظمة.علم البيانات هو مفهوم توحيد الإحصاءات وتحليل البيانات وأساليبها ذات الصلة من أجل فهم وتحليل الظواهر الفعلية مع البيانات. وهو يستخدم تقنيات ونظريات مستمدة من مجالات عديدة في الرياضيات والإحصاء وعلوم المعلومات وعلوم الحاسوب، ولا سيما من المجالات الفرعية للتعلم الآلي والتصنيف وتحليل المجموعات واستخراج البيانات وقواعد البيانات والتصور. "

• الجبر الخطي .

• نظرية الاحتمالات .

• حساب التكامل والتفاضل

• الاحصاء .

• الخوارزميات .

• Linear regression يعتبر من أبسط خوارزميات تعلم الآلة ، بالعربي يطلق عليه "الإنحدار الخطي" وصيغته الرياضية هي المعادلة التي أعتقد أنك ستكون درستها من قبل :

y = a+bx

سبق وشرحته بالتفصيل هنا :

• انحدار بواسون poisson regression لديه نفس خواص الانحدار الخطي باستثناء أنّ المتغير y يخضع إلى توزيع بواسون ويسمى النموذج اللوغاريتمي-الخطي، الصيغة :

log(E(y)) = a+bx

• Cross Validation هي تقنية إحصائية شهيرة تستخدم للتحقق من دقة النموذج عبر تقسيم بيانات الاختبار ، مثال من موثع نمذجيات :

إذا أردنا بناء نموذج لتعلم الآلة باستخدام البيانات فإننا غالباً ما نقسم البيانات إلى مجموعات تدريب، وتحقق، واختبار. تستخدم مجموعة التدريب لتدريب النموذج، ومجموعتي التحقق والاختبار للتحقق من النتائج على بيانات لم يسبق رؤيتها من قبل. الطريقة التقليدية هي تقسيم البيانات إلى قسمين، تدريب واختبار 80%-20%، وأحياناً تختلف هذه النسب، فيمكن أن تكون 70%-30% أو 90%-10%.

في التحقق المتقاطع، نقوم بعمل أكثر من تقسيم. يمكننا أن نعمل 3 ،5، 10 أو أي عدد س من التقسيمات. هذه الأقسام يطلق عليها أجزاء (Folds) وهناك العديد من الاستراتيجيات لعملها.