الفرق الأساسي
Machine Learning (ML) هو فرع من AI يعلّم الآلات التعلم من البيانات بدون برمجة صريحة.
Deep Learning (DL) هو جزء من ML يستخدم الشبكات العصبية العميقة (Neural Networks).
AI → Machine Learning → Deep Learning
Machine Learning التقليدي
كيف يعمل ML؟
الخطوات:
خوارزميات ML الشائعة
🌳 Decision Trees
قرارات تفرعية بسيطة
🌲 Random Forest
عدة Decision Trees معاً
📊 SVM
Support Vector Machines
👥 K-Means
Clustering
📈 Linear Regression
التنبؤ بقيم عددية
🎯 Logistic Regression
التصنيف الثنائي
مثال: تصنيف الإيميلات (Spam/Not Spam)
Features (يدوية):
- • عدد الكلمات المشبوهة ("مجاني"، "اربح الآن")
- • عدد علامات التعجب
- • طول الإيميل
- • وجود روابط
→ تدريب Random Forest على هذه Features
→ النموذج يتعلم: إيميل به 10+ كلمات مشبوهة = Spam
Deep Learning
كيف يختلف DL؟
الفرق الرئيسي: لا تحتاج Feature Engineering! الشبكة تتعلم Features تلقائياً من البيانات الخام.
في DL:
أنواع Neural Networks
🧠 Feedforward Neural Networks
الأبسط: Input → Hidden Layers → Output
استخدام: تصنيف بيانات جدولية
📸 CNNs (Convolutional)
متخصصة في معالجة الصور
استخدام: Computer Vision
🔁 RNNs/LSTMs
تعالج بيانات تسلسلية
استخدام: النصوص، السلاسل الزمنية
⚡ Transformers
الأحدث والأقوى
استخدام: ChatGPT، BERT، GPT-4
مثال: تصنيف الصور (قطة/كلب)
ML التقليدي:
- • يدوياً: استخرج حواف، ألوان، أشكال
- • تدريب SVM على هذه Features
- • صعب ويحتاج خبرة
Deep Learning (CNN):
- ✓ Input: صورة خام (pixels)
- ✓ CNN تتعلم Features تلقائياً
- ✓ دقة أعلى، أسهل!
جدول المقارنة الشامل
| المعيار | Machine Learning | Deep Learning |
|---|---|---|
| حجم البيانات | صغير إلى متوسط (1K-100K) | كبير جداً (100K+) |
| Feature Engineering | يدوي (مهم جداً) | تلقائي |
| وقت التدريب | سريع (دقائق-ساعات) | بطيء (ساعات-أيام) |
| الهاردوير | CPU عادي كافي | يحتاج GPU قوي |
| الدقة | جيدة | ممتازة (على بيانات كثيرة) |
| القابلية للتفسير | عالية (نفهم القرارات) | منخفضة (Black Box) |
| أفضل استخدام | بيانات جدولية، مشاكل بسيطة | صور، نصوص، صوت، فيديو |
متى تستخدم ML؟ متى DL؟
استخدم ML إذا:
- ✓البيانات قليلة (<10,000 sample)
- ✓البيانات جدولية (Excel, CSV)
- ✓تحتاج سرعة في التدريب
- ✓لا يوجد GPU
- ✓تحتاج تفسير القرارات
أمثلة:
- • تنبؤ أسعار المنازل
- • كشف الاحتيال في البطاقات
- • تصنيف العملاء
استخدم DL إذا:
- ✓البيانات كثيرة جداً (100K+)
- ✓صور، فيديو، نصوص، صوت
- ✓تحتاج دقة عالية جداً
- ✓يوجد GPU قوي
- ✓المشكلة معقدة
أمثلة:
- • التعرف على الوجوه
- • السيارات الذاتية
- • ChatGPT وترجمة النصوص
أمثلة واقعية
مثال 1: التنبؤ بأسعار المنازل
البيانات: مساحة، عدد الغرف، الموقع، العمر
✓ استخدم ML (Linear Regression أو Random Forest)
السبب: بيانات جدولية، features واضحة
مثال 2: كشف السرطان من صور الأشعة
البيانات: آلاف صور الأشعة السينية
✓ استخدم DL (CNN مثل ResNet)
السبب: صور معقدة، بيانات كثيرة
مثال 3: تصنيف رسائل البريد (Spam)
البيانات: نصوص الإيميلات
⚡ يمكن استخدام الاثنين:
- • ML: TF-IDF + Naive Bayes (أسرع، كافي)
- • DL: LSTM أو BERT (أدق، لكن أبطأ)
الخلاصة
Machine Learning: أسرع، أبسط، يعمل على بيانات قليلة، لكن يحتاج Feature Engineering يدوي.
Deep Learning: أقوى، تلقائي، لكن يحتاج بيانات ضخمة وGPU.
💡 القاعدة الذهبية: ابدأ بـ ML! إذا لم تكن الدقة كافية وعندك بيانات كثيرة، انتقل لـ DL.
✅ لا تستخدم مدفع لقتل ذبابة - اختر الأداة المناسبة للمشكلة!