الميزات (Features) كيف ترى الآلة ما لا نراه؟

 

 


بعد أن تعرّفنا على البيانات بوصفها الوقود الأساسي لتعلّم الآلة، نصل الآن إلى مرحلة أكثر دقّة وحساسية: كيف “تفهم” الآلة هذه البيانات؟

 

الآلة لا ترى العالم كما نراه نحن.

هي لا تفهم الصورة كصورة، ولا النص كمعنى، ولا السلوك كنية.

ما تفهمه فعليًا هو مجموعة من القيم الرقمية التي نختارها بعناية، وهذه القيم تُسمّى “الميزات” أو Features

 

الميزة هي صفة محددة نُبرزها من البيانات لتساعد النموذج على التعلّم.

فإذا كانت البيانات هي المادة الخام، فإن الميزات هي الزوايا التي نسمح للآلة أن تنظر من خلالها.

 

خذ مثالًا بسيطًا:

إذا أردنا تعليم آلة التنبؤ بسعر منزل، فالبيانات قد تحتوي على معلومات كثيرة، لكن الميزات المهمة قد تكون: المساحة، الموقع، عدد الغرف، عمر المبنى.

الآلة لا “تفهم” المنزل، لكنها تتعلّم العلاقة بين هذه القيم والنتيجة النهائية.

 

كلما كانت الميزات:

·       واضحة

·       ذات صلة بالمشكلة

·       ومعبّرة عن الواقع

 

كلما تحسّن أداء النموذج.

 

اختيار الميزات ليس خطوة تقنية فقط، بل هو قرار فكري عميق.

نحن نقرّر ما الذي نعتبره مهمًا، وما الذي نتجاهله.

ولهذا السبب، فإن نموذجين مبنيين على نفس البيانات قد يعطيان نتائج مختلفة تمامًا إذا اختلفت الميزات المستخدمة.

 

أحيانًا لا تكون المشكلة في الخوارزمية، بل في طريقة “رؤية” الآلة للبيانات.

ميزة سيئة قد تُربك النموذج،

ومجموعة ميزات ذكية قد تجعل أبسط الخوارزميات فعّالة جدًا.

 

في التعلم العميق، تقلّ حاجة الإنسان لاختيار الميزات يدويًا، لأن الشبكات العصبية تحاول استخراجها تلقائيًا.

لكن في تعلّم الآلة التقليدي، تبقى الميزات هي القلب الحقيقي للنموذج.

 

خلاصة هذا الدرس أن الآلة لا تفهم الواقع، بل تفهم ما نسمح لها أن تبيّنه من هذا الواقع.

جودة الرؤية تحدد جودة القرار.

تعليقات

المشاركات الشائعة من هذه المدونة

بداية الحكاية

حين اخترت أن أسمو

عندما تُغاث الروح