الفصل الأول: الإطار النظري: تقنيات الذكاء الاصطناعي في تحليل البيانات الحديثة

يُمثل هذا الفصل حجر الأساس لفهم كيف تُعيد تقنيات الذكاء الاصطناعي تشكيل عالم تحليل البيانات، مُحولةً إياه من مجرد وصف للماضي إلى آلية استباقية للتنبؤ وصنع القرار.

١.١ مقدمة: التحول من التحليل الوصفي إلى التحليل التنبؤي والوصفي

لطالما اعتمد تحليل البيانات التقليدي على الإحصاءات الوصفية والتقارير التاريخية للإجابة على سؤال: "ماذا حدث؟". بينما يدفع الذكاء الاصطناعي الحدود نحو أسئلة أكثر عمقاً: "لماذا حدث؟"، "ماذا سيحدث بعد؟"، و"ما هو أفضل إجراء يمكن اتخاذه؟". هذا التحول هو جوهر الثورة الحالية.

• التحليل الوصفي (Descriptive): تحليل المبيعات الشهرية، معدلات دوران العملاء.
• التحليل التشخيصي (Diagnostic): استخدام أشجار القرار لمعرفة سبب انخفاض المبيعات في منطقة معينة.
• التحليل التنبؤي (Predictive): استخدام نماذج الانحدار أو الشبكات العصبية للتنبؤ بفشل آلة صناعية قبل أسبوع من حدوثه.
• التحليل الوصائي (Prescriptive): استخدام خوارزميات التحسين لتحديد أفضل سلسلة توريد لتقليل التكاليف بناءً على التنبؤات.

١.٢ التقنيات الأساسية: من التعلم الآلي إلى التعلم العميق

أ. التعلم الآلي (Machine Learning - ML)

هو قلب الذكاء الاصطناعي التطبيقي في التحليل. الفكرة الأساسية هي تمكين الحواسيب من "التعلم" من البيانات دون برمجتها صراحةً لكل مهمة. ينقسم إلى ثلاثة أنماط رئيسية:

• التعلم تحت الإشراف (Supervised Learning): النموذج يتعلم من بيانات تاريخية مُوسومة (مثال: صور مُصنفة "قطة" أو "كلب"). يُستخدم في التصنيف والانحدار.
• التعلم غير الخاضع للإشراف (Unsupervised Learning): النموذج يكتشف أنماطاً وهياكل في بيانات غير موسومة. يُستخدم في التجميع (Clustering) وتقليل الأبعاد.
• التعلم التعزيزي (Reinforcement Learning): يتعلم "عامل" (Agent) من خلال التفاعل مع بيئة ما والحصول على مكافآت أو عقوبات. أساسي في الروبوتات والألعاب.

لنرى مثالاً بسيطاً على الانحدار الخطي، وهو أحد أبسط خوارزميات التعلم تحت الإشراف، باستخدام JavaScript (لأغراض التوضيح):

// مثال توضيحي: تطبيق مبسط للانحدار الخطي (Gradient Descent)
// الهدف: إيجاد خط (y = mx + b) يناسب البيانات

// بيانات تدريبية بسيطة (x = الميزة, y = التسمية)
const data = [
    { x: 1, y: 2 },
    { x: 2, y: 4 },
    { x: 3, y: 5 },
    { x: 4, y: 4 },
    { x: 5, y: 5 }
];

// تهيئة معاملات النموذج (الميل m والقطع b) بشكل عشوائي
let m = 0;
let b = 0;

// معدل التعلم - يحدد حجم الخطوة في كل تكرار للوصول للحد الأدنى
const learningRate = 0.01;
const iterations = 1000; // عدد مرات التدريب

// دالة التنبؤ: تحسب y المتوقعة لأي قيمة x
function predict(x) {
    return m * x + b;
}

// دالة الخسارة (Mean Squared Error - MSE) - تقيس خطأ النموذج
function computeLoss(data) {
    let totalError = 0;
    for (let i = 0; i < data.length; i++) {
        const prediction = predict(data[i].x);
        const error = prediction - data[i].y;
        totalError += error * error; // تربيع الخطأ
    }
    return totalError / data.length; // المتوسط
}

// خوارزمية Gradient Descent للتدريب
for (let iter = 0; iter < iterations; iter++) {
    let gradientM = 0;
    let gradientB = 0;
    const N = data.length;

    // حساب المشتقات (التدرجات) للخسارة بالنسبة لـ m و b
    for (let i = 0; i < N; i++) {
        const x = data[i].x;
        const y = data[i].y;
        const prediction = predict(x);
        gradientM += (2 / N) * (prediction - y) * x;
        gradientB += (2 / N) * (prediction - y);
    }

    // تحديث المعاملات: نتحرك عكس اتجاه التدرج لتقليل الخسارة
    m = m - learningRate * gradientM;
    b = b - learningRate * gradientB;

    // (اختياري) طباعة الخسارة كل 100 تكرار لمراقبة التقدم
    if (iter % 100 === 0) {
        console.log(`التكرار ${iter}: الخسارة = ${computeLoss(data).toFixed(4)}, m = ${m.toFixed(2)}, b = ${b.toFixed(2)}`);
    }
}

console.log(`\nالنموذج النهائي بعد التدريب: y = ${m.toFixed(2)} * x + ${b.toFixed(2)}`);
// يمكننا الآن استخدام predict(x) للتنبؤ بقيم y جديدة.
    

يشرح هذا الكود جوهر التعلم الآلي: لدينا نموذج (الخط)، ودالة خسارة