ماهو التعلم الآلي

ماهو التعلم الآلي

التعلم الآلي هو مجال فرعي من الذكاء الاصطناعي ، والذي يُعرَّف بأنه قدرة الآلة على محاكاة السلوك البشري الذكي وأداء المهام المعقدة بطريقة مشابهة للطريقة التي يحل بها البشر المشكلات.

 

لفهم التعلم الآلي ، تحتاج إلى معرفة الخوارزميات التي تدفع فرص التعلم الآلي وقيودها.

 

بشكل عام ، تُستخدم خوارزميات التعلم الآلي في مجموعة واسعة من التطبيقات ، مثل اكتشاف الاحتيال ، ورؤية الكمبيوتر ، والمركبات المستقلة ، والتحليلات التنبؤية حيث لا يكون من الممكن حسابياً تطوير خوارزميات تقليدية تلبي متطلبات الوقت الحقيقي والطبيعة التنبؤية للعمل.

 

هناك ثلاث وظائف أساسية لخوارزميات التعلم الآلي

 

وصفي – شرح بمساعدة البيانات

تنبؤي – التنبؤ بمساعدة البيانات

إلزامي – الاقتراح بمساعدة البيانات

 

 

نحن نفهم وظائف التعلم الآلي من المعلومات الواردة أعلاه ، ولكن فن جعل هذه الوظائف تعمل بالطريقة التي يتم بها تصميم الخوارزميات واستخدامها لتنفيذ هذه الوظائف.

 

أنواع خوارزميات التعلم الآلي

في مجال التعلم الآلي ، هناك خوارزميات متعددة تساعدنا في الوصول إلى مجموعات النتائج الوصفية والتنبؤية والتعليمية بناءً على المعلمات المحددة. لنتعرف على ماهية هذه الخوارزميات في القسم التالي

 

خوارزميات التعلم الآلي
خوارزميات التعلم الآلي القائمة على التعلم

تتعلم هذه الخوارزميات بناءً على المعلومات المقدمة والنتائج المتوقعة. هناك العديد من الطرق التي تغذي بها هذه الخوارزميات التعلم الذاتي.

 

التعلم الخاضع للإشراف

التعلم شبه الخاضع للإشراف

تعليم غير مشرف عليه

تعزيز التعلم

 

التعلم الخاضع للإشراف

يتم تدريس الآلات بالقدوة في التعلم الخاضع للإشراف. نظرًا لأن المشغل يزود خوارزمية التعلم الآلي بمجموعة بيانات معروفة مع المدخلات والمخرجات المرغوبة ، يجب عليه تحديد كيفية الوصول إلى المدخلات والمخرجات.

على عكس المشغلين الذين يعرفون الإجابات الصحيحة للمشكلات ، تحدد الخوارزميات الأنماط في البيانات ، وتقوم بالتنبؤات بناءً على الملاحظات ، وتتعلم منها. حتى تحقق الخوارزمية مستوى عالٍ من الدقة / الأداء ، فإنها تقوم بالتنبؤات ويتم تصحيحها بواسطة المشغل.

 

تحت مظلة التعلم الخاضع للإشراف تقع:

 

التصنيف:

 

تُستخدم القيم المرصودة لاستخلاص استنتاجات حول الملاحظات الجديدة وتحديد الفئة التي تنتمي إليها في مهام التصنيف. عندما يقوم أحد البرامج بتصفية رسائل البريد الإلكتروني على أنها “بريد عشوائي” أو “ليست بريدًا عشوائيًا” ، يجب عليه تحليل بيانات المراقبة الحالية لتحديد رسائل البريد الإلكتروني غير المرغوب فيها أو التي ليست بريدًا عشوائيًا.

 

الانحدار:

 

في مهام الانحدار ، يجب على آلة التعلم تقدير وفهم العلاقات بين المتغيرات في النظام من خلال تحليل متغير تابع واحد فقط ، بالإضافة إلى عدد من المتغيرات الأخرى التي تتغير باستمرار. تحليل الانحدار مفيد بشكل خاص للتنبؤ والتنبؤ.

 

التنبؤ:

 

يتضمن التنبؤ تحليل البيانات السابقة والحالية لعمل تنبؤات حول المستقبل.

التعلم الخاضع للإشراف – خوارزمية التعلم الآلي

التعلم شبه الخاضع للإشراف

 

يشبه نظام التعلم شبه الخاضع للإشراف نظام التعلم الخاضع للإشراف ، لكنه يستخدم البيانات المصنفة وغير المصنفة بالإضافة إلى البيانات الخاضعة للإشراف. يشير مصطلح البيانات المصنفة إلى المعلومات التي تحتوي على علامة ذات مغزى تسمح للخوارزمية بفهم البيانات ، بينما لا تحتوي البيانات غير المسماة على مثل هذه العلامة ، مما يعني أنه يمكن تعليم خوارزميات التعلم الآلي لتسمية البيانات التي لم يتم تصنيفها.

 

 

يتضمن التعلم شبه الخاضع للإشراف مكونات قليلة.

 

يتم توفير العديد من مجموعات البيانات غير المسماة للمصنف بعد تدريبه على البيانات المصنفة. عند تصنيف البيانات غير المسماة ، يتم إعادة تدريب النموذج باستخدام البيانات المسمى المتاحة في الأصل لزيادة دقة النموذج.

 

من الممكن تحديد الأنماط باستخدام خوارزمية التعلم الآلي ، دون استخدام مفتاح إجابة أو عامل تشغيل لتقديم التعليمات. بدلاً من ذلك ، تقوم الآلة بتحليل البيانات المتاحة لتحديد الارتباطات والعلاقات. يُترك الأمر لخوارزمية التعلم الآلي لتفسير مجموعات البيانات الكبيرة ومعالجتها وفقًا لذلك في بيئة تعليمية غير خاضعة للإشراف. تحاول الخوارزمية تنظيم البيانات بطريقة تصف بنية البيانات. يمكن تجميع البيانات في مجموعات أو ترتيبها بطريقة أكثر تنظيماً.

 

 

مع تقييم المزيد من البيانات ، تتحسن قدرتها على اتخاذ قرارات بشأن تلك البيانات تدريجياً وتصبح أكثر دقة.

 

تندرج التالية ضمن فئة التعلم غير الخاضع للإشراف:

 

تجمع

تتضمن تقنية التجميع تجميع البيانات المتشابهة (بناءً على معايير محددة). إنه مفيد لتقسيم البيانات وإيجاد أنماط في كل مجموعة.

 

تقليل البعد:

من أجل العثور على المعلومات الدقيقة ، يقلل تقليل البعد من عدد المتغيرات التي يتم النظر فيها.

تعدين قواعد الرابطة:

اكتشاف العلاقات بين قواعد البيانات التي تبدو مستقلة أو مستودعات البيانات الأخرى من خلال قواعد الارتباط.

 

في التعلم المعزز ، يتم توفير مجموعة من الإجراءات والمعلمات والقيم النهائية لخوارزمية التعلم الآلي لاستخدامها في عمليات التعلم المنظم.

 

بمجرد تحديد القواعد ، ستقوم خوارزمية التعلم الآلي باستكشاف مجموعة متنوعة من الخيارات والإمكانيات ، ومراقبة وتقييم كل نتيجة لتحديد الأفضل منها. تتعلم الآلات عن طريق التجربة والخطأ باستخدام التعلم المعزز. إن تكييف نهجها مع الموقف بناءً على التجارب السابقة يساعدها على تحقيق أفضل النتائج.

 

 

نتيجة للتجميع حسب الوظيفة ، نحن قادرون على دمج خوارزميات التعلم الآلي المختلفة بناءً على طريقة عملها. يمكن تقسيم خوارزميات الانحدار إلى عدة أنواع مختلفة ، لكننا سنجمعها معًا تحت مظلة واحدة من خوارزميات الانحدار هنا.

 

خوارزميات الانحدار

كما يوحي الاسم ، تم تصميم تحليلات الانحدار لتقدير العلاقة بين المتغير المستقل (الميزات) والمتغير التابع (التسمية). الانحدار الخطي هو الطريقة الأكثر استخدامًا في تحليل الانحدار.

 

بعض خوارزميات الانحدار الأكثر استخدامًا هي:

 

1. الانحدار الخطي

2. الانحدار اللوجستي

3. انحدار المربعات الصغرى العادي (OLS)

4. الانحدار التدريجي

5. خطوط الانحدار التكيفية متعددة المتغيرات (MARS)

6. تنعيم مخطط التبعثر المقدر محليًا (LOESS)

7. الانحدار متعدد الحدود

 

 

 

الخوارزمية القائمة على المثيل

 

في التعلم الآلي ، التعميم هو قدرة النموذج على الأداء الجيد في حالات البيانات الجديدة التي لم تتم رؤيتها من قبل. في معظم الحالات ، يكون الهدف الرئيسي لنموذج التعلم الآلي هو عمل تنبؤات دقيقة. في الواقع ، الهدف الحقيقي هو الأداء الجيد في الحالات الجديدة التي لم يسبق رؤيتها من قبل ، بدلاً من مجرد الأداء الجيد على البيانات المدربة.

 

 

يمكن تقسيم نهج التعميم إلى فئتين رئيسيتين: التعلم القائم على المثيل والتعلم القائم على النموذج.

بالإضافة إلى كونه معروفًا بالتعلم المستند إلى المثيل ، فإن التعلم المستند إلى الذاكرة هو أيضًا نهج للتعلم الآلي ، حيث تقارن الخوارزمية ، بدلاً من مقارنة الحالات الجديدة من البيانات مع تلك التي تمت ملاحظتها وتعلمها أثناء التدريب ، هذه الحالات الجديدة من البيانات مع الأشخاص الذين تم رؤيتهم / تعلمهم أثناء التدريب.

 

تتضمن الخوارزميات المستخدمة بشكل شائع في التعلم المستند إلى المثيل ما يلي:

1. k- أقرب الجار (kNN)

2. شجرة القرار

3.دعم آلة المتجهات (SVM)

4. خريطة التنظيم الذاتي (SOM)

5. التعلم الموزون محليًا (LWL)

6. تعلم تكميم المتجهات (LVQ)

 

 

الخوارزمية القائمة على التنظيم

 

تقنية التنظيم هي نوع من الانحدار يتم فيه معاقبة تقديرات المعامل نحو الصفر ، مما يساعد على منع النموذج من الحصول على نموذج معقد ومرن ، وبالتالي تجنب التخصيص الزائد في بعض المواقف.

 

بعض خوارزميات التنظيم الشائعة هي:

 

1. ريدج الانحدار

2. Lasso (الأقل انكماشًا مطلقًا وعامل التحديد) الانحدار

3. انحدار ElasticNet

4. انحدار الزاوية الصغرى (LARS)

 

 

 

خوارزميات شجرة القرار

 

من المهم أن نفهم أنه في حالة شجرة القرار ، يتم إنشاء نموذج للقرار بناءً على قيم البيانات الجدولية. تستمر القرارات في التفرع ويتم اتخاذ قرار التنبؤ للسجل المحدد بناءً على قيم البيانات الجدولية.

 

يستخدم بشكل شائع لمشاكل التصنيف والانحدار لتدريب أشجار القرار لأنها سريعة ودقيقة بشكل عام.

 

بعض خوارزميات شجرة القرار شائعة الاستخدام هي:

 

1. C4.5 و C5.0

2. M5

3. شجرة التصنيف والانحدار

4. القرمة القرار

5. كشف التفاعل التلقائي مربع كاي (CHAID)

6. شجرة القرار الشرطي

7. Dichotomiser التكراري 3 (ID3)

 

 

تجميع الخوارزميات

 

يمكننا استخدام تقنية التعلم الآلي المعروفة باسم التجميع لتصنيف نقاط البيانات إلى مجموعة معينة في إطار مجموعة البيانات

 

مع مجموعة متنوعة من نقاط البيانات. من أجل تجميع مجموعة البيانات ، نحتاج إلى استخدام خوارزمية التجميع. تندرج خوارزمية التجميع تحت مظلة خوارزميات التعلم غير الخاضعة للإشراف لأنها تستند إلى الفهم النظري بأن نقاط البيانات التي تنتمي إلى نفس المجموعة لها خصائص متشابهة.

 

بعض خوارزميات التجميع شائعة الاستخدام هي:

1. K- يعني التجميع

2. متوسط ​​التحول العنقودي

3. التجميع الهرمي التجميعي

4. K-medians

5. التجميع المكاني القائم على الكثافة للتطبيقات المزودة بضوضاء (DBSCAN)

6. مجموعة التوقع – التعظيم (EM) باستخدام نماذج خليط غاوسي (GMM)

 

 

الخوارزميات المستندة إلى قواعد الارتباط

 

كطريقة تعلم آلي قائمة على القواعد ، من المفيد اكتشاف العلاقات بين الميزات المختلفة في مجموعة بيانات كبيرة باستخدام عدد من القواعد.

 

يجد بشكل أساسي أنماطًا في البيانات التي قد تشمل:

 

1. الميزات المتزامنة

2. الميزات المترابطة

بعض خوارزميات تعلم قواعد الرابطة شائعة الاستخدام هي

1. خوارزمية Eclat

2. خوارزمية Apriori

{خبز} => [حليب] | [مربى]

{صودا} => [رقائق]

 

 

كما هو موضح في الشكل أعلاه ، نظرًا لبيع العناصر ، في كل مرة يشتري فيها العميل الخبز ، يشتري أيضًا الحليب. يحدث نفس الشيء مع Soda ، حيث يشتري معها رقائق البطاطس.

 

خوارزميات بايزي

في التصنيف والانحدار ، تتبع خوارزميات بايز مبدأ نظرية بايز لتحديد احتمالية وقوع حدث بناءً على المعرفة المسبقة بالأحداث والأحداث المتعلقة بالحدث.

 

ضع في اعتبارك حقيقة أنه مع تقدم العمر ، هناك زيادة في فرص الإصابة بنوع من الحالات الصحية.

نظرية بايز قادرة على الوصول إلى الحالة الصحية للشخص بشكل أكثر دقة عن طريق تكييفها مع عمر الفرد ، بناءً على المعرفة السابقة بالحالة الصحية فيما يتعلق بالعمر.

 

بعض خوارزميات بايز شائعة الاستخدام هي:

 

1. نايف بايز

2. Gaussian Naïve Bayes

3. شبكة بايزي

4. شبكة عقيدة بايزي

5. متعدد الحدود Naïve Bayes

6. تقديرات متوسط ​​الاعتماد الواحد (AODE)

 

خوارزميات بايزي

الشبكات العصبية الاصطناعية

الشبكات العصبية الاصطناعية هي فروع للذكاء الاصطناعي تحاول تقليد وظائف الدماغ البشري. الشبكة العصبية الاصطناعية هي مجموعة من الوحدات أو العقد المتصلة والتي يشار إليها باسم الخلايا العصبية الاصطناعية. بشكل أساسي ، يصور هذا الهيكل اتصال الخلايا العصبية في الدماغ البيولوجي إذا تم تصميمه بشكل فضفاض.

 

 

في الشبكة العصبية الاصطناعية ، يتكون الجزء الأكثر أهمية مما يُعرف باسم الخلايا العصبية ، وهي خلايا الدماغ البشري المترابطة. الخلايا العصبية في الشبكة العصبية مترابطة تمامًا مثل الخلايا الموجودة في الدماغ البشري.

 

لدى ANN ثلاث فئات من الخلايا العصبية

 

 

1. إدخال الخلايا العصبية.

2. الخلايا العصبية المخفية.

3. إخراج الخلايا العصبية.

 

 

المكون الآخر لـ ANN هو وظيفة التنشيط التي تُستخدم لتوليد الإخراج من الخلايا العصبية المخفية إلى الخلايا العصبية الناتجة. يمكن تمرير هذا الناتج الذي تم إنشاؤه من خلال وظيفة التنشيط إلى الخلايا العصبية اللاحقة والتي ستصبح فيما بعد المدخلات إلى تلك الخلايا العصبية.

 

 

بعض خوارزميات الشبكة العصبية الاصطناعية شائعة الاستخدام هي:

 

 

1. شبكة التغذية الأمامية العصبية

2. شبكة وظيفة الأساس الشعاعي (RBFN)

3. شبكة Kohonen العصبية ذاتية التنظيم

4. بيرسبترون

5. متعدد الطبقات Perceptron

6. عودة التكاثر

7. نزول التدرج العشوائي

8. الشبكات العصبية المعيارية (MNN)

9. شبكة هوبفيلد

 

 

ما هي الشبكة العصبية؟

خوارزميات التعلم العميق

نظام التعلم العميق هو فرع من الشبكات العصبية الاصطناعية (ANNs) التي هي أكثر قوة من الناحية الحسابية وقادرة على حل مشاكل العالم الحقيقي مثل حل المواقف في الوقت الفعلي التي تتطلب شبكات عصبية كبيرة ومعقدة لحلها بكفاءة.

 

بعض خوارزميات التعلم العميق شائعة الاستخدام هي:

 

1. الشبكات العصبية التلافيفية (CNN)

2. الشبكات العصبية المتكررة (RNN)

3. شبكة الذاكرة طويلة المدى (LSTM)

4. شبكات الخصومة التوليدية (GANs)

5. شبكات المعتقدات العميقة (DBNs)

6. أجهزة التشفير التلقائي

7. آلات بولتزمان المقيدة (RBMs)

 

 

 

خوارزميات تخفيض الأبعاد

 

تتضمن طريقة تقليل الأبعاد تحويل مجموعة بيانات عالية الأبعاد إلى مجموعة بيانات منخفضة الأبعاد بطريقة تحافظ على الخصائص ذات المعنى للبيانات الأصلية على الرغم من حقيقة أن البيانات قد تم تحويلها من مساحة عالية الأبعاد إلى مساحة منخفضة. مساحة الأبعاد.

 

 

في جوهرها ، تستفيد خوارزميات تقليل الأبعاد من بنية البيانات بطريقة غير خاضعة للإشراف من أجل تلخيص البيانات أو وصفها باستخدام بيانات أو ميزات أقل من تلك الموجودة في البيانات الأصلية.

 

بعض خوارزميات تقليل الأبعاد الشائعة الاستخدام هي:

 

1. تحليل المكون الرئيسي (PCA)

2. عامل المصفوفة غير السلبي (NMF)

3. نواة PCA

4. التحليل الخطي التمييزي

5. التحليل التمييزي المعمم (GDA)

6. Autoencoder

7. t-SNE (تضمين Stochastic Neighbor Embedding)

8. UMAP (التقريب والإسقاط المتشعب المنتظم)

9. انحدار المكون الرئيسي (PCR)

10. انحدار المربعات الصغرى الجزئي (PLSR)

11. رسم الخرائط صمون

12. التحجيم متعدد الأبعاد (MDS)

13. متابعة الإسقاط

14. تحليل تمييز الخليط (MDA)

15. التحليل التربيعي التمييز (QDA)

16. تحليل التمييز المرن (FDA)

 

 

 

خوارزميات المجموعة

 

تُستخدم نماذج متعددة في تقنيات المجموعات لتحسين أداء التنبؤ وهو أمر غير ممكن مع أي من الخوارزمية وحدها.

 

بعض الخوارزميات شائعة الاستخدام هي:

 

1. التعزيز

2. تجميع الأحذية (تكييس)

3. AdaBoost

4. المتوسط ​​المرجح (مزج)

5. التعميم المكدس (التراص)

6. آلات تعزيز التدرج (GBM)

7. أشجار الانحدار المعزز بالتدرج (GBRT)

8. الغابة العشوائية

 

 

 

ما خوارزميات التعلم الآلي التي يمكنك استخدامها؟

 

هناك العديد من العوامل التي يجب أخذها في الاعتبار عند اختيار خوارزمية التعلم الآلي الصحيحة ، بما في ذلك ، على سبيل المثال لا الحصر:

 

كمية البيانات ، وجودتها وتنوعها ، بالإضافة إلى الإجابات التي ترغب الشركات في الحصول عليها من البيانات . بصرف النظر عن الدقة ووقت التدريب والمعلمات ونقاط البيانات وغير ذلك الكثير ، فإن اختيار الخوارزمية الصحيحة يتضمن أيضًا مجموعة من احتياجات العمل والمواصفات والتجارب بالإضافة إلى الوقت المتاح.

 

 

ما هي أكثر خوارزميات التعلم الآلي شيوعًا وشعبية؟

 

خوارزمية تصنيف Naïve Bayes (التعلم الخاضع للإشراف – التصنيف)

بناءً على نظرية بايز ، يتطلب هذا المصنف أن تكون جميع القيم في مجموعة الميزات مستقلة عن بعضها البعض ، مما سيسمح لنا بالتنبؤ بفئة / فئة بثقة معقولة ، بناءً على مجموعة معينة من الميزات.

 

 

على الرغم من كونه مصنفًا بسيطًا ، إلا أنه يؤدي أداءً جيدًا بشكل مدهش ، وغالبًا ما يتم استخدامه نظرًا لأنه يتفوق على طرق التصنيف الأكثر تعقيدًا ، على الرغم من بساطته.

 

 

تعمل هذه الخوارزمية من خلال تصنيف البيانات غير المسماة ، أو البيانات بدون فئات ومجموعات محددة ، وهو نوع من التعلم غير الخاضع للإشراف. K Means Clustering هو نوع واحد من التعلم غير الخاضع للإشراف الذي يمكن استخدامه لتصنيف البيانات غير المسماة. نتيجة لهذه الخوارزمية ، تم العثور على المجموعات في البيانات ، ويتم تمثيل عدد المجموعات بواسطة متغير K. باستخدام الميزات المتوفرة ، تقوم الخوارزمية بعد ذلك بتعيين نقاط البيانات لإحدى مجموعات K بشكل تكراري.

 

 

دعم خوارزمية آلة المتجهات (التعلم الخاضع للإشراف – التصنيف)

 

هناك العديد من نماذج التعلم تحت الإشراف التي يمكن استخدامها لتحليل البيانات. تقوم خوارزميات Support Vector Machine بتحليل البيانات من أجل التصنيفات والانحدارات. من خلال تقديم مجموعة من الأمثلة التدريبية ، يتم تصنيف كل مجموعة من الأمثلة على أنها تنتمي إلى واحدة أو أخرى من الفئتين ، مع تصفية البيانات بشكل أساسي إلى فئات. بعد ذلك ، تبني الخوارزمية نموذجًا يتم فيه تعيين قيم جديدة إما لفئة معينة أو لفئة أخرى.

 

 

الانحدار الخطي (التعلم الخاضع للإشراف / الانحدار)

 

أبسط أنواع الانحدار هو الانحدار الخطي. يسمح لنا الانحدار الخطي بفهم العلاقة بين متغيرين مستمرين من خلال تحليل البيانات الموجودة على الخط.

 

 

الانحدار اللوجستي (التعلم الخاضع للإشراف – التصنيف)

 

الغرض من نموذج الانحدار اللوجستي هو تقدير احتمالية وقوع حدث بناءً على البيانات السابقة التي تم جمعها. يستخدم النموذج لتغطية المتغيرات الثنائية التابعة ، مما يعني أنه لا يوجد سوى نتيجتين محتملتين ؛ 0 و 1.

 

 

الشبكات العصبية الاصطناعية (التعلم المعزز)

 

تتكون الشبكة العصبية الاصطناعية (ANN) من سلسلة من “الوحدات” مرتبة في سلسلة من الطبقات ، تتصل كل منها بطبقات على كلا الجانبين. ANN هو نظام مترابط من عناصر المعالجة التي تحل مشاكل محددة بطريقة غير متزامنة. تم تصميم الشبكات العصبية الاصطناعية على غرار الأنظمة البيولوجية ، مثل الدماغ.

 

 

كما أنها مفيدة للغاية لنمذجة العلاقات غير الخطية في البيانات عالية الأبعاد أو للعلاقات التي يصعب فهمها بين متغيرات الإدخال. تعلم ANNs من خلال الأمثلة والخبرة.

 

أشجار القرار (التعلم الخاضع للإشراف – التصنيف / الانحدار)

كما يوحي الاسم ، فإن شجرة القرار هي نوع من هيكل المخطط الانسيابي الذي يستخدم طريقة متفرعة لتوضيح النتائج المحتملة لقرار معين. تمثل كل عقدة في الشجرة اختبارًا يتم إجراؤه على متغير معين ، ويمثل كل فرع نتيجة الاختبار.

 

الغابات العشوائية (التعلم الخاضع للإشراف – التصنيف / الانحدار)

في مجال التعلم الجماعي ، تجمع الغابات العشوائية ، المعروفة أيضًا باسم غابات القرار العشوائي ، خوارزميات متعددة لإنشاء نتائج أفضل للتصنيف والانحدار والمهام الأخرى. هناك العديد من المصنفات الضعيفة في الخوارزمية ، ولكن إذا كانت  يمكن أن تؤدي إلى نتائج ممتازة. تبدأ الخوارزمية بإنشاء نموذج قرارات شبيه بالشجرة (شجرة قرار) ، ثم إضافة مدخلات إليه في الأعلى. بعد ذلك ، يتم تقسيم البيانات إلى مجموعات أصغر تدريجيًا ، وفقًا لمتغيرات محددة ، حيث تنتقل إلى أسفل الشجرة.

 

 

افكار كل جديد في العالم مقالات افكار كل جديد في العالم كل جديد حول العالم سيارات اقتصاد تجارة وظائف فاشون أزياء موضة ملابس تكنولوجيا اختراعات ابتكارات فن افضل الاشياء حول العالم كل ماهو جديد بالعالم