برنامج Weka التعليمي - التعلم الآلي المستند إلى واجهة المستخدم الرسومية باستخدام Java

في الوقت الحاضر ، تعد لغات البرمجة مثل Python و R بلا شك من أكثر اللغات طلبًا في علوم البيانات والتعلم الآلي.

ولكن هل من الممكن أيضًا أداء مهام التعلم الآلي الشائعة وعلوم البيانات دون الحاجة بالضرورة إلى إتقان البرمجة؟

بالطبع هو كذلك! Weka هي حزمة مفتوحة المصدر قائمة على واجهة المستخدم الرسومية. يمكن استخدامه لأداء مهام علوم البيانات الشائعة فقط باستخدام الواجهة الرسومية.

الأساسيات

يمكن تثبيت Weka بسهولة على أي نوع من المنصات باتباع الإرشادات الموجودة على الرابط التالي. الشرط المسبق الوحيد هو تثبيت Java 8.0 على جهازك المحلي.

بمجرد تثبيت Weka ، سيكون لديك مجموعة من تقنيات معالجة البيانات القياسية والاستدلال مثل:

  • المعالجة المسبقة للبيانات : بمجرد تحميل مجموعة البيانات ، تتيح لك Weka استكشاف سماتها وحالاتها بسرعة. بالإضافة إلى ذلك ، تتوفر تقنيات تصفية مختلفة من أجل ، على سبيل المثال ، تحويل البيانات الفئوية إلى عددية أو إجراء اختيار ميزة من أجل تقليل أبعاد مجموعة البيانات الخاصة بنا (على سبيل المثال ، لتسريع أوقات التدريب والأداء).
  • خوارزميات التصنيف والانحدار:مجموعة من الخوارزميات المختلفة مثل Gaussian Naive Bayes ، و Decision Trees ، و K-Nearest Neighbor ، وتقنيات المجموعات ، ومتغيرات الانحدار الخطي المختلفة.
  • التجميع: يمكن استخدام هذه التقنية من أجل تحديد الفئات الرئيسية في بياناتنا بطريقة غير خاضعة للرقابة. بعض الأمثلة على الخوارزميات المتاحة في مجموعة Weka هي K-Means Clustering و Expectation Maximization.
  • اكتشاف الارتباطات: اكتشاف القواعد في مجموعة البيانات الخاصة بنا من أجل التعرف بسهولة أكبر على الأنماط والصلات بين الميزات المختلفة.
  • تصور البيانات:مجموعة من تقنيات تصور البيانات المتكاملة لتصور الارتباطات بين الميزات بسرعة وتمثيل أنماط التعلم الآلي المكتسبة مثل أشجار القرار وتجميع الوسائل K.

ميزة أخرى مثيرة للاهتمام لـ Weka هي القدرة على تثبيت حزم جديدة عند إنشائها.

أحد الأمثلة على الحزمة الإضافية التي يمكنك تثبيتها هو AutoML. في الواقع ، يمكن أن يكون AutoML مفيدًا بشكل خاص للمبتدئين الذين قد يجدون صعوبة في تحديد نموذج التعلم الآلي الذي قد يكون من الأفضل استخدامه لمهمة معينة.

باستخدام حزمة Weka AutoML ، يمكنك بسهولة اختبار نماذج مختلفة للتعلم الآلي أثناء التنقل. كما يسمح لك أيضًا بإجراء الضبط التلقائي للمعلمات الفائقة من أجل زيادة الأداء.

أخيرًا ، لمزيد من المستخدمين الخبراء ، تقدم Weka أيضًا واجهة سطر أوامر لاستخدام كود Java. يمكن أن يكون هذا مفيدًا بشكل خاص إذا كنت تعمل بكميات كبيرة من البيانات.

مثال

سنقوم الآن بإلقاء نظرة على مثال بسيط لشرح كيفية البدء مع Weka.

بادئ ذي بدء ، يمكننا بدء تحليلنا عن طريق فتح Weka Explorer وفتح مجموعة البيانات الخاصة بنا (في هذا المثال ، Iris Dataset).

حدد علامة التبويب Classify ، واختر Naive Bayes كمصنف لدينا ، وانقر فوق ابدأ. سترى أنه يمكننا تحقيق دقة تصنيف بنسبة 96٪ بسرعة دون الحاجة إلى كتابة أي كود!

استنتاج

إذا كنت تبحث عن مزيد من المعلومات حول كيفية بدء استخدام Weka ، فإن سلسلة YouTube هذه من Google Developers هي مكان رائع للبدء.

اتصل بي

إذا كنت ترغب في البقاء على اطلاع بأحدث مقالاتي ومشاريعي ، فاتبعني على Medium واشترك في القائمة البريدية الخاصة بي. هذه بعض تفاصيل جهات الاتصال الخاصة بي:

  • ينكدين
  • مدونه شخصيه خاصه
  • موقع شخصي
  • الملف الشخصي المتوسط
  • جيثب
  • Kaggle

صورة الغلاف من هذه المقالة.