أفكار مشاريع AI وبيانات بمصادر واضحة وخطة تقييم

قد يكون هدف مشروعك مقارنة مصنفات، أو توقع عدد استئجارات، أو تحليل قراءات حساسات. لكل سؤال بيانات تناسبه وطريقة مختلفة للحكم على النتيجة. ستجد هنا ثلاث أفكار مرتبطة بمصادر يمكن الرجوع إليها، مع خط أساس ومقياس ومخاطر يجب فحصها. لم تُدرّب نماذج لهذه الأفكار هنا، ولا توجد نتائج دقة أو توقعات مقاسة مرفقة بها.

اكتب بطاقة تجربة قبل التدريب

تتضمن البطاقة وحدة الملاحظة والحقول والهدف ومصدر البيانات وتاريخ التنزيل وقيود الاستخدام. ثم تصف طريقة التقسيم وخط الأساس Baseline والمقياس. أضف سؤالاً نقدياً: ما المعلومة التي ستكون متاحة وقت التنبؤ الحقيقي؟ أي حقل لا يتوفر عندها قد يجعل التجربة أسهل على الورق وأقل صلاحية للاستخدام.

فرّق بين تحليل وصفي يشرح ما حدث في البيانات، ونموذج يتوقع حالة غير مرئية. الأول يحتاج أسئلة وتجميعات ورسومات قابلة للتفسير، والثاني يحتاج فصل تدريب وتقييم ومقارنة مرجعية. لا تجبر كل مشروع تحليل على استخدام تعلم آلي إذا كان السؤال يجيب عنه جدول واضح وفحص جودة جيد.

1. مقارنة مصنفات على قياسات Iris

السؤال التعليمي: هل يمكن تمييز فئة الزهرة من قياساتها، وما الأخطاء التي تختلف بين الطرق؟ تعرض صفحة Iris في UCI مجموعة من 150 ملاحظة وأربع سمات، وثلاث فئات. تعرض الصفحة ترخيص CC BY 4.0، ما يستلزم الإسناد المناسب وفق شروطه. سجّل المصدر ونسخة الملف ولا تنسب البيانات إلى جمعك الشخصي.

ابدأ بمرجع يتوقع الفئة الأكثر شيوعاً من بيانات التدريب، ثم قارن طريقة أو طريقتين مع التقسيم نفسه. يمكن استخدام الدقة وMacro F1 ومصفوفة الالتباس، مع شرح أن حجم البيانات ومجالها لا يسمحان بتعميم النتيجة على كل صور النباتات أو ظروف التصوير. هذه قياسات جدولية، وليست مجموعة صور لهاتف.

المخرج المناسب تقرير تجربة يوضح الحقول والتقسيم وخط الأساس وأمثلة الأخطاء، مع برنامج يعيد التجربة. خطر شائع هو اختيار النموذج بعد الاطلاع المتكرر على مجموعة الاختبار. احتفظ بجزء نهائي للتقييم، وميّز بين الضبط والاختبار؛ لا تكتب أن النموذج «أفضل» اعتماداً على تجربة واحدة دون شرح حدود المقارنة.

2. توقع عدد استئجارات الدراجات

يمكن أن يكون السؤال: كيف يتغير عدد الاستئجارات مع الزمن والطقس، وهل يتفوق نموذج على مرجع يعتمد تاريخاً سابقاً متاحاً؟ توثق Bike Sharing في UCI سجلات يومية وساعية من 2011 و2012، وتعرض ترخيص CC BY 4.0. البيانات تخص سياقها التاريخي؛ لا تمثل الطلب الحالي في مدينة أخرى.

إذا كان الهدف عدد الاستئجارات الكلي، فلا تستخدم مكوناته التي تجمع لتعطيه كمدخلات؛ سيكون ذلك تسرباً للمعلومة التي تريد توقعها. اقسم البيانات زمنياً إذا كان السيناريو توقع المستقبل، وحدد أفق التوقع. خط الأساس قد يكون متوسط تدريب متاح أو قيمة فترة سابقة، بشرط ألا يحتاج معلومة لم تحدث بعد.

استخدم MAE بوصفه متوسط مقدار الخطأ بوحدة عدد الرحلات، واعرض الأداء حسب أيام العمل والعطلات عند كفاية العينة. يمكن إضافة رسم يقارن الفعلي والمتوقع على فترة الاختبار. لا تملأ الرسم بقيم افتراضية ثم تقدمه كنتيجة تدريب؛ وسّم أي مخطط توضيحي بأنه مثال حتى تنفيذ البرنامج.

3. تحليل جودة قراءات حساسات بيئية

يسأل هذا المشروع كيف تؤثر القيم المفقودة وانحراف الحساس في قراءة سلسلة زمنية. توضح صفحة Air Quality وجود قراءات متتابعة ووسم القيم المفقودة بالقيمة -200. وتذكر وصفاً لاستخدام بحثي مع استبعاد الاستخدام التجاري؛ لذلك لا تفترض أن ظهور وسم ترخيص عام في المستودع يلغي القيد الوارد في الوصف. وثّق هذا التعارض واطلب توضيحاً من صاحب البيانات قبل أي استخدام تجاري.

يستطيع النطاق الجامعي التركيز على تحليل بحثي موصوف بعناية: عدد القيم المفقودة حسب الحقل والفترة، وتغير توزيع القراءة، ومقارنة طريقة تعويض مع مرجع واضح. لا تعامل -200 كقياس حقيقي ولا تدرب المعوّض على كامل السلسلة قبل تقسيمها. تجنب أيضاً وصف ناتج النموذج بأنه أداة لاتخاذ قرار صحي أو بيئي فعلي.

ما الذي تسلّمه في كل مسار؟

راجع إرشادات scikit-learn لتجنب التسرب، ثم فحص البيانات والترخيص وطريقة تقييم النموذج. عند طلب تنفيذ مشروع AI أو تحليل بيانات، أرفق سؤال المشروع ومصدر البيانات والمخرجات المطلوبة، كي تشمل المراجعة التحليل والاختبار اللذين يحتاجهما هذا السؤال.