خُذ مشكلةً واحدة عبر سير عمل تعلُّم آلةٍ كامل — أولاً اختر كم ينبغي أن يكون النموذج معقّدًا واقرأ variance الذي يتركه حدّ التنظيم، ثم درِّبه واقرأ وزنًا واحدًا بعد خطوة نزولٍ تدرّجي واحدة، ثم قيِّمه واقرأ precision من مصفوفة الالتباس. توقَّع كل رقم قبل أن تُظهره الشاشة، ودوّن نظامك في النهاية.
النموذج ليس خطوةً واحدة أبدًا. أولاً تختار التعقيد: المفرِط في البساطة يقصُر، والمفرِط في التعقيد يُفرِط في التخصيص، ويشتري حدّ التنظيم بعضَ variance مقابل قليلٍ من التحيّز. ثم تُدرِّب: يحسب الانتشار الخلفي كل تدرّج وتدفع خطوةٌ واحدة كل وزنٍ إلى أسفل المنحدر، w ← w − η ∂L/∂w. وعندها فقط تُقيِّم: تفصل مصفوفة الالتباس الدقة إلى precision وrecall. هذا المشروع هو التفاعل عبر المراحل الثلاث — سير العمل، لا رقمٌ واحد منها.
افتح كلّ مِنصّة من الثلاث في لسان تبويب. تُسمّي كل خطوة أدناه المِنصّة الوحيدة التي تقرأها والاختيار الوحيد الذي تتّخذه فيها؛ واترك كل مؤشّر آخر على قيمته الافتراضية لتطابق أرقامُك هذه الأرقام.
1 Bias-variance -> sigma = 0.25, n = 60, reps = 60, seed = 7, Degree d = 8, Ridge = 1
2 Backprop -> 2-2-1 sigmoid + MSE, eta = 1 3 Metrics -> prevalence 0.30, t = 0.50
اقرأ ثلاثة أرقام عبر الألسنة الثلاثة: قراءة variance في لوحة التحيّز والتباين، والوزن المُحدَّث في شبكة الانتشار الخلفي، وprecision أسفل مصفوفة الالتباس.
في مِنصّة التحيّز والتباين اختر نموذجًا قويًّا، Degree d = 8 على هدف الجيب (σ = 0.25، n = 60). إن تُرك وحده أفرَط في التخصيص — variance عالٍ. الآن ارفع حدّ Ridge إلى λ = 1 لكبحه. توقَّع variance المضبوط، ثم اقرأه.
قراءة التباين هي variance = 0.0091 — شدّ حدُّ التنظيم تباينَ ملاءمة الدرجة الثامنة من نحو 0.037 بكلفةٍ زهيدة على التحيّز. هذا هو التعقيد الذي تحمله إلى التدريب. هذا تفكيك التحيّز والتباين الخاصّ بالعرض، لا رقمٌ مكتوب باليد.
انتقل إلى مُتدرِّج الانتشار الخلفي واكتب شبكة 2-2-1 النظيفة بـsigmoid وMSE: x = [1, 0]، y = 1، W[1] = [[1,0],[0,0]]، W[2] = [[1,1]]. يعطي التمرير الأمامي ŷ = 0.7740 والتمرير الخلفي ∂L/∂W[2]11 = -0.0578. وعند η = 1، توقَّع W[2]11 المُحدَّث W[2]11 ← W[2]11 − η ∂L/∂w، ثم اقرأه.
تطبع خطوة التحديث W[2]11 ← 1.0578 — كان التدرّج سالبًا فدفع النزول التدرّجي الوزن إلى الأعلى. وخطوةٌ كهذه لكل وزنٍ، آلافَ المرّات، هي كامل التدريب. هذا حساب العرض الأمامي والخلفي نفسه، لا رقمٌ مكتوب باليد.
أخيرًا، في منصّة المقاييس اقرأ كم النموذج المُدرَّب جيّد. على الحالة الابتدائية (prevalence 0.30، threshold t = 0.50) تقرأ مصفوفة الالتباس TP = 273 وFP = 74. الإحكام هو TP / (TP + FP) — كم مرّة يكون التنبّؤ الإيجابي محقًّا. توقَّع precision، ثم اقرأه.
قراءة الإحكام هي precision = 273 / (273 + 74) = 0.7867 — من كل 100 موقع يُنذر عنه النموذج، نحو 79 موقعًا إيجابيّ فعلًا. الدقة وحدها تُخفي هذا؛ ومصفوفة الالتباس هي ما يجعل التقييم صادقًا. هذا حساب مصفوفة الالتباس الخاصّ بالعرض، لا رقمٌ مكتوب باليد.
افتح المِنصّات الثلاث وشغّل سير العمل بنفسك: ارفع الدرجة وراقب variance يتسلّق، ثم أضِف ridge لشدّه إلى الوراء، ودرِّب الشبكة خطوةً خطوة وراقب الكلفة تهبط، ثم حرّك العتبة وراقب precision وrecall يتقايضان. كل مرحلة تُغذّي التالية.
نظام تعلُّم الآلة مجموعة اختياراتٍ والأرقام التي تنتج عنها في كل مرحلة. دوّن نظامك — املأ كل فراغ من المِنصّات، ثم أضِف جملةً واحدة من التعليل. هذا هو المُخرَج؛ ولا يوجد رقمٌ تقرأه من الشاشة هنا.
Stage 1 Complexity ..... Degree d = 8, Ridge = 1 variance ...... ______
Stage 2 Training ....... 2-2-1 sigmoid, eta = 1 W[2]11 after 1 step .. ______
Stage 3 Evaluation ..... prevalence 0.30, t = 0.50 precision ..... ______
System note ............. does the evaluation justify the complexity you chose? _____
Design note ............. which stage would you change first, and why? __________
ثم غيّر شيئًا واحدًا — درجةً أعلى، أو معدّل تعلُّمٍ أصغر، أو فئةً إيجابية أندر — ولاحظ أيّ الأرقام الثلاثة تحرّك وبأي مقدار. هذا الاقتران عبر الاختيار والتدريب والتقييم هو كامل درس المشروع.