WEBVTT

00:00:07.360 --> 00:00:11.760
التعلم الآلي هو فقط بجودة
بيانات التدريب التي تضعها فيه

00:00:11.800 --> 00:00:15.820
لذلك ، من المهم للغاية استخدام
بيانات عالية الجودة ، والكثير منها

00:00:16.760 --> 00:00:21.960
ولكن إذا كانت البيانات مهمة ، يجدر
السؤال من أين تأتي بيانات التدريب؟

00:00:22.280 --> 00:00:26.260
في كثير من الأحيان ، تقوم أجهزة الكمبيوتر
بجمع بيانات التدريب من أشخاص مثلك ومثلي

00:00:26.260 --> 00:00:27.860
دون أي جهد من جانبنا

00:00:28.440 --> 00:00:31.480
قد تتعقب خدمة دفق الفيديو ما
تشاهده ، ثم يمكنها التعرف على الأنماط

00:00:31.660 --> 00:00:36.000
في تلك البيانات للتوصية بما
قد ترغب في مشاهدته بعد ذلك

00:00:37.420 --> 00:00:40.180
في أوقات أخرى ، يُطلب منك
المساعدة مباشرة ، على سبيل

00:00:40.205 --> 00:00:43.224
المثال عندما يطلب منك موقع
ويب تحديد لافتات الشوارع والصور

00:00:43.780 --> 00:00:46.625
، فأنت تقدم بيانات
تدريبية لمساعدة الآلة على

00:00:46.650 --> 00:00:49.304
تعلم الرؤية ، وربما
حتى القيادة ليوم واحد

00:00:52.320 --> 00:00:56.440
يمكن للباحثين الطبيين استخدام
الصور الطبية كبيانات تدريبية لتعليم

00:00:56.520 --> 00:00:59.900
أجهزة الكمبيوتر كيفية التعرف
على الأمراض وتشخيصها

00:01:00.300 --> 00:01:05.560
يحتاج التعلم الآلي إلى مئات وآلاف
من الصور ، وتوجيه تدريبي من طبيب

00:01:05.640 --> 00:01:09.920
يعرف ما الذي يبحث عنه ، قبل أن
يتمكن من تحديد المرض بشكل صحيح

00:01:10.520 --> 00:01:15.540
حتى مع وجود آلاف الأمثلة ، يمكن أن
تكون هناك مشاكل في تنبؤات الكمبيوتر

00:01:15.880 --> 00:01:20.660
إذا تم جمع بيانات الأشعة السينية من الرجال
فقط ، فقد تنجح تنبؤات الكمبيوتر للرجال فقط

00:01:21.880 --> 00:01:26.300
قد لا يتعرف على الأمراض عندما يُطلب
منه تشخيص الأشعة السينية للمرأة

00:01:26.620 --> 00:01:30.820
هذه النقطة العمياء في بيانات
التدريب تخلق شيئًا يسمى التحيز

00:01:31.260 --> 00:01:36.420
تفضل البيانات المتحيزة بعض الأشياء
وتقلل من الأولوية أو تستبعد أخرى

00:01:36.780 --> 00:01:41.800
اعتمادًا على كيفية جمع بيانات التدريب ،
ومن يقوم بالتجميع ، وكيفية تغذية البيانات

00:01:41.800 --> 00:01:45.340
هناك احتمال أن يتم تضمين
التحيز البشري في البيانات

00:01:45.880 --> 00:01:50.700
من خلال التعلم من بيانات التحيز ،
قد يقوم الكمبيوتر بعمل تنبؤات متحيزة

00:01:50.780 --> 00:01:54.320
سواء كان الأشخاص الذين
يدربون الكمبيوتر على دراية بها أم لا

00:01:54.760 --> 00:01:58.400
عندما تنظر إلى بيانات التدريب ،
: اسأل نفسك سؤالين

00:01:58.640 --> 00:02:01.600
هل هذه بيانات كافية لتدريب الكمبيوتر بدقة؟

00:02:02.320 --> 00:02:06.860
وهل تمثل هذه البيانات جميع السيناريوهات
المحتملة والمستخدمين بدون تحيز؟

00:02:07.460 --> 00:02:11.040
هذا هو المكان الذي تلعب فيه
دورًا حاسمًا في التدريب البشري

00:02:11.160 --> 00:02:14.500
الأمر متروك لك لتقديم
بيانات غير متحيزة إلى جهازك

00:02:14.500 --> 00:02:18.160
هذا يعني جمع الكثير من
الأمثلة ، من الكثير من المصادر

00:02:19.300 --> 00:02:22.580
تذكر ، عندما تحدد
وتختار البيانات للتعلم الآلي

00:02:22.580 --> 00:02:24.756
، فأنت تقوم بالفعل ببرمجة
الخوارزمية ، باستخدام

00:02:24.781 --> 00:02:26.684
بيانات التدريب بدلاً
من التعليمات البرمجية

00:02:27.100 --> 00:02:29.780
البيانات هي الرمز

00:02:30.180 --> 00:02:34.680
كلما كانت البيانات التي تقدمها
أفضل ، كان تعلم الكمبيوتر أفضل