غوص عميق في التعلم الموجه

الخوارزميات الأساسية التي يجب أن تعرفها

1. الانحدار الخطي

سؤال المقابلة: "اشرح كيف يعمل الانحدار الخطي ومتى تستخدمه."

إطار الإجابة:

• ما هو: يلائم علاقة خطية بين الميزات والهدف المستمر
• الصيغة: y = w₁x₁ + w₂x₂ + ... + b
• كيف يتعلم: يقلل متوسط مربع الخطأ (MSE) باستخدام المعادلة العادية أو gradient descent
• متى تستخدم: خط أساس بسيط، معاملات قابلة للتفسير، علاقات خطية
• القيود: يفترض الخطية، حساس للقيم الشاذة، لا يمكن نمذجة أنماط معقدة

---

2. الانحدار اللوجستي

سؤال المقابلة: "كيف يعمل الانحدار اللوجستي للتصنيف؟"

إطار الإجابة:

• ما هو: نموذج خطي + دالة sigmoid لتقديرات الاحتمال
• الصيغة: P(y=1|x) = σ(w^T x) حيث σ(z) = 1/(1 + e^(-z))
• دالة الخسارة: Binary cross-entropy (log loss)
• حد القرار: خطي (يمكن جعله غير خطي بهندسة الميزات)
• الإخراج: احتمالات بين 0 و1

رؤية رئيسية: على الرغم من "الانحدار" في الاسم، إنها خوارزمية تصنيف.

---

3. أشجار القرار

سؤال المقابلة: "اشرح كيف تتخذ أشجار القرار القرارات وإيجابياتها/سلبياتها."

إطار الإجابة:

• كيف تعمل: تقسم البيانات بشكل متكرر بناءً على الميزات لتعظيم كسب المعلومات
• معايير التقسيم:
  • التصنيف: Gini impurity أو entropy
  • الانحدار: تقليل التباين
• الإيجابيات: قابلة للتفسير، تتعامل مع علاقات غير خطية، لا حاجة لتحجيم الميزات
• السلبيات: عرضة للتركيب الزائد، تباين عالي، غير مستقرة

---

4. الغابات العشوائية

سؤال المقابلة: "كيف تحسن الغابات العشوائية على أشجار القرار؟"

إطار الإجابة:

• تقنية رئيسية: Bagging (Bootstrap Aggregating)
• العملية:
  1. إنشاء N عينات bootstrap (عينة مع الاستبدال)
  2. تدريب شجرة قرار على كل، باستخدام مجموعة فرعية عشوائية من الميزات في كل تقسيم
  3. متوسط التنبؤات (انحدار) أو تصويت (تصنيف)
• لماذا يعمل: يقلل التباين مع الحفاظ على تحيز منخفض

---

5. تعزيز التدرج (XGBoost، LightGBM)

سؤال المقابلة: "اشرح تعزيز التدرج ومتى تستخدمه على الغابات العشوائية."

إطار الإجابة:

• تقنية رئيسية: Boosting (تجميع تسلسلي)
• العملية:
  1. تدريب متعلم ضعيف (شجرة ضحلة)
  2. حساب البقايا (الأخطاء)
  3. تدريب الشجرة التالية للتنبؤ بالبقايا
  4. إضافة للتجميع بمعدل تعلم
  5. تكرار
• الفرق عن bagging: تسلسلي (كل شجرة تصحح السابقة) مقابل متوازي

---

جدول مقارنة الخوارزميات

الخوارزمية	قابلية التفسير	السرعة	الدقة	خطر التركيب الزائد	ضبط المعلمات الفائقة
الانحدار الخطي	عالية	سريع	منخفض-متوسط	منخفض	الحد الأدنى
الانحدار اللوجستي	عالية	سريع	متوسط	منخفض	الحد الأدنى
شجرة القرار	متوسط-عالي	سريع	متوسط	عالي	متوسط
الغابة العشوائية	منخفض	متوسط	عالي	متوسط	متوسط
تعزيز التدرج	منخفض	بطيء	عالي جداً	عالي إذا لم يتم ضبطه	عالي

النقاط الرئيسية

1. اعرف الأساسيات - كن قادراً على شرح الرياضيات والحدس
2. افهم المقايضات - لا خوارزمية هي الأفضل لكل شيء
3. التطبيق مهم - اعرف كيفية البرمجة من الصفر للمقابلات
4. اربط بالخبرة - اربط بالمشاريع التي عملت عليها

ما التالي؟

في الدرس التالي، سنغطي مفاهيم الشبكات العصبية والتعلم العميق التي تظهر بشكل متكرر في مقابلات ML.

:::