فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال

يعرّف كتاب Foundations of Machine Learning (الطبعة الثانية، MIT Press، 2018) لمؤلفيه Mehryar Mohri وAfshin Rostamizadeh وAmeet Talwalkar التعلم بأنه استخدام الخبرة لإجراء تنبؤات دقيقة، ويبني منهجاً صارماً حول تعقيد العينة وحدود Rademacher والضمانات النظرية.

تبدأ معظم الكتب عن تعلم الآلة بوعد بما ستتمكن من بنائه. أما هذا الكتاب فيبدأ بتعريف وقائمة بالكميات التي تحكم نجاح المتعلم أو فشله. يكشف هذا الترتيب ما يراه المؤلفون جوهر الموضوع، وأظن أنه القرار الصائب. فالمجال الذي يسوّق نفسه بالتنبؤ مدين لقرائه بتفسير متى يمكن الوثوق بالتنبؤ، وهذا التفسير هو ما يسعى الكتاب إلى تقديمه.

تقرأ هذه المقالة الكتاب من خلال ما تقوله فعلاً صفحاته التمهيدية ومقدمته وصفحاته الأولى. وهي مهمة أضيق من مراجعة كل فصل، وتعترف بحدودها: المصادر هنا هي صفحة العنوان وفهرس المحتويات والمقدمة والجزء الأول من التمهيد. وضمن هذه الحدود ثمة حجة واضحة يمكن تتبعها. وهي تتعلق بماهية تعلم الآلة، وبما يعتمد عليه، وبما اختار المؤلفون تغطيته وما اختاروا تركه.

كتاب ذو نسب دقيق #

لنبدأ بالحقائق التي تثبّت الموضوع. عنوان الكتاب Foundations of Machine Learning، وهذه هي الطبعة الثانية. وهو جزء من سلسلة Adaptive Computation and Machine Learning التي يحررها Francis Bach. والمؤلفون هم Mehryar Mohri وAfshin Rostamizadeh وAmeet Talwalkar. والناشر The MIT Press في كامبريدج بولاية ماساتشوستس، وحقوق النشر لمعهد ماساتشوستس للتكنولوجيا بتاريخ 2018. وتحمل الطبعة ذات الغلاف المقوّى الرقم ISBN 9780262039406.

تستحق تفصيلتان من تفاصيل الإنتاج جملة لكل منهما. فقد صفّ المؤلفون أنفسهم الكتاب بنظام LaTeX، وهو ما يلائم نصاً مكتظاً بالحدود والتعريفات والبراهين، وطُبع وجُلّد في الولايات المتحدة الأمريكية. لا تغيّر أي من التفصيلتين طريقة قراءتك للرياضيات. لكن المؤلفين الذين يصفّون كتابهم بأنفسهم قد مرّت أيديهم على كل صفحة، وفي كتاب من هذا النوع يبعث ذلك على الطمأنينة.

أما أصل المادة فأهم. فمعظمها يعود إلى مقرر للدراسات العليا يحمل أيضاً اسم Foundations of Machine Learning، درّسه المؤلف الأول في معهد Courant للعلوم الرياضية في جامعة نيويورك على مدى السنوات الأربع عشرة الماضية. هذا مصدر محدد يمكن التحقق منه. والكتاب الجامعي الذي نشأ من أربع عشرة سنة من تدريس مقرر واحد يُفترض أنه تشكّل بما وجده الطلاب صعباً، والتمارين والملاحق الموصوفة أدناه تُقرأ على هذا النحو. وسأحرص على ألا أدفع الاستنتاج أبعد مما يسمح به المصدر. فالمقدمة تذكر من أين جاءت المادة، ولا تذكر كم مراجعة مر بها المقرر أو ما الذي واجه الطلاب صعوبة فيه. وما تقوله كافٍ: هذه مادة مقرر دراسي، لا مسح مجمَّع من الأدبيات.

التعريف الذي يحمل العبء الأكبر #

كل ما يأتي لاحقاً يعتمد على جملة واحدة. يكتب المؤلفون أن تعلم الآلة يمكن تعريفه على نطاق واسع بأنه أساليب حاسوبية تستخدم الخبرة لتحسين الأداء أو لإجراء تنبؤات دقيقة.

لكل اسم في تلك الجملة عمل يؤديه. فعبارة «أساليب حاسوبية» تضع الموضوع داخل علوم الحاسوب. ثم تُحدَّد «الخبرة»: فهي تشير إلى المعلومات السابقة المتاحة للمتعلم. ولا تدّعي الجملة أن المتعلم يفهم شيئاً، ولا تقول شيئاً عن الذكاء. فالمتعلم لديه معلومات سابقة وهدف، هو تحسين الأداء أو التنبؤ الدقيق، والتخصص بأكمله يدور حول العلاقة بين الاثنين.

أرى أن هذا التعريف أنفع للقراء التقنيين ومؤسسي الشركات من التعريفات الأفخم المتداولة، لأنه يشير مباشرة إلى الروافع التي تتحكم فيها. فإذا كان التعلم دالة في المعلومات السابقة، فإن تأثيرك في النتيجة يكمن في نوع المعلومات التي تجمعها وكميتها. والادعاء التالي في النص يقول ذلك صراحة: جودة البيانات وحجمها حاسمان لنجاح التنبؤات التي يجريها المتعلم. ويُعرض هذا القول في النص بوصفه آلية بسيطة، من دون أي تحفظ.

ويصف المؤلفون التقنيات نفسها أيضاً. فهي أساليب مدفوعة بالبيانات تجمع بين مفاهيم أساسية في علوم الحاسوب وأفكار من الإحصاء والاحتمالات والتحسين (optimization). وتصلح تلك الجملة قائمةً للمتطلبات المسبقة وخريطةً لجيران المجال في آن واحد. فالفريق الذي يريد بناء أنظمة تعلم يستمد من علوم الحاسوب والإحصاء والاحتمالات والتحسين معاً. واعتبار أي منها اختيارياً قرار لا يؤيده الكتاب.

مثال محلول واحد: المستندات والموضوعات #

يرسّخ التمهيد التعريف في مسألة تعلم ملموسة. خذ عينة منتهية من مستندات مختارة عشوائياً، كل منها موسوم بموضوع. والمهمة هي استخدام تلك العينة للتنبؤ بموضوع مستندات لم تُرَ من قبل.

يستحق هذا الإعداد قراءة متأنية. فالعينة منتهية، ولذلك لا يرى المتعلم كل شيء أبداً. والمستندات مختارة عشوائياً، وهذا ما يتيح لعينة منتهية أن تقول شيئاً عن المستندات غير المرئية. وكل منها موسوم بموضوع، فيحظى المتعلم بإشراف. والهدف مستندات لم يرها، وهذا هو الفرق بين التنبؤ والحفظ.

ثم يستخلص المؤلفون أمرين يجعلان المهمة أسهل أو أصعب. الأول هو الحجم: من الواضح أنه كلما كبرت العينة سهلت المهمة. والثاني هو جودة الوسوم. فصعوبة المهمة تعتمد أيضاً على جودة الوسوم المسندة إلى المستندات في العينة، إذ قد لا تكون كلها صحيحة، وعلى عدد الموضوعات الممكنة.

تحتوي تلك الجملة على ثلاثة مقابض منفصلة. حجم العينة واحد. وصحة الوسوم ثانٍ. وعدد الموضوعات الممكنة هو الثالث. ولا يتعلق أي منها بالخوارزمية. فكلها خصائص للمسألة وللبيانات، وهي تحدد مدى صعوبة المسألة قبل اختيار أي أسلوب. وبالنسبة إلى مؤسس يقرر أين ينفق ميزانيته، هذه ملاحظة لافتة. فإذا كان بإمكانك تحسين الوسوم أو تكبير العينة، فأنت تعمل على العوامل التي سمّاها المؤلفون صراحة بوصفها محددات الصعوبة.

ويسمّي المثال مهمته أيضاً. فالتنبؤ بوسم مستند يُعرف كذلك بتصنيف المستندات (document classification)، ويسارع المؤلفون إلى إضافة أنه ليس بأي حال مهمة التعلم الوحيدة. ومن السهل تجاوز هذا التحفظ. فمثال المستندات مجرد وسيلة، والادعاء الكامن تحته عام.

ثلاثة أنواع من التعقيد لا اثنان #

هنا يقوم الكتاب بأكثر خطواته تميزاً، ومن السهل أن تفوتك لأنها تأتي في صورة ملاحظة قصيرة. يقول المؤلفون إن تعلم الآلة يتمثل في تصميم خوارزميات تنبؤ فعالة ودقيقة. وكما في مجالات أخرى من علوم الحاسوب، فإن التعقيد الزمني والتعقيد المكاني مقياسان حاسمان لجودة هذه الخوارزميات. وسيتعرف عليهما كل من درس الخوارزميات. كم تستغرق من الوقت، وكم من الذاكرة تحتاج؟

ثم تأتي الإضافة. يحتاج تعلم الآلة، فضلاً عن ذلك، إلى مفهوم تعقيد العينة لتقدير حجم العينة اللازم كي تتعلم الخوارزمية عائلة من المفاهيم. هذا هو المقياس الذي لا نظير له في روتين للفرز. فخوارزمية الفرز لا تحتاج إلى أن يقال لها كم مثالاً تتطلب. أما المتعلم فيحتاج، لأن مخرجه تنبؤ بحالات لم يرها، وكمية الخبرة وراء ذلك التنبؤ جزء مما تدفع ثمنه.

سأصوغ الأمر هكذا: يخبرك الزمن والمكان بكلفة تشغيل الخوارزمية، ويخبرك تعقيد العينة بكلفة تعليمها. والمتعلم السريع الذي يحتاج إلى عينة كبيرة إلى حد غير عملي ليس فعالاً بأي معنى يهم من يجمع البيانات. ووضع المقياس الثالث إلى جانب الاثنين الآخرين هو طريقة الكتاب في القول إن البيانات مورد له ثمن، يجب أن تُرصد له ميزانية كما للحوسبة والذاكرة.

ويستمر النص في الاتجاه نفسه. وبشكل أعم، تعتمد ضمانات التعلم النظرية لخوارزمية ما على تعقيد فئات المفاهيم المدروسة وعلى حجم عينة التدريب. هذه عبارة موجزة عما تتألف منه الضمانة. فهناك مدخلان، مدى ثراء عائلة المفاهيم وكمية بيانات التدريب المتوفرة لديك، والضمانة عبارة تربطهما بالأداء. ولاحظ ما يعنيه هذا لبنية الكتاب. فالفصول التالية مطالبة بتقديم طرق لقياس تعقيد فئة المفاهيم، ويُظهر فهرس المحتويات أنها تفعل ذلك.

ويشرح المؤلفون أيضاً سبب موقع المجال حيث هو. فبما أن نجاح خوارزمية التعلم يعتمد على البيانات المستخدمة، فإن تعلم الآلة مرتبط بطبيعته بتحليل البيانات والإحصاء. والآلية مذكورة بوضوح: النجاح يعتمد على البيانات، ولذلك يتشابك الموضوع مع التخصصات التي تدرس البيانات. وأجد هذه أصدق جملة في التمهيد. فهي لا تقدّم الإحصاء منافساً أو سلفاً. بل تقدّمه نتيجةً لما يعتمد عليه التعلم.

العمود الفقري النظري #

تذكر المقدمة كيف بُني الكتاب. فالفصول الثلاثة أو الأربعة الأولى تضع الأساس النظري للمادة اللاحقة. ويتيح لنا فهرس المحتويات أن نرى مما يتألف ذلك الأساس، على الأقل من خلال العناوين.

يحمل الفصل الأول في قائمة المحتويات عنوان «The PAC Learning Framework»، وتظهر داخله أقسام بعنوان «Guarantees for finite hypothesis sets - consistent case» و«Guarantees for finite hypothesis sets - inconsistent case». وتخبرنا أسماء الأقسام بأمرين. الأول أن الإطار ينتج ضمانات، وهذا يطابق تأكيد التمهيد. والثاني أن الضمانات مقسومة بحسب ما إذا كانت الحالة متسقة أو غير متسقة، وأن الكتاب يعالج الحالتين كلاً على حدة. ولن أخمّن ما تحتويه الحالتان المتسقة وغير المتسقة، لأن المصادر هنا لا تقدم سوى عناوين الأقسام. لكن هذا الاقتران يُظهر أن المؤلفين لا يعرضون مبرهنة واحدة نظيفة ثم يمضون. بل يمنحون الحالة الأصعب والأكثر فوضى قسمها الخاص.

الفصل التالي في القائمة هو «Rademacher Complexity and VC-Dimension». وتغطي أقسامه تعقيد Rademacher ودالة النمو وبُعد VC والحدود الدنيا. وإذا قُرئ هذا الفصل في ضوء التمهيد، فهو الجواب الطبيعي عن سؤال يطرحه التمهيد. فإذا كانت الضمانات تعتمد على تعقيد فئات المفاهيم المدروسة، فأنت بحاجة إلى أدوات لقياس ذلك التعقيد. ويُدرج تعقيد Rademacher ودالة النمو وبُعد VC بوصفها الأقسام التي تحمل هذا العبء. كما أن إدراج الحدود الدنيا في قائمة الأقسام جدير بالملاحظة. فالكتاب الذي يعرض الحدود العليا فقط يخبرك بما يمكن تحقيقه. أما الذي يتضمن الحدود الدنيا فيخبرك أيضاً بما لا يمكن تحقيقه.

ثم يأتي الفصل 4، «Model Selection»، بأقسام تشمل تقليل المخاطر التجريبية (ERM) وتقليل المخاطر البنيوية (SRM). وسنعود إلى هذا الفصل حين ننظر في الطبعة الثانية، لأنه من المواضع التي غيّرتها الطبعة الجديدة أكثر من غيرها.

البنية مقصودة. الأسس أولاً، ثم أدوات قياس التعقيد، ثم اختيار النموذج، وبعد ذلك فقط الخوارزميات. إنها طريقة تدريس يمكن الدفاع عنها، وتطابق وصف الكتاب نفسه لطريقة عمله: الفصول الأولى تضع النظرية، والباقي يُبنى عليها.

من النظرية إلى الخوارزميات: آلات المتجهات الداعمة والنوى #

تسمّي قائمة المحتويات أيضاً الفصول الخوارزمية التي تلي ذلك. أحدها بعنوان «Support Vector Machines»، بأقسام للحالة القابلة للفصل وغير القابلة للفصل. ويغطي كل من هذه الأقسام مسألة التحسين الأولية والمتجهات الداعمة ومسألة التحسين الثنائية. وفصل آخر بعنوان «Kernel Methods».

وشكل فصل آلات المتجهات الداعمة بحد ذاته مفيد. فالموضوعات الثلاثة نفسها تظهر تحت عنواني الحالة القابلة للفصل وغير القابلة للفصل: مسألة التحسين الأولية، والمتجهات الداعمة، ومسألة التحسين الثنائية. ويوحي هذا التكرار بمعالجة متوازية، أي الأسئلة نفسها مطروحة مرتين تحت افتراضات مختلفة. ويعكس هذا التوازي انقسام الحالتين المتسقة وغير المتسقة في فصل PAC، فيبرز نمط عبر الكتاب: الحالة النظيفة أولاً، ثم الحالة التي يسقط فيها الافتراض النظيف.

سأحذر من قراءة الكثير في فهرس المحتويات. فهو يستطيع أن يخبرنا بما يغطيه الكتاب وكيف يقسّم المادة. لكنه لا يستطيع أن يخبرنا بمدى جودة كتابة أي قسم، ولا شيء في هذه المصادر يقول ذلك. ما يُظهره هو أن لغة التحسين في فصل آلات المتجهات الداعمة، الأولية والثنائية، تعود إلى وصف التمهيد للتقنيات بأنها تجمع بين علوم الحاسوب وأفكار من الإحصاء والاحتمالات والتحسين. فخيط التحسين في تلك القائمة يظهر بشكل ملموس في عناوين هذه الأقسام.

ويخصص الكتاب أيضاً فصلاً مستقلاً لكل من التصنيف متعدد الفئات والترتيب والانحدار. وهذا قرار تصميمي يستحق الدفاع عنه. فقد كان من السهل معاملة هذه الموضوعات كحواشٍ على التصنيف الثنائي. ومنح كل منها فصلاً خاصاً يشير إلى أن المؤلفين يعدّونها مسائل متمايزة لها تحليلها الخاص، ويتسق مع الهدف المعلن المتمثل في عرض موحد لموضوعات متعددة بدلاً من عرض يحابي وجهة نظر واحدة.

ما يختار الكتاب ألا يغطيه #

أكثر مقاطع المقدمة إثارة للاهتمام يتعلق بالحذف. فالكتاب، كما يقول المؤلفون، مدخل عام إلى تعلم الآلة يمكن أن يكون مرجعاً للباحثين وكتاباً جامعياً للطلاب. وبعد هذا الادعاء الواسع يضيفون حداً: لقد اختاروا حذف بعض الموضوعات المهمة، ومنها النماذج الرسومية والشبكات العصبية.

قليلة هي الكتب الجامعية التي تقول هذا بهذه المباشرة، وأرى أن هذه الصراحة نقطة قوة. فالقارئ الذي يعرف مسبقاً ما هو مفقود يستطيع أن يخطط من حوله. ومن يحتاج إلى الشبكات العصبية يعرف أن يبحث في مكان آخر، بدلاً من أن يكتشف الفجوة في الفصل التاسع.

والأسباب مذكورة أيضاً. فالحذف جاء طلباً للإيجاز وبسبب الافتقار الحالي إلى ضمانات نظرية متينة لبعض الأساليب. سببان إذن. والإيجاز قيد عملي على أي كتاب. أما السبب الثاني فهو الذي يخبرك بشيء عن فلسفة الكتاب.

اربطه بالتمهيد. فضمانات التعلم النظرية هي ما يُنظَّم حوله هذا الكتاب. وتعتمد الضمانات على تعقيد فئات المفاهيم وعلى حجم عينة التدريب، وتأتي الفصول النظرية أولاً لأن كل ما عداها مبني عليها. والأسلوب الذي تفتقر إليه حالياً ضمانات متينة يجلس في موقع غير مريح في كتاب مبني بهذه الطريقة. وهكذا ينبع الحذف من الالتزام المركزي للكتاب. وهو متسق مع تعريف الموضوع الذي اختار المؤلفون أن يفتتحوا به.

ثمة نقطة تستدعي الحذر هنا. فالنص يقول «some methods»، فالادعاء إذن يتعلق بغياب ضمانات متينة لبعض الأساليب، لا لكل الموضوعات المحذوفة، ويقول «current»، وهو ما يربط الحكم بوقت الكتابة. وسأقاوم إغراء تلخيص ذلك بعبارة «الشبكات العصبية لا نظرية لها». فليس هذا ما يقوله المصدر. بل يقول إن الضمانات لبعض الأساليب غائبة حالياً، وإن هذا، إلى جانب الإيجاز، هو سبب ترك النماذج الرسومية والشبكات العصبية.

وبالنسبة إلى القراء التقنيين الذين يختارون ما يدرسونه، فإن النتيجة العملية بسيطة. يمنحك هذا الكتاب مفردات الضمانات، ويخبرك بوضوح بالمجالات التي لا يغطيها.

ما تغيّره الطبعة الثانية #

الطبعة الثانية أكثر من إعادة طبع مع تصحيحات. فالمقدمة تعدّد الإضافات، وكل منها يخبرنا أين رأى المؤلفون أن الطبعة الأولى كانت ضعيفة.

التغيير الأبرز هو فصل كامل عن اختيار النموذج، الفصل 4، في موضوع يصفه المؤلفون بأنه مهم وبأنه لم يُناقش إلا باقتضاب في الطبعة السابقة. واللغة مباشرة. فهم لا يدّعون أن الطبعة الأولى غطته جيداً. بل يقولون إنه نوقش باقتضاب فقط وإنهم منحوه الآن فصلاً كاملاً. وتشمل الأقسام تقليل المخاطر التجريبية (ERM) وتقليل المخاطر البنيوية (SRM)، كما تُظهر قائمة المحتويات.

لماذا يستحق اختيار النموذج هذه الترقية؟ المصادر لا تقول، ولن أخترع سبباً نيابة عن المؤلفين. لكن الموضع معبّر. فالفصل 4 يأتي مباشرة بعد الفصلين عن إطار PAC وعن تعقيد Rademacher وبُعد VC، مما يضعه داخل ما تسميه المقدمة الفصول الثلاثة أو الأربعة الأولى التي تضع الأساس النظري. فالمؤلفون لم يُلحقوا اختيار النموذج كفكرة لاحقة. بل بنوه في صلب الأساس النظري.

والإضافات التالية فصل جديد عن نماذج Maximum Entropy، الفصل 12، وفصل جديد عن نماذج Conditional Maximum Entropy، الفصل 13. وفصلان جديدان كلياً توسع كبير، والكتاب يخصص الآن فصلين متتاليين لهذا الزوج.

وتتغير الملاحق كذلك. فقد أضاف المؤلفون قسماً كاملاً عن ثنائية Fenchel إلى الملحق B الخاص بالتحسين المحدّب، وأضافوا الملحق E عن نظرية المعلومات. ويتضمن الكتاب أيضاً ملحقاً مستفيضاً يقدّم مراجعة موجزة للجبر الخطي. وتشير هذه التغييرات إلى اتجاه واحد: الرياضيات الداعمة نمت إلى جانب الفصول. فثنائية Fenchel تنضم إلى ملحق التحسين المحدّب، ونظرية المعلومات تحصل على ملحقها الخاص. وسأمتنع عن القول إن نظرية المعلومات موجودة تحديداً لدعم فصول Maximum Entropy، لأن المصادر لا تذكر مثل هذه الصلة، والإضافتان تظهران في المقدمة بندين منفصلين. وتزامنهما في الطبعة نفسها مصادفة سأتركها كذلك.

لمن الكتاب، وكيف يتوقع أن يُقرأ #

يحدد الكتاب جمهوره: فهو موجّه إلى الطلاب والباحثين في تعلم الآلة والإحصاء والمجالات الأخرى ذات الصلة. وتضم القائمة الإحصاء بالاسم، وهو ما يردد صدى نقطة التمهيد بأن تعلم الآلة مرتبط بطبيعته بتحليل البيانات والإحصاء.

ويحدد أيضاً ما يفترضه. فيُتوقع من القارئ أن يكون مطلعاً على المفاهيم الأساسية في الجبر الخطي والاحتمالات وتحليل الخوارزميات. وهي قائمة قصيرة، تطابق قائمة المكونات في التمهيد، وإن لم تطابقها تماماً. فالتمهيد يسمّي علوم الحاسوب والإحصاء والاحتمالات والتحسين مصادرَ للتقنيات. أما المتطلبات المسبقة فتسمّي الجبر الخطي والاحتمالات وتحليل الخوارزميات. والتحسين ليس بين المتطلبات المسبقة، ويعالج الكتاب ذلك من الجهة الأخرى: الملحق B يغطي التحسين المحدّب، مع القسم الجديد عن ثنائية Fenchel. والجبر الخطي متوقع بوصفه خلفية، ومع ذلك يقدّم الكتاب الملحق المستفيض الذي يراجعه. وهكذا تتداخل المتطلبات المسبقة والملاحق عن قصد، والقارئ الذي صدئ جبره الخطي يجد مراجعة موجزة بين دفتي الكتاب نفسه.

والمنهج التعليمي مذكور بوضوح أيضاً. فكل فصل يختتم بسلسلة من التمارين، مع حلول كاملة تُقدَّم بشكل منفصل. وهذا ترتيب معقول لكتاب يخدم جمهورين. فالطالب يستطيع أن يحاول حل التمارين ثم يقارن بالحلول، والباحث الذي يستخدم الكتاب مرجعاً لا يُجبر على تجاوز إجابات محلولة في كل صفحة. أما ما إذا كانت الحلول تأتي في مجلد منفصل أو في وثيقة أخرى، فالمصدر لا يقول، سوى أنها تُقدَّم بشكل منفصل، ولذلك سأترك الأمر عند هذا الحد.

وإذا أُخذت معاً، فإن الجمهور والمتطلبات المسبقة والتمارين والملاحق تصف كتاباً مصمماً لكي يُدرس من أوله إلى آخره. وتقف وراء هذا التصميم أربع عشرة سنة من التدريس في معهد Courant. والمقرر الذي يُدرَّس مراراً يميل إلى إنتاج هذا النوع من الأدوات، وإن كانت المقدمة لا تدّعي هذه الصلة صراحة، وأنا أقدمها قراءةً للأدلة فحسب، لا نتيجةً مثبتة.

التطبيقات واسعة، والكتاب يقول ذلك #

قد يُظن خطأً أن كتاباً بهذا القدر من النظرية بعيد عن الممارسة. ويستبق التمهيد ذلك بعبارة بسيطة: يقبل تعلم الآلة مجموعة واسعة جداً من التطبيقات العملية. والتطبيق الذي يسمّيه هو تصنيف النصوص أو المستندات، الذي يشمل كشف الرسائل المزعجة (spam).

كشف الرسائل المزعجة مثال جيد لسبب يشرحه إطار المؤلفين أنفسهم. فهو مسألة تصنيف مستندات بالمعنى الدقيق للمثال السابق: مستندات موسومة تدخل، وتنبؤات بمستندات غير مرئية تخرج. وعاملا حجم العينة وجودة الوسوم ينطبقان عليه مباشرة. فالعينة الأكبر تسهّل المهمة، والرسائل الموسومة خطأً تصعّبها. وعدد الفئات الممكنة صغير، وهو ما يؤثر في الصعوبة أيضاً بحسب منطق المقطع السابق. وأنا أطبق العوامل التي يذكرها الكتاب على المثال الذي يذكره، ولا أدّعي شيئاً عن مرشحات الرسائل المزعجة في الواقع.

وفي موضع هذا المقطع حجة هادئة أيضاً. فالمؤلفون يقدّمون تصنيف المستندات بوصفه مهمة تعلم ثم يشيرون فوراً إلى أنها ليست بأي حال المهمة الوحيدة. فالتطبيقات واسعة لأن التعريف الكامن واسع. وكل ما يندرج تحت «أساليب حاسوبية تستخدم الخبرة لتحسين الأداء أو لإجراء تنبؤات دقيقة» مؤهل. وهذه العمومية هي أيضاً سبب اهتمام الكتاب بالنظرية. فالإطار الذي يُراد له أن يغطي مجموعة واسعة جداً من التطبيقات لا يمكن ربطه بتفاصيل تطبيق واحد، والضمانات المصاغة بدلالة تعقيد فئة المفاهيم وحجم العينة هي بالضبط النوع الذي ينتقل بين المسائل.

الرهان الذي يعقده الكتاب #

اجمع الخيوط معاً فيبرز موقف متماسك، وهو أكثر مما يستطيع فهرس محتويات معظم الكتب الجامعية أن يدّعيه. فالكتاب يعرّف التعلم بدلالة الخبرة والتنبؤ. ويسمّي ثلاثة أنواع من التعقيد، الزمني والمكاني وتعقيد العينة، مقاييسَ للجودة. ويربط الضمانات بتعقيد فئة المفاهيم وحجم العينة، ويضع النظرية التي تقدّم تلك الضمانات في المقدمة. ثم يبني الفصول الخوارزمية على هذا الأساس ويقول صراحة أي المجالات الرائجة يتركها لأن الضمانات لبعض الأساليب ليست، حتى الآن، متينة.

إنه رهان على النظرية بوصفها ما يدوم. وأستطيع أن أفهم لماذا يعقده فريق من المؤلفين قضى سنوات في تدريس مقرر للدراسات العليا. وللرهان كلفة، والمؤلفون يسمّونها: حذف النماذج الرسومية والشبكات العصبية هو ثمن الإصرار على ضمانات متينة. وعلى القارئ أن يزن تلك الكلفة بصدق. فإذا كان عملك تهيمن عليه المجالات المحذوفة، فهذا الكتاب أساس لا دليل عملي. وإذا كان عملك يتطلب التفكير في ما إذا كان المتعلم سيعمّم انطلاقاً من عينة منتهية، فإن مفردات الكتاب هي جوهره.

بالنسبة إلى المؤسسين، الدرس المفيد هو الأقل بريقاً. فجودة البيانات وحجمها حاسمان لنجاح التنبؤات، وصعوبة المهمة تعتمد على جودة الوسوم وعلى عدد الموضوعات الممكنة. وهذه عبارات عن مدخلات يمكنك التأثير فيها في الغالب. ولا يعد الكتاب بأن أي خوارزمية بعينها ستنقذ عينة هزيلة أو موسومة خطأً، وهو محق في ذلك.

أما بالنسبة إلى القراء التقنيين، فالسؤال الأكثر إثارة هو الذي تتركه المقدمة مفتوحاً. فقد حذف المؤلفون بعض الأساليب بسبب الافتقار الحالي إلى ضمانات نظرية متينة. وكلمة «current» تؤطر ذلك بوصفه حالاً قائمة وقت الكتابة، والمصادر لا تقول ما إذا كان ذلك قد يتغير، أو كيف. فما الذي يتطلبه الأمر كي تصبح تلك الضمانات متينة بما يكفي لتستحق فصلاً؟ لا يستطيع الكتاب الإجابة عن ذلك. لكنه، بدقته في تحديد ما يتركه ولماذا، يُظهر على الأقل أين ينبغي البحث.

ماذا يعني هذا لكل قطاع #

يوفر الإصرار على ضمانات التعلم الإحصائي وتعقيد العينة حدوداً قابلة للتطبيق في عدة مجالات من البرمجيات والبحث.

تعلم الآلة الأكاديمي وتصميم المناهج #

يجب على البرامج التعليمية أن تقاوم الضغط لمعاملة تعلم الآلة بوصفه هندسة أوامر (prompt engineering) تجريبية أو أعمال ربط بين الأطر البرمجية. فتأسيس الطلاب في إطار PAC وتعقيد Rademacher وتقليل المخاطر البنيوية يرسّخ حدساً رياضياً دائماً يصمد أمام تقلب معماريات التعلم العميق العابرة.

هندسة الذكاء الاصطناعي في المؤسسات وتقييم البيانات #

كثيراً ما تخصص المؤسسات الهندسية التي تنشر أنظمة تنبؤية رأس مال مفرطاً للحوسبة (حجم النموذج) بينما تهمل تعقيد العينة ودقة الوسوم. ولأن خطأ التعميم محدود بدقة بتعقيد فئة المفاهيم نسبةً إلى حجم العينة، تحقق الفرق عائداً أفضل على الاستثمار حين تستثمر في تعليق توضيحي نظيف وتدقيق العينات بدلاً من نماذج أكبر غير منتظمة (unregularized).

أبحاث الذكاء الاصطناعي المتقدمة وتدقيق النماذج #

مع فرض أطر تنظيمية مثل قانون الاتحاد الأوروبي للذكاء الاصطناعي حدوداً قابلة للتنبؤ على أنظمة القرار الآلي، تصبح ضمانات التعلم الإحصائي المصاغة في Foundations of Machine Learning ضرورات للامتثال. فالجهات التنظيمية ومدققو السلامة يطلبون حدود تعميم قابلة للإثبات وبروتوكولات صارمة لاختيار النماذج بدلاً من درجات تحقق تجريبية.

الخلاصة #

يظل Foundations of Machine Learning مرساة لا غنى عنها في مجال كثيراً ما تغويه التجريبية الخام. فببناء منهج كامل حول التعلم PAC وتعقيد Rademacher وبُعد VC، يذكّر Mehryar Mohri وAfshin Rostamizadeh وAmeet Talwalkar الباحثين بأن الأناقة الخوارزمية لا تعوّض عن الضمانات الرياضية. وحذف المؤلفين الصريح للشبكات العصبية والنماذج الرسومية بسبب غياب ضمانات بصيغة مغلقة ليس عيباً - بل هو مصدر القوة الذي يميّز الكتاب، إذ يفصل بوضوح بين ما يستطيع التخصص إثباته بصرامة وما يكتفي بملاحظته.

الأسئلة الشائعة #

لماذا حذف المؤلفون الشبكات العصبية والنماذج الرسومية من الطبعة الثانية؟

حذف المؤلفون الشبكات العصبية والنماذج الرسومية عن قصد طلباً للإيجاز وبسبب الافتقار المعاصر إلى ضمانات نظرية متينة لعدد من تلك الأساليب. فالكتاب منظم بصرامة حول خوارزميات تقبل حدود تعميم صارمة.

ما الذي يميز تعقيد العينة عن التعقيد الزمني والمكاني؟

بينما يقيّم التعقيد الزمني سرعة التنفيذ ويقيس التعقيد المكاني استهلاك الذاكرة، يحدد تعقيد العينة الكمية الرياضية من بيانات التدريب التي تحتاجها الخوارزمية لتعلم عائلة من المفاهيم ضمن هوامش خطأ وثقة محددة.

ما الفرق الجوهري بين تقليل المخاطر التجريبية وتقليل المخاطر البنيوية؟

يختار تقليل المخاطر التجريبية (ERM) الفرضية التي تقلل خطأ التدريب مباشرة، مع خطر الإفراط في التوفيق (overfitting) حين يكون تعقيد الفرضية مرتفعاً. أما تقليل المخاطر البنيوية (SRM) فيوازن بين خطأ التدريب وتعقيد الفرضية (مثل بُعد VC أو تعقيد Rademacher)، ويقدّم حدوداً رسمية لمخاطر التعميم.

المراجع #

• Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar, (2018). أسس تعلم الآلة، الطبعة الثانية ⧉. The MIT Press.
• Leslie G. Valiant, (1984). نظرية القابل للتعلم ⧉. Communications of the ACM.
• Vladimir N. Vapnik, (1998). نظرية التعلم الإحصائي ⧉. John Wiley & Sons.

آخر مراجعة 2026-10-10.

آخر مراجعة 2026-10-27.

# فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/](https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/)

يتناول كتاب Foundations of Machine Learning (MIT Press، 2018) تعلم الآلة بوصفه تصميم خوارزميات تنبؤ فعالة ودقيقة، ويبني منهجه حول تعقيد العينة والضمانات النظرية.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/

فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau

يتناول كتاب Foundations of Machine Learning (MIT Press، 2018) تعلم الآلة بوصفه تصميم خوارزميات تنبؤ فعالة ودقيقة، ويبني منهجه حول تعقيد العينة والضمانات النظرية.

https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/

فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau

يتناول كتاب Foundations of Machine Learning (MIT Press، 2018) تعلم الآلة بوصفه تصميم خوارزميات تنبؤ فعالة ودقيقة، ويبني منهجه حول تعقيد العينة والضمانات النظرية.

إليك أبرز النقاط الاستراتيجية:

- كتاب ذو نسب دقيق. لنبدأ بالحقائق التي تثبّت الموضوع.
- التعريف الذي يحمل العبء الأكبر. كل ما يأتي لاحقاً يعتمد على جملة واحدة.
- مثال محلول واحد: المستندات والموضوعات. يرسّخ التمهيد التعريف في مسألة تعلم ملموسة.
- ثلاثة أنواع من التعقيد لا اثنان. هنا يقوم الكتاب بأكثر خطواته تميزاً، ومن السهل أن تفوتك لأنها تأتي في صورة ملاحظة قصيرة.

ما هو نهج مؤسستك في مواجهة التحديات المذكورة في هذا المقال؟

→ https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/

#تعلمالآلة،كتابجامعي،فهرسالمحتويات،FoundationsOfMachineLearning،تعقيدالعينة،تعقيدRademacher،بُعدVc،التعلمPac،ضماناتالتعلم،اختيارالنموذج

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026فهرس,
  author  = {Rousseau, Sebastien},
  title   = {{فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/
ER  -

Rousseau S. فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 10. Available from: https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/

Rousseau, Sebastien. "فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau." sebastienrousseau.com. October 10, 2026. https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/.

Rousseau, S. (2026, October 10). فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/

فهرس كتاب في تعلم الآلة وما يكشفه عن هذا المجال — Sebastien Rousseau

يتناول كتاب Foundations of Machine Learning (MIT Press، 2018) تعلم الآلة بوصفه تصميم خوارزميات تنبؤ فعالة ودقيقة، ويبني منهجه حول تعقيد العينة والضمانات النظرية.

Originally published at https://sebastienrousseau.com/ar/2026-10-10-fihris-kitab-taallum-alala-wama-yakshifuh/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER