# كيف تبني أول نموذج تعلم آلة ببايثون باستخدام Scikit-Learn خطوة بخطوة

> شرح عملي لبناء أول نموذج تعلم آلة باستخدام Scikit-Learn في بايثون عبر خطوات تقسيم البيانات وPipeline والتقييم وتجنب تسرب البيانات.

- **الناشر**: منصة إيجي مونيتور | EgyMonitor (https://egymonitor.com)
- **الرابط الأصلي**: [https://egymonitor.com/posts/build-first-ml-model-python-scikit-learn](https://egymonitor.com/posts/build-first-ml-model-python-scikit-learn)
- **القسم**: [الذكاء الاصطناعي](https://egymonitor.com/categories/artificial-intelligence)
- **الكاتب**: عبدالرحمن شوقي
- **تاريخ النشر**: 2026-11-19 20:01
- **الكلمات المفتاحية**: الذكاء الاصطناعي, تعلم الآلة, Data Science, بايثون, Scikit-Learn

---

**توفر مكتبة Scikit-Learn واجهة موحدة وبسيطة لبناء نماذج تعلم الآلة الكلاسيكية عبر ثلاث خطوات قياسية: التهيئة، ثم التدريب عبر `fit()`، ثم التنبؤ عبر `predict()`، مع الاعتماد على `Pipeline` لضمان عدم تسرب بيانات الاختبار إلى التدريب.**

## لماذا تبقى Scikit-Learn أساس التعلم الآلي في الشركات؟

على الرغم من صعود الشبكات العصبية العميقة، فإن معظم بيانات الأعمال في البنوك والتجارة الإلكترونية والرعاية الصحية هي بيانات جدولية (Tabular Data)، حيث تتفوق خوارزميات Scikit-Learn في السرعة، وقابلية التفسير، والتكلفة المنخفضة مقارنة بالنماذج الضخمة.

- **فصل البيانات:** نقسم البيانات إلى مجموعة تدريب ومجموعة اختبار عبر `train_test_split` لقياس الأداء الحقيقي على بيانات لم يرها النموذج.
- **توحيد المعالجة عبر Pipeline:** دمج التحجيم (Scaling) مع النموذج يمنع تسرب المعلومات الإحصائية لمجموعة الاختبار (Data Leakage).
- **تقييم النموذج:** اختيار المقياس المناسب مثل الدقة (Accuracy) أو F1 للتصنيف، ومتوسط مربع الخطأ (RMSE) للانحدار.

## أهم وحدات Scikit-Learn ووظائفها

الوحدةالمسار البرمجيالدور في خط الإنتاجتقسيم البيانات`sklearn.model_selection`التقسيم والتحقق المتقاطع (Cross-Validation)المعالجة المسبقة`sklearn.preprocessing`تحجيم الأرقام وترميز النصوص الفئويةالنماذج`sklearn.ensemble` / `linear_model`تدريب أشجار القرار، الغابات العشوائية، والانحدارالأنابيب`sklearn.pipeline`ربط المعالجة والتدريب في كائن واحد آمن

## كود كامل لبناء وتقييم نموذج تصنيف

```
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import make_pipeline
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = make_pipeline(StandardScaler(), RandomForestClassifier(n_estimators=100, random_state=42))
model.fit(X_train, y_train)

preds = model.predict(X_test)
print(f"دقة النموذج: {accuracy_score(y_test, preds):.2%}")
```

> النموذج الذي يحقق دقة 99% على بيانات التدريب و60% على الاختبار يعاني من فرط التخصيص (Overfitting)؛ التحقق المتقاطع (Cross-Validation) هو خط الدفاع الأول ضد هذا الخلل.

### أسئلة شائعة

- **السؤال:** كيف أحفظ النموذج المدرب لاستخدامه لاحقاً في الإنتاج؟ **الإجابة:** استخدم مكتبة `joblib.dump(model, "model.joblib")` لحفظ الـ Pipeline كاملاً مع خطوات المعالجة.
- **السؤال:** متى أترك Scikit-Learn وأنتقل إلى PyTorch؟ **الإجابة:** عند التعامل مع الصور، الصوت، الفيديو، أو النصوص الحرة الطويلة التي تتطلب تعلماً عميقاً.
- **السؤال:** ما فائدة التحقق المتقاطع (K-Fold Cross-Validation)؟ **الإجابة:** يقسم البيانات إلى عدة أجزاء ويدرب النموذج على تركيبات مختلفة لضمان استقرار التقييم.
