كورس تعلم الآلة | ٢٦. Manifold Learning غير الخطي باستخدام Locally Linear Embedding

في هذا الفيديو نكمل شرح Manifold Learning وننتقل إلى حالة أكثر تعقيدًا، حيث تصبح البيانات غير خطية (Nonlinear)، ونوضّح عمليًا لماذا تفشل خوارزمية Multidimensional Scaling (MDS) في هذه الحالات. رابط دفتر Google Colab مع الكود: https://colab.research.google.com/dri... نبدأ بمثال بصري واضح لبيانات تم ثنيها وتحويلها بشكل غير خطي إلى شكل S في فضاء ثلاثي الأبعاد. رغم أن البيانات ما زالت تحتوي على نفس البنية الداخلية، إلا أن المسافات العالمية بين النقاط تتشوّه، مما يجعل MDS غير قادر على “فرد” الـ manifold واسترجاع شكله الحقيقي. بعد ذلك نطرح الفكرة الأساسية وراء خوارزميات Manifold Learning غير الخطية: بدلًا من الحفاظ على جميع المسافات، لماذا لا نحافظ فقط على العلاقات المحلية بين النقاط القريبة؟ ومن هنا ننتقل إلى شرح خوارزمية Locally Linear Embedding (LLE)، ونوضّح: الفرق الجوهري بين MDS و LLE لماذا الحفاظ على البنية المحلية أكثر فاعلية مع البيانات المنحنية كيف تنجح LLE في استرجاع البنية منخفضة الأبعاد للـ manifold الفرق بين الحفاظ على المسافات العالمية مقابل المحلية كما نطبّق عمليًا نسخة Modified LLE، ونبيّن لماذا تُعد أكثر استقرارًا في الحالات العملية. في نهاية الفيديو نناقش ملاحظات مهمة حول Manifold Learning في الواقع العملي، مثل: الحساسية للضوضاء اختيار عدد الجيران صعوبة التفسير التكلفة الحسابية متى نستخدم Manifold Learning ومتى لا يُنصح بذلك