MNIST

```wiki

MNIST: مجموعة بيانات الأرقام المكتوبة بخط اليد

MNIST (Modified National Institute of Standards and Technology database) هي مجموعة بيانات قياسية في مجال التعلم الآلي، وتحديداً في مجال الرؤية الحاسوبية والتعرف على الأنماط. تُستخدم على نطاق واسع كـ "مجموعة بيانات بداية" لتدريب وتقييم نماذج الشبكات العصبية وخوارزميات التعلم الآلي الأخرى. يهدف هذا المقال إلى تقديم شرح شامل لمجموعة بيانات MNIST للمبتدئين، بدءًا من وصف البيانات وصولًا إلى استخداماتها الشائعة.

وصف مجموعة البيانات

تتكون مجموعة بيانات MNIST من 70,000 صورة لأرقام مكتوبة بخط اليد. يتم تقسيم هذه الصور إلى مجموعتين:

• مجموعة التدريب (Training set): تحتوي على 60,000 صورة تستخدم لتدريب نماذج التعلم الآلي.
• مجموعة الاختبار (Test set): تحتوي على 10,000 صورة تستخدم لتقييم أداء النماذج المدربة.

كل صورة في مجموعة البيانات هي صورة رمادية (Grayscale) بحجم 28 × 28 بكسل. القيمة لكل بكسل تمثل شدة اللون الرمادي، وتتراوح بين 0 (أسود) و 255 (أبيض). كل صورة مرتبطة بتصنيف (label) يمثل الرقم الذي تمثله الصورة، حيث تتراوح الأرقام بين 0 و 9.

مثال: صورة تمثل الرقم "5" ستكون مصحوبة بالتصنيف "5".

تنسيق البيانات

تتوفر مجموعة بيانات MNIST عادةً بتنسيقات مختلفة، ولكن أكثرها شيوعًا هي:

• ملفات numpy (.npy): تخزين البيانات كصفائف numpy، وهي تنسيق شائع في بايثون و التعلم العميق.
• ملفات CSV (Comma Separated Values): تخزين البيانات كقيم مفصولة بفواصل، وهي تنسيق نصي بسيط يمكن قراءته بسهولة.
• تنسيق IDX (Index): تنسيق أصلي تستخدمه مكتبة MNIST.

بغض النظر عن التنسيق، تتضمن البيانات عادةً:

• الصور (Images): مصفوفة ثلاثية الأبعاد تمثل الصور، حيث يكون البعد الأول هو عدد الصور، والبعدين الثاني والثالث يمثلان أبعاد الصورة (28 × 28).
• التصنيفات (Labels): مصفوفة أحادية البعد تمثل تصنيفات الصور، حيث يمثل كل عنصر في المصفوفة الرقم الذي تمثله الصورة المقابلة.

استخدامات مجموعة بيانات MNIST

تُستخدم مجموعة بيانات MNIST على نطاق واسع في:

• التدريب والتقييم الأولي للنماذج: نظرًا لبساطتها وحجمها المعقول، تُستخدم MNIST كأول مجموعة بيانات يتعامل معها المبتدئون في مجال التعلم الآلي.
• تطوير خوارزميات جديدة: تُستخدم MNIST كمعيار لتقييم أداء الخوارزميات الجديدة ومقارنتها بالخوارزميات الموجودة.
• التعليم والبحث: تُستخدم MNIST في الدورات التدريبية والمختبرات البحثية لشرح مفاهيم التعلم الآلي وتجربة تقنيات مختلفة.
• التحقق من صحة التطبيقات: تستخدم للتحقق من صحة تطبيقات التعرف الضوئي على الحروف (OCR) البسيطة.

أمثلة على نماذج التعلم الآلي المستخدمة مع MNIST

• الانحدار اللوجستي (Logistic Regression): نموذج خطي بسيط يمكن استخدامه لتصنيف الصور.
• آلات المتجهات الداعمة (Support Vector Machines - SVM): نموذج قوي يمكن استخدامه لتصنيف الصور غير الخطية.
• الشبكات العصبية الاصطناعية (Artificial Neural Networks - ANN): نماذج معقدة يمكنها تعلم أنماط معقدة في البيانات. تتضمن أنواع الشبكات العصبية الشائعة المستخدمة مع MNIST:

   *   الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNN):  تعتبر CNNs هي الأكثر فعالية في التعرف على الصور، حيث تستخدم طبقات تلافيفية لاستخراج الميزات من الصور.
   *   الشبكات العصبية ذات التغذية الأمامية (Feedforward Neural Networks):  شبكات بسيطة تتكون من طبقات متصلة بالكامل.

• أشجار القرار (Decision Trees): نماذج بسيطة وسهلة الفهم يمكن استخدامها لتصنيف الصور.
• الغابات العشوائية (Random Forests): مجموعة من أشجار القرار التي تعمل معًا لتحسين الدقة.

تحميل واستخدام مجموعة بيانات MNIST في بايثون

يمكن تحميل مجموعة بيانات MNIST بسهولة باستخدام مكتبات التعلم العميق مثل TensorFlow و Keras و PyTorch.

مثال باستخدام Keras:

```python import tensorflow as tf

1. تحميل مجموعة بيانات MNIST

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

1. طباعة شكل البيانات

print("شكل مجموعة التدريب:", x_train.shape) print("شكل مجموعة الاختبار:", x_test.shape)

1. تحويل البيانات إلى نطاق [0, 1]

x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0

1. عرض بعض الصور

import matplotlib.pyplot as plt

plt.imshow(x_train[0], cmap='gray') plt.title(f"الرقم: {y_train[0]}") plt.show() ```

تحسين الأداء على MNIST

يمكن تحسين أداء نماذج التعلم الآلي على MNIST من خلال:

• معالجة مسبقة للبيانات (Data Preprocessing): مثل تسوية البيانات (Normalization) وتوسيع البيانات (Data Augmentation).
• ضبط المعلمات الفائقة (Hyperparameter Tuning): مثل معدل التعلم (Learning Rate) وحجم الدفعة (Batch Size) وعدد الطبقات في الشبكة العصبية.
• استخدام تقنيات التنظيم (Regularization Techniques): مثل التسرب (Dropout) والوزن L1/L2.
• استخدام بنى شبكات عصبية أكثر تعقيدًا (More Complex Neural Network Architectures): مثل استخدام CNNs مع طبقات تلافيفية متعددة وطبقات تجميع (Pooling Layers).

الأهمية في سياق الخيارات الثنائية (Binary Options)

على الرغم من أن MNIST هي مجموعة بيانات للرؤية الحاسوبية، إلا أن فهم مبادئها يمكن أن يكون مفيدًا في سياق الخيارات الثنائية. فالتعلم الآلي يستخدم بشكل متزايد في تطوير أنظمة تداول آلية للخيارات الثنائية. على سبيل المثال:

• التعرف على الأنماط في الرسوم البيانية: يمكن استخدام تقنيات مشابهة لتلك المستخدمة في MNIST للتعرف على الأنماط في الرسوم البيانية للأسعار، والتي يمكن أن تساعد في التنبؤ باتجاهات الأسعار.
• تحليل البيانات التاريخية: يمكن استخدام نماذج التعلم الآلي المدربة على بيانات تاريخية للتنبؤ باحتمالية نجاح صفقة خيارات ثنائية.
• إدارة المخاطر: يمكن استخدام نماذج التعلم الآلي لتقييم المخاطر المرتبطة بصفقة خيارات ثنائية وتحديد حجم الصفقة المناسب.

استراتيجيات الخيارات الثنائية ذات الصلة

• استراتيجية الاتجاه (Trend Following Strategy): تعتمد على تحديد الاتجاه السائد في السوق والتداول في اتجاهه.
• استراتيجية الاختراق (Breakout Strategy): تعتمد على تحديد مستويات الدعم والمقاومة والتداول عند اختراق هذه المستويات.
• استراتيجية التداول المتأرجح (Swing Trading Strategy): تعتمد على الاستفادة من التقلبات قصيرة الأجل في الأسعار.
• استراتيجية مارتينجال (Martingale Strategy): استراتيجية خطيرة تعتمد على مضاعفة حجم الصفقة بعد كل خسارة.
• استراتيجية فيبوناتشي (Fibonacci Strategy): تعتمد على استخدام مستويات فيبوناتشي لتحديد نقاط الدخول والخروج.
• استراتيجية بولينجر باند (Bollinger Bands Strategy): تستخدم نطاقات بولينجر لتحديد التقلبات وتحديد نقاط الشراء والبيع.
• استراتيجية مؤشر القوة النسبية (RSI Strategy): تستخدم مؤشر القوة النسبية لتحديد مناطق ذروة الشراء والبيع.
• استراتيجية متوسطات متحركة (Moving Averages Strategy): تستخدم متوسطات متحركة لتحديد الاتجاهات وتحديد نقاط التقاطع.
• استراتيجية سكالبر (Scalping Strategy): تهدف إلى تحقيق أرباح صغيرة من خلال إجراء العديد من الصفقات القصيرة الأجل.
• استراتيجية النطاق (Range Trading Strategy): تعتمد على التداول ضمن نطاق سعري محدد.

التحليل الفني والمؤشرات

• التحليل الفني (Technical Analysis): دراسة الرسوم البيانية للأسعار والمؤشرات الفنية للتنبؤ باتجاهات الأسعار.
• مؤشر الماكد (MACD): مؤشر يوضح العلاقة بين متوسطين متحركين للأسعار.
• مؤشر ستوكاستيك (Stochastic Oscillator): مؤشر يقيس زخم السعر.
• مؤشر ADX (Average Directional Index): مؤشر يقيس قوة الاتجاه.
• مؤشر Ichimoku Cloud: مؤشر شامل يوفر معلومات حول الاتجاه والدعم والمقاومة والزخم.
• تحليل حجم التداول (Volume Analysis): دراسة حجم التداول لتأكيد الإشارات الفنية.

الاتجاهات

• الاتجاه الصاعد (Uptrend): سلسلة من القمم والقيعان المرتفعة.
• الاتجاه الهابط (Downtrend): سلسلة من القمم والقيعان المنخفضة.
• الاتجاه الجانبي (Sideways Trend): تحرك السعر ضمن نطاق ضيق.

الخلاصة

MNIST هي مجموعة بيانات قيمة للتعلم الآلي، خاصة للمبتدئين. فهم مبادئها واستخداماتها يمكن أن يوفر أساسًا قويًا لتطوير نماذج التعلم الآلي الأكثر تعقيدًا، والتي يمكن تطبيقها في مجالات متنوعة، بما في ذلك التداول الآلي للخيارات الثنائية. من خلال استكشاف هذه المجموعة وتجربة خوارزميات مختلفة، يمكن للمرء اكتساب فهم أعمق لقدرات التعلم الآلي وتطبيقاته العملية. ``` ```

ابدأ التداول الآن

سجّل في IQ Option (الحد الأدنى للإيداع 10 دولار) افتح حساباً في Pocket Option (الحد الأدنى للإيداع 5 دولار)

انضم إلى مجتمعنا

اشترك في قناة Telegram الخاصة بنا @strategybin لتصلك: ✓ إشارات تداول يومية ✓ تحليلات استراتيجية حصرية ✓ تنبيهات اتجاهات السوق ✓ مواد تعليمية للمبتدئين