التنبؤ بالإصابة بعسر القراءة باستخدام لغة R
الشبكة العصبية الاصطناعية (ANN):
هي جزء من نظام حوسبي مصمم لمحاكاة طريقة تحليل الدماغ البشري للمعلومات ومعالجتها. إنه أساس الذكاء الاصطناعي (AI) ويحل المشكلات التي قد تكون مستحيلة أو صعبة وفقًا للمعايير البشرية أو الإحصائية. كما أنها إحدى الأدوات الرئيسية المستخدمة في التعلم الآلي. وهي أنظمة مستوحاة من الدماغ تهدف إلى محاكاة الطريقة التي نتعلم بها نحن البشر.
تتكون الشبكات العصبية من طبقات الإدخال (Input Layers) وطبقات الإخراج (Output Layers) ،وكذلك (في معظم الحالات) طبقات مخفية (Hidden Layers ) تتكون من وحدات Neuron تحول المدخلات إلى قيم يمكن لطبقة المخرجات استخدامه.
تعتبر أدوات ممتازة للعثور على أنماط معقدة جدًا أو كثيرة جدًا بالنسبة للمبرمج البشري لاستخراجها وتعليم الآلة التعرف عليها. تُبنى الشبكات العصبية الاصطناعية مثل الدماغ البشري ، حيث يتم ربط العقد العصبية ببعضها البعض مثل شبكة الويب.
شبكة عصبية اصطناعية
Neuron
مجموعة البيانات المستخدمة (Dataset):
للتنبؤ بالإصابة بعسر القراءة ، تم اجراء الاختبار على 3644 شخص .
تحتوي مجموعة البيانات على مجموعة من الخصائص والتي تم تدريب واختبار النموذج عليها وهي :
جنس المشاركين، أعمارهم، لغة الاختبار اذا كانت لغتهم الأم أو لغة أخرى، دقة نتيجة الإجابة على السؤال، هل هم مصابين أو لا.
الهدف:
تدريب النموذج والتنبؤ فيما إذا كان المشاركين في الاختبار مصابين بمرض عسر القراءة أو لا.
الخصائص:
-
دقة الإجابة 5 (Accuracy5): قيمة كمية
-
دقة الإجابة 6 (Accuracy6): قيمة كمية
-
دقة الإجابة 7 (Accuracy7): قيمة كمية
-
دقة الإجابة 8 (Accuracy8): قيمة كمية
-
دقة الإجابة 9 (Accuracy9): قيمة كمية
-
دقة الإجابة 10 (Accuracy10): قيمة كمية
-
اللغة الأم(Nativelang): قيمة وصفية، نعم أو لا
-
لغة أخرى(Otherlang): قيمة وصفية، نعم أو لا
-
العمر(Age): قيمة كمية
-
دقة الإجابة1(Accuracy1): قيمة كمية
-
دقة الإجابة2(Accuracy2): قيمة كمية
-
دقة الإجابة3(Accuracy3): قيمة كمية
-
دقة الإجابة4(Accuracy4): قيمة كمية
-
للتعرف اكثر على عسر القراءة يمكنك زيارة الصفحة التالية :
-
للوصول للبيانات المستخدمة:
خطوات تدريب واختبار النموذج:
1- اختيار مجموعة البيانات المراد تدريب النموذج عليها والمكونة من الخصائص التالية:
-
المدخلات (Input): Nativelang, Otherlang, Age, Accuracy1, Accuracy2, Accuracy3, Accuracy4, Accuracy5, Accuracy6, Accuracy7, Accuracy8, Accuracy9, Accuracy10
-
المخرجات (Output): Dyslexia
2- إعداد البيانات ليتم استخدامها عن طريق تحويل البيانات الوصفية الى كمية وثم نقوم بعمل Normalization للبيانات الكمية
1
2
3
4
5
5
3- نحدد حجم البيانات التي سيتم تدريب النموذج عليها (75%) والبيانات التي سيتم اختبار النموذج عليها (25%) ثم بناء النموذج.
4- بناء الشبكة العصبية الاصطناعية وتحديد عدد الطبقات المخفية 2 وعدد neuron للطبقة الاولى 3 والطبقة الثانية 2.
5- رسم الشبكة العصبية الاصطناعية.
6- بدء التنبؤ على 25% من البيانات وتعديل البيانات الكمية إلى بيانات وصفية (1=Yes) ,(0=No).
7- عرض النتائج.
6
7
نتيجة التطبيق العملي
- 803 من الأشخاص كانوا غير مصابين وتم التنبؤ بانهم غير مصابين
- 97 من الأشخاص كانوا غير مصابين وتم التنبؤ بإصابتهم.
- 8 من الأشخاص كانوا مصابين تم التنبؤ بأنهم غير مصابين.
- 3 من الأشخاص كانوا مصابين وتم التنبؤ بإصابتهم.
لتجربة الكود ومشاهدة النتائج: