تعلّم الآلة العملي: تثبيت Python وبيئة التحليل الصناعي

لماذا Python للتعلم الآلي الصناعي؟

تُعد Python اللغة الأولى في مجال التعلم الآلي والذكاء الاصطناعي. في البيئة الصناعية، نحتاج إلى أدوات تجمع بين القوة وسهولة الاستخدام، وPython تحقق ذلك بفضل مكتباتها الغنية ومجتمعها الضخم.

مميزات Python في السياق الصناعي

• سهولة القراءة: الكود واضح ومفهوم حتى لمهندسي الميكانيكا والكهرباء
• مكتبات متخصصة: NumPy وPandas وscikit-learn تغطي كامل خط أنابيب البيانات
• تكامل مع الأنظمة: تتصل بسهولة مع قواعد البيانات وأجهزة الاستشعار وأنظمة SCADA
• مجتمع صناعي نشط: آلاف الأمثلة والحلول الجاهزة للتطبيقات الصناعية

تثبيت Python وإدارة الحزم

تثبيت Anaconda (الطريقة الموصى بها)

Anaconda توزيعة شاملة تحتوي على Python ومعظم المكتبات العلمية مسبقاً:

# تحميل Anaconda من الموقع الرسمي ثم التثبيت
# بعد التثبيت، إنشاء بيئة افتراضية للمشروع الصناعي
conda create -n industrial_ml python=3.11
conda activate industrial_ml

تثبيت المكتبات الأساسية

pip install numpy pandas matplotlib seaborn scikit-learn jupyter

إدارة البيئات الافتراضية

البيئات الافتراضية تمنع تعارض الحزم بين المشاريع المختلفة:

# إنشاء ملف المتطلبات
pip freeze > requirements.txt

# إعادة تثبيت البيئة على جهاز آخر
pip install -r requirements.txt

Jupyter Notebook: مختبر التحليل

Jupyter Notebook هو بيئة تفاعلية تسمح بكتابة الكود وعرض النتائج والرسوم في مكان واحد:

jupyter notebook

لماذا Jupyter في الصناعة؟

• تجربة الأفكار بسرعة على بيانات المستشعرات
• توثيق التحليل خطوة بخطوة لفريق الصيانة
• مشاركة النتائج مع الإدارة بصيغة مرئية

NumPy: أساس الحسابات العددية

NumPy هي مكتبة الحسابات العددية الأساسية. كل مكتبات التعلم الآلي مبنية فوقها:

import numpy as np

# بيانات درجة حرارة محرك (100 قراءة)
temperatures = np.array([72.3, 73.1, 71.8, 74.5, 73.2, 75.0, 72.9, 74.1, 73.7, 72.6])

# عمليات إحصائية سريعة
print(f"المتوسط: {temperatures.mean():.1f}°C")
print(f"الانحراف المعياري: {temperatures.std():.1f}°C")
print(f"الحد الأقصى: {temperatures.max():.1f}°C")

# إنشاء مصفوفة قراءات اهتزاز (3 محاور × 5 قراءات)
vibration = np.random.normal(loc=0.5, scale=0.1, size=(3, 5))
print(f"شكل المصفوفة: {vibration.shape}")

Pandas: إطار تحليل البيانات

Pandas يحول البيانات الخام إلى جداول منظمة سهلة التحليل:

import pandas as pd

# إنشاء DataFrame من بيانات مستشعرات
data = {
    'timestamp': pd.date_range('2025-01-01', periods=5, freq='h'),
    'temperature': [72.3, 73.1, 74.5, 73.8, 75.2],
    'pressure': [101.2, 101.5, 102.0, 101.8, 102.3],
    'vibration': [0.45, 0.47, 0.52, 0.49, 0.55]
}
df = pd.DataFrame(data)

# عرض أول صفين
print(df.head(2))

# إحصائيات سريعة
print(df.describe())

# تصفية القراءات غير الطبيعية
high_temp = df[df['temperature'] > 74.0]
print(f"قراءات الحرارة المرتفعة: {len(high_temp)}")

مثال عملي: تحميل بيانات مستشعر وعرضها

لنجمع كل ما تعلمناه في مثال واحد متكامل. سنحاكي بيانات مستشعر حرارة محرك صناعي:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# محاكاة بيانات مستشعر حرارة ليوم كامل (قراءة كل 5 دقائق)
np.random.seed(42)
n_readings = 288  # 24 ساعة × 12 قراءة/ساعة

timestamps = pd.date_range('2025-03-01', periods=n_readings, freq='5min')
base_temp = 70 + 5 * np.sin(np.linspace(0, 2 * np.pi, n_readings))
noise = np.random.normal(0, 0.5, n_readings)
temperature = base_temp + noise

# إضافة حدث غير طبيعي (ارتفاع مفاجئ)
temperature[200:210] += 8

sensor_df = pd.DataFrame({
    'timestamp': timestamps,
    'temperature': temperature
})

# رسم البيانات
plt.figure(figsize=(12, 4))
plt.plot(sensor_df['timestamp'], sensor_df['temperature'], linewidth=0.8)
plt.axhline(y=78, color='r', linestyle='--', label='حد الإنذار')
plt.xlabel('الوقت')
plt.ylabel('درجة الحرارة (°C)')
plt.title('بيانات مستشعر حرارة المحرك - يوم كامل')
plt.legend()
plt.tight_layout()
plt.savefig('sensor_data_plot.png', dpi=150)
plt.show()

print(f"عدد القراءات فوق حد الإنذار: {(sensor_df['temperature'] > 78).sum()}")

الخلاصة

في هذا الدرس أسسنا بيئة العمل الكاملة لمشاريع التعلم الآلي الصناعي. تعلمنا تثبيت Python والمكتبات الأساسية، واستخدام NumPy للحسابات العددية وPandas لتنظيم البيانات. في الدرس القادم سنتعمق في استكشاف البيانات الصناعية وتنظيفها قبل بناء أي نموذج.