أي مشروع تعلم آلة يبدأ بالبيانات. البيانات هي الأمثلة التي يتعلم منها النموذج، وهي تشبه الكتب التي يقرأها الطالب قبل الاختبار. إذا كانت البيانات قليلة أو غير دقيقة أو غير مناسبة، فإن النموذج سيتعلم بصورة ضعيفة مهما كانت الخوارزمية قوية. لذلك، فإن فهم البيانات أهم من البدء السريع في البرمجة. في مشروع بسيط، قد تكون البيانات جدولًا يحتوي على أعمدة مثل العمر، الدخل، عدد الزيارات، أو حجم المنزل. كل صف يمثل مثالًا واحدًا، وكل عمود يمثل سمة أو ميزة.
الميزات هي الخصائص التي نستخدمها للتنبؤ. إذا أردنا التنبؤ بسعر منزل في الرياض، فقد تكون الميزات هي المساحة، عدد الغرف، عمر المبنى، والمنطقة. أما القيمة المستهدفة فهي السعر نفسه. في هذه الحالة، النموذج يتعلم العلاقة بين الميزات والسعر. اختيار الميزات الجيدة أمر بالغ الأهمية، لأن الميزة المفيدة تساعد النموذج على التعلم، بينما الميزة غير المفيدة قد تضيف ضوضاء وتضعف الأداء. على سبيل المثال، لون باب المنزل غالبًا لا يفسر السعر مثل المساحة أو الموقع.
قبل التدريب، يجب غالبًا تنظيف البيانات. التنظيف يشمل معالجة القيم المفقودة، إزالة التكرارات، وفحص القيم غير المنطقية. إذا وجدت في جدول المنازل مساحة صفر متر أو عمرًا سالبًا، فهذه إشارة إلى خطأ في البيانات. التعامل مع هذه الأخطاء جزء أساسي من العمل المهني. أحيانًا نملأ القيم المفقودة بمتوسط العمود، وأحيانًا نحذف الصفوف الناقصة إذا كانت قليلة، ويعتمد القرار على حجم البيانات وطبيعة المشكلة.
الخطوة التالية هي تقسيم البيانات إلى جزء للتدريب وجزء للاختبار. هذا التقسيم يشبه التدريب على أسئلة ثم اختبار النفس في أسئلة جديدة. إذا استخدمنا نفس البيانات للتدريب والاختبار، قد يخدعنا النموذج ويبدو ممتازًا لأنه حفظ الأمثلة. أما عند اختبار النموذج على بيانات لم يرها من قبل، فنحصل على صورة أكثر صدقًا عن قدرته الحقيقية. عادةً نخصص نسبة أكبر للتدريب ونسبة أصغر للاختبار، مثل 80% للتدريب و20% للاختبار.
في التدريب الأولي، يتعلم النموذج العلاقة بين الميزات والنتائج. لنفترض أن لدينا بيانات عن درجات الطلاب وساعات المذاكرة، ونريد توقع الدرجة النهائية. إذا كانت البيانات تظهر أن زيادة ساعات المذاكرة غالبًا ترتبط بدرجات أعلى، فسيتعلم النموذج هذا الاتجاه. لكنه لن يكون مثاليًا دائمًا، لأن هناك عوامل أخرى مثل مستوى الصعوبة أو طريقة المذاكرة أو ظروف الطالب. هنا يظهر مفهوم التعميم: النموذج الجيد لا يحفظ البيانات فقط، بل يتعلم القاعدة العامة.
من منظور السلامة، يجب الانتباه إلى عدم تضمين بيانات حساسة بلا ضرورة، مثل الأرقام الوطنية أو معلومات شخصية دقيقة. كما يجب تجنب استعمال البيانات بطريقة قد تضر الناس، مثل اتخاذ قرارات آلية غير عادلة دون مراجعة بشرية. تعلم الآلة أداة قوية، لكن قوتها تتطلب مسؤولية. كلما كان الطالب واعيًا لهذه الجوانب منذ البداية، أصبح أكثر احترافية في التعامل مع المشاريع الواقعية.
يمكن تنفيذ تدريب أولي بسيط باستخدام مكتبات مثل scikit-learn في بايثون. الفكرة ليست حفظ الأوامر فورًا، بل فهم التسلسل: تجهيز البيانات، تقسيمها، اختيار النموذج، ثم التدريب والتقييم. هذا التسلسل سيظهر في كل فصول الدورة، ولذلك يعد أساسًا عمليًا لا غنى عنه.