مكتبات Kotlin للتعلم الآلي

التعلم الآلي باستخدام Kotlin: المكتبات والأدوات الحديثة

Kotlin هي لغة برمجة ثابتة النوع تعمل فوق JVM ومتوافقة تمامًا مع Java. بفضل بناء الجملة المقتضب، وأمان القيم الفارغة، والنظام البيئي القوي، تُستخدم Kotlin بشكل متزايد في علم البيانات والتعلم الآلي. في هذه المقالة، سنستعرض المكتبات الرئيسية التي تتيح حل مشاكل التعلم الآلي مباشرةً باستخدام Kotlin، دون الحاجة إلى الانتقال إلى Python.

1. KotlinDL — مكتبة التعلم العميق من JetBrains

KotlinDL هي المكتبة الرسمية من مبتكري Kotlin (JetBrains)، والمصممة لبناء وتدريب الشبكات العصبية. وهي تدعم كلاً من واجهة برمجة التطبيقات عالية المستوى (شبيهة بـ Keras) والعمليات منخفضة المستوى على الموترات.

الإمكانيات الرئيسية:

بناء النماذج: Sequential، Functional API
الطبقات: Dense، Conv2D، MaxPooling، Dropout، LSTM وغيرها
المحسنات: Adam، SGD، RMSprop
دوال الخسارة: CrossEntropy، MSE، MAE
تحميل النماذج المدربة مسبقًا (ONNX، TensorFlow SavedModel)
العمل مع الصور والنصوص والبيانات الجدولية

مثال: شبكة عصبية بسيطة للتصنيف

import org.jetbrains.kotlinx.dl.api.core.Sequentialimport org.jetbrains.kotlinx.dl.api.core.layer.core.Denseimport org.jetbrains.kotlinx.dl.api.core.layer.reshaping.Flattenimport org.jetbrains.kotlinx.dl.api.core.optimizer.Adamimport org.jetbrains.kotlinx.dl.dataset.mnist

fun main() {    val model = Sequential.of(        Flatten(inputShape = longArrayOf(28, 28)),        Dense(128, activation = "relu"),        Dense(10, activation = "softmax")    )

    model.use {        it.compile(optimizer = Adam(), loss = "categoricalCrossEntropy")        val (train, test) = mnist()        it.fit(train, epochs = 5, batchSize = 32)        val accuracy = it.evaluate(test)        println("الدقة: $accuracy")    }}

2. Smile — مكتبة شاملة للإحصاء والتعلم الآلي

Smile (Statistical Machine Intelligence & Learning Engine) هي مكتبة Java/Kotlin قوية تغطي تقريبًا جميع خوارزميات التعلم الآلي الكلاسيكية. وهي تتضمن تنفيذ أكثر من 200 خوارزمية.

الوحدات الرئيسية:

التصنيف: SVM، Random Forest، Decision Trees، Naive Bayes
الانحدار: Linear، Ridge، LASSO، Gaussian Process
التجميع: K-Means، DBSCAN، Hierarchical، GMM
تقليل الأبعاد: PCA، t-SNE، MDS
معالجة اللغة الطبيعية (NLP): الترميز، الاشتقاق، N-grams
التصور: الرسوم البيانية، المخططات النقطية، خرائط الحرارة

مثال: الانحدار الخطي باستخدام Smile

import smile.regression.OLSimport smile.data.DataFrameimport smile.data.type.DataTypesimport smile.data.vector.DoubleVector

fun main() {    // إنشاء DataFrame بالبيانات    val x = doubleArrayOf(1.0, 2.0, 3.0, 4.0, 5.0)    val y = doubleArrayOf(2.1, 4.2, 6.0, 7.9, 10.1)    val df = DataFrame.of(DoubleVector.of("x", x), DoubleVector.of("y", y))

    // تدريب نموذج OLS (طريقة المربعات الصغرى العادية)    val model = OLS.fit(df, "y", "x")    println("المعاملات: ${model.coefficients()}")    println("التنبؤ لـ x=6: ${model.predict(doubleArrayOf(6.0))}")}

3. Koma — الحسابات المصفوفية والحسابات العلمية

Koma هي مكتبة للعمل مع المصفوفات متعددة الأبعاد والمصفوفات، مستوحاة من NumPy في Python. وهي مثالية للحسابات العددية والإحصاء والمعالجة المسبقة للبيانات قبل التعلم الآلي.

الإمكانيات: