PHP للتعلم الآلي: الإمكانيات والقيود في 2024

تعلم Python بسهولة دون إرهاق نظري. حل مهام عملية مع التحقق التلقائي واكتب الكود مباشرة في المتصفح.

PHP للتعلم الآلي: حقيقة أم خرافة؟

العديد من المطورين، الذين اعتادوا على نظام Python البيئي لمهام التعلم الآلي (ML)، ينظرون بتشكك إلى استخدام PHP في هذا المجال. وفي الواقع، تاريخياً، أصبح Python مع مكتباته (NumPy, Pandas, Scikit-learn, TensorFlow) هو المعيار الصناعي. ومع ذلك، فإن PHP ليست مجرد لغة لتصميم المواقع. PHP الحديثة (الإصدارات 7.4+ و 8.x) تمتلك مجموعة من الإمكانيات التي تجعلها مناسبة لمهام ML معينة، خاصة في سياق تطبيقات الويب.

في هذه المقالة، سنحلل الأدوات الموجودة للتعلم الآلي بلغة PHP، وأين يكون استخدامها مبرراً، وأين من الأفضل اللجوء إلى لغات أكثر تخصصاً.

المكتبات الرئيسية لـ PHP للتعلم الآلي

النظام البيئي لـ PHP ليس غنياً مثل نظام Python، لكنه يحتوي على عدة مكتبات ناضجة تسمح بتنفيذ خوارزميات ML أساسية وحتى متقدمة.

1. PHP-ML (PHP Machine Learning)

هذه هي المكتبة الأكثر شهرة وتوثيقاً. توفر مجموعة واسعة من الخوارزميات: التصنيف، الانحدار، التجميع، تقليل الأبعاد، وإعداد البيانات.

مثال: التصنيف بطريقة أقرب الجيران (k-NN)

require_once __DIR__ . '/vendor/autoload.php';

use Phpml\\Classification\\KNearestNeighbors;use Phpml\\Dataset\\CsvDataset;

// تحميل البيانات من CSV$dataset = new CsvDataset('iris.csv', 4, true);

// التقسيم إلى مجموعات تدريب واختبار$randomSplit = new \\Phpml\\CrossValidation\\RandomSplit($dataset, 0.3);

// تدريب النموذج$classifier = new KNearestNeighbors(3);$classifier->train($randomSplit->getTrainSamples(), $randomSplit->getTrainLabels());

// التنبؤ$predicted = $classifier->predict([5.1, 3.5, 1.4, 0.2]);echo "الفئة المتوقعة: " . $predicted; // سيطبع، على سبيل المثال، 'Iris-setosa'

// تقييم الدقة$testSamples = $randomSplit->getTestSamples();$testLabels = $randomSplit->getTestLabels();$accuracy = \\Phpml\\Metric\\Accuracy::score($testLabels, $classifier->predict($testSamples));echo "الدقة: " . $accuracy;

تدعم المكتبة أيضاً الشبكات العصبية (Multilayer Perceptron)، أشجار القرار، SVM، مصنف بايز البسيط، وطرق التجميع (Random Forest, AdaBoost).

2. Rubix ML

بديل أكثر حداثة وأداءً لـ PHP-ML. يستخدم Rubix ML إمكانيات PHP 7.4+ (الخصائص المُنَمْطَجَة، الأداء) ويقدم أدوات متقدمة: خطوط الأنابيب، التحقق المتقاطع، ضبط المعلمات الفائقة عبر GridSearch.

مثال: الانحدار باستخدام Gradient Boost

require_once __DIR__ . '/vendor/autoload.php';

use Rubix\\ML\\Datasets\\Labeled;use Rubix\\ML\\Regressors\\GradientBoost;use Rubix\\ML\\CrossValidation\\Reports\\RSquared;

// إنشاء بيانات اصطناعية$samples = [[1], [2], [3], [4], [5]];$labels = [2, 4, 6, 8, 10];

$dataset = Labeled::fromIterator($samples, $labels);

// التدريب$estimator = new GradientBoost();$estimator->train($dataset);

// التنبؤ$prediction = $estimator->predict([[6]]);echo "التنبؤ للقيمة 6: " . $prediction[0]; // يجب أن يكون قريباً من 12

3. TensorFlow PHP (FFI)

توجد إمكانية تجريبية للعمل مع TensorFlow عبر PHP FFI (Foreign Function Interface). هذا يسمح باستدعاء مكتبة TensorFlow الأصلية مباشرة من PHP. ومع ذلك، فإن المشروع في مرحلة مبكرة ويتطلب تجميع إضافات C.

سيناريوهات الاستخدام الحقيقية لـ PHP في ML

على الرغم من القيود، يمكن أن تكون PHP فعالة في الحالات التالية:

دمج ML في تطبيق ويب موجود — إذا كان لديك بالفعل مشروع على Laravel أو Symfony، وتحتاج إلى إضافة نموذج بسيط (على سبيل المثال، التنبؤ باحتمالية تراجع العميل أو ت