تحت الإشراف مقابل. التعلم غير الخاضع للإشراف: ما الفرق؟

التعلم الآلي هو علم تمكين الآلات من اكتساب المعرفة والتنبؤ واكتشاف الأنماط ضمن مجموعات البيانات الكبيرة. مثلما يتعلم البشر من التجارب اليومية ، تعمل خوارزميات التعلم الآلي على تحسين تنبؤاتهم تدريجياً عبر تكرارات متعددة.

التعلم الخاضع للإشراف وغير الخاضع للإشراف هما طريقتان أساسيتان للتعلم تستخدمان لتدريب خوارزميات التعلم الآلي. كل طريقة لها نقاط قوة وقيود وهي مناسبة بشكل أفضل لمهام محددة.

إذن ، ما هي بعض الفروق والتطبيقات لهاتين الطريقتين للتعلم الآلي؟

ما هو التعلم الخاضع للإشراف؟

يعد التعلم الخاضع للإشراف نهجًا شائعًا للتعلم الآلي حيث يتم تدريب النموذج باستخدام البيانات المصنفة. تتكون البيانات المصنفة من متغيرات الإدخال ومتغيرات الإخراج المقابلة لها. يبحث النموذج عن العلاقات بين المدخلات ومتغيرات الإخراج المطلوبة ويستفيد منها لعمل تنبؤات بشأن البيانات الجديدة غير المرئية.

مثال بسيط على نهج التعلم الخاضع للإشراف هو عامل تصفية البريد الإلكتروني العشوائي. هنا ، يتم تدريب النموذج على مجموعة بيانات تحتوي على آلاف رسائل البريد الإلكتروني ، كل منها يحمل عنوان "بريد عشوائي" أو "ليس بريدًا عشوائيًا". يحدد النموذج أنماط البريد الإلكتروني ويتعلم كيفية التمييز بين البريد العشوائي ورسائل البريد الإلكتروني الشرعية.

يمكّن التعلم الخاضع للإشراف نماذج الذكاء الاصطناعي من التنبؤ بالنتائج بناءً على التدريب المسمى بدقة.

عملية التدريب

تتطلب عملية التدريب في التعلم الآلي الخاضع للإشراف الحصول على البيانات وتصنيفها. غالبًا ما يتم تصنيف البيانات تحت إشراف عالم البيانات للتأكد من أنها تتوافق بدقة مع المدخلات. بمجرد أن يتعرف النموذج على العلاقة بين المدخلات والمخرجات ، يتم استخدامه بعد ذلك لتصنيف البيانات غير المرئية وإجراء التنبؤات.

تشمل خوارزميات التعلم الخاضع للإشراف نوعين من المهام:

• تصنيف: يتم استخدام التصنيف عندما تريد أن يقوم النموذج بتصنيف ما إذا كانت البيانات تنتمي إلى مجموعة أو فئة معينة. في مثال رسائل البريد الإلكتروني العشوائية ، يندرج تحديد رسائل البريد الإلكتروني على أنها "بريد عشوائي" أو "ليست بريدًا عشوائيًا" ضمن التصنيف.
• تراجع: في مهام الانحدار ، فإن ملف خوارزمية التعلم الآلي يتوقع نتائج من البيانات المتغيرة باستمرار. يتضمن علاقات بين متغيرين أو أكثر ، بحيث يؤدي التغيير في متغير واحد إلى تغيير متغير آخر. مثال على مهمة الانحدار يمكن أن يتنبأ بأسعار المنازل بناءً على ميزات مثل عدد الغرف والموقع والقدم المربع. من خلال تدريب النموذج باستخدام البيانات المصنفة ، فإنه يتعلم الأنماط والعلاقات بين هذه المتغيرات ويمكنه التنبؤ بسعر البيع المناسب.

يشكل الجمع بين المهمتين أساسًا للتعلم تحت الإشراف ، على الرغم من وجود جوانب أخرى للعملية.

التطبيقات المشتركة

خوارزميات التعلم الخاضع للإشراف لها تطبيقات واسعة النطاق في مختلف الصناعات. تشمل بعض الاستخدامات الشائعة ما يلي:

• التعرف على الصور والأشياء
• تصنيف الكلام والنص
• تحليل المشاعر
• كشف الاحتيال والشذوذ
• تقييم المخاطر

ولكن هناك العديد من الاستخدامات والتطبيقات الأخرى للتعلم الخاضع للإشراف.

محددات

توفر نماذج التعلم الخاضع للإشراف قدرات قيمة ولكن لها أيضًا قيودًا معينة. تعتمد هذه النماذج بشكل كبير على البيانات المصنفة لتعلم وتعميم الأنماط بشكل فعال ، والتي يمكن أن تكون باهظة الثمن وتستغرق وقتًا طويلاً وتتطلب عمالة مكثفة. ومع ذلك ، غالبًا ما ينشأ هذا القيد في المجالات المتخصصة حيث يلزم وضع العلامات على الخبراء.

يعد التعامل مع مجموعات البيانات الكبيرة والمعقدة والصاخبة تحديًا آخر يمكن أن يؤثر على أداء النموذج. تعمل نماذج التعلم الخاضعة للإشراف على افتراض أن البيانات المصنفة تعكس حقًا الأنماط الأساسية في العالم الحقيقي. ولكن إذا كانت البيانات تحتوي على ضوضاء أو علاقات معقدة أو تعقيدات أخرى ، فقد يواجه النموذج صعوبة في التنبؤ بنتيجة دقيقة.

بالإضافة إلى ذلك ، يمكن أن تكون القابلية للتفسير صعبة في بعض الحالات. قد تقدم نماذج التعلم الخاضعة للإشراف نتائج دقيقة ، لكنها لا تقدم رؤى واضحة حول التفكير الأساسي. يمكن أن يكون الافتقار إلى التفسير أمرًا بالغ الأهمية في مجالات مثل الرعاية الصحية ، حيث الشفافية أمر حيوي.

ما هو التعلم غير الخاضع للإشراف؟

التعلم غير الخاضع للإشراف هو نهج التعلم الآلي الذي يستخدم البيانات غير المصنفة ويتعلم بدون إشراف. على عكس نماذج التعلم الخاضعة للإشراف ، التي تتعامل مع البيانات المسمى ، تركز نماذج التعلم غير الخاضعة للإشراف على تحديد الأنماط والعلاقات داخل البيانات دون أي مخرجات محددة مسبقًا. ومن ثم ، فإن هذه النماذج ذات قيمة عالية عند التعامل مع مجموعات البيانات الكبيرة حيث يكون وضع العلامات صعبًا أو غير عملي.

تجزئة العملاء هو مثال بسيط على التعلم غير الخاضع للإشراف. من خلال الاستفادة من نهج التعلم غير الخاضع للإشراف ، يمكن للنماذج تحديد شرائح العملاء بناءً على سلوكهم وتفضيلاتهم ومساعدة الشركات على تخصيص استراتيجيات التسويق الخاصة بهم.

التقنيات والخوارزميات

يستخدم التعلم غير الخاضع للإشراف طرقًا مختلفة ، ولكن يتم استخدام الطريقتين التاليتين على نطاق واسع:

• تجمع: التجميع هو تقنية تحدد التجمعات الطبيعية داخل نقاط البيانات بناءً على أوجه التشابه أو الاختلافات. يمكن لخوارزميات التجميع ، مثل k-mean و DBSCAN ، الكشف عن الأنماط المخفية في البيانات دون تسميات موجودة مسبقًا.
• قاعدة الرابطة: تساعد قاعدة الاقتران في الكشف عن التبعيات والوصلات المتأصلة في مجموعات البيانات المختلفة. من خلال تعدين العلاقات بين المتغيرات ، تساعد نماذج مثل Apriori في اشتقاق قواعد الارتباط للعناصر التي تحدث معًا بشكل متكرر وتسهيل اتخاذ القرار.

هناك تقنيات أخرى ، لكن قواعد التجميع والارتباط هما من أكثر تقنيات التعلم غير الخاضعة للإشراف شيوعًا.

التطبيقات المشتركة

تجد خوارزميات التعلم غير الخاضعة للإشراف تطبيقات في مجالات متنوعة. تتضمن بعض حالات الاستخدام الشائعة ما يلي:

• تحليل السوق
• فئات الزبائن
• معالجة اللغة الطبيعية
• التحليل الجيني
• تحليل الشبكات

محددات

على الرغم من مزاياها العديدة ، إلا أن التعلم غير الخاضع للإشراف له حدوده أيضًا. تعد الطبيعة الذاتية للتقييم والتحقق من الصحة تحديًا شائعًا في التعلم غير الخاضع للإشراف. نظرًا لعدم وجود تسميات محددة مسبقًا ، فإن تحديد جودة الأنماط المكتشفة ليس دائمًا أمرًا سهلاً.

على غرار التعلم الخاضع للإشراف ، تعتمد طريقة التعلم غير الخاضعة للإشراف أيضًا على جودة البيانات وأهميتها. يمكن لمجموعات البيانات الصاخبة ذات الميزات غير ذات الصلة أن تقلل من دقة العلاقات المكتشفة وتعيد نتائج غير دقيقة. يمكن أن تساعد تقنيات الاختيار والمعالجة المسبقة في التخفيف من هذه القيود.

3 الاختلافات الرئيسية بين التعلم الخاضع للإشراف والتعليم غير الخاضع للإشراف

تختلف طرق التعلم الخاضعة للإشراف وغير الخاضعة للإشراف من حيث توافر البيانات وعملية التدريب ونهج التعلم العام للنماذج. يعد فهم هذه الاختلافات أمرًا ضروريًا في اختيار النهج الصحيح لمهمة محددة.

1. توافر البيانات وإعدادها

يعد توافر البيانات وإعدادها فرقًا رئيسيًا بين طريقتي التعلم. يعتمد التعلم الخاضع للإشراف على البيانات المصنفة ، حيث يتم توفير متغيرات الإدخال والإخراج. من ناحية أخرى ، فإن التعلم غير الخاضع للإشراف يعمل فقط على متغيرات الإدخال. يستكشف البنية والأنماط المتأصلة في البيانات دون الاعتماد على مخرجات محددة مسبقًا.

2. نهج التعلم

يتعلم نموذج التعلم الخاضع للإشراف تصنيف البيانات أو التنبؤ بدقة بالبيانات غير المرئية بناءً على الأمثلة المصنفة. في المقابل ، يهدف التعلم غير الخاضع للإشراف إلى اكتشاف الأنماط والتجمعات والتبعيات المخفية داخل البيانات غير المسماة والاستفادة منها للتنبؤ بالنتائج.

3. ردود الفعل حلقة

يعمل التعلم الخاضع للإشراف على عملية تدريب تكرارية مع حلقة تغذية راجعة. يتلقى ردود فعل مباشرة على تنبؤاته ، مما يسمح له بصقل وتحسين استجاباته باستمرار. تساعد حلقة الملاحظات على ضبط المعلمات وتقليل أخطاء التنبؤ. في المقابل ، يفتقر التعلم غير الخاضع للإشراف إلى التغذية الراجعة الواضحة ويعتمد فقط على البنية الأساسية للبيانات.

تحت الإشراف مقابل. جدول مقارنة التعلم غير الخاضع للإشراف

قد يكون من الصعب استيعاب الاختلافات بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف دفعة واحدة ، لذلك قمنا بإنشاء جدول مقارنة سهل الاستخدام.

كما ترى مما سبق ، فإن الاختلافات الرئيسية تنبع من نهج معالجة البيانات والتعلم من تصنيفها ، على الرغم من أن كلا الطريقتين تلعبان دورًا في نجاح التعلم الآلي.

اختيار نهج التعلم الآلي الصحيح

التعلم الخاضع للإشراف وغير الخاضع للإشراف هما طريقتان متميزتان للتعلم الآلي تستمدان أنماطًا داخل البيانات المصنفة وغير المصنفة. كلتا الطريقتين لها مزاياها وقيودها وتطبيقاتها المحددة.

يعد التعلم الخاضع للإشراف أكثر ملاءمة للمهام التي تكون فيها المخرجات محددة مسبقًا وتكون البيانات المصنفة متاحة بسهولة. من ناحية أخرى ، يعد التعلم غير الخاضع للإشراف مفيدًا في استكشاف الرؤى المخفية بكميات هائلة من مجموعات البيانات غير المسماة.

من خلال الاستفادة من نقاط القوة في الطريقتين ، يمكنك الاستفادة من الإمكانات الكاملة لخوارزميات التعلم الآلي واتخاذ قرارات تعتمد على البيانات في مجالات مختلفة.