الفرق بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف

مقدمة

تزدهر تقنيات مثل التعلم الآلي والذكاء الاصطناعي وتحليلات البيانات في البيانات لأتمتة المهام المعقدة. لا يقتصر استخدام البيانات على المعالجة والتفسير فقط للبقاء في صدارة المنافسين ، وتقديم خدمات أفضل للعملاء ، وبناء استراتيجيات عمل فعالة ، ولكن أيضًا لتدريب النماذج واختبارها وتقييمها. في التعلم الآلي ، يتم تصنيف البيانات إلى ثلاث فئات ، بيانات التدريب ، وبيانات التحقق من الصحة ، وبيانات الاختبار. كما يوحي الاسم ، تدرب بيانات التدريب نموذجًا أو خوارزمية في التعلم الآلي. يتعلم النموذج من مجموعات بيانات التدريب على الإدخال والإخراج ويتنبأ بالتصنيف أو يؤدي مهام محددة. نحن نستخدم بيانات التدريب لكل من التعلم الخاضع للإشراف وغير الخاضع للإشراف للخوارزمية.

برامج الذكاء الاصطناعي والتعلم الآلي لدينا في الولايات المتحدة

تناقش هذه المدونة هاتين الفئتين العريضتين من التعلم الآلي - التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والاختلافات بينهما في التفاصيل.

احصل على شهادة التعلم الآلي من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.

ما هو التعلم الخاضع للإشراف؟

التعلم الخاضع للإشراف ، وهو مجموعة فرعية من التعلم الآلي والذكاء الاصطناعي ، هو أسلوب تدريس خوارزمي يستخدم البيانات المصنفة لتدريب الخوارزميات. يعلم الخوارزميات كيفية أداء مهام مثل التصنيف والانحدار في مجموعات البيانات. في التعلم الخاضع للإشراف ، تتلقى الخوارزمية عينات تدريب على المدخلات والمخرجات وتستخدم هذه العينات لإنشاء علاقة بين مجموعات البيانات. نظرًا لأننا نقدم بيانات تدريب مصنفة للخوارزمية لأداء المهام تحت الإشراف ، فإننا نطلق عليها اسم التعلم الخاضع للإشراف. الهدف الرئيسي من التعلم الخاضع للإشراف هو تغذية البيانات للخوارزمية لفهم العلاقة بين المدخلات والمخرجات. بمجرد أن تنشئ الخوارزمية اتصالًا بين المدخلات والمخرجات ، يمكنها تقديم نتائج جديدة بدقة من المدخلات الأحدث.

دعونا نفهم كيف يعمل التعلم تحت الإشراف. لنفترض في خوارزمية التعلم الآلي أن لدينا إدخال X وإخراج Y. نحن نقوم بتغذية أو توفير الإدخال X لنظام التعلم في نموذج. سيقدم نظام التعلم هذا مخرجات Y '. يتحقق أحد المحكمين في النظام من الفرق بين Y و Y 'وينتج إشارة خطأ. تنتقل هذه الإشارة إلى نظام التعلم الذي يفهم الفرق بين Y و Y 'ويضبط المعلمات لتقليل الفرق بين Y و Y'. هنا ، Y هي البيانات المسمى.

تتضمن عملية التعلم الخاضع للإشراف خطوات متعددة.

• في البداية ، يجب أن نحدد نوع مجموعة بيانات التدريب ثم نجمع بيانات التدريب المسمى. نحتاج أيضًا إلى ترتيب البيانات بشكل مختلف للتصنيف أو الانحدار.
• تتمثل الخطوة التالية في استخدام خوارزمية للتعلم الخاضع للإشراف مثل آلة متجه الدعم أو شجرة القرار ثم تحديد ميزات الإدخال لنموذج التعلم.
• الآن ، قم بتنفيذ عملية التعلم وضبط المعلمات أو التحكم فيها.
• تتضمن الخطوة الأخيرة اختبار دقة النموذج.

تقوم عملية التعلم الخاضعة للإشراف بأكملها بتدريب نظام التعلم على ضبط المعلمات ، وبالتالي توفر الخوارزمية الحد الأدنى من فرق المخرجات. يسهل التعلم الخاضع للإشراف عمليتين معقدتين في استخراج البيانات - التصنيف والانحدار. في التصنيف ، يتم تصنيف البيانات أو تصنيفها في فئات مختلفة بناءً على سمات مماثلة مثل عوامل تصفية البريد العشوائي. نستخدم الانحدار للتنبؤ بالملاحظات المستمرة ، على سبيل المثال ، سوق الأسهم أو معدل ضربات القلب. يعطي الانحدار قيمًا حقيقية للأرقام.

فيما يلي الأنواع المختلفة لخوارزميات التعلم الخاضع للإشراف:

• Naive Bayes: - يعتمد تصنيف Naive Bayes على نظرية بايز. تفترض هذه الخوارزمية أن جميع ميزات الفصل مستقلة عن بعضها البعض. يستخدم مصنف Naive Bayes طريقة الاحتمال الشرطي للتنبؤ بالتصنيف.
• دعم آلة المتجهات: - إنها خوارزمية تعلم آلي شائعة لمهام التصنيف والانحدار.
• الانحدار الخطي: - تستخدم خوارزمية الانحدار الخطي التعلم الخاضع للإشراف للتنبؤ بالنتائج المستقبلية. يؤسس علاقة بين متغير تابع واحد ومتغيرين مستقلين أو أكثر.
• الانحدار اللوجستي: - نستخدم خوارزمية الانحدار اللوجستي عندما يكون لدينا متغيرات في فئات مختلفة مثل نعم أو لا ، وصحيح أو خطأ. نحن نستخدم بشكل أساسي خوارزمية الانحدار اللوجستي لحل مشاكل التصنيف الثنائي.

باختصار ، يتم استخدام التعلم الخاضع للإشراف لتدريب نموذج باستخدام بيانات المدخلات والمخرجات المعروفة لتوليد تنبؤات لمجموعة جديدة من المدخلات.

ما هو التعلم غير الخاضع للإشراف؟

على عكس التعلم الخاضع للإشراف ، ليس لدينا بيانات مصنفة في التعلم غير الخاضع للإشراف. لا توجد علاقة محددة مسبقًا بين مجموعات البيانات أو نتيجة متوقعة. على عكس التعلم الخاضع للإشراف ، يتطلب التعلم غير الخاضع للإشراف الحد الأدنى من التدخل البشري. ومن ثم فإننا نسميها التعلم غير الخاضع للإشراف. يستخدم النموذج مجموعة من ملاحظات مجموعة البيانات ويصف خصائص البيانات المعطاة. يعتمد التعلم غير الخاضع للإشراف على إطار عمل التجميع لأنه يحدد مجموعات مختلفة في مجموعة بيانات.

دعونا نفهم كيف يعمل التعلم غير الخاضع للإشراف. لنفترض أن لدينا سلسلة من المدخلات تسمى X1 ، X2 ، X3 ........ Xt ولكن لا توجد مخرجات مستهدفة. في هذه الحالة ، لا تحصل الآلة على أي ملاحظات من بيئتها. ومع ذلك ، فإنه يطور إطارًا رسميًا ويتنبأ بالمخرجات المستقبلية. في التعلم غير الخاضع للإشراف ، يستخدم النموذج مدخلات لصنع القرار وبناء التمثيلات. لا يمكننا استخدام التعلم غير الخاضع للإشراف لعمليات التصنيف والانحدار بسبب عدم وجود بيانات المخرجات. الاستخدام الأساسي للتعلم غير الخاضع للإشراف هو معرفة البنية الأساسية لمجموعة بيانات الإدخال. تقوم الآلة بترتيب البيانات في مجموعات مختلفة بناءً على التفسير بعد العثور على الهيكل. الخطوة الأخيرة هي تمثيل مجموعة البيانات بتنسيق مضغوط.

يستخدم المهندسون في الغالب التعلم غير الخاضع للإشراف لغرضين - التحليل الاستكشافي وتقليل الأبعاد. يقوم التحليل الاستكشافي بإجراء تحقيقات أولية على البيانات لترتيبها في مجموعات مختلفة ، وبناء الفرضيات ، واكتشاف الأنماط. تقلل عملية تقليل الأبعاد من عدد المدخلات في مجموعة بيانات معينة. تتضمن الميزة الأكثر أهمية للتعلم غير الخاضع للإشراف العثور على الأفكار ذات الصلة. يستخدم التعلم غير الخاضع للإشراف بشكل أساسي لبناء تطبيقات الذكاء الاصطناعي لأنه يتطلب الحد الأدنى من التدخل البشري.

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

الآن بعد أن عرفت ماهية التعلم الخاضع للإشراف وغير الخاضع للإشراف ، دعنا نلقي نظرة على أهم الاختلافات بينهما.

• البيانات - يستخدم التعلم الخاضع للإشراف البيانات المصنفة ، بينما لا يستخدم التعلم غير الخاضع للإشراف البيانات المصنفة. كما نقدم بيانات المخرجات للنموذج في التعلم الخاضع للإشراف. ومع ذلك ، في التعلم غير الخاضع للإشراف ، لا تتوفر بيانات الإدخال.
• التغذية الراجعة- يأخذ النموذج الملاحظات ويضبط المعلمات في التعلم الخاضع للإشراف. لا يحدث ذلك في التعلم غير الخاضع للإشراف.
• الهدف - الهدف الأساسي للتعلم الخاضع للإشراف هو تدريب النموذج باستخدام بيانات التدريب. لذلك ، عندما يتوفر إدخال جديد ، يمكن للآلة التنبؤ بالإخراج الدقيق. ومع ذلك ، نظرًا لأن المخرجات غير متوفرة في التعلم غير الخاضع للإشراف ، يتم استخدامها لجمع الأفكار ذات الصلة أو الأنماط المخفية في بيانات معينة.
• التصنيف والانحدار - يمكننا تصنيف التعلم الخاضع للإشراف إلى تصنيف وانحدار ، وهو ما لا يحدث في التعلم غير الخاضع للإشراف.
• الذكاء الاصطناعي - التعلم الخاضع للإشراف ليس ذا صلة بالذكاء الاصطناعي لأنه يتعين علينا تغذية بيانات التدريب في النموذج. ومع ذلك ، يعد التعلم غير الخاضع للإشراف أكثر فائدة للذكاء الاصطناعي لأنه يتطلب الحد الأدنى من التدخل البشري.
• الخوارزميات - تشمل خوارزميات التعلم الخاضعة للإشراف Support Vector Machine و Naive Bayes والانحدار الخطي والانحدار اللوجستي. تتضمن خوارزميات التعلم غير الخاضعة للإشراف التجميع و K- الجار الأقرب (KNN).
• دقة النتائج - نظرًا لأن النموذج يحصل على مخرجات محددة مسبقًا في التعلم الخاضع للإشراف ، فإنه يعطي نتائج أكثر دقة. ومع ذلك ، فإن نتائج التعلم غير الخاضع للإشراف ذاتية وتعطي نتائج أقل دقة.

مدونات التعلم الآلي والذكاء الاصطناعي الشعبية

استنتاج

التعلم الخاضع للإشراف وغير الخاضع للإشراف هو المفاهيم الأساسية للتعلم الآلي ، ووضع الأساس لتعلم المفاهيم المعقدة. إذا كان لديك اهتمام كبير بالتعلم الآلي وترغب في بناء مستقبل مهني في نفس الوقت ، يمكنك متابعة ماجستير العلوم في التعلم الآلي والذكاء الاصطناعي من upGrad.

يقوم قادة الصناعة بتدريس هذه الدورة التدريبية لمساعدتك على اكتساب المعرفة النظرية المتعمقة للتعلم الآلي والرؤى العملية في تكنولوجيا التعلم الآلي. علاوة على ذلك ، تحصل على فرص للعمل في العديد من دراسات الحالة والمشاريع المتعلقة بالتعلم الآلي لمساعدتك على اكتساب المهارات ذات الصلة.