6 أنواع من التعلم الخاضع للإشراف يجب أن تعرفه في عام 2022

يعد التعلم الآلي أحد أكثر تطبيقات الذكاء الاصطناعي شيوعًا. تتعلم الآلة تنفيذ المهام من البيانات التي يتم تغذيتها بها. ومع الخبرة ، يتحسن أدائها في مهمة معينة. يتضمن التعلم الآلي تقنيات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف والمعززة. اقرأ المزيد عن أنواع التعلم الآلي.

في هذه المقالة ، سوف ننظر في أنواع مختلفة من التعلم تحت الإشراف.

ما هو التعلم الخاضع للإشراف؟

في التعلم الخاضع للإشراف ، يتم تدريب الآلة باستخدام البيانات "المصنفة". يُقال إن مجموعات البيانات يتم تصنيفها عندما تحتوي على معلمات الإدخال والإخراج. بمعنى آخر ، تم بالفعل تمييز البيانات بالإجابة الصحيحة.

لذلك ، تحاكي التقنية بيئة الفصل الدراسي حيث يتعلم الطالب في وجود مشرف أو مدرس. من ناحية أخرى ، تسمح خوارزميات التعلم غير الخاضعة للإشراف للنماذج باكتشاف المعلومات والتعلم بمفردها.

التعلم الآلي الخاضع للإشراف مفيد للغاية في حل المشكلات الحسابية في العالم الحقيقي. تتنبأ الخوارزمية بنتائج البيانات غير المتوقعة من خلال التعلم من بيانات التدريب المسمى. لذلك ، يتطلب الأمر علماء بيانات ذوي مهارات عالية لبناء ونشر مثل هذه النماذج. بمرور الوقت ، يستخدم علماء البيانات أيضًا خبراتهم الفنية لإعادة بناء النماذج للحفاظ على تكامل الرؤى المقدمة.

كيف يعمل؟

على سبيل المثال ، تريد تدريب آلة على التنبؤ بوقت تنقلاتك بين مكتبك ومنزلك. أولاً ، يمكنك إنشاء مجموعة بيانات مصنفة مثل الطقس ، والوقت من اليوم ، والمسار المختار ، وما إلى ذلك ، والتي ستشكل بيانات الإدخال الخاصة بك. وسيكون الناتج هو المدة المقدرة لرحلتك إلى الوطن في يوم محدد.

بمجرد إنشاء مجموعة تدريب تستند إلى العوامل المقابلة ، سيرى الجهاز العلاقات بين نقاط البيانات ويستخدمها للتأكد من مقدار الوقت الذي ستستغرقه للعودة إلى المنزل. على سبيل المثال ، يمكن أن يخبرك تطبيق الهاتف المحمول أن وقت سفرك سيكون أطول عندما تهطل الأمطار بغزارة.

قد يرى الجهاز أيضًا اتصالات أخرى في بياناتك المصنفة ، مثل وقت المغادرة من العمل. يمكنك الوصول إلى المنزل في وقت مبكر إذا بدأت قبل أن تصل حركة المرور في ساعة الذروة إلى الطرق. اقرأ المزيد إذا كنت مهتمًا بمعرفة كيفية عمل التعلم الآلي غير الخاضع للإشراف.

الآن ، دعونا نحاول فهم التعلم الخاضع للإشراف بمساعدة مثال آخر من الحياة الواقعية. لنفترض أن لديك سلة فواكه ، وقمت بتدريب الآلة على جميع أنواع الفاكهة المختلفة. قد تتضمن بيانات التدريب هذه السيناريوهات:

• إذا كان الكائن أحمر اللون ومستدير الشكل وبه انخفاض في الجزء العلوي منه ، فسمه باسم "تفاحة"
• إذا كان لون العنصر أصفر مخضر وشكله مثل أسطوانة منحنية ، فقم بتمييزه على أنه "موز"

بعد ذلك ، تقوم بإعطاء كائن جديد (بيانات الاختبار) وتطلب من الآلة تحديد ما إذا كانت موزة أو تفاحة. سوف يتعلم من بيانات التدريب ويطبق المعرفة لتصنيف الفاكهة وفقًا للألوان والأشكال المدخلة.

أنواع مختلفة من التعلم الخاضع للإشراف

1. الانحدار

في الانحدار ، يتم إنتاج قيمة إخراج واحدة باستخدام بيانات التدريب. هذه القيمة هي تفسير احتمالي ، يتم التأكد منه بعد النظر في قوة الارتباط بين متغيرات الإدخال. على سبيل المثال ، يمكن أن يساعد الانحدار في التنبؤ بسعر المنزل بناءً على موقعه وحجمه وما إلى ذلك.

في الانحدار اللوجستي ، يكون للمخرجات قيم منفصلة بناءً على مجموعة من المتغيرات المستقلة. يمكن أن تتعثر هذه الطريقة عند التعامل مع حدود القرار غير الخطية والمتعددة. كما أنها ليست مرنة بما يكفي لالتقاط العلاقات المعقدة في مجموعات البيانات.

2. التصنيف

أنها تنطوي على تجميع البيانات في فئات. إذا كنت تفكر في تقديم ائتمان لشخص ما ، فيمكنك استخدام التصنيف لتحديد ما إذا كان الشخص سيتخلف عن سداد القرض أم لا. عندما تسمي خوارزمية التعلم الخاضع للإشراف البيانات المدخلة في فئتين متميزتين ، يطلق عليه التصنيف الثنائي. تعني التصنيفات المتعددة تصنيف البيانات إلى أكثر من فئتين.

3. نموذج بايزي ساذج

يستخدم نموذج التصنيف بايزي لمجموعات البيانات المحدودة الكبيرة. إنها طريقة لتعيين تسميات الفصل باستخدام رسم بياني لا دوري مباشر. يتكون الرسم البياني من عقدة أصل واحدة وعقد فرعية متعددة. ويفترض أن تكون كل عقدة فرعية مستقلة ومنفصلة عن الأصل.

أشجار القرار

شجرة القرار عبارة عن نموذج يشبه المخطط الانسيابي يحتوي على بيانات تحكم شرطية ، تشتمل على القرارات وعواقبها المحتملة. يتعلق الإخراج بتسمية البيانات غير المتوقعة.

في التمثيل الشجري ، تتوافق العقد الطرفية مع تسميات الفئات ، وتمثل العقد الداخلية السمات. يمكن استخدام شجرة القرار لحل المشكلات ذات السمات المنفصلة وكذلك الوظائف المنطقية. بعض خوارزميات شجرة القرار البارزة هي ID3 و CART.

4. نموذج الغابة العشوائية

نموذج الغابة العشوائية هو طريقة تجميع. وهي تعمل من خلال إنشاء العديد من أشجار القرار وتصنيف المخرجات للأشجار الفردية. لنفترض أنك تريد توقع الطلاب الجامعيين الذين سيحققون أداءً جيدًا في اختبار GMAT - وهو اختبار تم إجراؤه للقبول في برامج إدارة الخريجين. يمكن لنموذج الغابة العشوائية أن ينجز المهمة ، بالنظر إلى العوامل الديموغرافية والتعليمية لمجموعة من الطلاب الذين سبق لهم إجراء الاختبار.

5. الشبكات العصبية

تم تصميم هذه الخوارزمية لتجميع المدخلات الأولية أو التعرف على الأنماط أو تفسير البيانات الحسية. على الرغم من مزاياها المتعددة ، تتطلب الشبكات العصبية موارد حسابية كبيرة. يمكن أن يصبح الأمر معقدًا لملاءمة شبكة عصبية عندما يكون هناك آلاف الملاحظات. وتسمى أيضًا خوارزمية "الصندوق الأسود" لأن تفسير المنطق الكامن وراء تنبؤاتهم قد يكون أمرًا صعبًا.

قراءة : أفضل 10 بنى للشبكات العصبية في 2020

6. دعم آلات المتجهات

تعد Support Vector Machine (SVM) خوارزمية تعلم خاضعة للإشراف تم تطويرها في عام 1990. وهي مستمدة من نظرية التعلم الإحصائي التي طورها Vap Nick.

يفصل SVM بين الطائرات الفائقة ، مما يجعله مصنفًا مميزًا. يتم إنتاج المخرجات في شكل مستوي مفرط مثالي يصنف الأمثلة الجديدة. ترتبط SVMs ارتباطًا وثيقًا بإطار عمل kernel وتستخدم في مجالات متنوعة. تتضمن بعض الأمثلة المعلوماتية الحيوية ، والتعرف على الأنماط ، واسترجاع معلومات الوسائط المتعددة.

إيجابيات وسلبيات التعلم الخاضع للإشراف

تسمح لك عدة أنواع من التعلم الخاضع للإشراف بجمع وإنتاج البيانات من الخبرة السابقة. من تحسين معايير الأداء إلى التعامل مع مشاكل العالم الحقيقي ، برز التعلم الخاضع للإشراف كأداة قوية في مجال الذكاء الاصطناعي. إنها أيضًا طريقة أكثر موثوقية مقارنة بالتعلم غير الخاضع للإشراف ، والذي يمكن أن يكون معقدًا من الناحية الحسابية وأقل دقة في بعض الحالات.

ومع ذلك ، فإن التعلم الخاضع للإشراف لا يخلو من حدوده. مطلوب أمثلة ملموسة لمصنفات التدريب ، ويمكن أن تكون حدود القرار مفرطة في التدريب في غياب الأمثلة الصحيحة. قد يواجه المرء أيضًا صعوبة في تصنيف البيانات الضخمة.

تلخيص لما سبق

التعلم الخاضع للإشراف طويل وقصير هو أنه يستخدم البيانات المصنفة لتدريب الآلة. تساعد تقنيات الانحدار وخوارزميات التصنيف في تطوير نماذج تنبؤية موثوقة للغاية ولها تطبيقات متعددة.

يتطلب التعلم الخاضع للإشراف خبراء لبناء النماذج وتوسيع نطاقها وتحديثها. في حالة عدم وجود الكفاءة التقنية ، يمكن تطبيق القوة الغاشمة لتحديد متغيرات الإدخال. وهذا يمكن أن يؤدي إلى نتائج غير دقيقة. لذلك ، يعد اختيار ميزات البيانات ذات الصلة أمرًا ضروريًا للتعلم الخاضع للإشراف للعمل بفعالية.

يجب على المرء أولاً تحديد البيانات المطلوبة لمجموعة التدريب ، والاستمرار في هيكلة الوظيفة والخوارزمية المكتسبة ، وكذلك تجميع النتائج من الخبراء والقياسات. يمكن لأفضل الممارسات أن تقطع شوطًا طويلاً في دعم دقة النموذج.

نظرًا لأن الذكاء الاصطناعي والتعلم الآلي يتسارعان في عالم اليوم الموجه نحو التكنولوجيا ، فإن معرفة أنواع التعلم الخاضع للإشراف يمكن أن يكون فارقًا مهمًا في أي مجال. ستساعدك التفسيرات أعلاه على اتخاذ هذه الخطوة الأولى!

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.

تعلم دورة ML من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.