ما هو التعلم الآلي الخاضع للإشراف؟ الخوارزمية ، مثال

التعلم الآلي موجود في كل مكان - من الوكالات الحكومية وخدمات البيع بالتجزئة والمؤسسات المالية إلى قطاعات الرعاية الصحية والترفيه والنقل. إنه مرتبط بشكل معقد بحياتنا اليومية ، سواء كانت Netflix أو Amazon تقدم توصيات عبر الإنترنت أو فتح هاتفك الذكي باستخدام تقنية اكتشاف الوجه ، اكتسب التعلم الآلي والذكاء الاصطناعي زخماً لم يسبق له مثيل.

نظرًا لكون التعلم الآلي أحد أكثر الاتجاهات التقنية شيوعًا الآن ، أصبح من الضروري معرفة أحد الأساليب الرئيسية لإنشاء الذكاء الاصطناعي - التعلم الآلي الخاضع للإشراف.

ما هو التعلم الآلي الخاضع للإشراف؟

يعد التعلم الآلي الخاضع للإشراف نوعًا من التعلم الآلي حيث يتم تدريب خوارزمية الكمبيوتر باستخدام بيانات الإدخال المصنفة ويتنبأ الكمبيوتر بدوره بمخرجات البيانات غير المتوقعة. هنا ، تعني كلمة "مُصنَّف" أنه سيتم بالفعل تمييز بعض البيانات بالإجابات الصحيحة لمساعدة الجهاز على التعلم. في التعلم الخاضع للإشراف ، تعمل بيانات الإدخال التي يتم تغذيتها على الكمبيوتر مثل المشرف أو المعلم لتدريب الآلة على تحقيق نتائج دقيقة من خلال اكتشاف الأنماط الأساسية والارتباطات بين بيانات الإدخال وتسميات الإخراج.

أنواع خوارزميات التعلم الخاضع للإشراف

هناك أنواع مختلفة من خوارزميات التعلم الخاضع للإشراف لتحقيق نتائج محددة. دعونا نلقي نظرة على بعض الأنواع الأكثر شيوعًا.

1. التصنيف

تستخدم خوارزميات التصنيف بيانات التدريب المسمى لفرز المدخلات في عدد معين من الفئات أو الفئات. هنا ، متغير الإخراج هو فئة مثل "نعم" أو "لا" و "صواب" أو "خطأ". يعتبر تصنيف التقارير الطبية إلى إيجابية (مرض) أو سلبية (لا يوجد مرض) ، أو تصنيف الأفلام إلى أنواع مختلفة بعض الحالات التي يتم فيها تطبيق خوارزميات التصنيف.

2. الانحدار

تستخدم نماذج الانحدار عندما تكون هناك علاقة عددية بين متغيرات الإدخال والإخراج. تشمل خوارزميات الانحدار التي تقع ضمن نطاق التعلم الخاضع للإشراف الانحدار الخطي والانحدار غير الخطي وأشجار الانحدار والانحدار متعدد الحدود والانحدار الخطي البايزي. تُستخدم هذه النماذج بشكل أساسي للتنبؤ بالمتغيرات المستمرة مثل توقع اتجاهات السوق أو التنبؤ بالطقس أو التحديد المسبق لنسب النقر إلى الظهور في الإعلانات عبر الإنترنت في أوقات محددة على مدار اليوم.

انضم إلى دورة التعلم الآلي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

3. الشبكات العصبية

تُستخدم خوارزميات الشبكة العصبية لتفسير البيانات الحسية أو التعرف على الأنماط أو تجميع المدخلات الأولية. بينما تتمتع هذه الخوارزمية بالعديد من المزايا ، إلا أنه قد يكون من الصعب جدًا استخدام شبكة عصبية عندما يكون هناك الكثير من الملاحظات. تتضمن تطبيقات الحياة الواقعية الشائعة للشبكات العصبية استخراج المعلومات ، وتصنيف النص ، والتعرف على الكلام والحروف ، وتلخيص المستندات المتعددة ، وتوليد اللغة ، والمزيد.

4. نموذج بايزي ساذج

لا تعد مصنفات Naive Bayes خوارزمية واحدة ولكنها مجموعة من الخوارزميات بناءً على نظرية بايز. المبدأ القياسي الذي تقوم عليه هذه الخوارزميات هو أن كل زوج من الميزات المصنفة مستقل عن الآخر. يتم تعيين تسميات الفئة باستخدام رسم بياني لا دوري مباشر يشتمل على عدة عقد فرعية وعقدة رئيسية واحدة. تعتبر كل عقدة فرعية منفصلة ومستقلة عن الأصل. تتضمن التطبيقات الواقعية الشائعة لخوارزمية Naive Bayesian تصفية البريد العشوائي وتحليل المشاعر.

5. أشجار القرار

أشجار القرار هي نماذج شبيهة بمخططات الانسياب تحتوي على بيانات تحكم شرطية لمقارنة القرارات وعواقبها المحتملة. تستلزم شجرة القرار رسمًا بيانيًا يشبه الشجرة حيث تمثل العقد الداخلية النقطة التي نختار فيها سمة ونطرح سؤالاً ، وتمثل العقد الطرفية تسميات الفصل أو الإخراج الفعلي ، وتمثل الحواف إجابات للأسئلة.

6. دعم آلة المتجهات

تعتمد آلة المتجهات الداعمة (SVM) على نظرية التعلم الإحصائي التي قدمها Vap Nick وتم تطويرها في عام 1990. في أبسط المصطلحات ، تعد آلات المتجهات الداعمة مجموعة من طرق التعلم الخاضعة للإشراف المستخدمة في الانحدار والتصنيف والكشف عن الانحراف. ترتبط ارتباطًا وثيقًا بشبكة kernel وتجد تطبيقات في مجالات متنوعة مثل التعرف على الأنماط والمعلوماتية الحيوية واسترجاع معلومات الوسائط المتعددة.

7. نموذج الغابة العشوائية

يتكون نموذج الغابة العشوائية من مجموعة من أشجار القرار الفردية حيث تعطي كل شجرة فردية تنبؤًا للفئة ، والفئة التي لديها أكبر عدد من الأصوات هي توقع النموذج. الفكرة وراء مفهوم نموذج الغابة العشوائية هي أن عددًا كبيرًا من الأشجار أو النماذج غير المترابطة نسبيًا التي تعمل في مجموعة ستنتج تنبؤات أكثر دقة من أي تنبؤات فردية. هذا لأن الأشجار تحمي بعضها البعض من الأخطاء المستقلة.

كيف يعمل؟

يتضمن التعلم الخاضع للإشراف نماذج تدريبية باستخدام مجموعات البيانات المصنفة حتى يتمكنوا من التعرف على كل نوع من البيانات. بعد اكتمال التدريب ، يُعطى النموذج بيانات اختبار لتحديد المخرجات والتنبؤ بها.

دعونا نلقي نظرة على مثال بسيط لتوضيح المفهوم بشكل أكبر.

لنفترض أنك حصلت على صندوق يتكون من أنواع مختلفة من الخضار. في نهج التعلم الآلي الخاضع للإشراف ، ستكون خطوتك الأولى هي تعريف الآلة بجميع الخضروات المختلفة واحدة تلو الأخرى بهذه الطريقة:

• إذا كان الجسم يشبه المصباح والوردي المسترجن ، فسيتم تسميته - بصل.
• إذا كان الكائن مورقًا وأخضر اللون ، فسيتم تسميته باسم - السبانخ.

بمجرد أن تقوم بتدريب الآلة ، تقوم بإعطائها خضروات منفصلة عن الصندوق (على سبيل المثال ، بصل) وتطلب تحديدها. الآن ، نظرًا لأن الآلة قد تعلمت بالفعل عن الخضار من البيانات السابقة ، فإنها ستصنف الكائن الجديد بناءً على شكله ولونه وتأكيد النتيجة على أنها بصلة. بهذه الطريقة ، تتعلم الآلة أو تتدرب من بيانات التدريب (صندوق يحتوي على خضروات) وتطبق المعرفة على بيانات جديدة غير متوقعة (خضروات جديدة).

مثل مثال الخضار الذي استخدمناه أعلاه ، دعونا نرى مثالًا تعليميًا خاضعًا للإشراف آخر لفهم كيفية عمله.

لنفترض أن لدينا مجموعة بيانات تتكون من أشكال مختلفة مثل المثلثات والمربعات والخماسيات. الخطوة الأولى هي تدريب النموذج لكل شخصية بالطريقة التالية:

• إذا كان للشكل ثلاثة جوانب ، فسيتم تسميته - مثلث
• إذا كان للشكل أربعة جوانب متساوية ، فسيتم تسميته - مربع
• إذا كان للشكل خمسة جوانب ، فسيتم تسميته - البنتاغون

بمجرد اكتمال التدريب ، نختبر النموذج باستخدام بيانات الاختبار ، وستكون مهمة النموذج تحديد الشكل بناءً على معرفة التدريب. ومن ثم ، عندما يجد النموذج شكلاً جديدًا ، فإنه يصنفه على أساس عدد الجوانب ويعطي ناتجًا.

المزايا والتحديات

وغني عن القول أن التعلم الخاضع للإشراف له مزايا عديدة في تنفيذ نماذج التعلم الآلي. بعض فوائده مذكورة أدناه:

• يمكن لنماذج التعلم الخاضعة للإشراف التنبؤ بدقة بالمخرجات بناءً على الخبرات السابقة.

• يساعد التعلم الخاضع للإشراف على تحسين الأداء باستخدام الخبرة.
• يعطينا التعلم الخاضع للإشراف فكرة واضحة ودقيقة عن فئات الأشياء.
• أخيرًا وليس آخرًا ، تعد خوارزميات التعلم الخاضع للإشراف ضرورية للغاية لحل مشكلات العالم الحقيقي المختلفة وإيجاد تطبيقات في قطاعات متنوعة.

لا شك أن خوارزميات التعلم الخاضعة للإشراف مفيدة للغاية ، لا سيما فيما يتعلق بإمكانياتها في مواجهة التحديات في الوقت الفعلي. ومع ذلك ، فإن بناء نموذج تعليمي مستدام وفعال خاضع للإشراف يأتي بمجموعة من التحديات الخاصة به. لذلك دعونا نلقي نظرة:

• العملية الكاملة لتدريب نماذج التعلم تحت الإشراف هي عملية تستغرق وقتًا طويلاً.
• تتطلب نماذج التعلم الإشراف غالبًا مستوى معينًا من الخبرة والموارد للهيكل والوظيفة بدقة.
• على عكس نماذج التعلم غير الخاضعة للإشراف ، لا يمكن لنماذج التعلم الخاضعة للإشراف تصنيف البيانات أو تجميعها بمفردها.
• فرص تسلل الأخطاء البشرية إلى مجموعات البيانات عالية جدًا ، مما قد يؤدي إلى تدريب الخوارزميات بشكل غير صحيح.

أفضل الممارسات مع الأمثلة

ما هي بعض أفضل الممارسات التي يجب أن تضعها في اعتبارك قبل الشروع في بدء مشروع باستخدام التعلم الآلي الخاضع للإشراف؟ ألق نظرة أدناه.

• تأكد من أنك واضح بشأن نوع البيانات التي ستستخدمها كمجموعة بيانات التدريب.
• جمع المخرجات المقابلة إما من القياسات القياسية أو الخبراء البشريين.
• حدد هيكل خوارزمية التعلم.

من المفيد أن نتحدث أخيرًا عن بعض أفضل وأشهر أمثلة الحياة الواقعية للتعلم الآلي الخاضع للإشراف.

• التحليل التنبئي : توفر حالة الاستخدام الواسعة النطاق لاستخدام نماذج التعلم الخاضع للإشراف للتحليل التنبئي رؤى هادفة وقابلة للتنفيذ في نقاط بيانات الأعمال المختلفة. نتيجة لذلك ، يمكن لمؤسسات الأعمال توقع نتائج معينة بناءً على متغير ناتج معين لتبرير القرارات ودعمها.
• التعرف على الأشياء والصورة : تستخدم خوارزميات التعلم الخاضعة للإشراف في تحديد موقع الكائنات وتصنيفها في الصور ومقاطع الفيديو - وهو مطلب متكرر في تحليل الصور وتقنيات رؤية الكمبيوتر المختلفة.
• اكتشاف البريد العشوائي: تستخدم تقنيات الكشف عن الرسائل غير المرغوب فيها والتصفية خوارزميات تصنيف خاضعة للإشراف لتدريب قواعد البيانات حتى تتمكن من التعرف على الأنماط في البيانات الجديدة من أجل الفصل الفعال بين رسائل البريد الإلكتروني العشوائية ورسائل البريد الإلكتروني غير العشوائية.
• تحليل المشاعر : من الطرق الرائعة لتعزيز جهود الارتباط بالعلامة التجارية فهم تفاعلات العملاء. يمكن أن يساعد التعلم الآلي الخاضع للإشراف في هذا الصدد عن طريق استخراج المعلومات الهامة وتصنيفها من مجموعات البيانات الكبيرة مثل عواطف العملاء ونواياهم وتفضيلاتهم وما إلى ذلك.

تعلم التعلم الآلي مع upGrad

هل تتطلع إلى جعلها كبيرة في مجال التعلم الآلي والذكاء الاصطناعي؟ ابدأ رحلتك مع برنامج upGrad التنفيذي في التعلم الآلي والذكاء الاصطناعي . إنها دورة شهادة شاملة عبر الإنترنت مصممة للمهنيين الذين يرغبون في تعلم المهارات المطلوبة مثل التعلم العميق ، والتعلم المعزز ، ومعالجة اللغة الطبيعية ، والنماذج الرسومية.

فيما يلي بعض النقاط البارزة في الدورة التدريبية التي لا يمكنك تفويتها:

• شهادة إتمام الدورة من IIIT بنغالور.
• أكثر من 450 ساعة من التعلم مليء بالجلسات الحية ومهام الترميز ودراسات الحالة والمشاريع.
• تغطية شاملة لـ 20 أداة ولغات برمجة ومكتبات.
• دروس البرمجة الحية وورش عمل بناء الملف الشخصي.

خاتمة

يتنبأ أحدث تقرير بحثي للسوق من Technavio بعنوان سوق التعلم الآلي بواسطة المستخدم النهائي والجغرافيا - التنبؤ والتحليل 2020-2024 أن حجم سوق التعلم الآلي العالمي سيشهد نموًا قدره 11.16 مليار دولار أمريكي خلال الفترة المتوقعة 2020-2024. علاوة على ذلك ، فإن الزيادة المطردة في النمو على أساس سنوي ستدعم زخم نمو السوق.

تشير كل من الاتجاهات الحالية والتنبؤات المستقبلية إلى أن التعلم الآلي موجود ليبقى. تعد خوارزميات التعلم الخاضعة للإشراف أساسية لأي مشروع تعلم آلي يتضمن في المقام الأول مشاكل التصنيف والانحدار. على الرغم من التحديات ، فإن خوارزميات التعلم الخاضع للإشراف هي الأكثر فائدة للتنبؤ بالنتائج بناءً على التجارب.