لا يتطلب النموذج غير الخاضع للرقابة في التعلم الآلي بيانات مصنفة للتدريب لأنه يهدف إلى العثور على أنماط وعلاقات داخل البيانات دون تسميات محددة مسبقًا. على الرغم من أن التعلم غير الخاضع للرقابة لا يتضمن استخدام البيانات المصنفة، إلا أن النموذج لا يزال بحاجة إلى الخضوع لعملية تدريب لمعرفة البنية الأساسية للبيانات واستخلاص رؤى ذات معنى. تتضمن عملية التدريب في التعلم غير الخاضع للرقابة تقنيات مثل التجميع وتقليل الأبعاد والكشف عن الشذوذ.
تُستخدم خوارزميات التجميع، مثل التجميع K-means أو التجميع الهرمي، بشكل شائع في التعلم غير الخاضع للرقابة لتجميع نقاط البيانات المتشابهة معًا بناءً على ميزاتها. تساعد هذه الخوارزميات النموذج على تحديد الأنماط والهياكل داخل البيانات عن طريق تقسيم البيانات إلى مجموعات. على سبيل المثال، في تجزئة العملاء، يمكن لخوارزميات التجميع تجميع العملاء بناءً على سلوكهم الشرائي أو معلوماتهم الديموغرافية، مما يمكّن الشركات من استهداف شرائح عملاء محددة باستخدام استراتيجيات تسويق مخصصة.
تعد تقنيات تقليل الأبعاد، مثل تحليل المكونات الرئيسية (PCA) أو t-SNE، ضرورية أيضًا في التعلم غير الخاضع للرقابة لتقليل عدد الميزات في البيانات مع الحفاظ على بنيتها الأساسية. من خلال تقليل أبعاد البيانات، تساعد هذه التقنيات النموذج على تصور وتفسير العلاقات المعقدة داخل البيانات. على سبيل المثال، في معالجة الصور، يمكن استخدام تقليل الأبعاد لضغط الصور مع الاحتفاظ بالمعلومات المرئية المهمة، مما يسهل تحليل مجموعات البيانات الكبيرة ومعالجتها.
يعد اكتشاف الحالات الشاذة تطبيقًا مهمًا آخر للتعلم غير الخاضع للرقابة، حيث يحدد النموذج القيم المتطرفة أو الأنماط غير العادية في البيانات التي تنحرف عن السلوك الطبيعي. تُستخدم خوارزميات الكشف عن الحالات الشاذة، مثل Isolation Forest أو One-Class SVM، للكشف عن الأنشطة الاحتيالية في المعاملات المالية، أو اقتحام الشبكات في الأمن السيبراني، أو فشل المعدات في الصيانة التنبؤية. تتعلم هذه الخوارزميات الأنماط العادية في البيانات أثناء التدريب وتضع علامة على الحالات التي لا تتوافق مع هذه الأنماط باعتبارها حالات شاذة.
على الرغم من أن نماذج التعلم غير الخاضعة للرقابة لا تتطلب بيانات مصنفة للتدريب، إلا أنها لا تزال تخضع لعملية تدريب لمعرفة البنية الأساسية للبيانات واستخراج رؤى قيمة من خلال تقنيات مثل التجميع وتقليل الأبعاد واكتشاف الشذوذ. ومن خلال الاستفادة من خوارزميات التعلم غير الخاضعة للرقابة، يمكن للشركات والمؤسسات الكشف عن الأنماط المخفية في بياناتها، واتخاذ قرارات مستنيرة، واكتساب ميزة تنافسية في عالم اليوم القائم على البيانات.
أسئلة وأجوبة أخرى حديثة بخصوص EITC/AI/GCML تعلم الآلة على Google Cloud:
- ما هو تحويل النص إلى كلام (TTS) وكيف يعمل مع الذكاء الاصطناعي؟
- ما هي القيود المفروضة على العمل مع مجموعات البيانات الكبيرة في التعلم الآلي؟
- هل يمكن للتعلم الآلي تقديم بعض المساعدة الحوارية؟
- ما هو ملعب TensorFlow؟
- ماذا تعني مجموعة البيانات الأكبر في الواقع؟
- ما هي بعض الأمثلة على المعلمات الفائقة للخوارزمية؟
- ما هو التعلم المجمع؟
- ماذا لو لم تكن خوارزمية التعلم الآلي المختارة مناسبة وكيف يمكن التأكد من اختيار الخوارزمية الصحيحة؟
- هل يحتاج نموذج التعلم الآلي إلى الإشراف أثناء التدريب؟
- ما هي المعلمات الأساسية المستخدمة في الخوارزميات القائمة على الشبكة العصبية؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/GCML Google Cloud Machine Learning