يعد التعلم الخاضع للإشراف وغير الخاضع للإشراف نوعين أساسيين من نماذج التعلم الآلي التي تخدم أغراضًا متميزة بناءً على طبيعة البيانات وأهداف المهمة المطروحة. يعد فهم متى يتم استخدام التدريب الخاضع للإشراف مقابل التدريب غير الخاضع للإشراف أمرًا بالغ الأهمية في تصميم نماذج فعالة للتعلم الآلي. ويعتمد الاختيار بين هذين النهجين على مدى توفر البيانات المصنفة، والنتيجة المرجوة، والبنية الأساسية لمجموعة البيانات.
التعلم الخاضع للإشراف هو نوع من التعلم الآلي حيث يتم تدريب النموذج على مجموعة بيانات مصنفة. في التعلم الخاضع للإشراف، تتعلم الخوارزمية ربط بيانات الإدخال بالمخرجات الصحيحة من خلال تقديم أمثلة تدريبية. تتكون هذه الأمثلة التدريبية من أزواج المدخلات والمخرجات، حيث تكون بيانات الإدخال مصحوبة بالمخرجات الصحيحة المقابلة أو القيمة المستهدفة. الهدف من التعلم الخاضع للإشراف هو تعلم وظيفة رسم الخرائط من متغيرات الإدخال إلى متغيرات المخرجات، والتي يمكن استخدامها بعد ذلك للتنبؤ بالبيانات غير المرئية.
يُستخدم التعلم الخاضع للإشراف عادةً عندما تكون المخرجات المطلوبة معروفة ويكون الهدف هو معرفة العلاقة بين متغيرات المدخلات والمخرجات. يتم تطبيقه بشكل شائع في مهام مثل التصنيف، حيث يكون الهدف هو التنبؤ بتسميات الفئة للمثيلات الجديدة، والانحدار، حيث يكون الهدف هو التنبؤ بقيمة مستمرة. على سبيل المثال، في سيناريو التعلم الخاضع للإشراف، يمكنك تدريب نموذج للتنبؤ بما إذا كانت رسالة البريد الإلكتروني عبارة عن بريد عشوائي أم لا استنادًا إلى محتوى البريد الإلكتروني وحالة البريد العشوائي/غير العشوائي لرسائل البريد الإلكتروني السابقة.
من ناحية أخرى، التعلم غير الخاضع للرقابة هو نوع من التعلم الآلي حيث يتم تدريب النموذج على مجموعة بيانات غير مسماة. في التعلم غير الخاضع للرقابة، تتعلم الخوارزمية الأنماط والهياكل من البيانات المدخلة دون تعليقات واضحة على المخرجات الصحيحة. الهدف من التعلم غير الخاضع للرقابة هو استكشاف البنية الأساسية للبيانات، واكتشاف الأنماط المخفية، واستخراج رؤى ذات معنى دون الحاجة إلى بيانات مصنفة.
يُستخدم التعلم غير الخاضع للرقابة بشكل شائع عندما يكون الهدف هو استكشاف البيانات والعثور على الأنماط المخفية وتجميع نقاط البيانات المتشابهة معًا. غالبًا ما يتم تطبيقه في مهام مثل التجميع، حيث يكون الهدف هو تجميع نقاط البيانات المتشابهة في مجموعات بناءً على ميزاتها، وتقليل الأبعاد، حيث يكون الهدف هو تقليل عدد الميزات مع الحفاظ على المعلومات الأساسية في البيانات. على سبيل المثال، في سيناريو التعلم غير الخاضع للإشراف، يمكنك استخدام التجميع لتجميع العملاء استنادًا إلى سلوكهم الشرائي دون أي معرفة مسبقة بشرائح العملاء.
يعتمد الاختيار بين التعلم الخاضع للإشراف وغير الخاضع للإشراف على عدة عوامل. إذا كانت لديك مجموعة بيانات مصنفة وتريد التنبؤ بنتائج محددة، فإن التعلم تحت الإشراف هو الخيار المناسب. من ناحية أخرى، إذا كان لديك مجموعة بيانات غير مسماة وترغب في استكشاف بنية البيانات أو العثور على أنماط مخفية، فإن التعلم غير الخاضع للإشراف يكون أكثر ملاءمة. في بعض الحالات، يمكن استخدام مزيج من التقنيات الخاضعة للإشراف وغير الخاضعة للإشراف، والمعروفة باسم التعلم شبه الخاضع للإشراف، للاستفادة من فوائد كلا النهجين.
يعتمد قرار استخدام التدريب الخاضع للإشراف مقابل التدريب غير الخاضع للإشراف في التعلم الآلي على مدى توفر البيانات المصنفة وطبيعة المهمة والنتيجة المرجوة. يعد فهم الاختلافات بين التعلم الخاضع للإشراف وغير الخاضع للإشراف أمرًا ضروريًا لتصميم نماذج فعالة للتعلم الآلي يمكنها استخلاص رؤى ذات معنى وإجراء تنبؤات دقيقة من 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