تتضمن عملية تدريب نموذج التعلم الآلي تعريضه لكميات هائلة من البيانات لتمكينه من تعلم الأنماط واتخاذ التنبؤات أو القرارات دون برمجته بشكل صريح لكل سيناريو. خلال مرحلة التدريب، يخضع نموذج التعلم الآلي لسلسلة من التكرارات حيث يقوم بضبط معلماته الداخلية لتقليل الأخطاء وتحسين أدائه في المهمة المحددة.
يشير الإشراف أثناء التدريب إلى مستوى التدخل البشري المطلوب لتوجيه عملية التعلم للنموذج. يمكن أن تختلف الحاجة إلى الإشراف اعتمادًا على نوع خوارزمية التعلم الآلي المستخدمة، ومدى تعقيد المهمة، وجودة البيانات المقدمة للتدريب.
في التعلم الخاضع للإشراف، وهو نوع من التعلم الآلي حيث يتم تدريب النموذج على البيانات المصنفة، يعد الإشراف ضروريًا. البيانات المُصنفة تعني أن كل نقطة بيانات مُدخلة يتم إقرانها بالمخرج الصحيح، مما يسمح للنموذج بمعرفة التعيين بين المدخلات والمخرجات. أثناء التدريب الخاضع للإشراف، يلزم الإشراف البشري لتوفير التسميات الصحيحة لبيانات التدريب، وتقييم تنبؤات النموذج، وضبط معلمات النموذج بناءً على التعليقات.
على سبيل المثال، في مهمة التعرف على الصور الخاضعة للإشراف، إذا كان الهدف هو تدريب نموذج لتصنيف صور القطط والكلاب، فسيحتاج المشرف البشري إلى تصنيف كل صورة على أنها قطة أو كلب. سيتعلم النموذج بعد ذلك من هذه الأمثلة المصنفة لعمل تنبؤات بشأن الصور الجديدة غير المرئية. سيقوم المشرف بتقييم تنبؤات النموذج وتقديم التغذية الراجعة لتحسين دقته.
من ناحية أخرى، لا تتطلب خوارزميات التعلم غير الخاضعة للرقابة بيانات مصنفة للتدريب. تتعلم هذه الخوارزميات الأنماط والهياكل من البيانات المدخلة دون توجيه واضح. غالبًا ما يُستخدم التعلم غير الخاضع للرقابة في مهام مثل التجميع واكتشاف الحالات الشاذة وتقليل الأبعاد. في التعلم غير الخاضع للإشراف، يمكن للآلة أن تتعلم بشكل مستقل دون الحاجة إلى إشراف بشري أثناء التدريب.
التعلم شبه الخاضع للإشراف هو نهج مختلط يجمع بين عناصر التعلم الخاضع للإشراف وغير الخاضع للإشراف. في هذا النهج، يتم تدريب النموذج على مجموعة من البيانات المصنفة وغير المسماة. توفر البيانات المصنفة بعض الإشراف لتوجيه عملية التعلم، بينما تسمح البيانات غير المسماة للنموذج باكتشاف أنماط وعلاقات إضافية في البيانات.
التعلم المعزز هو نموذج آخر للتعلم الآلي حيث يتعلم الوكيل اتخاذ قرارات متسلسلة من خلال التفاعل مع البيئة. في التعلم المعزز، يتلقى الوكيل ردود فعل في شكل مكافآت أو عقوبات بناءً على أفعاله. يتعلم الوكيل تعظيم مكافأته التراكمية بمرور الوقت من خلال التجربة والخطأ. في حين أن التعلم المعزز لا يتطلب إشرافًا صريحًا بالمعنى التقليدي، فقد تكون هناك حاجة للإشراف البشري لتصميم هيكل المكافأة، أو تحديد أهداف التعلم، أو ضبط عملية التعلم.
تعتمد الحاجة إلى الإشراف أثناء التدريب على التعلم الآلي على نموذج التعلم المستخدم، وتوافر البيانات المصنفة، ومدى تعقيد المهمة. يتطلب التعلم الخاضع للإشراف إشرافًا بشريًا لتوفير البيانات المصنفة وتقييم أداء النموذج. لا يتطلب التعلم غير الخاضع للإشراف الإشراف، حيث يتعلم النموذج بشكل مستقل عن البيانات غير المسماة. يجمع التعلم شبه الخاضع للإشراف بين عناصر التعلم الخاضع للإشراف وغير الخاضع للإشراف، في حين يتضمن التعلم المعزز التعلم من خلال التفاعل مع البيئة.
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؟
- ما هي المعلمات الأساسية المستخدمة في الخوارزميات القائمة على الشبكة العصبية؟
- ما هو TensorBoard؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/GCML Google Cloud Machine Learning