التعلُّم الآلي (ML)

التعلم الآلي (ML) هو فرع من فروع الذكاء الاصطناعي (AI) يركز على تمكين أنظمة الكمبيوتر من التعلم من البيانات دون برمجتها بشكل صريح. فبدلاً من اتباع قواعد محددة مسبقاً، تحدد خوارزميات التعلم الآلي الأنماط في البيانات لوضع تنبؤات أو قرارات. تسمح عملية التعلُّم هذه للأنظمة بتحسين أدائها بمرور الوقت كلما تعرضت لمزيد من البيانات.

التعريف والمفهوم الأساسي

يتمحور التعلم الآلي في جوهره حول إنشاء خوارزميات يمكنها التعلم من البيانات واتخاذ قرارات أو تنبؤات بناءً على البيانات. ويتضمن ذلك تغذية خوارزمية تعلّم الآلة بالبيانات والسماح لها بتعديل بارامتراتها الداخلية لتحقيق النتيجة المرجوة، مثل التصنيفات أو التنبؤات الدقيقة. والفكرة الأساسية هي أنه مع وجود ما يكفي من البيانات ذات الصلة، يمكن للآلة أن تتعلم حل المشاكل أو إجراء تنبؤات قد تكون معقدة للغاية أو تستغرق وقتاً طويلاً لبرمجتها يدوياً. هذه القدرة حاسمة في العديد من المجالات، بما في ذلك الرؤية الحاسوبية ومعالجة اللغة الطبيعية.

أنواع التعلم الآلي

يشمل التعلّم الآلي عدة أنواع من نماذج التعلّم، كل منها يناسب مشاكل وأنواع بيانات مختلفة. وتشمل الأنواع الرئيسية ما يلي:

• التعلّم تحت الإشراف: هذا هو النوع الأكثر شيوعًا، حيث تتعلم الخوارزمية من البيانات المصنفة. على سبيل المثال، في اكتشاف الأجسام، يتم تدريب نموذج على الصور ذات المربعات المحدودة والتسميات لتعلم تحديد الأجسام في الصور الجديدة. Ultralytics YOLO تعتبر النماذج أمثلة ممتازة للتعلم تحت الإشراف أثناء العمل.
• التعلّم غير الخاضع للإشراف: يتعامل هذا النهج مع البيانات غير الموسومة، حيث يجب أن تجد الخوارزمية بنية أو أنماطًا من تلقاء نفسها. يعد التجميع وتقليل الأبعاد من المهام الشائعة في التعلم غير الخاضع للإشراف. تعتبر DBSCAN مثالاً على خوارزمية تجميع غير خاضعة للإشراف.
• التعلم المعزز: هنا، يتعلم الوكيل اتخاذ القرارات من خلال التفاعل مع البيئة لتعظيم المكافأة. يُستخدم هذا النوع غالبًا في علم الروبوتات واللعب. توفر عمليات اتخاذ القرار ماركوف (MDPs) إطارًا رياضيًا لفهم التعلم المعزز.
• التعلّم شبه الخاضع للإشراف: وهو نهج هجين يستخدم كلاً من البيانات المصنفة وغير المصنفة. يمكن أن يكون مفيدًا بشكل خاص عندما تكون البيانات الموسومة نادرة ولكن البيانات غير الموسومة وفيرة، وغالبًا ما يحسن دقة النموذج ويقلل من الحاجة إلى وضع علامات مكثفة.

التطبيقات الواقعية

يعمل التعلم الآلي على تحويل العديد من الصناعات والتطبيقات اليومية. فيما يلي مثالان ملموسان:

1. التعرف على الصور في مجال الرعاية الصحية: يستخدم تحليل الصور الطبية تعلّم الآلة لتحليل الصور الطبية مثل الأشعة السينية والتصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب للكشف عن الأمراض والأورام والحالات الشاذة. ويساعد ذلك أخصائيي الرعاية الصحية في التشخيص وتخطيط العلاج واكتشاف الحالات الشاذة، مما يؤدي إلى تقديم خدمات رعاية صحية أسرع وأكثر دقة. على سبيل المثال، يمكن أن يساعد التعلم الآلي في الكشف عن الأورام في التصوير الطبي.
2. أنظمة التوصية في البيع بالتجزئة: تستخدم منصات التجارة الإلكترونية أنظمة التوصيات القائمة على التعلم الآلي لتحليل سلوك المستخدم وتفضيلاته لاقتراح المنتجات التي من المرجح أن يشتريها المستخدمون. تعمل هذه الأنظمة على تعزيز تجربة العملاء وزيادة المبيعات وتحسين الاحتفاظ بالعملاء من خلال توفير تجارب تسوق مخصصة.

الأهمية في الذكاء الاصطناعي والرؤية الحاسوبية

يُعد التعلّم الآلي حجر الزاوية في الذكاء الاصطناعي الحديث وهو أمر بالغ الأهمية بشكل خاص في تطوير الرؤية الحاسوبية. وتعتمد مهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتجزئة الصور وتصنيف الصور اعتمادًا كبيرًا على خوارزميات تعلّم الآلة لتفسير البيانات المرئية وفهمها. توفر أطر مثل PyTorch ومنصات مثل Ultralytics HUB توفر أدوات وبيئات لتطوير ونشر نماذج تعلّم الآلة لتطبيقات الرؤية الحاسوبية بكفاءة.

العلاقة بالتعلم العميق

التعلم العميق (DL) هو مجال فرعي للتعلم الآلي يستخدم الشبكات العصبية ذات الطبقات المتعددة (الشبكات العصبية العميقة) لتحليل البيانات. وقد أحدث التعلّم العميق ثورة في العديد من مهام التعلّم الآلي، خاصةً في مجال الرؤية الحاسوبية ومعالجة اللغات الطبيعية، نظرًا لقدرته على تعلّم الميزات المعقدة تلقائيًا من البيانات الأولية. تستفيد نماذج مثل Ultralytics YOLO من بنيات التعلّم العميق لتحقيق أحدث أداء في اكتشاف الأجسام والمهام ذات الصلة.