التعلّم الخاضع للإشراف هو نوع من التعلم الآلي حيث تتعلم الخوارزمية من مجموعة بيانات مصنفة. فكّر في الأمر على أنه تعلّم مع معلّم: يتم إعطاؤك أمثلة مع "الإجابات الصحيحة" المقدمة بالفعل، وتتمثل مهمة الخوارزمية في معرفة العلاقة بين الأمثلة وتسمياتها حتى تتمكن من التنبؤ بتسميات الأمثلة الجديدة غير المرئية. هذه الطريقة أساسية في العديد من التطبيقات الواقعية للذكاء الاصطناعي، مما يمكّن الأنظمة من وضع تنبؤات أو قرارات بناءً على البيانات السابقة.
أهمية التعلم الخاضع للإشراف
يُعد التعلم الخاضع للإشراف حجر الزاوية في الذكاء الاصطناعي الحديث والتعلم الآلي، حيث يعمل على تشغيل مجموعة كبيرة من التطبيقات في مختلف الصناعات. وقدرته على التعلم من البيانات المصنفة تجعله متعدد الاستخدامات بشكل لا يصدق للمهام التي نريد فيها التنبؤ بالنتائج أو تصنيف البيانات الجديدة بناءً على المعرفة الموجودة. من أتمتة العمليات المعقدة إلى توفير تنبؤات ثاقبة، يُعد التعلّم تحت الإشراف أمرًا بالغ الأهمية لإنشاء أنظمة ذكية يمكنها فهم العالم من حولها والتفاعل معه. وتعتمد العديد من مهام الرؤية الحاسوبية، بما في ذلك تلك التي تدعمها نماذج Ultralytics ، اعتماداً كبيراً على تقنيات التعلّم تحت الإشراف.
تطبيقات التعلم تحت الإشراف
- اكتشاف الأجسام: في الرؤية الحاسوبية، يعد التعلم الخاضع للإشراف أمرًا ضروريًا لتدريب نماذج مثل Ultralytics YOLOv8 لاكتشاف الأجسام داخل الصور أو مقاطع الفيديو. من خلال التدريب على مجموعات البيانات حيث يتم تصنيف الصور بمربعات محددة حول أجسام معينة (مثل السيارات والمشاة وإشارات المرور)، يتعلم النموذج تحديد هذه الأجسام وتحديد موقعها في الصور الجديدة. هذه التقنية ضرورية لتطبيقات مثل المركبات ذاتية القيادة وأنظمة الأمن.
- تصنيف الصور: يُستخدم التعلم الخاضع للإشراف أيضًا على نطاق واسع في تصنيف الصور، حيث يتم تدريب النماذج على تصنيف الصور إلى فئات محددة مسبقًا. على سبيل المثال، يمكن تدريب نموذج لتصنيف صور أنواع مختلفة من الحيوانات أو الصور الطبية لتشخيص الأمراض(تحليل الصور الطبية)، أو حتى تصنيف أنواع مختلفة من الملابس. وهذا أمر بالغ الأهمية في مجالات تتراوح من الرعاية الصحية إلى البيع بالتجزئة.
- اكتشاف البريد الإلكتروني غير المرغوب فيه: يمكن تدريب خوارزميات التعلُّم الخاضعة للإشراف على مجموعة بيانات من رسائل البريد الإلكتروني المصنفة على أنها "رسائل بريد إلكتروني غير مرغوب فيها" أو "غير مزعجة". تتعلم الخوارزمية تحديد الأنماط والميزات التي تشير إلى الرسائل غير المرغوب فيها، مما يسمح لها بتصفية رسائل البريد الإلكتروني غير المرغوب فيها تلقائياً من صندوق الوارد الخاص بك.
- تحليل المشاعر: في معالجة اللغة الطبيعية، يعمل التعلم تحت الإشراف على تحليل المشاعر. حيث يتم تدريب الخوارزميات على بيانات نصية (مثل مراجعات العملاء أو منشورات وسائل التواصل الاجتماعي) مصنفة بالمشاعر (على سبيل المثال، إيجابية أو سلبية أو محايدة) للتنبؤ بمشاعر المدخلات النصية الجديدة. وهذا أمر لا يقدر بثمن بالنسبة للشركات لفهم آراء العملاء وتصورات العلامة التجارية.
المفاهيم الأساسية في التعلّم الخاضع للإشراف
- البيانات المصنفة: أساس التعلم الخاضع للإشراف هو البيانات المصنفة. وهذا يعني أن كل نقطة بيانات في مجموعة البيانات يتم إقرانها بتسمية مطابقة، وهي "الإجابة الصحيحة" أو الفئة الصحيحة. على سبيل المثال، في تصنيف الصور، يتم تصنيف كل صورة مع الكائن الذي تحتوي عليه.
- بيانات التدريب: تُستخدم البيانات المصنفة لتدريب نموذج التعلم الخاضع للإشراف. يحلل النموذج بيانات التدريب لتعلم الأنماط الأساسية والعلاقات بين ميزات المدخلات وتسميات المخرجات.
- الخوارزميات: يتم استخدام خوارزميات مختلفة في التعلم تحت الإشراف، اعتمادًا على المهمة. وتتضمن الخوارزميات الشائعة الانحدار الخطي لمهام الانحدار، والانحدار اللوجستي وآلات ناقلات الدعم (SVM) وأشجار القرار لمهام التصنيف. يتم استخدام خوارزميات أكثر تقدمًا مثل الشبكات العصبية والشبكات العصبية التلافيفية (CNNs) للمهام المعقدة مثل التعرف على الصور ومعالجة اللغة الطبيعية، وغالبًا ما يتم تنفيذها باستخدام أطر مثل PyTorch.
في جوهره، يوفر التعلم تحت الإشراف إطار عمل قوي وقابل للتكيف لبناء أنظمة ذكاء اصطناعي يمكنها تعلم إجراء تنبؤات وتصنيفات دقيقة، مما يؤدي إلى الابتكار في العديد من المجالات.
