التعلّم الخاضع للإشراف

كيف يعمل التعلم الخاضع للإشراف

تبدأ العملية بمجموعة بيانات حيث تتكون كل نقطة بيانات من ميزات المدخلات وتسمية مخرجات صحيحة مقابلة. على سبيل المثال، في مهمة تصنيف الصور، تكون المدخلات عبارة عن صور، وتكون التسميات هي الفئات التي تنتمي إليها (على سبيل المثال، "قطة" و"كلب"). تقوم الخوارزمية بشكل متكرر بإجراء تنبؤات على بيانات التدريب وتعديل معلماتها الداخلية باستخدام خوارزمية تحسين مثل نزول التدرج لتقليل الفرق بين تنبؤاتها والتسميات الفعلية، والتي يتم قياسها بواسطة دالة الخسارة. يستمر هذا التدريب حتى يحقق النموذج مستوى مُرضٍ من الدقة على بيانات التحقق من الصحة.

الملاءمة والتطبيقات

إن التعلّم الخاضع للإشراف متعدد الاستخدامات بشكل لا يُصدّق، وهو يدعم مجموعة واسعة من التطبيقات التي يمكن للبيانات التاريخية أن تتنبأ بالأحداث المستقبلية أو تصنيف المعلومات الجديدة. إن قدرته على التعلم مباشرةً من الأمثلة المصنفة يجعله مناسبًا للمهام التي تتطلب دقة عالية. تعتمد العديد من مهام الرؤية الحاسوبية اعتمادًا كبيرًا على التعلّم تحت الإشراف، بما في ذلك تلك التي تقوم بها نماذج مثل Ultralytics YOLO.

فيما يلي مثالان ملموسان:

1. تحليل الصور الطبية: يمكن تدريب نماذج التعلّم الخاضعة للإشراف على مجموعات بيانات من الفحوصات الطبية (مثل الأشعة السينية أو التصوير بالرنين المغناطيسي) التي يصنفها أخصائيو الأشعة. على سبيل المثال، يمكن للنموذج أن يتعلم كيفية اكتشاف الأورام في التصوير الطبي من خلال تدريبه على الصور المصنفة على أنها "ورم" أو "لا ورم". وهذا يساعد الأطباء في التشخيص وتخطيط العلاج، مما يساهم بشكل كبير في حلول الذكاء الاصطناعي في مجال الرعاية الصحية.
2. تحليل المشاعر: ترغب الشركات في كثير من الأحيان في فهم آراء العملاء من البيانات النصية مثل المراجعات أو منشورات وسائل التواصل الاجتماعي. يمكن تدريب نموذج خاضع للإشراف على أمثلة نصية مصنفة بالمشاعر ("إيجابي"، "سلبي"، "محايد"). وبمجرد تدريبه، يمكنه تصنيف النصوص الجديدة تلقائياً، مما يوفر رؤى قيمة لأبحاث السوق وخدمة العملاء. تعرّف على المزيد حول تحليل المشاعر.

تشمل التطبيقات الشائعة الأخرى اكتشاف الأجسام في الصور ومقاطع الفيديو (المستخدمة في المركبات ذاتية القيادة وأنظمة الأمن)، وتصفية البريد الإلكتروني غير المرغوب فيه، والتنبؤ بأسعار المساكن( مهمةالانحدار )، والتعرف على الوجه.

المفاهيم الرئيسية

هناك عدة مفاهيم أساسية لفهم التعلم تحت الإشراف:

• البيانات المصنفة: أساس التعلّم الخاضع للإشراف، ويتكون من بيانات المدخلات المقترنة بتسميات المخرجات الصحيحة. يعد جمع البيانات عالية الجودة والشرح التوضيحي أمرًا بالغ الأهمية.
• الميزات: متغيرات أو خصائص المدخلات القابلة للقياس التي يستخدمها النموذج لعمل تنبؤات. يمكن أن تؤثر هندسة السمات بشكل كبير على الأداء.
• التسميات (أو الأهداف): قيم المخرجات الصحيحة المرتبطة بميزات الإدخال في بيانات التدريب.
• التصنيف: نوع من مهام التعلم الخاضع للإشراف حيث يكون الهدف هو التنبؤ بتسمية فئة منفصلة (على سبيل المثال، تصنيف رسائل البريد الإلكتروني على أنها "رسائل غير مرغوب فيها" أو "ليست رسائل غير مرغوب فيها"، أو الصور إلى فئات مختلفة باستخدام نماذج مثل YOLO للتصنيف).
• الانحدار: نوع من مهام التعلم تحت الإشراف حيث يكون الهدف هو التنبؤ بقيمة عددية مستمرة (على سبيل المثال، التنبؤ بدرجة الحرارة أو أسعار الأسهم أو قيم المنازل باستخدام خوارزميات مثل الانحدار الخطي).
• الخوارزميات الشائعة: تتضمن أساليب مثل الانحدار اللوجستي، وآلات دعم المتجهات (SVM)، وأشجار القرار، والغابات العشوائية، وأنواع مختلفة من الشبكات العصبية (NN)، وخاصة الشبكات العصبية التلافيفية (CNNs) للمهام المتعلقة بالصور، وغالبًا ما يتم تنفيذها باستخدام أطر مثل PyTorch.

المقارنة مع نماذج التعلم الأخرى

يختلف التعلم الخاضع للإشراف عن نماذج التعلم الآلي الأساسية الأخرى:

• التعلّم غير الخاضع للإشراف: تتعلم الخوارزميات أنماطًا من البيانات غير المعنونة دون توجيه واضح. تشمل المهام الشائعة التجميع (تجميع نقاط البيانات المتشابهة) وتقليل الأبعاد (تبسيط البيانات). يتم استخدامه عندما تكون البيانات المصنفة غير متوفرة أو عندما يكون الهدف هو اكتشاف البنى المخفية.
• التعلم المعزز: تتعلم الخوارزميات من خلال التفاعل مع البيئة وتلقي التغذية الراجعة في شكل مكافآت أو عقوبات. الهدف هو تعلم سياسة (استراتيجية لاختيار الإجراءات) تزيد من المكافآت التراكمية مع مرور الوقت. وغالبًا ما تُستخدم في علم الروبوتات ولعب الألعاب وأنظمة الملاحة.

باختصار، التعلُّم تحت الإشراف هو تقنية قوية تستفيد من البيانات المصنفة لتدريب النماذج على المهام التنبؤية، وتشكل العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي الناجحة، بما في ذلك تلك التي طورتها ودعمتها Ultralytics ومنصات مثل Ultralytics HUB.