التعلم الخاضع للإشراف

التعلم الخاضع للإشراف هو نهج أساسي في الذكاء الاصطناعي (AI) حيث يتم تدريب الخوارزميات على البيانات المدخلة التي تم وضع علامات عليها بالنتائج الصحيحة. في هذه الطريقة، يتعلم النموذج من خلال مقارنة تنبؤاته الخاصة بهذه العلامات المقدمة، بحيث يكون هناك "مشرف" لتصحيحه أثناء عملية التدريب. الهدف الأساسي هو أن يتعلم النظام وظيفة التعيين من المدخلات إلى المخرجات بشكل جيد بما يكفي حتى يتمكن من التنبؤ بدقة بالعلامات لبيانات الاختبار الجديدة غير المرئية . هذه التقنية هي القوة الدافعة وراء العديد من تطبيقات الذكاء الاصطناعي الأكثر عملية ونجاحًا المستخدمة اليوم، بدءًا من مرشحات البريد الإلكتروني غير المرغوب فيه إلى أنظمة القيادة الذاتية .

كيفية عمل التعلّم الموجّه

يدور سير عمل التعلم الخاضع للإشراف حول استخدام البيانات المصنفة. يتم تنظيم مجموعة بيانات حيث يتم إقران كل مثال تدريبي بعلامة "الحقيقة الأساسية" المقابلة. خلال مرحلة تدريب النموذج، تعالج الخوارزمية ميزات الإدخال وتولد تنبؤًا. ثم تقيس صيغة رياضية تسمى دالة الخسارة الخطأ — الفرق بين تنبؤ النموذج والعلامة الفعلية.

لتقليل هذا الخطأ إلى الحد الأدنى، تقوم خوارزمية التحسين، مثل Stochastic Gradient Descent (SGD)، تقوم بتعديل المعلمات الداخلية للنموذج أو أوزان النموذج بشكل متكرر. تتكرر هذه العملية على مدار العديد من الدورات، المعروفة باسم epochs، حتى يحقق النموذج مستوى مرضيًا من الدقة دون الإفراط في التكيف مع بيانات التدريب . تعمل أدوات مثل Ultralytics على تبسيط هذه العملية بأكملها من خلال إدارة تعليقات مجموعة البيانات والتدريب والتقييم في بيئة موحدة.

أنواع رئيسية من التعلم الخاضع للإشراف

تصنف مشاكل التعلم الخاضع للإشراف عمومًا إلى نوعين رئيسيين بناءً على طبيعة المتغير المستهدف:

• التصنيف: يتضمن هذا التنبؤ بفئة منفصلة أو تسمية فئة. ومن الأمثلة الشائعة على ذلك الكشف عن الأشياء، حيث يقوم النموذج بتحديد وموقع الأشياء داخل الصورة، مثل "سيارة" أو "شخص" أو "إشارة مرور". وتتميز النماذج المتقدمة مثل Ultralytics في هذه المهام من خلال تصنيف وتحديد مواقع عدة أشياء بسرعة في الوقت الفعلي.
• تحليل الانحدار: يتضمن هذا توقع قيمة عددية مستمرة. على سبيل المثال، توقع سعر منزل بناءً على ميزات مثل المساحة والموقع وعدد غرف النوم هو مشكلة انحدار. يمكنك معرفة المزيد عن الأسس الإحصائية في هذه المقدمة لتحليل الانحدار.

تطبيقات واقعية

التعلم الخاضع للإشراف يدعم مجموعة واسعة من التقنيات في مختلف الصناعات:

1. التشخيص الطبي: من خلال التدريب على آلاف الصور الشعاعية أو صور الرنين المغناطيسي الموسومة، يمكن لنماذج الذكاء الاصطناعي أن تتعلم detect مثل الأورام أو الكسور بدقة عالية. وهذا يساعد أطباء الأشعة في إجراء تشخيصات أسرع وأكثر دقة. اطلع على كيفية YOLO11 في اكتشاف الأورام لفهم التأثير الطبي.
2. كشف الاحتيال: تستخدم المؤسسات المالية التعلم الخاضع للإشراف لمراقبة أنماط المعاملات. من خلال التدريب على البيانات التاريخية للمعاملات المشروعة والمحتالة على حد سواء، يمكن لهذه الأنظمة الإبلاغ عن الأنشطة المشبوهة في الوقت الفعلي، مما يحمي العملاء من السرقة.

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

من المهم التمييز بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. في حين أن التعلم الخاضع للإشراف يعتمد على أزواج المدخلات والمخرجات الموسومة، فإن التعلم غير الخاضع للإشراف يعمل مع البيانات غير الموسومة. في السيناريوهات غير الخاضعة للإشراف ، تحاول الخوارزمية العثور على الهياكل أو الأنماط أو المجموعات المخفية داخل البيانات من تلقاء نفسها، مثل تقسيم العملاء في التسويق. يعد التعلم الخاضع للإشراف أكثر دقة بشكل عام للمهام المحددة التي تتوفر فيها البيانات التاريخية، في حين أن التعلم غير الخاضع للإشراف أفضل لتحليل البيانات الاستكشافية.

مثال عملي باستخدام YOLO26

التعلم الخاضع للإشراف هو أمر أساسي لتدريب نماذج الرؤية الحاسوبية الحديثة. يوضح Python التالي Python كيفية تدريب نموذج YOLO26 باستخدام مجموعة بيانات خاضعة للإشراف (COCO8). يتعلم النموذج من الصور الموسومة في مجموعة البيانات detect .

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

تستفيد هذه العملية البسيطة من قوة PyTorch للقيام بعمليات مصفوفة معقدة وحسابات التدرج. بالنسبة لأولئك الذين يسعون إلى تبسيط جانب إدارة البيانات، توفر Ultralytics أدوات للتدريب القائم على السحابة والتعليق التلقائي، مما يجعل سير عمل التعلم الخاضع للإشراف أكثر كفاءة بشكل ملحوظ.