التعلّم الخاضع للإشراف

التعلم الخاضع للإشراف هو نهج أساسي في التعلم الآلي (ML) حيث تتعلم الخوارزميات من البيانات المصنفة لاتخاذ تنبؤات أو قرارات. في هذه الطريقة، يتم تزويد الخوارزمية بمجموعة بيانات تتضمن كلاً من بيانات المدخلات والمخرجات الصحيحة المقابلة، والمعروفة باسم التسميات. والهدف هو أن تتعلم الخوارزمية دالة تعيين تتنبأ بدقة بالمخرجات لبيانات المدخلات الجديدة غير المرئية. تتضمن عملية التعلم هذه تعديل معلمات النموذج لتقليل الفرق بين تنبؤاته والتسميات الفعلية في بيانات التدريب.

المفاهيم الأساسية في التعلّم الخاضع للإشراف

يعتمد التعلم الخاضع للإشراف على عدة مفاهيم أساسية:

• البيانات المصنفة: أساس التعلم تحت الإشراف هو بيانات التدريب، والتي تتكون من أزواج المدخلات والمخرجات. وعادةً ما تكون المدخلات عبارة عن مجموعة من الميزات، والمخرجات هي التسمية المطلوبة أو المتغير المستهدف.
• عملية التدريب: أثناء التدريب، تقوم الخوارزمية بشكل متكرر بتعديل معلماتها الداخلية لتحسين قدرتها على التنبؤ بالمخرجات الصحيحة للمدخلات المعطاة. وغالبًا ما يتم تحقيق ذلك باستخدام خوارزميات التحسين مثل نزول التدرج.
• تقييم النموذج: بعد التدريب، يتم تقييم أداء النموذج باستخدام مجموعة بيانات منفصلة تسمى بيانات التحقق من الصحة أو بيانات الاختبار. يساعد ذلك في تقييم مدى جودة تعميم النموذج على البيانات الجديدة غير المرئية. تتضمن مقاييس التقييم الشائعة الدقة والدقة والاستدعاء ودرجة F1.

أنواع التعلم تحت الإشراف

يتم تصنيف مهام التعلم الخاضع للإشراف بشكل عام إلى نوعين رئيسيين:

• التصنيف: في التصنيف، يكون المتغير الناتج فئويًا، بمعنى أنه ينتمي إلى فئة أو صنف معين. على سبيل المثال، يعتبر تصنيف رسائل البريد الإلكتروني على أنها رسائل غير مرغوب فيها أو غير مرغوب فيها مشكلة تصنيف ثنائي، في حين أن تحديد سلالة كلب من صورة ما هو مشكلة تصنيف متعددة الفئات. تعرف على المزيد حول تصنيف الصور واستكشف كيف يمكن استخدام Ultralytics YOLO في مهام تصنيف الصور.
• الانحدار: في الانحدار، يكون متغير الخرج متصلًا، بمعنى أنه يمكن أن يأخذ أي قيمة ضمن نطاق ما. على سبيل المثال، يعد التنبؤ بأسعار المنازل بناءً على ميزات مثل الحجم والموقع والعمر مهمة انحدار.

تطبيقات العالم الحقيقي للتعلم الخاضع للإشراف

يدعم التعلم الخاضع للإشراف مجموعة واسعة من التطبيقات الواقعية في مختلف الصناعات:

• الرعاية الصحية: يمكن أن تساعد نماذج التعلم الخاضعة للإشراف في التشخيص الطبي من خلال تحليل بيانات المرضى والتنبؤ باحتمالية الإصابة بالأمراض. على سبيل المثال، يمكن أن يساعد تدريب نموذج على الصور الطبية الموسومة بوجود الأورام أو عدم وجودها في الكشف المبكر عن السرطان. استكشف المزيد عن الذكاء الاصطناعي في مجال الرعاية الصحية لترى كيف يُحدث الذكاء الاصطناعي البصري تحولاً في التشخيص والعلاج الطبي.
• التمويل: في القطاع المالي، يُستخدم التعلّم الخاضع للإشراف في الكشف عن الاحتيال وتسجيل الائتمان والتداول الخوارزمي. على سبيل المثال، يمكن تدريب نموذج على بيانات المعاملات التاريخية التي تم تصنيفها على أنها احتيالية أو شرعية لتحديد المعاملات الاحتيالية المحتملة في الوقت الفعلي. تعرّف على المزيد حول كيفية تأثير الذكاء الاصطناعي على التمويل من خلال الأتمتة والخدمات الشخصية وتعزيز الأمن.
• السيارات ذاتية القيادة: التعلم الخاضع للإشراف أمر بالغ الأهمية لتدريب السيارات ذاتية القيادة. تتعلم النماذج التعرف على الأجسام مثل المشاة والمركبات الأخرى وإشارات المرور من الصور ومقاطع الفيديو التي تحمل علامات مميزة، مما يمكّن السيارة من التنقل بأمان.
• البيع بالتجزئة: يمكن استخدام التعلم الخاضع للإشراف في مهام مثل إدارة المخزون ومنع السرقة. يمكن تدريب النماذج على التعرف على سلوكيات السرقة من المتاجر أو تتبع مستويات المخزون في الوقت الفعلي.

التعلم الخاضع للإشراف مقابل نماذج التعلم الأخرى

التعلم الخاضع للإشراف هو أحد نماذج التعلم المتعددة في التعلم الآلي. وغالباً ما يتناقض مع:

• التعلّم غير الخاضع للإشراف: على عكس التعلّم تحت الإشراف، يتعامل التعلّم غير الخاضع للإشراف مع البيانات غير المسمّاة. والهدف من ذلك هو اكتشاف الأنماط أو البنى أو العلاقات الخفية في البيانات دون أي تسميات مخرجات محددة مسبقًا. تشمل تقنيات التعلم غير الخاضع للإشراف الشائعة التجميع وتقليل الأبعاد.
• التعلم المعزز: في التعلم المعزز، يتعلم الوكيل اتخاذ القرارات من خلال التفاعل مع البيئة وتلقي التغذية الراجعة في شكل مكافآت أو عقوبات. يُستخدم هذا النوع من التعلّم غالبًا في السيناريوهات التي يحتاج فيها الوكيل إلى تعلّم سياسة أو استراتيجية مثلى، كما هو الحال في اللعب أو الروبوتات.
• التعلّم شبه الخاضع للإشراف: يجمع هذا النهج بين عناصر التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. فهو يستفيد من كمية صغيرة من البيانات المصنفة إلى جانب كمية أكبر من البيانات غير المصنفة لتحسين دقة التعلم. يمكن أن يكون هذا مفيدًا بشكل خاص عندما يكون الحصول على البيانات المصنفة مكلفًا أو مستهلكًا للوقت.

لمزيد من الاستكشاف لهذه المفاهيم وأكثر من ذلك، قم بزيارة مسرد المصطلحاتUltralytics لتبقى في المقدمة مع تعريفات الخبراء لتقنيات الذكاء الاصطناعي والرؤية.