استكشف أساسيات التعلّم تحت الإشراف وتطبيقاته في الذكاء الاصطناعي. اكتشف المفاهيم الأساسية والتحديات والاستخدامات الواقعية في مجالات الرعاية الصحية والزراعة وغيرها.
التعلّم الخاضع للإشراف هو نهج أساسي في التعلّم الآلي حيث يتم تدريب نموذج باستخدام بيانات مصنفة لإجراء تنبؤات أو لإبلاغ عمليات اتخاذ القرار. في هذا النوع من التعلّم، تتعلم الخوارزمية من أزواج المدخلات والمخرجات باستخدام التسميات لفهم الأنماط والعلاقات داخل البيانات.
يكمن جوهر التعلم الخاضع للإشراف في استخدام مجموعة بيانات تتألف من ميزات المدخلات وتسميات المخرجات المقابلة. تتضمن العملية عادةً ما يلي:
جمع البيانات: جمع مجموعة بيانات من الأمثلة المصنفة التي تتكون كل منها من مدخلات ومخرجات صحيحة. على سبيل المثال، في تصنيف الصور، يتم إقران الصور بتسميات تشير إلى الأشياء التي تحتويها.
تدريب النموذج: يتم تدريب الخوارزمية لتقليل الفرق بين تنبؤاتها والتسميات الفعلية. وغالبًا ما تُستخدم تقنيات مثل نزول التدرج والانتشار الخلفي لتحسين أوزان النموذج.
تقييم النموذج: بعد التدريب، يتم اختبار النموذج على بيانات غير مرئية لتقييم أدائه. يمكن استخدام مقاييس مثل الدقة والدقة والاسترجاع لتقييم فعالية النموذج.
يمكن تصنيف التعلم الخاضع للإشراف إلى نوعين رئيسيين: التصنيف والانحدار. في التصنيف، يكون الهدف هو التنبؤ بالتسميات المنفصلة مثل رسائل البريد الإلكتروني غير المرغوب فيها/غير المرغوب فيها في رسائل البريد الإلكتروني، بينما في الانحدار، يكون الهدف هو التنبؤ بالقيم المستمرة، مثل أسعار المنازل.
يُعد التعلم الخاضع للإشراف جزءًا لا يتجزأ من حلول الذكاء الاصطناعي والتعلم الآلي المختلفة:
تصنيف الصور: تحديد الكائنات داخل الصور باستخدام نماذج مثل الشبكات العصبية التلافيفية (CNNs). على سبيل المثال، التعرف على القطط والكلاب في الصور.
اكتشاف الرسائل غير المرغوب فيها: تصنيف رسائل البريد الإلكتروني إلى "رسائل بريد إلكتروني غير مرغوب فيها" أو "غير مرغوب فيها"، باستخدام أنماط محددة من رسائل البريد الإلكتروني المصنفة للتنبؤ بالرسائل الجديدة. وغالباً ما يستخدم ذلك أساليب مثل الانحدار اللوجستي.
على عكس التعلم غير الخاضع للإشراف، والذي يعمل مع البيانات دون تسميات صريحة، يتطلب التعلم الخاضع للإشراف مجموعات بيانات مصنفة. يركز نوع آخر مهم، وهو التعلّم المعزز، على قيام الوكلاء باتخاذ إجراءات لتعظيم المكافآت بدلاً من التعلم من مجموعة بيانات ثابتة.
الاعتماد على البيانات: يعتمد التعلم الخاضع للإشراف بشكل كبير على جودة وكمية البيانات المصنفة. يمكن أن تكون مجموعات البيانات الموسومة عالية الجودة باهظة الثمن وتستغرق وقتًا طويلاً في إنشائها.
الإفراط في التركيب: وهو تحدٍ شائع حيث يصبح النموذج مخصصًا جدًا لبيانات التدريب الخاصة به ويصبح أداؤه ضعيفًا على البيانات غير المرئية. تُستخدم تقنيات مثل التنظيم لمعالجة هذه المشكلة.
التحيز والتباين: الموازنة بينهما أمر بالغ الأهمية لبناء نماذج تعمم بشكل جيد. ويشار إلى ذلك عادة باسم مقايضة التحيز والتباين.
الرعاية الصحية: التنبؤ بتشخيصات المرضى من السجلات الطبية. وهذا أمر تحويلي، كما هو موضح في تأثير الذكاء الاصطناعي على الرعاية الصحية.
الزراعة: الكشف عن الأمراض النباتية من صور الأوراق، مما يمكن أن يحسن بشكل كبير من استراتيجيات إدارة المحاصيل، كما نوقش في الذكاء الاصطناعي في الزراعة.
باختصار، يُعد التعلم الخاضع للإشراف تقنية محورية في مجال الذكاء الاصطناعي، حيث يشكل العمود الفقري للعديد من التطبيقات في العالم الحقيقي. ومن خلال الاستفادة من مجموعات البيانات المصنفة، فإنها تتيح تطوير أنظمة قادرة على إجراء تنبؤات وقرارات مستنيرة في مجالات متنوعة. لاستكشاف المزيد حول هذا الموضوع، تفضل بزيارة Ultralytics HUB للاطلاع على الأدوات والموارد المتقدمة.
