اكتشف كيف يعمل التعلُّم الخاضع للإشراف على تعزيز الذكاء الاصطناعي بالبيانات المُصنَّفة، مما يتيح تنبؤات وتطبيقات دقيقة مثل اكتشاف الأشياء وتحليل المشاعر.
التعلّم الخاضع للإشراف هو فئة أساسية من التعلم الآلي (ML) حيث تتعلم الخوارزميات من مجموعة بيانات تحتوي على أزواج من المدخلات والمخرجات، والمعروفة باسم البيانات المصنفة. في جوهرها، تكون الخوارزمية "خاضعة للإشراف" لأنها تتعلم من خلال مقارنة تنبؤاتها على بيانات المدخلات بالمخرجات الصحيحة المعروفة (التسميات) المتوفرة في بيانات التدريب. والهدف هو أن تتعلم الخوارزمية دالة تعيين يمكنها التنبؤ بدقة بالمخرجات للمدخلات الجديدة غير المرئية. ويُعد هذا النهج أساسيًا في العديد من تطبيقات الذكاء الاصطناعي الحديثة، مما يمكّن الأنظمة من إجراء تنبؤات أو اتخاذ قرارات بناءً على الأمثلة التاريخية الموجودة في مجموعات البيانات المعيارية أو المخصصة.
تبدأ العملية بمجموعة بيانات تم إعدادها بعناية حيث تتكون كل نقطة بيانات من ميزات المدخلات وتسمية الإخراج الصحيحة المقابلة. وغالبًا ما يتضمن ذلك جهدًا كبيرًا في جمع البيانات والتعليقات التوضيحية. على سبيل المثال، في مهمة تصنيف الصور، قد تكون المدخلات عبارة عن صور (ربما تمت معالجتها مسبقًا باستخدام تقنيات من مكتبات مثل OpenCV)، 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 (أو أوزان النموذج) باستخدام خوارزمية تحسين مثل خوارزمية التدرج العشوائي (Stochastic Gradient Descent Descent) أو آدم لتقليل الفرق بين تنبؤاتها والتسميات الفعلية. يتم قياس هذا الفرق بواسطة دالة خسارة. يستمر هذا التدريب، غالبًا عبر عدة حقبات، حتى يحقق النموذج مستوى مُرضٍ من الدقة أو مقاييس الأداء الأخرى ذات الصلة على بيانات التحقق المنفصلة، مما يضمن تعميمه بشكل جيد على البيانات الجديدة وتجنب الإفراط في التهيئة.
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 (CV) اعتمادًا كبيرًا على التعلّم تحت الإشراف، بما في ذلك تلك التي تقوم بها أحدث النماذج مثل Ultralytics YOLO.
فيما يلي مثالان ملموسان:
تشمل التطبيقات الشائعة الأخرى الكشف عن الأجسام في الصور ومقاطع الفيديو (المستخدمة في المركبات ذاتية القيادة وأنظمة الأمن)، وتصفية البريد الإلكتروني غير المرغوب فيه، والتنبؤ بأسعار المساكن (مهمة الانحدار )، والتعرف على الوجه. كما يتم تطبيقه أيضاً في الذكاء الاصطناعي لإدارة مخزون التجزئة بشكل أكثر ذكاءً والذكاء الاصطناعي في الحلول الزراعية.
هناك عدة مفاهيم أساسية لفهم التعلم تحت الإشراف وتطبيقه بفعالية:
يختلف التعلم الخاضع للإشراف عن نماذج التعلم الآلي الأساسية الأخرى:
باختصار، التعلُّم الخاضع للإشراف هو تقنية قوية ومستخدمة على نطاق واسع تستفيد من البيانات المصنفة لتدريب النماذج على المهام التنبؤية. وهي تشكل العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي الناجحة، بما في ذلك تلك التي طورتها ودعمتها Ultralytics وهي مهارة حاسمة لأي شخص يعمل في علوم البيانات أو الذكاء الاصطناعي.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
