التعلم غير الخاضع للإشراف هو نوع من التعلم الآلي حيث تتعلم الخوارزميات من البيانات غير الموسومة. وعلى عكس التعلّم تحت الإشراف، الذي يعتمد على البيانات المصنفة لتدريب النماذج، تستكشف خوارزميات التعلّم غير الخاضع للإشراف البيانات وتحدد الأنماط دون توجيه واضح. يكون هذا النهج مفيدًا بشكل خاص عند التعامل مع مجموعات البيانات الكبيرة حيث يكون وضع العلامات غير عملي أو عندما يكون الهدف هو اكتشاف البنى والعلاقات الخفية داخل البيانات.
كيف يعمل التعلّم غير الخاضع للإشراف
في التعلّم غير الخاضع للإشراف، يتم تقديم الخوارزمية مع بيانات المدخلات دون أي تسميات مخرجات مقابلة. ثم يحاول النظام بعد ذلك تعلم البنية الكامنة في البيانات. ويتحقق ذلك من خلال تقنيات مختلفة تهدف إلى:
- تجميع البيانات: تجميع نقاط البيانات المتشابهة معًا. تُعدّ خوارزمية K-means خوارزمية شائعة لهذا الغرض، حيث تقوم بتقسيم البيانات إلى مجموعات متميزة بناءً على تشابه السمات.
- تقليل الأبعاد: تبسيط البيانات عن طريق تقليل عدد المتغيرات مع الحفاظ على المعلومات الأساسية. تحليل المكونات الرئيسية (PCA) هو طريقة شائعة لتقليل الأبعاد، وتحويل البيانات عالية الأبعاد إلى تمثيل منخفض الأبعاد.
- اكتشاف الارتباطات: تحديد العلاقات والتبعيات بين المتغيرات في البيانات. على سبيل المثال، يمكن أن يكشف التنقيب عن قواعد الارتباط عن القواعد التي تصف أنماط التكرار المشترك المتكرر.
- اكتشاف الشذوذ: تحديد نقاط البيانات غير العادية التي تنحرف بشكل كبير عن القاعدة. يمكن استخدام DBSCAN (التجميع المكاني المستند إلى الكثافة للتطبيقات ذات الضوضاء) لتحديد القيم المتطرفة من خلال التعرف على المناطق ذات الكثافة السكانية المنخفضة في فضاء البيانات.
تطبيقات التعلم غير الخاضع للإشراف
تُستخدم تقنيات التعلم غير الخاضع للإشراف في مختلف المجالات لاستخراج رؤى قيمة من البيانات:
- تقسيم العملاء: تستخدم الشركات خوارزميات التجميع لتقسيم العملاء إلى مجموعات متميزة بناءً على سلوك الشراء أو التركيبة السكانية أو نشاط الموقع الإلكتروني. وهذا يسمح باستراتيجيات التسويق المستهدفة وتجارب العملاء الشخصية. على سبيل المثال، قد تستخدم شركة بيع بالتجزئة التعلّم غير الخاضع للإشراف على بيانات معاملات العملاء لتحديد شرائح العملاء المختلفة، مما يمكّنها من تخصيص توصيات المنتجات والعروض الترويجية.
- كشف الشذوذ في كشف الاحتيال: في مجال التمويل، يعد اكتشاف الحالات الشاذة أمرًا بالغ الأهمية لتحديد المعاملات الاحتيالية. يمكن لخوارزميات التعلم غير الخاضع للإشراف أن تتعلم أنماط المعاملات العادية وتحدد الانحرافات التي قد تشير إلى نشاط احتيالي. وهذا يساعد في منع الخسائر المالية بشكل استباقي وتعزيز أمن البيانات.
- تحليل التصوير الطبي: يلعب التعلم غير الخاضع للإشراف دورًا مهمًا في تحليل الصور الطبية. يمكن لتقنيات مثل تقليل الأبعاد والتجميع أن تساعد في تحليل الصور الطبية، مثل صور الأشعة السينية أو التصوير بالرنين المغناطيسي، للكشف عن الأنماط التي قد تشير إلى وجود أمراض أو حالات شاذة، حتى بدون تسميات واضحة.
- تجميع المستندات: في معالجة اللغة الطبيعية، يُستخدم التعلّم غير الخاضع للإشراف في تجميع المستندات، حيث يتم تجميع المستندات المتشابهة معًا بناءً على محتواها. وهذا مفيد لتنظيم مجموعات كبيرة من البيانات النصية، مثل المقالات الإخبارية أو الأوراق البحثية، ولمهام مثل نمذجة المواضيع والبحث الدلالي.
التعلم غير الخاضع للإشراف مقابل التعلم الخاضع للإشراف
يكمن الفرق الأساسي بين التعلّم غير الخاضع للإشراف والتعلّم الخاضع للإشراف في نوع البيانات المستخدمة في التدريب. يستخدم التعلّم الخاضع للإشراف بيانات موسومة، حيث يتم إقران كل نقطة بيانات مُدخَلة بتسمية مُخرَجات مقابلة. تتعلم الخوارزمية تعيين المدخلات إلى المخرجات بناءً على هذه الأمثلة المصنفة. على النقيض من ذلك، يستخدم التعلّم غير الخاضع للإشراف بيانات غير موسومة ويهدف إلى اكتشاف البنى أو الأنماط المخفية في البيانات نفسها، دون تسميات مخرجات صريحة.
يُعد كل من التعلّم الخاضع للإشراف والتعلم غير الخاضع للإشراف أداتين أساسيتين في التعلم الآلي (ML) والذكاء الاصطناعي (AI)، ويعتمد الاختيار بينهما على المشكلة المحددة وتوافر البيانات المصنفة والنتيجة المرجوة. بالنسبة للمشاريع التي تتضمن Ultralytics YOLO النماذج، بينما يعتمد التدريب عادةً على التعلّم الخاضع للإشراف لمهام مثل اكتشاف الأجسام وتجزئة الصور، يمكن أن تكون الطرق غير الخاضعة للإشراف ذات قيمة في المعالجة المسبقة للبيانات أو تحليل البيانات الاستكشافية أو في تطبيقات محددة مثل اكتشاف الشذوذ في مراقبة جودة التصنيع.
