استكشف التعلم غير الخاضع للإشراف للكشف عن أنماط البيانات المخفية. اكتشف K-Means و DBSCAN و PCA و t-SNE وتطبيقات العالم الحقيقي اليوم!
التعلّم غير الخاضع للإشراف هو نوع من التعلّم الآلي الذي يستخدم خوارزميات لتحليل مجموعات البيانات غير المُسمّاة وتجميعها. تكتشف هذه الخوارزميات أنماطًا أو مجموعات بيانات مخفية دون معرفة مسبقة أو بيانات تدريب. وعلى عكس التعلم الخاضع للإشراف، الذي يعتمد على البيانات المصنفة للتنبؤ بالنتائج، يسعى التعلم غير الخاضع للإشراف إلى فهم البنية الأساسية للبيانات. يمكن أن يكون هذا مفيدًا بشكل خاص في السيناريوهات التي يكون فيها وضع العلامات البشرية غير عملي، مما يجعلها حجر الزاوية لاستكشاف البحث والتحليل القائم على البيانات.
في التعلّم غير الخاضع للإشراف، أكثر التقنيات استخدامًا هي التجميع وتقليل الأبعاد. يتضمن التجميع تجميع نقاط البيانات المتشابهة مع بعضها البعض، بينما يعمل تقليل الأبعاد على تبسيط البيانات عن طريق تقليل عدد المتغيرات العشوائية قيد الدراسة.
التجميع K-Means Clusterering:
K-Means هي خوارزمية تجميع شائعة تقوم بتقسيم البيانات إلى مجموعات K متميزة بناءً على تشابه السمات. تقوم هذه الخوارزمية بتعديل مراكز المجموعات بشكل متكرر من خلال تقليل التباين داخل كل مجموعة. تُستخدم هذه الخوارزمية على نطاق واسع في تقسيم العملاء وأبحاث السوق. تعرف على المزيد حول K-Means.
DBSCAN:
يحدّد DBSCAN (التجميع المكاني القائم على الكثافة للتطبيقات ذات الكثافة العالية مع الضوضاء) العينات الأساسية ذات الكثافة العالية ويوسّع المجموعات منها. يعمل بشكل جيد مع هياكل البيانات المعقدة وهو مفيد في التطبيقات التي تكون فيها توزيعات الفئات غير معروفة. استكشف DBSCAN.
تحليل المكونات الرئيسية (PCA):
تحليل PCA هو طريقة تُستخدم للتأكيد على التباين وإبراز الأنماط القوية في مجموعة البيانات. يقلل من أبعاد مجموعات البيانات الكبيرة عن طريق تحويلها إلى مجموعة جديدة من المتغيرات. يعد PCA لا يقدر بثمن في ضغط الصور وتقليل الضوضاء. استكشف تحليل PCA.
تضمين الجار العشوائي الموزع (t-Dochochastic Neighbor Embedding):
t-SNE هي تقنية لتصور البيانات عالية الأبعاد من خلال إعطاء كل نقطة بيانات موقعًا في خريطة ثنائية أو ثلاثية الأبعاد. وهي ممتازة لتصور مجموعات البيانات المعقدة التي تحتوي على العديد من الميزات. اعرف المزيد عن t-SNE.
غالبًا ما تستفيد الشركات من التعلّم غير الخاضع للإشراف لتقسيم السوق لتحديد شرائح العملاء المتميزة بناءً على سلوك الشراء. وهذا يعزز استراتيجيات التسويق المستهدفة وتحديد مواقع المنتجات.
في مجال الأمن السيبراني، يتم نشر خوارزميات التعلّم غير الخاضع للإشراف للكشف عن الأنماط غير الاعتيادية أو الحالات الشاذة في حركة مرور الشبكة، والتي قد تشير إلى تهديدات أمنية محتملة. استكشف تقنيات اكتشاف الحالات الشاذة.
التعلّم الخاضع للإشراف: على عكس التعلّم غير الخاضع للإشراف، يتطلب التعلّم الخاضع للإشراف بيانات مصنفة للتنبؤ بالنتائج. اقرأ المزيد عن التعلم الخاضع للإشراف.
التعلّم شبه الخاضع للإشراف: يجمع هذا بين كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة، ويقع بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. تعرف على التعلم شبه الخاضع للإشراف.
يلعب التعلم غير الخاضع للإشراف دورًا حيويًا في تحليل البيانات الحديثة واكتشافها. بدءًا من تعزيز تجارب العملاء من خلال التخصيص إلى تحسين الأمن من خلال الكشف عن الحالات الشاذة، فإن تطبيقاته واسعة ومتنوعة. Ultralytics يواصل استكشاف الإمكانات الإيجابية للذكاء الاصطناعي من خلال تقنيات التعلم القوية مثل هذه، مما يمكّن الشركات والباحثين من تسخير القوة الكاملة للبيانات. استكشف Ultralytics' المهمة والحلول لمعرفة كيف يتم تطوير أدوات الذكاء الاصطناعي للتطبيقات المؤثرة.
