التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما الفرق؟

يصبح العالم "أكثر ذكاءً" كل يوم، ولمواكبة توقعات المستهلكين، تستخدم الشركات بشكل متزايد خوارزميات التعلم الآلي لتسهيل الأمور. ويمكنك أن تراها قيد الاستخدام في أجهزة المستخدم النهائي (من خلال التعرف على الوجه لإلغاء قفل الهواتف الذكية) أو للكشف عن الاحتيال في بطاقات الائتمان (مثل تشغيل التنبيهات لعمليات الشراء غير العادية).

في مجال الذكاء الاصطناعي والتعلم الآلي، هناك نهجين أساسيين: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. الفرق الرئيسي هو أن أحدهما يستخدم البيانات المصنفة للمساعدة على التنبؤ بالنتائج، بينما الآخر لا يفعل ذلك. ومع ذلك، هناك بعض الفروق الدقيقة بين النهجين، والمجالات الرئيسية التي يتفوق فيها أحدهما على الآخر. يوضح هذا المنشور الاختلافات حتى تتمكن من اختيار أفضل طريقة لحالتك.

التعلم الخاضع للإشراف هو نهج التعلم الآلي الذي يتم تحديده من خلال استخدامه لمجموعات البيانات المصنفة. وتم تصميم مجموعات البيانات هذه لتدريب الخوارزميات أو "الإشراف" عليها لتصنيف البيانات أو التنبؤ بالنتائج بدقة. وباستخدام المدخلات والمخرجات المصنفة، يمكن للنموذج قياس دقتها والتعلم بمرور الوقت.

يمكن تقسيم التعلم الخاضع للإشراف إلى نوعين من المشكلات عند استخراج البيانات: التصنيف والانحدار:

• تستخدم مشكلات التصنيف خوارزمية لتعيين بيانات الاختبار بدقة في فئات محددة، مثل فصل التفاح عن البرتقال. أو، في العالم الواقعي، يمكن استخدام خوارزميات التعلم الخاضعة للإشراف لتصنيف البريد العشوائي في مجلد منفصل عن صندوق الوارد الخاص بك. المصنفات الخطية، وآلات الدعم المتجهة، وأشجار القرار والغابات العشوائية هي كلها أنواع شائعة من خوارزميات التصنيف.
  
  
• الانحدار هو نوع آخر من طرق التعلم الخاضع للإشراف الذي يستخدم خوارزمية لفهم العلاقة بين المتغيرات التابعة والمستقلة. وتُعد نماذج الانحدار مفيدة في التنبؤ بالقيم العددية بناءً على نقاط بيانات مختلفة، مثل توقعات إيرادات المبيعات لنشاط تجاري معين. بعض خوارزميات الانحدار الشائعة هي الانحدار الخطي والانحدار اللوجستي والانحدار متعدد الحدود.

يستخدم التعلم غير الخاضع للإشراف خوارزميات التعلم الآلي لتحليل مجموعات البيانات غير المصنفة وتجميعها. وتكتشف هذه الخوارزميات أنماطًا مخفية في البيانات دون الحاجة إلى تدخل بشري (ومن ثَمَّ فهي "غير خاضعة للإشراف").

تُستخدم نماذج التعلم غير الخاضعة للإشراف في ثلاث مهام رئيسية: التجميع، والترابط، وتقليل الأبعاد:

• التجميع هو تقنية استخراج البيانات لتجميع البيانات غير المصنفة بناءً على أوجه التشابه أو الاختلاف بينها. على سبيل المثال، تقوم خوارزميات التجميع K-means بتعيين نقاط البيانات المتشابهة في مجموعات، حيث تمثل قيمة K حجم التجميع والتفاصيل الدقيقة. هذه التقنية مفيدة لتقسيم السوق وضغط الصور وما إلى ذلك.
  
  
• الارتباط هو نوع آخر من طرق التعلم غير الخاضعة للإشراف التي تستخدم قواعد مختلفة لإيجاد العلاقات بين المتغيرات في مجموعة بيانات معينة. وتُستخدم هذه الأساليب بشكل متكرر في تحليل سلة السوق ومحركات التوصيات، على غرار توصيات "العملاء الذين اشتروا هذا السلعة اشتروا أيضًا".
  
  
• تقليل الأبعاد هي تقنية تعلم تُستخدم عندما يكون عدد الميزات (أو الأبعاد) في مجموعة بيانات معينة مرتفعًا جدًا. إنه يقلل من عدد البيانات المدخلة إلى حجم يمكن التحكم فيه مع الحفاظ على سلامة البيانات أيضًا. وفي كثير من الأحيان، يتم استخدام هذه التقنية في مرحلة بيانات المعالجة السابقة، كما هو الحال عندما تزيل أجهزة التشفير التلقائي التشويش من البيانات المرئية لتحسين جودة الصورة.

الفرق الرئيسي بين النهجين هو استخدام مجموعات البيانات المصنفة. ببساطة، يستخدم التعلم الخاضع للإشراف بيانات الإدخال والإخراج المصنفة، في حين أن خوارزمية التعلم غير الخاضع للإشراف لا تستخدم ذلك.

في التعلم الخاضع للإشراف، "تتعلم" الخوارزمية من مجموعة بيانات التدريب من خلال إجراء تنبؤات متكررة على البيانات وتعديل الإجابة الصحيحة. في حين أن نماذج التعلم الخاضعة للإشراف تميل إلى أن تكون أكثر دقة من نماذج التعلم غير الخاضعة للإشراف، إلا أنها تتطلب تدخلاً بشريًا مسبقًا لتصنيف البيانات بشكل مناسب. على سبيل المثال، يمكن لنموذج التعلم الخاضع للإشراف التنبؤ بالمدة التي ستستغرقها تنقلاتك بناء على الوقت من اليوم والظروف الجوية وما إلى ذلك. ولكن يجب عليك أولاً تدريبها لمعرفة أن الطقس الممطر يطيل وقت القيادة.

على النقيض من ذلك، تعمل نماذج التعلم غير الخاضعة للإشراف من تلقاء نفسها لاكتشاف البنية المتأصلة للبيانات غير المصنفة. لاحظ أنها لا تزال تتطلب بعض التدخل البشري للتحقق من صحة متغيرات المخرجات. على سبيل المثال، يمكن لنموذج التعلم غير الخاضع للإشراف تحديد أن المتسوقين عبر الإنترنت غالبًا ما يشترون مجموعات من المنتجات في الوقت نفسه. ومع ذلك، سيحتاج محلل البيانات إلى التحقق من الصحة من أنه من المنطقي أن يقوم محرك التوصيات بتجميع ملابس الأطفال مع طلب حفاضات وعصير التفاح وأكواب الشرب.

• الأهداف: في التعلم الخاضع للإشراف، الهدف هو التنبؤ بنتائج البيانات الجديدة. أنت تعرف مسبقًا نوع النتائج المتوقعة. وباستخدام خوارزمية التعلم غير الخاضع للإشراف، الهدف هو الحصول على رؤى من كميات كبيرة من البيانات الجديدة. إن التعلم الآلي بحد ذاته يحدد ما هو مختلف أو مثير للاهتمام في مجموعة البيانات.
  
  
• التطبيقات: تُعد نماذج التعلم الخاضع للإشراف مثالية لكشف البريد العشوائي، وتحليل المشاعر، والتنبؤ بالطقس، والتنبؤ بالتسعير، من بين أمور أخرى. وعلى النقيض من ذلك، فإن التعلم غير الخاضع للإشراف مناسب تمامًا للكشف عن الحالات الشاذة ومحركات التوصيات وشخصيات العملاء والتصوير الطبي.
  
  
• التعقيد: التعلم الخاضع للإشراف هو طريقة بسيطة للتعلم الآلي، وعادةً ما يتم حسابه باستخدام برامج مثل R أو Python. وفي التعلم غير الخاضع للإشراف، تحتاج إلى أدوات قوية للعمل مع كميات كبيرة من البيانات غير المصنفة. كما تُعد نماذج التعلم غير الخاضع للإشراف معقدة من الناحية الحسابية لأنها تحتاج إلى مجموعة تدريب كبيرة لإنتاج النتائج المرجوة.
  
  
• العيوب: قد تستغرق نماذج التعلم الخاضعة للإشراف وقتًا طويلاً في التدريب، كما أن تصنيفات متغيرات الإدخال والإخراج تتطلب خبرة. وفي الوقت نفسه، يمكن أن تؤدي طرق التعلم غير الخاضعة للإشراف إلى نتائج غير دقيقة إلى حد كبير ما لم يكن لديك تدخل بشري للتحقق من صحة متغيرات الإخراج.

يعتمد اختيار النهج المناسب لحالتك على كيفية تقييم عالم البيانات لديك لهيكل بياناتك وحجمها، بالإضافة إلى حالة الاستخدام. ولاتخاذ قرارك، تأكد من القيام بما يأتي:

• تقييم بياناتك الإدخال: هل البيانات مصنفة أم غير مصنفة؟ وهل لديك خبراء يمكنهم دعم وضع العلامات الإضافية؟
  
  
• حدد أهدافك: هل لديك مشكلة متكررة ومحددة جيدًا لحلها؟ أم أن الخوارزمية ستحتاج إلى التنبؤ بالمشكلات الجديدة؟
  
  
• تقييم خياراتك للخوارزميات: هل هناك خوارزميات بالأبعاد نفسها التي تحتاجها (عدد الميزات أو السمات أو الخصائص)؟ وهل يمكنهم دعم حجم البيانات وهيكلها؟

يمكن أن يشكل تصنيف البيانات الكبيرة تحديًا حقيقيًا في التعلم الخاضع للإشراف، ولكن النتائج دقيقة للغاية وجديرة بالثقة. في المقابل، يمكن للتعلم غير الخاضع للإشراف التعامل مع كميات كبيرة من البيانات في الوقت الفعلي. ولكن هناك نقص في الشفافية في كيفية تجميع البيانات وزيادة خطر النتائج غير الدقيقة. وهنا يأتي دور التعلم شبه الخاضع للإشراف.

لا يمكنك تحديد ما إذا كنت تريد استخدام التعلم الخاضع للإشراف أو غير الخاضع للإشراف؟ يُعد التعلّم شبه الخاضع للإشراف وسيطًا جيدًا، حيث يستخدم مجموعة بيانات تدريبية تحتوي على بيانات مُصنفة وغير مُصنفة. ويكون مفيدًا بشكل خاص عندما يكون من الصعب استخراج الميزات ذات الصلة من البيانات—وعندما يكون لديك حجم كبير من البيانات.

يُعد التعلم شبه الخاضع للإشراف مثاليًا للصور الطبية، حيث يمكن أن تؤدي كمية صغيرة من بيانات التدريب إلى تحسن كبير في الدقة. على سبيل المثال، يمكن لأخصائي الأشعة تسمية مجموعة فرعية صغيرة من الأشعة المقطعية للأورام أو الأمراض حتى يتمكن الجهاز من التنبؤ بدقة أكبر بالمرضى الذين قد يحتاجون إلى مزيد من العناية الطبية.

تُعد نماذج التعلم الآلي طريقة قوية لاكتساب رؤى البيانات التي تعمل على تحسين عالمنا. ولمعرفة المزيد حول الخوارزميات المحددة المستخدمة في التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف، نشجعك على التعمق في مقالات Learn Hub حول هذه التقنيات. ونوصي أيضًا بالاطّلاع على منشور المدونة الذي يتضمن أكثر من ذلك، مع نظرة تفصيلية على التعلم العميق والشبكات العصبية.

• ما المقصود بالتعلم الخاضع الإشراف؟
• ما هو التعلم غير الخاضع للإشراف؟
• الذكاء الاصطناعي مقابل التعلّم الآلي مقابل التعلّم العميق مقابل الشبكة العصبية: ما الفرق؟