يستخدم التعلم الخاضع للإشراف مجموعة تدريب لتعليم النماذج للحصول على النتائج المطلوبة. تتضمن مجموعة البيانات هذه الإدخالات والمخرجات الصحيحة، مما يمكّن النموذج من التعلم بمرور الوقت. تقيس الخوارزمية دقتها من خلال دالة الفقد، ويتم ضبطها حتى يتم تقليل الخطأ إلى الحد الأدنى بشكل كافٍ.

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

• التصنيف يستخدم خوارزمية لتصنيف بيانات الاختبار بدقة ضمن فئات محددة، حيث يقوم بتحديد الكيانات داخل مجموعة البيانات ويحاول استخلاص بعض الاستنتاجات حول كيفية تصنيف تلك الكيانات أو تعريفها. من الخوارزميات الشائعة في التصنيف: خوارزميات التصنيف الخطي، وآلات المتجهات الداعمة (SVM)، وأشجار القرار، وﺍلجار الأقرب، والغابة العشوائية، والتي سيتم توضيحها بمزيد من التفصيل أدناه.
• يُستخدم الانحدار لفهم العلاقة بين المتغيرات التابعة والمستقلة. ويُستخدم عادة لإجراء التوقعات، مثل التنبؤ بإيرادات المبيعات لنشاط تجاري معين. من الخوارزميات الشائعة في الانحدار: الانحدار الخطي، والانحدار اللوجستي، والانحدار متعدد الحدود.

تُستخدم خوارزميات وتقنيات حسابية مختلفة في عمليات التعلّم الآلي الخاضع للإشراف. فيما يلي شروحات موجزة لبعض أساليب التعلّم الأكثر شيوعًا، والتي يتم تنفيذها عادةً باستخدام برامج مثل R أو Python:

• الشبكات العصبية: تُستخدم بشكل أساسي في خوارزميات التعلم العميق، حيث تقوم الشبكة العصبية بمعالجة بيانات التدريب المدخلة عن طريق محاكاة الترابط بين الخلايا العصبية في الدماغ البشري عبر طبقات من العُقد. تتكون كل عقدة من إدخالات وأوزان وتحيز (أو حد العتبة) ومخرجات. إذا تجاوزت قيمة المخرجات هذه عتبة معينة، يتم تنشيط العقدة، وتمرير البيانات إلى الطبقة التالية في الشبكة. تتعلم الشبكات العصبية وظيفة الربط بين المدخلات والمخرجات من خلال التعلم الخاضع للإشراف، حيث تقوم بتعديل الأوزان بناءً على دالة الفقد عبر عملية الانحدار المتدرج. عندما تكون دالة التكلفة قريبة من الصفر أو عندها، يمكننا الوثوق بدقة النموذج في تقديم الإجابة الصحيحة.
• مُصنِّفات Naive Bayes: Naive Bayes هو نهج تصنيف يتبنى مبدأ الاستقلال الشرطي الطبقي عن نظرية Bayes. هذا يعني أن وجود ميزة معينة لا يؤثر على وجود ميزة أخرى، وأن جميع الميزات تساهم بالتساوي في النتيجة. هناك ثلاثة أنواع من مصنفات Naïve Bayes وهي: Multinomial Naïve Baye، و Bernoulli Naïve Bayes، و Gaussian Naïve Bayes. تستخدم هذه التقنية بشكل أساسي في تصنيف النصوص وتحديد البريد العشوائي وأنظمة التوصيات.
• الانحدار الخطي: يستخدم الانحدار الخطي لتحديد العلاقة بين متغير تابع ومتغير مستقل واحد أو أكثر، ويُستخدم عادةً للتنبؤ بالنتائج المستقبلية. عندما يكون هناك متغير مستقل واحد ومتغير تابع واحد، فإنه يعرف باسم الانحدار الخطي البسيط. أما عندما يزداد عدد المتغيرات المستقلة، فيشار إليه باسم الانحدار الخطي المتعدد. يهدف كل نوع من الانحدار الخطي إلى رسم خط أفضل تطابق للبيانات، ويتم حسابه باستخدام طريقة المربعات الصغرى. ومع ذلك، على عكس نماذج الانحدار الأخرى، يكون هذا الخط مستقيمًا عند تمثيله بيانيًا.
• الانحدار اللوجستي: على عكس الانحدار الخطي الذي يُستخدم عندما تكون المتغيرات التابعة مستمرة، يُستخدم الانحدار اللوجستي عندما يكون المتغير التابع تصنيفيًا، أي أن له مخرجات ثنائية مثل "صحيح" و"خطأ" أو "نعم" و"لا". على الرغم من أن كلا النموذجين يهدفان إلى فهم العلاقة بين المدخلات والمخرجات، إلا أن الانحدار اللوجستي يُستخدم بشكل أساسي لحل مشكلات التصنيف الثنائي، مثل اكتشاف الرسائل غير المرغوب فيها.
• آلات المتجهات الداعمة (SVM): تُعد خوارزمية آلة المتجهات الداعمة (SVM) نموذجًا شائعًا في التعلم الآلي الخاضع للإشراف طوره Vladimir Vapnik، يستخدم لكل من تصنيف البيانات والانحدار. ومع ذلك، تُستخدم خوارزمية SVMs بشكل شائع في مشاكل التصنيف، إذ تميِّز تلك الآلات بين فئتين من خلال إيجاد المستوى الفائق الأمثل الذي يزيد من الهامش بين أقرب نقاط بيانات للفئات المتقابلة. يعرف هذا المستوى الفائق باسم حدود القرار، حيث يفصل فئات نقاط البيانات (على سبيل المثال، البرتقال مقابل التفاح) على جانبي المستوى.
• الجار الأقرب K: الجار الأقرب K، المعروف أيضا باسم خوارزمية KNN، هي خوارزمية غير معيارية تصنف نقاط البيانات بناء على قربها وارتباطها بالبيانات الأخرى المتاحة. تفترض هذه الخوارزمية أنه يمكن العثور على نقاط بيانات مماثلة بالقرب من بعضها البعض. نتيجة لذلك، فهي تسعى إلى حساب المسافة بين نقاط البيانات، عادة من خلال المسافة الإقليدية، ثم تعيّن فئة معينة بناء على الفئة الأكثر تكرارًا أوالمتوسط. نظرًا لسهولة استخدامها وقصر وقت الحساب، تُعد KNN خوارزمية مفضلة لدى علماء البيانات، إلا أنه مع زيادة حجم مجموعة بيانات الاختبار، يزداد وقت المعالجة، مما يجعلها أقل جاذبية لمهام التصنيف الكبيرة. تُستخدم KNN عادةً في محركات التوصية والتعرف على الصور.
• الغابة العشوائية (Random Forest): تُعد الغابة العشوائية خوارزمية مرنة من خوارزميات التعلم الآلي الخاضع للإشراف، وتُستخدم في كلٍ من مهام التصنيف والانحدار. يشير مصطلح "الغابة" إلى مجموعة من أشجار القرار غير المرتبطة ببعضها، حيث يتم دمجها معًا لتقليل التباين وتحسين دقة التنبؤات بالبيانات.

كثيرا ما تتم مناقشة التعلم الآلي غير الخاضع للإشراف والتعلم الآلي الخاضع للإشراف معا. على عكس التعلم الخاضع للإشراف، يعتمد التعلم غير الخاضع للإشراف على بيانات غير معنونة، حيث يستخرج أنماطًا من البيانات تساعد في حل مشكلات التجميع أو الارتباط. يكون هذا النهج مفيدًا بشكل خاص عندما لا يكون الخبراء المتخصصون على دراية بالخصائص الشائعة داخل مجموعة البيانات. من خوارزميات التجميع الشائعة: التجميع الهرمي، وتجميع K-means، ونماذج الخليط الغاوسي (GMMs)..

يحدث التعلم شبه الخاضع للإشراف عندما يتم تصنيف جزء فقط من الإدخال المعطاة. يمكن أن يكون التعلم غير الخاضع للإشراف والتعلم شبه الخاضع للإشراف بديلين أكثر جاذبية، نظرًا لأن تصنيف البيانات يدويًا في التعلم الخاضع للإشراف قد يكون مكلفًا ويستهلك الكثير من الوقت بسبب الاعتماد على خبراء المجال لتحديد التصنيفات بدقة.

للاطلاع على تحليل معمق للفروق بين هذه الأساليب، يمكنك قراءة "التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما الفرق بينهما؟"

يمكن استخدام نماذج التعلم الخاضع للإشراف لبناء وتطوير عدد من تطبيقات الأعمال، من بينها:

• التعرّف على الصور والأجسام: يمكن استخدام خوارزميات التعلّم الخاضع للإشراف لتحديد وعزل وتصنيف الأجسام من مقاطع الفيديو أو الصور، مما يجعلها مفيدة عند تطبيقها على تقنيات رؤية الكمبيوتر المختلفة وتحليل الصور.
• تحليلات تنبؤية: يُعد إنشاء أنظمة التحليلات التنبؤية أحد أكثر حالات الاستخدام انتشارًا لنماذج التعلم الخاضع للإشراف، حيث توفر رؤى معمقة حول مختلف نقاط بيانات الأعمال. يتيح ذلك للمؤسسات التنبؤ بالنتائج المحتملة استنادًا إلى متغيرات محددة، مما يساعد قادة الأعمال على اتخاذ قرارات مستندة إلى البيانات أو تعديل الاستراتيجيات بما يخدم مصلحة المنظمة.
• تحليل مشاعر العملاء: من خلال استخدام خوارزميات التعلم الآلي الخاضع للإشراف، يمكن للمنظمات استخراج المعلومات الأساسية من كميات كبيرة من البيانات وتصنيفها—ويشمل ذلك السياق، والمشاعر، والنوايا—مع تدخل بشري محدود للغاية. يُعد هذا النهج مفيدًا للغاية في تحليل تفاعلات العملاء، مما يساعد على تعزيز جهود التفاعل مع العلامة التجارية وتحسين تجربة العملاء.
• الكشف عن الرسائل غير المرغوب فيها: يعد الكشف عن الرسائل غير المرغوب فيها مثالاً آخر على نموذج التعلم الخاضع للإشراف. فمن خلال استخدام خوارزميات التصنيف الخاضع للإشراف، يمكن للمنظمات تدريب قواعد البيانات على التعرف على الأنماط أو الحالات الشاذة في البيانات الجديدة، مما يساعد على تصنيف الرسائل بفعالية إلى بريد عادي أو غير مرغوب فيه.

على الرغم من أن التعلم الخاضع للإشراف يمكن أن يوفر مزايا للشركات، مثل الرؤى العميقة للبيانات وتحسين الأتمتة، إلا أن هناك بعض التحديات عند بناء نماذج تعلم خاضع للإشراف مستدامة. فيما يلي بعض هذه التحديات:

• يمكن أن تتطلب نماذج التعلّم الخاضعة للإشراف مستويات معينة من الخبرة لتنظيمها بدقة.
• قد يستغرق تدريب نماذج التعلم تحت الإشراف وقتاً طويلاً جداً.
• يمكن أن تحتوي مجموعات البيانات على نسبة أعلى من الأخطاء البشرية، مما يؤدي إلى تعلم الخوارزميات بطريقة غير صحيحة.
• على عكس نماذج التعلّم غير الخاضع للإشراف، لا يستطيع التعلّم الخاضع للإشراف تجميع البيانات أو تصنيفها من تلقاء نفسه.