ما هو التعلم الخاضع للإشراف؟

تتكون مجموعات البيانات المسماة من عينة من نقاط البيانات جنبًا إلى جنب مع مخرجات صحيحة أو إجابات. فعندما يتم إدخال بيانات الإدخال إلى خوارزمية التعلم الآلي، فإن الخوارزمية تضبط معلماتها حتى يتم تجهيز النموذج بشكل مناسب. وتوفر بيانات التدريب المصنفة "حقيقة أساسية"، وتعلِّم النموذج بشكل صريح لتحديد العلاقات بين السمات (الخصائص) وتسميات البيانات.

يساعد التعلم الآلي الخاضع للإشراف المؤسسات على حل العديد من المشكلات الواقعية على نطاق واسع، مثل تصنيف الرسائل غير المرغوب فيها أو الرسائل الاحتيالية أو التنبؤ بأسعار الأسهم في السوق. ويمكن استخدامه لبناء نماذج تعلم آلي عالية الدقة.

يتم التحقق من بيانات الحقيقة الأساسية مقابل نتائج العالم الحقيقي، غالبًا من خلال التعليقات التوضيحية البشرية أو القياس، وتُستخدم لتدريب النماذج والتحقق من صحتها واختبارها. وكما يوحي اسمها، تم التأكد من أن بيانات الحقيقة الأساسية هي بيانات صحيحة؛ فهي تعكس القيم والنتائج الواقعية. فالحقيقة الأساسية تعكس المخرجات المثالية لأي بيانات إدخال معينة.

يعتمد التعلم الخاضع للإشراف على بيانات الحقيقة الأساسية لتعليم النموذج العلاقات بين الإدخال والمخرجات. وتُعدُّ مجموعات البيانات المصنفة المستخدمة في التعلم الخاضع للإشراف بيانات الحقيقة الأساسية. تطبق النماذج المدرَّبة فهمها لتلك البيانات لعمل تنبؤات بناءً على بيانات جديدة تمامًا يراها النموذج لأول مرة.

تستخدم طرق وأساليب التعلّم الخاضع للإشراف مجموعة البيانات التدريبية المُوسومة لفهم العلاقات بين الإدخال وبيانات الإخراج. يُنشئ عالِم البيانات يدويًا مجموعة بيانات حقيقية تحتوي على إدخال إلى جانب التسميات المقابلة. يقوم التعلّم الخاضع للإشراف بتدريب النموذج على تطبيق المخرجات الصحيحة على البيانات غير المرئية في حالات الاستخدام الواقعية. 

أثناء التدريب، تعالج خوارزمية النموذج مجموعات البيانات الكبيرة لاستكشاف الارتباطات المحتملة بين الإدخالات والمخرجات. بعد ذلك، يتم تقييم أداء النموذج باستخدام بيانات الاختبار لمعرفة ما إذا كان قد تم تدريبه بنجاح. التحقق المتبادل هو عملية اختبار نموذج باستخدام جزء مختلف من مجموعة البيانات. 

تُعد عائلة خوارزميات الانحدار المتدرج، بما في ذلك الانحدار المتدرج العشوائي (SGD)، من أكثر خوارزميات التحسين أو خوارزميات التعلم استخدامًا عند تدريب الشبكات العصبية ونماذج التعلم الآلي الأخرى. حيث تقوم خوارزمية تحسين النموذج بتقييم الدقة من خلال دالة الخسارة: وهي معادلة تقيس التناقض بين توقعات النموذج والقيم الفعلية. 

تقيس دالة الخسارة مدى بعد التنبؤات عن القيم الفعلية. ويشير تدرجها إلى الاتجاه الذي يجب أن يتم فيه ضبط معلمات النموذج لتقليل الخطأ. وطوال فترة التدريب، تقوم خوارزمية التحسين بتحديث معلمات النموذج - قواعد التشغيل أو "إعداداته" - لتحسين النموذج.

ونظرًا لأن مجموعات البيانات الكبيرة تحتوي عادةً على العديد من السمات، يمكن لعلماء البيانات تبسيط هذا التعقيد من خلال تقليل الأبعاد. تعمل طريقة علم البيانات هذه على تقليل عدد السمات إلى تلك الأكثر أهمية للتنبؤ بتصنيفات البيانات، مما يحافظ على الدقة مع زيادة الكفاءة.

كمثال على التعلم الخاضع للإشراف، ضع في اعتبارك نموذج تصنيف الصور الذي تم إنشاؤه للتعرف على صور المركبات وتحديد نوع المركبة. يمكن لمثل هذا النموذج أن يدعم اختبارات CAPTCHA التي تستخدمها العديد من مواقع الويب للكشف عن الروبوتات الاحتيالية. 

لتدريب هذا النموذج، يقوم علماء البيانات بإعداد مجموعة بيانات تحتوي على أمثلة عديدة للمركبات إلى جانب نوع المركبة المناسب: سيارة، دراجة نارية، شاحنة، دراجة هوائية وغير ذلك. ثم تحاول خوارزمية النموذج تحديد الأنماط الموجودة في بيانات التدريب التي تتسبب في حصول إدخال بعينه - وهو صور المركبات - على نوع معين من المخرجات - وهو نوع المركبة. 

يتم قياس تخمينات النموذج مقابل قيم البيانات الفعلية في مجموعة اختبار لتحديد ما إذا كان قد قام بتنبؤات دقيقة. فإذا لم يكن الأمر كذلك، تستمر دورة التدريب حتى يصل أداء النموذج إلى المستوى المُرضي من الدقة. ويشير مبدأ التعميم إلى قدرة النموذج على عمل تنبؤات مناسبة على البيانات الجديدة من نفس توزيع بيانات التدريب الخاصة به.

يمكن تقسيم مهام التعلم الخاضع للإشراف على نطاق واسع إلى مشكلات التصنيف والانحدار:

يستخدم التصنيف في التعلم الآلي خوارزمية لفرز البيانات إلى فئات. فهو يتعرف على كيانات محددة ضمن مجموعة البيانات ويحاول تحديد كيفية تصنيف تلك الكيانات أو تعريفها. الخوارزميات الشائعة هي المصنفات الخطية، وآلات المتجهات الداعمة (SVM)، وأشجار القرار، والجوار الأقرب (KNN)، والانحدار اللوجستي، والغابات العشوائية.

تتفوق الشبكات العصبية في معالجة مشكلات التصنيف المعقدة. تُعدُّ الشبكة العصبية بنية من بِنى التعلم العميق وتعالج بيانات التدريب بطبقات من العُقد تحاكي طريقة عمل الدماغ البشري. تتكون كل عقدة من إدخالات وأوزان ترجيح وتحيز (أو عتبة) ومخرج من المخرجات. إذا تجاوزت قيمة المخرج قيمة محددة مسبقًا، فإن العقدة "تطلق" أو تقوم بالتنشيط، وتمرر البيانات إلى الطبقة التالية في الشبكة. 

يُستخدم الانحدار لفهم العلاقة بين المتغيرات التابعة والمتغيرات المستقلة. في مشكلات الانحدار، تكون المخرجات قيمة مستمرة، وتحاول النماذج التنبؤ بالمخرجات المستهدفة. تتضمن مهام الانحدار توقعات إيرادات المبيعات أو التخطيط المالي.

تتضمن خوارزميات الانحدار: الانحدار الخطي، وانحدار لاسو، وانحدار ريدج، والانحدار متعدد الحدود، وهي ثلاثة أمثلة على خوارزميات الانحدار.

التعلم التجميعي هو نهج شامل للتعلم الخاضع للإشراف يتم فيه تدريب نماذج متعددة على نفس مهمة التصنيف أو الانحدار. ثم يتم تجميع نتائج جميع النماذج في التجميعة لاكتشاف أفضل نهج شامل لحل التحدي.

ونلاحظ أن الخوارزميات الفردية داخل نموذج تجميعي أكبر يعرف باسم نماذج التعلم الضعيفة أو النماذج الأساسية. بعض نماذج التعلم الضعيفة بها تحيز كبير، بينما البعض الآخر به تباين كبير. من الناحية النظرية، تخفف النتائج من مشكلة الموازنة بين التحيز والتباين من خلال الجمع بين أفضل ما فيهما، والتنازل عن ميزة للحصول على أخرى.

تعمل خوارزميات التحسين مثل الانحدار التدرجي على تدريب مجموعة واسعة من خوارزميات التعلم الآلي التي تتفوق في مهام التعلم الخاضع للإشراف. 

• بايز الساذج: بايز الساذج هي خوارزمية تصنيف تعتمد مبدأ الاستقلال الشرطي للفئة من نظرية بايز. وهذا يعني أن وجود سمة واحدة لا يؤثر على وجود سمة أخرى في احتمالية نتيجة معينة، ويكون لكل متنبئ تأثير متساوٍ على تلك النتائج.

  تتضمن مصنفات بايز الساذج مصنفات بايز الساذج متعدد الحدود، وبرنولي وغاوسي. تستخدم هذه التقنية غالبًا في تصنيف النصوص وتحديد البريد العشوائي وأنظمة التوصية.

• الانحدار الخطي: يُستخدم الانحدار الخطي لتحديد العلاقة بين متغير تابع مستمر ومتغير مستقل واحد أو أكثر. يتم استخدامه عادة لعمل تنبؤات حول النتائج المستقبلية.

  يعبر الانحدار الخطي عن العلاقة بين المتغيرات كخط مستقيم. عندما يكون هناك متغير مستقل واحد ومتغير تابع واحد، يُعرف بالانحدار الخطي البسيط. ومع زيادة عدد المتغيرات المستقلة، يشار إلى التقنية باسم الانحدار الخطي المتعدد. 

• الانحدار غير الخطي: في بعض الأحيان، لا يمكن إعادة إنتاج الناتج من الإدخال الخطي. في هذه الحالات، يجب أن يتم نمذجة المخرجات باستخدام دالة غير خطية. يعبر الانحدار غير الخطي عن علاقة بين المتغيرات من خلال خط غير خطي، أو منحني. يمكن أن تتعامل النماذج غير الخطية مع العلاقات المعقدة مع العديد من المعلمات. 

• الانحدار اللوجستي: يتعامل الانحدار اللوجستي مع المتغيرات التابعة التصنيفية - عندما يكون لها مخرجات ثنائية، مثل صحيح أو خطأ أو موجب أو سالب. في حين أن كلا نموذجي الانحدار الخطي واللوجستي يسعيان إلى فهم العلاقات بين إدخالات البيانات، فإن الانحدار اللوجستي يحل بشكل أساسي مشكلات التصنيف الثنائي، مثل تحديد البريد الإلكتروني العشوائي. 

• الانحدار متعدد الحدود: على غرار نماذج الانحدار الأخرى، نجد أن الانحدار متعدد الحدود يمثل العلاقة بين المتغيرات على رسم بياني. والدالات المستخدمة في الانحدار متعدد الحدود تعبر عن هذه العلاقة من خلال الدرجة الأُسية. الانحدار متعدد الحدود هو حالة خاصة من الانحدار حيث يتم رفع ميزات الإدخال إلى أسس، مما يسمح للنماذج الخطية بملاءمة الأنماط غير الخطية. 

• آلة المتجهات الداعمة (SVM): يتم استخدام آلة المتجهات الداعمة لكل من تصنيف البيانات والانحدار. ومع ذلك ، فإنها عادةً ما تتعامل مع مشكلات التصنيف. هنا، تفصل آلة المتجهات الداعمة (SVM) فئات نقاط البيانات بحدود القرار أو مستوى فائق. الهدف من خوارزمية آلة المتجهات الداعمة (SVM) هو رسم المستوى الفائق الذي يزيد المسافة بين مجموعات نقاط البيانات. 

• الجار الأقرب K: الجار الأقرب K (KNN) هي خوارزمية غير معيارية تصنف نقاط البيانات بناء على قربها وارتباطها بالبيانات الأخرى المتاحة. تفترض هذه الخوارزمية أنه يمكن العثور على نقاط بيانات متشابهة بالقرب من بعضها البعض عند رسمها رياضياً.

  إن سهولة استخدامه ووقت الحساب المنخفض يجعله فعالاً عند استخدامه لمحركات التوصية والتعرف على الصور. إلا أنه مع زيادة حجم مجموعة بيانات الاختبار، يزداد وقت المعالجة، مما يجعله أقل جاذبية لمهام التصنيف الكبيرة. 

• الغابة العشوائية: 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 التي يتم دمجها معًا لتقليل التباين وزيادة الدقة. 

لا يُعد التعلم الخاضع للإشراف أسلوب التعلم الوحيد لتدريب نماذج التعلم الآلي. تشمل الأنواع الأخرى من التعلم الآلي ما يلي: 

• تعليم دون إشراف

• التعلم شبه الخاضع للإشراف 

• التعلم تحت الإشراف الذاتي

• التعلم المُعزَّز 

يتمثل الاختلاف بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف في أن التعلم الآلي غير الخاضع للإشراف يستخدم بيانات غير مصنفة دون أي حقيقة أساسية. حيث يُترك النموذج لاكتشاف الأنماط والعلاقات في البيانات من تلقاء نفسه. يتم تدريب العديد من نماذج الذكاء الاصطناعي التوليدي في البداية باستخدام التعلم غير الخاضع للإشراف ثم بعد ذلك باستخدام التعلم الخاضع للإشراف لزيادة الخبرة في المجال. 

يمكن أن يساعد التعلم غير الخاضع للإشراف في حل مشاكل التجميع أو الارتباط التي تكون فيها الخصائص المشتركة داخل مجموعة البيانات غير مؤكدة. من خوارزميات التجميع الشائعة: التجميع الهرمي، وتجميع K-means، ونماذج الخليط الغاوسي (GMMs).

• التحليل الاستكشافي: يكون التعلّم غير الخاضع للإشراف مفيدًا عندما لا يكون "ما يجب البحث عنه" معروفًا. حيث يمكنه العثور على التكوينات والأنماط الخفية أو الحالات الشاذة في البيانات التي قد لا يتوقعها البشر.

• لا يوجد تصنيف للبيانات: معظم بيانات العالم الحقيقي غير موسومة، ويستغرق تصنيف البيانات الكثير من الوقت والجهد.

• المرونة: يمكن لنماذج التعلم غير الخاضع للإشراف أن تتكيف بسرعة مع البيانات الجديدة نظرًا لقدرتها على معالجة البيانات بشكل مستقل.

• قابلية التوسع: بدون الحاجة إلى تسميات الحقيقة الأساسية، فإن طرق التعلم غير الخاضع للإشراف قابلة للتوسع بسهولة إلى مجموعات بيانات ضخمة.

• نتائج غير دقيقة: بدون أساس من الحقيقة الأساسية، لن يتضح على الفور ما إذا كان نموذج التعلم غير الخاضع للإشراف قد تم تدريبه بشكل صحيح أم لا.

• الحساسية: يمكن لمجموعات البيانات المشوِّشة أن تؤثر سلبًا على نتائج التدريب. تساعد هندسة الميزات على تطبيع مجموعات البيانات لتحقيق التعلم غير الخاضع للإشراف بشكل أكثر سلاسة.

• الاعتماد على البيانات الجيدة: يحتاج كل تدريب إلى بيانات جيدة. لكن بدون أي حقيقة موضوعية على أرض الواقع، يمكن أن يؤدي التحيز إلى نماذج تعزز سوء الفهم هذا، إما بسبب التحيز أو لأخطاء أخرى في البيانات.

يتضمن التعلم شبه الخاضع للإشراف تدريب النموذج على جزء صغير من بيانات الإدخال المسماة جنبًا إلى جنب مع جزء أكبر من البيانات غير المصنفة. ولأن الاعتماد على خبرة المجال لتصنيف البيانات بشكل مناسب للتعلم الخاضع للإشراف قد يستغرق وقتًا طويلًا ويكون مكلفًا، فإن التعلم شبه الخاضع للإشراف يمكن أن يكون بديلًا جذابًا.

• أقل اعتمادًا على وضع التسميات والتصنيف: بالمقارنة مع التعلم الخاضع للإشراف، يتطلب التعلم شبه الخاضع للإشراف وضع تسميات أقل، مما يقلل من الحواجز التي تحول دون الدخول في تدريب النموذج.
   

• اكتشاف النمط المخفي: مثله مثل التعلم غير الخاضع للإشراف، يؤدي استخدام التعلم شبه الخاضع للإشراف للبيانات غير المصنفة إلى اكتشاف الأنماط والعلاقات وحالات الخلل والشذوذ التي قد تمر دون أن يلاحظها أحد.
   

• أكثر مرونة: ينشئ التعلّم شبه الخاضع للإشراف أساسًا من خلال بيانات الحقيقة الأساسية، ثم يعزز ذلك بمجموعات بيانات غير مُسمّاة لجعل النماذج أكثر قابلية للتعميم.

• الحساسية للبيانات المشوِّشة: يمكن لمجموعات البيانات غير المصنفة ذات الدرجات العالية من التشويش أن تؤثر سلبًا على نتائج التدريب، مما يؤدي إلى إضعاف أداء النموذج.
   

• حساسية التحيز: إذا لم يتم فحص مجموعات البيانات غير المسمّاة بحثًا عن التحيز الضمني، فيمكن نقل هذه التحيزات إلى النماذج التي يتم تدريبها.
   

• أكثر تعقيدًا: الجمع بين البيانات المصنفة وغير المسماة معًا في عملية تدريب واحدة قد يتضمن طرقًا معقدة لمعالجة البيانات، أو يتطلب مزيدًا من الموارد الحاسوبية.

غالبًا ما يوصف التعلم الخاضع للإشراف الذاتي (SSL) بأنه يسد الفجوة بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. فبدلًا من استخدام التسميات التي يتم إنشاؤها يدويًا لمجموعات بيانات التعلم الخاضعة للإشراف، يتم تكوين مهام التعلم الخاضع للإشراف الذاتي بحيث يمكن للنموذج توليد إشاراته الإشرافية الخاصة به - التسميات الضمنية أو الزائفة - وتمييز الحقيقة الأساسية من البيانات غير المنظمة. ثم بعد ذلك، تستخدم دالة الخسارة الخاصة بالنموذج هذه التصنيفات بدلًا من التصنيفات الفعلية لتقييم أداء النموذج.

غالبًا ما يتم استخدام التعلم الخاضع للإشراف الذاتي مع التعلم الانتقالي، وهي عملية يتم فيها تطبيق نموذج مدرَّب مسبقًا على مهمة نهائية لاحقة (أو تابعة). يشهد التعلم الخاضع للإشراف الذاتي استخدامًا واسع النطاق في مهام رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP) التي تتطلب مجموعات بيانات كبيرة باهظة الثمن وتستغرق وقتًا طويلًا في التصنيف.

• الكفاءة: بدلًا من أن يقوم عالم البيانات بتسمية نقاط البيانات، يقوم التعلم الخاضع للإشراف الذاتي (SSL) بأتمتة عملية التسمية عن طريق نقل المهمة إلى النموذج.

• قابلية التوسع: إن اعتماد التعلم الخاضع للإشراف الذاتي بشكل أقل على وضع العلامات اليدوية على البيانات يجعله أكثر قابلية للتوسع مع مجموعات أكبر من البيانات غير المصنفة.
   

• الاعتماد المنخفض على التسمية: في الحالات التي تكون فيها بيانات الحقيقة الأساسية المصنفة متناثرة، فإن التعلم الخاضع للإشراف الذاتي يعوض النقص من خلال درجة من الفهم يتم توليدها من النموذج.
   

• التنوع (أو تعدد الاستخدامات): تتعلم النماذج الخاضعة للإشراف الذاتي ميزات ثرية وقابلة للنقل يمكن ضبطها بدقة للعديد من المهام الخاصة بمجال محدد ومتعدد الوسائط.

• يتطلب قدرًا كبيرًا من الحوسبة: تتطلب معالجة مجموعات البيانات غير المسمّاة وإنشاء تسميات قدرًا كبيرًا من قوة الحوسبة.
   

• معقد: تتطلب عملية إنشاء مهام ذريعة للتعلم الخاضع للإشراف - مرحلة التعلم الأولية - درجة عالية من الخبرة.
   

• من المحتمل أن تكون غير موثوقًا بها: مثل أي طريقة تعلم تستغني عن الإشراف البشري، تتوقف النتائج على خلو البيانات من التشويش الزائد والتحيز الضمني والعوامل الأخرى التي تؤثر سلبًا على فهم النموذج.

يدرب التعلّم المعزّز الوكلاء المستقلين، مثل الروبوتات والسيارات ذاتية القيادة، على اتخاذ القرارات من خلال التفاعلات البيئية. لا يستخدم التعلّم المعزز بيانات مصنفة، ويختلف أيضًا عن التعلّم غير الخاضع للإشراف في أنه يتعلّم عن طريق التجربة والخطأ والمكافأة، وليس عن طريق تحديد الأنماط الأساسية ضمن مجموعات البيانات.

• يحل المهام المعقدة: يمكن لعملية التدريب بطريقة التجربة والخطأ أن تقود النموذج لمعرفة كيفية التعامل مع التحديات الاستراتيجية المعقدة.
   

• لا تعتمد على التصنيف: تتعلم النماذج تجريبيًا، وليس نظريًا من خلال مطابقة الإدخالات مع المخرجات.
   

• التصحيح الذاتي: تحسن النماذج سلوكها أثناء أدائها الأشياء بشكل خاطئ في أثناء التدريب.
   

• قابلة للتكيف: يمكن للنماذج أن تتكيف مع المعلومات الجديدة والظروف المتغيرة التي لا تكون فيها النتائج محددة مسبقًا.

• عرضة للنتائج غير المتسقة: قد يبدو التعلم عن طريق التجربة والخطأ عشوائيًا وغير متوقع، خاصة عند بدء التدريب لأول مرة.
   

• احتياجات البيانات المتجمعة من البيئة التي يجري التفاعل معها: يتطلب التعلم المُعزَّز أن تتعلم النماذج من عواقب أفعالها، وهذا بدوره يتطلب كميات كبيرة من بيانات البيئة التي يجري تفاعل معها. ومع ذلك، يمكن للوكلاء أيضًا التعلم في بيئات المحاكاة.
   

• اختراق المكافأة: يمكن للنماذج أن تستغل الثغرات في خوارزمية المكافأة لتوليد مكافآت دون إنجاز مهامها بشكل مناسب.
   

• خاص بمهمة محددة: يتفوق التعلم المُعزَّز في تدريب النماذج على وظيفة محددة. يمكن أن تكافح هذه النماذج لنقل ما تعلمته إلى مهام جديدة.

يمكن لنماذج التعلم الخاضعة للإشراف بناء تطبيقات الأعمال وتطويرها، بما في ذلك: 

• التعرّف على الصور والأجسام: يمكن استخدام خوارزميات التعلّم الخاضع للإشراف لتحديد وعزل وتصنيف الأجسام من مقاطع الفيديو أو الصور، مما يجعلها مفيدة مع تقنيات رؤية الكمبيوتر ومهام تحليل الصور. 

• التحليلات التنبؤية:تنشئ نماذج التعلم الخاضع للإشراف أنظمة تحليلات تنبؤية لتوفير رؤى.  يسمح ذلك للمؤسسات بتوقع النتائج بناءً على متغير المخرجات واتخاذ قرارات قائمة على البيانات، مما يساعد بدوره قادة الأعمال على تبرير خياراتهم أو تعديل الاستراتيجيات بما يخدم مصلحة المؤسسة.

  يتيح الانحدار أيضًا لمقدمي الرعاية الصحية التنبؤ بالنتائج بناءً على معايير المريض والبيانات التاريخية. قد يقيم النموذج التنبؤي خطر إصابة المريض بمرض أو حالة مرضية معينة بناء على بياناته البيولوجية ونمط الحياة الخاص به. 

• تحليل مشاعر العملاء: يمكن للمؤسسات استخراج أجزاء مهمة من المعلومات وتصنيفها من كميات كبيرة من البيانات - بما في ذلك السياق والعاطفة والنية - بأقل تدخل بشري ممكن. يتيح تحليل المشاعر فهمًا أفضل لتفاعلات العملاء ويمكن استخدامه لتحسين جهود التفاعل مع العلامة التجارية. 

• تقسيم العملاء: يمكن لنماذج الانحدار التنبؤ بسلوك العملاء بناءً على السمات المختلفة والاتجاهات التاريخية. يمكن للشركات استخدام النماذج التنبؤية لتقسيم قاعدة عملائها وإنشاء شخصيات المشترين لتحسين جهود التسويق وتطوير المنتجات. 

• 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 للمؤسسات 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. 

• التنبؤ: تتميز النماذج الانحدارية بقدرتها على التنبؤ استنادًا إلى الاتجاهات التاريخية، مما يجعلها مناسبة للاستخدام في المجالات المالية. يمكن للمؤسسات أيضًا استخدام الانحدار للتنبؤ باحتياجات المخزون وتقدير رواتب الموظفين وتجنب العوائق المحتملة في سلسلة التوريد. 

• محركات التوصية: من خلال تفعيل نماذج التعلم الخاضع للإشراف، يمكن لموفري المحتوى والأسواق عبر الإنترنت تحليل خيارات العملاء وتفضيلاتهم ومشترياتهم وإنشاء محركات توصية تقدم توصيات مخصصة من المرجح أن تؤدي إلى التحويل.

على الرغم من أن التعلم الخاضع للإشراف يمكن أن يوفر للشركات مزايا مثل الرؤى العميقة للبيانات وتحسين الأتمتة، إلا أنه قد لا يكون الخيار الأفضل لجميع الحالات. 

• قيود الموظفين: يمكن أن تتطلب نماذج التعلم الخاضع للإشراف مستويات معينة من الخبرة لتنظيمها بدقة. 

• المشاركة البشرية: نماذج التعلم الخاضع للإشراف غير قادرة على التعلم الذاتي. يجب على علماء البيانات التحقق من صحة مخرجات أداء النماذج. 

• متطلبات الوقت: مجموعات بيانات التدريب كبيرة ويجب تصنيفها يدويًا، مما يجعل عملية التعلم الخاضع للإشراف تستغرق وقتًا طويلاً. 

• عدم المرونة: تعاني نماذج التعلّم الخاضع للإشراف في تصنيف البيانات خارج حدود مجموعات بيانات التدريب الخاصة بها. قد يكون نموذج التعلم غير الخاضع للإشراف أكثر قدرة على التعامل مع البيانات الجديدة. 

• التحيز: تتعرض مجموعات البيانات لزيادة احتمالية الخطأ البشري والتحيز، مما يؤدي إلى تعلم الخوارزميات بشكل غير صحيح.  يمكن أن ينشأ التحيز من مجموعات بيانات التدريب غير المتوازنة أو ممارسات التعليقات التوضيحية السيئة أو عدم المساواة التاريخية المنعكسة في البيانات.

• الملاءمة المفرطة: يمكن أن يؤدي التعلم الخاضع للإشراف في بعض الأحيان إلى الملاءمة المفرطة: حيث يصبح النموذج مخصصًا بشكل وثيق للغاية لمجموعة بيانات التدريب التي اعتمد عليها. يمكن أن تشير الدقة العالية في التدريب إلى الملاءمة المفرطة بدلاً من الأداء القوي بشكل عام. يتطلب تجنب الملاءمة المفرطة اختبار النماذج ببيانات مختلفة عن بيانات التدريب.