مقدمة:
تعلم الآلة هو العملية التي تتعلم بها الآلة من البيانات السابقة ثم تتنبأ بالمستقبل بناءً على ذلك التعلم. وأحياناً تكون هناك حاجة إلى قدر ضئيل من المشاركة البشرية، وأحياناً لا تلزم أي مشاركة. والعيب الأساسي في التعلم الخاضع للإشراف هو أنه يتطلب استخدام متخصص في تعلم الآلة من جانب عالم البيانات، وهي تقنية مكلفة. وقد ظهر تعلم الآلة شبه الخاضع للإشراف لمعالجة هذا العيب. تخيل أن تتمكن من توقع إيرادات شركتك المستقبلية واتخاذ قرارات بشأنها باستخدام تعلم الآلة.
ما هو التعلم شبه الخاضع للإشراف؟
التعلم شبه الخاضع للإشراف هو نوع من تعلم الآلة يقع بين الخاضع للإشراف وغير الخاضع للإشراف. ويُعرف الجمع بين كمية صغيرة من البيانات المصنفة وحجم كبير من البيانات غير المصنفة بالتعلم شبه الخاضع للإشراف. فهو يجمع بين مزايا التعلم الخاضع للإشراف وغير الخاضع للإشراف.
كيف يعمل التعلم شبه الخاضع للإشراف؟
يستخدم التعلم شبه الخاضع للإشراف، بخلاف التعلم الخاضع للإشراف، التسمية الزائفة لتدريب النموذج باستخدام بيانات تدريب مصنفة أقل. ويمكن في هذا الإجراء الجمع بين نماذج شبكات عصبية وأساليب تدريب متنوعة. وتوضح النقاط التالية كيف يعمل التعلم شبه الخاضع للإشراف:
- بدايةً، يُدرَّب النموذج بكمية بيانات تدريب أقل من نماذج التعلم الخاضع للإشراف. ويستمر تدريبه حتى ينتج نتائج صحيحة.
- في المرحلة التالية، تستخدم الخوارزميات مجموعة البيانات غير المصنفة بتسميات زائفة، وقد لا تكون المخرجات صحيحة بعد الآن.
- ترتبط الآن بيانات التسميات الزائفة بالتسميات من بيانات التدريب المصنفة.
- بالإضافة إلى ذلك، ترتبط بيانات الإدخال في بيانات التدريب غير المصنفة.
- وأخيراً، كما في المرحلة السابقة، أعد تدريب النموذج بالمدخلات المجمعة الجديدة. فهذا سيقلل الأخطاء ويزيد دقة النموذج.[1]
ما مثال التعلم شبه الخاضع للإشراف؟
تحليل الكلام
هو أشهر استخدام للتعلم شبه الخاضع للإشراف. ولأن تصنيف البيانات الصوتية هو أصعب عملية تتطلب عدداً كبيراً من الموارد البشرية، يمكن حل هذه المشكلة بشكل طبيعي باستخدام SSL في نموذج تعلم شبه خاضع للإشراف.
تصنيف محتوى الويب
ومع ذلك، فإن تصنيف كل صفحة على الإنترنت أمر بالغ الأهمية وصعب لأنه يتطلب تفاعلاً بشرياً كبيراً. ومع ذلك، يمكن التخفيف من هذه المشكلة باستخدام خوارزميات التعلم شبه الخاضع للإشراف.
علاوة على ذلك، يصنّف Google صفحة ويب لاستعلام معين باستخدام خوارزميات التعلم شبه الخاضع للإشراف.
تصنيف تسلسلات البروتين
لأن سلاسل الحمض النووي أطول، تلزم مشاركة بشرية كبيرة. وقد اقترب ظهور النموذج شبه الخاضع للإشراف في هذا القطاع.
ما أنواع التعلم شبه الخاضع للإشراف؟
فيما يلي أنواع تعلم الآلة
- التعلم بالاستقراء
الغرض من التعلم الاستقرائي هو التعميم على بيانات جديدة. ولذلك فإن التعلم الاستقرائي هو عملية إنشاء خوارزمية تعلم تتعلم من مجموعة تدريب مصنفة ثم تعمم على بيانات جديدة.
- التعلم بالطريقة الاستنقالية
الغرض من التعلم الاستنقالي هو نقل المعرفة من مجموعات بيانات التدريب المصنفة إلى البيانات (التدريبية) غير المصنفة المتاحة بسهولة.
ما مزايا التعلم شبه الخاضع للإشراف؟
- إنه سهل الفهم.
- يقلل كمية البيانات المصنفة المستخدمة.
- إنها خوارزمية مستقرة.
- إنه بسيط.
- كفاءته عالية.
ما عيوب التعلم شبه الخاضع للإشراف؟
- نتائج التكرار غير مستقرة.
- لا ينطبق على البيانات على مستوى الشبكة.
- دقته منخفضة.
الخلاصة:
يمكنك استخدام بيانات مصنفة أو غير مصنفة كبيانات تدريب في التعلم شبه الخاضع للإشراف. ويمكن استخدام تعلم الآلة بحسب احتياجات الشركة وتفضيلاتها مع مراعاة مزايا كل طريقة تعلم وعيوبها.
- Introduction to Semi-Supervised Learning. متاح على: https://www.javatpoint.com/semi-supervised-learning.
More about semi-supervised learning
Want to go further with semi-supervised learning? These Netstech guides and services are a good next step:
