التعلم الخاضع للإشراف، المعروف أيضاً بتعلم الآلة الخاضع للإشراف، هو فئة فرعية من تعلم الآلة والذكاء الاصطناعي
مقدمة:
مع مرور الوقت، يتعلم البشر من تجاربهم، وعلى أساس تلك التجربة يتخذون قراراً. وبطريقة مشابهة لعمل تعلم الآلة، باستخدام أنماط وخوارزميات من سجلات سابقة، يمكن للحاسوب أن يتعلم ويتكيف. فيحلل حاسوبك البيانات السابقة ويستنتج منها دون توجيهات صريحة، متوقعاً النتائج المستقبلية على أساس السجلات الحالية.
ما هو تعلم الآلة؟
تعلم الآلة هو فئة من تحليل البيانات تُؤتمت تكوين النماذج التشخيصية. وهو نظام يستطيع استخلاص المعلومات من البيانات وتشخيص الأنماط واستخلاص الاستنتاجات بتدخل بشري ضئيل أو معدوم. ويستطيع النظام التعلم والتطور دون برمجة صريحة بفضل استخدام الذكاء الاصطناعي.
ما هو التعلم الخاضع للإشراف؟
يُنشأ الذكاء الاصطناعي من خلال التعلم الخاضع للإشراف. في هذه الطريقة، تُدرَّب خوارزميات الحاسوب بتغذيته ببيانات (مصنفة بشكل مناسب) لنتيجة معينة. وتُدرَّب البيانات حتى يتمكن من التعرف على الأنماط وتحديد العلاقة بين بيانات الإدخال وتسميات المخرجات. ويمكننا استخدام هذا لتحديد المخرج الدقيق لتسمية معينة.
ما بعض أمثلة التعلم الخاضع للإشراف؟
باختصار، التعلم الخاضع للإشراف هو عندما يدرّب مُعلِّم آلةً باستخدام بيانات مصنفة جيداً. فباستخدام طريقة التعلم الخاضع للإشراف، يُعطى الحاسوب مجموعة جديدة أو عدداً من الأمثلة (البيانات) لتحليل بيانات التدريب (مجموعة أمثلة التدريب أو الإعداد) وإنشاء نتيجة مناسبة من البيانات المصنفة.
كيف يعمل التعلم الخاضع للإشراف؟
في التعلم الخاضع للإشراف، ندرّب النموذج باستخدام مجموعة بيانات مصنفة. ويُدرَّب النموذج بحسب كل نوع من البيانات. وعند اكتمال عملية التدريب، نختبر النموذج المدرَّب ببيانات الاختبار. وعلى أساس التدريب السابق، تتنبأ الآلة بالمخرجات.
لنفترض أن لدينا مجموعة بيانات تضم أشكالاً متنوعة من المثلثات، مثل المربعات والمستطيلات والمضلعات. يجب حالياً تدريب النموذج الكلاسيكي على كل شكل كمرحلة أولى.
- إذا كان لشكل معين أربعة أضلاع أو زوايا وجميعها متساوية، فهو مربع.
- ستُصنَّف العملية كاملة مثلثاً إذا كان لها ثلاثة أضلاع.
- عندما يكون للشكل المُدخَل ستة أضلاع متساوية، فهو سداسي.
بعد التدريب، نستخدم مجموعة الاختبار لاختبار نموذجنا المثالي، وهدف النموذج هو التعرف على الشكل.
سبق أن دُرّب النظام على أشكال متنوعة، وعندما يكتشف شكلاً جديداً فإنه يصنّفه.[1]
ما الخطوات التي ينطوي عليها تعلم الآلة؟
- أولاً، حدد نوع مجموعة بيانات التدريب التي ستستخدمها.
- احصل على بيانات التدريب الموسومة بجمعها وتحصيلها.
- قسّم مجموعة بيانات التدريب إلى ثلاثة أجزاء: التدريب والاختبار والتحقق.
- حدد خصائص الإدخال في مجموعة بيانات التدريب، والتي ينبغي أن تتضمن معلومات كافية ليتمكن النموذج من التنبؤ بالمخرجات بنجاح.
- اختر خوارزمية مناسبة للنموذج، مثل آلة المتجهات الداعمة أو شجرة القرار.
- استخدم مجموعة بيانات التدريب لتشغيل الخوارزمية. وتلزم أحياناً مجموعات التحقق، وهي مجموعة فرعية من مجموعات بيانات التدريب، كمنظِّمات أو معاملات تحكم.
- بتقديم مجموعة الاختبار، يمكنك تقييم صحة النموذج. فإذا تنبأ النموذج بالنتيجة بشكل صحيح، فنموذجنا دقيق.
ما فئات التعلم الخاضع للإشراف؟
فيما يلي الفئات التي يشملها التعلم الخاضع للإشراف.
- الانحدار
- التصنيف
ما مزايا التعلم الخاضع للإشراف؟
- في بيانات التدريب، سيكون لديك رأي مفصل عن الفترات.
- ينبغي أن تكون قادراً على فهم آلية عمل التعلم الخاضع للإشراف. أما في التعلم غير الخاضع للإشراف، فلا نميّز دائماً ما يجري داخل الآلة وكيف تتعلم وهكذا.
- قبل الاستسلام للبيانات للتدريب، يمكنك ضبط العدد التفصيلي للفئات.
- يمكنك أن تكون دقيقاً جداً بشأن معنى الفئات، أي يمكنك تدريب المصنِّف بطريقة تجعل لديه حد قرار لا تشوبه شائبة ويستطيع التمييز بين الفئات المختلفة بشكل موثوق.
- لا تحتاج إلى الاحتفاظ ببيانات التدريب في ذاكرتك بعد إنهاء البرنامج بالكامل. وبدلاً من ذلك، يمكنك استخدام معادلة رياضية للاحتفاظ بحدود القرار.[2]
ما عيوب التعلم الخاضع للإشراف؟
- التعلم الخاضع للإشراف مصطنع بطرق متنوعة، ولا يستطيع إنجاز بعض المهام الأكثر تعقيداً في تعلم الآلة.
- التعلم الخاضع للإشراف، بخلاف التعلم غير الخاضع للإشراف، لا يستطيع استخلاص معلومات مجهولة من بيانات التدريب.
- على عكس التعلم غير الخاضع للإشراف؛ لا يستطيع تجميع البيانات أو تصنيفها بتحديد خصائصها بنفسه.
- فيما يتعلق بالتصنيف، إذا أدخلنا مدخلاً لا ينتمي إلى أي من الفئات في بيانات التدريب، فقد تكون النتيجة تسمية فئة غير صحيحة. لنفترض أنك استخدمت بيانات من القطط والكلاب لتدريب مصنِّف صور. فإذا زودته بصورة زرافة، فقد تكون النتيجة قطة أو كلباً، وهذا غير صحيح.
- لنفترض أن مجموعة التدريب لديك تفتقر إلى بعض الحالات وتريد إضافة درس. حينئذٍ، بعد التعلم، قد لا تحصل على تسمية الفئة الصحيحة كمدخل عند استخدام تلك العينات.
الخلاصة:
يتفوق التعلم الخاضع للإشراف في مسائل التصنيف والانحدار، مثل تحديد تصنيف مقال إخباري أو التنبؤ بعدد المعاملات في تاريخ مستقبلي. والهدف من العملية الخاضعة للإشراف هو تعلم معنى البيانات في سياق مشكلة محددة.
- Supervised Machine Learning. متاح على: https://www.javatpoint.com/supervised-machine-learning.
- Petersson, D.supervised learning. متاح على: https://www.techtarget.com/searchenterpriseai/definition/supervised-learning.
النوعان الرئيسيان للتعلم الخاضع للإشراف
- التصنيف: التنبؤ بفئة، مثل بريد عشوائي أو غير عشوائي، أو ما إذا كانت المعاملة احتيالاً.
- الانحدار: التنبؤ برقم، مثل سعر منزل أو مبيعات الشهر المقبل.
الخوارزميات الشائعة
الانحدار الخطي واللوجستي، وأشجار القرار، والغابات العشوائية، وآلات المتجهات الداعمة، وأقرب k جار، والشبكات العصبية.
مثال بسيط
للتنبؤ بما إذا كان العميل سيتأخر في سداد قسط، تدرّب نموذجاً على عملاء سابقين نتيجتهم معروفة (سدد في الموعد أو تأخر) باستخدام خصائص مثل شريحة الدخل والدفعة المقدمة والسلوك السابق. ثم يقيّم النموذج العملاء الجدد. وأدوات الأقساط مثل نظام إدارة الأقساط تحتفظ بهذا النوع تحديداً من البيانات.
نقاط القوة والحدود
التعلم الخاضع للإشراف دقيق عندما تتوفر بيانات مصنفة جيدة، لكن التصنيف مكلف ولا يتعلم النموذج إلا ما تُظهره التسميات. قارنه بـالتعلم غير الخاضع للإشراف والتعلم التعزيزي.
إجابات سريعة
ما هو فرط التخصيص؟
فرط التخصيص هو عندما يحفظ النموذج بيانات التدريب ويؤدي أداءً ضعيفاً على البيانات الجديدة. ويمكن تقليله بمزيد من البيانات ونماذج أبسط والتحقق.
