مقدمة:
يستطيع الحاسوب التعلم والتكيف باستخدام أنماط وخوارزميات من سجلات سابقة. فمن دون تعليمات صريحة، يحلل حاسوبك البيانات السابقة ويستنتج منها، متوقعاً النتائج المستقبلية على أساس السجلات الحالية. لكن في التعلم غير الخاضع للإشراف، لا تحتاج إلى تقديم بيانات مصنفة أو تدريب الآلة كما في تعلم الآلة الخاضع للإشراف.
ما هو التعلم غير الخاضع للإشراف؟
يُعرف التعلم غير الخاضع للإشراف أيضاً بتعلم الآلة غير الخاضع للإشراف. ومع التعلم غير الخاضع للإشراف، لا تحتاج إلى تدريب البيانات. فالبيانات المقدمة للآلة غير مصنفة. وتستنتج الآلة الأنماط وأجزاء المعلومات المختلفة من هذه البيانات غير المصنفة بنفسها. وتتنبأ الآلة بالمجموعات الخفية والمعلومات الأخرى اللازمة للحل.[1]
ما بعض أمثلة التعلم الخاضع للإشراف؟
تكون استراتيجيات التعلم غير الخاضع للإشراف، على عكس التعلم الخاضع للإشراف، مناسبة عندما لا تُقدَّم المتغيرات (أي التسميات). ومن أمثلة تقنيات التعلم غير الخاضع للإشراف: تجميع K-Means وتحليل المكونات الرئيسية والتجميع الهرمي.
كيف يعمل التعلم الخاضع للإشراف؟
كما شُرح أعلاه، فإن مجموعة البيانات المقدمة في التعلم غير الخاضع للإشراف ليست مصنفة بشكل صحيح. وهذا يعني أن البيانات غير مصنفة في فئات ولا تُعطى لها المخرجات المقابلة. وتدرّب الآلة نفسها بنفسها. فأولاً تفسّر البيانات الخام لاكتشاف الأنماط الخفية فيها، وبعد ذلك تُطبَّق الخوارزمية المناسبة على البيانات. وبعد انتهاء الخوارزميات المطبقة، تُقسَّم كائنات البيانات إلى مجموعات بحسب تشابه المجموعات.[2]
ما فئات التعلم غير الخاضع للإشراف؟
فيما يلي الفئات التي يشملها التعلم غير الخاضع للإشراف.
- التجميع
- الارتباط
ما مزايا التعلم الخاضع للإشراف؟
- إنه قادر على رؤية ما يعجز العقل البشري عن رؤيته.
- يُستخدم لاكتشاف الخصائص الخفية الحاسمة للأعمال وله تطبيقات واقعية متنوعة.
- قد تؤدي مهمة غير خاضعة للإشراف إلى إنشاء قطاع أعمال أو مؤسسة جديدة تماماً.
- مقارنةً بمسألة التعلم الخاضع للإشراف، سيكون التعقيد أقل. ولأن أحداً لا يحتاج إلى فهم التسميات المرتبطة، تقل التعقيدات.
- مجموعة البيانات أسهل بكثير في الحصول عليها.
ما عيوب التعلم الخاضع للإشراف؟
- هو أعلى تكلفة لأنه قد تلزم مشاركة بشرية لفهم الاتجاهات وربطها باستخدام الخبرة في المجال.
- ولأنه لا توجد تسمية أو مقياس مخرجات للتحقق من فائدته، فغالباً لا يُضمن أن تكون النتائج المولدة مفيدة.
- لا يمكن تحديد نوع مهمة غير خاضعة للإشراف ومخرجاتها بدقة. فهي تعتمد بشدة على التصميم، ومن ثم على الحاسوب.
- غالباً ما تفتقر النتائج إلى الدقة.
الخلاصة:
التعلم غير الخاضع للإشراف هو نهج في تعلم الآلة لا يحتاج فيه النموذج إلى إشراف. ويساعد تعلم الآلة غير الخاضع للإشراف في اكتشاف أنماط في البيانات لم تكن معروفة من قبل.
- Pratt, M.K. unsupervised learning. متاح على: https://www.techtarget.com/searchenterpriseai/definition/unsupervised-learning.
- Unsupervised Machine Learning. متاح على: https://www.javatpoint.com/unsupervised-machine-learning.
مهام التعلم غير الخاضع للإشراف الشائعة
- التجميع: تجميع العناصر المتشابهة، مثل شرائح العملاء للتسويق. من الخوارزميات الشائعة: k-means والتجميع الهرمي وDBSCAN.
- تقليل الأبعاد: ضغط كثير من الخصائص في عدد قليل مع الحفاظ على البنية، باستخدام أساليب مثل PCA.
- قواعد الارتباط: إيجاد العناصر التي تُشترى معاً غالباً، كما في تحليل سلة التسوق.
- اكتشاف الشذوذ: رصد المعاملات أو قراءات المستشعرات غير المعتادة.
أمثلة في الأعمال
يستطيع تاجر التجزئة تجميع العملاء بحسب سلوك الشراء لتخصيص العروض، ويمكن للمتجر اكتشاف المنتجات التي تُباع معاً ووضعها جنباً إلى جنب، ويمكن للبنك الإبلاغ عن نشاط غير معتاد للبطاقات. وتحليلات التجزئة كهذه جزء من خدمة تحليلات الذكاء الاصطناعي لدينا.
التعلم غير الخاضع للإشراف مقابل الخاضع للإشراف
يحتاج التعلم الخاضع للإشراف إلى بيانات مصنفة ويتنبأ بإجابة معروفة؛ أما التعلم غير الخاضع للإشراف فلا تسميات فيه ويبحث عن بنية خفية. اقرأ عن التعلم الخاضع للإشراف والتعلم شبه الخاضع للإشراف لتتعرف على الفرق.
إجابات سريعة
هل التجميع خاضع للإشراف أم غير خاضع للإشراف؟
التجميع غير خاضع للإشراف لأن المجموعات تُكتشف ولا تُعطى.
