كيف يعمل التعلم الآلي - دليل سهل

أصبحت Netflix و Amazon رائعة جدًا في لعبتهما - يبدو أنهما يعرفان دائمًا المحتوى أو المنتج الذي ترغب في رؤيته / شرائه. ألا تحب فقط أن ترى كل شيء منظمًا بالفعل حسب ذوقك وتفضيلك؟

بينما يعرف معظمنا الصلصة السرية وراء محرك التوصيات الأنيق لـ Netflix و Amazon (التعلم الآلي ، بالطبع!) ، كم منا على دراية بالآليات الداخلية لتعلم الآلة؟

لوضعها في نصابها الصحيح - كيف يعمل التعلم الآلي ؟

في الأساس ، يعد التعلم الآلي أسلوبًا لتحليل البيانات (مجموعة فرعية من الذكاء الاصطناعي) يهدف إلى "التعلم" من التجربة وتمكين الآلات من أداء المهام التي تتطلب ذكاءً. تطبق خوارزميات التعلم الآلي طرقًا حسابية لاستخراج المعلومات والتعلم مباشرة من البيانات دون أن تتم برمجتها بشكل صريح (عدم الاضطرار إلى الاعتماد على معادلة محددة مسبقًا).

تشريح أنظمة التعلم الآلي

يمكن تفكيك جميع أنظمة ML إلى ثلاثة أجزاء:

• النموذج - المكون الذي يتعامل مع التعريفات ، أي التنبؤات.
• المعلمات - تشير إلى العوامل التي يستخدمها النموذج للوصول إلى قراراته (التنبؤات).
• المتعلم - المكون الذي يعدل المعلمات (وكامل النموذج) من خلال النظر في الاختلافات في التنبؤات مقارنة بالنتيجة الفعلية.

أنواع التعلم الآلي

الآن بعد أن أصبحت على دراية بالمكونات الأساسية لأنظمة ML ، فقد حان الوقت لإلقاء نظرة على الطرق المختلفة التي "يتعلمونها".

التعلم الخاضع للإشراف

في التعلم الخاضع للإشراف ، يتم تدريب النموذج بشكل صريح على كيفية تعيين المدخلات إلى المخرجات. تأخذ خوارزمية التعلم الخاضع للإشراف مجموعة معترف بها من بيانات الإدخال جنبًا إلى جنب مع الاستجابات (المخرجات) المعروفة لتلك البيانات وتدرب النموذج لتوليد تنبؤات معقولة استجابة لبيانات الإدخال الجديدة.

يستخدم التعلم الخاضع للإشراف طريقتين لتطوير النماذج التنبؤية -

• التصنيف - كما يوحي الاسم ، تصنف هذه التقنية بيانات الإدخال إلى فئات مختلفة عن طريق تصنيفها. يتم استخدامه للتنبؤ بالاستجابات المنفصلة (على سبيل المثال ، إذا كانت الخلية السرطانية حميدة أو خبيثة). التصوير الطبي والتعرف على الكلام وسجل الائتمان هي ثلاث حالات استخدام شائعة للتصنيف.
• الانحدار - تُستخدم هذه التقنية للتنبؤ بالاستجابات المستمرة من خلال تحديد الأنماط في بيانات الإدخال. على سبيل المثال ، تقلبات في درجة الحرارة أو الطقس. يستخدم الانحدار للتنبؤ بالطقس وحمل الكهرباء والتداول الحسابي.

تعليم غير مشرف عليه

يستخدم نهج التعلم غير الخاضع للإشراف بيانات غير مسماة ويسعى إلى كشف الأنماط المخفية داخلها. وبالتالي ، تستمد التقنية استنتاجات من مجموعات البيانات التي تتكون من بيانات الإدخال الخالية من الاستجابات المصنفة.

• التجميع - يعد التجميع أحد أكثر طرق التعلم غير الخاضعة للإشراف شيوعًا ، وهو أسلوب تحليل بيانات استكشافي يصنف البيانات إلى "مجموعات" دون أي معلومات معروفة حول بيانات اعتماد المجموعة. التعرف على الكائنات وتحليل تسلسل الجينات هما مثالان على التجميع.
• تقليل الأبعاد - ينظف تقليل الأبعاد بيانات الإدخال لجميع المعلومات الزائدة عن الحاجة ويحتفظ فقط بالأجزاء الأساسية. وبالتالي ، لا تصبح البيانات نظيفة فحسب ، بل يتم تقليل حجمها أيضًا ، وبالتالي تشغل مساحة تخزين أقل.

تعزيز التعلم

يهدف التعلم المعزز إلى بناء نماذج ذاتية التعلم يمكن أن تتعلم وتتحسن من خلال التجربة والخطأ. في عملية التعلم (التدريب) ، إذا تمكنت الخوارزمية من تنفيذ إجراءات محددة بنجاح ، يتم تشغيل إشارات المكافأة. تعمل إشارات المكافأة مثل توجيه الأضواء للخوارزميات. هناك نوعان من إشارات المكافأة:

• يتم تشغيل إشارة إيجابية لتشجيع ومواصلة سلسلة معينة من الإجراءات.
• الإشارة السلبية هي عقوبة لفعل خاطئ معين. يتطلب تصحيح الخطأ قبل المضي قدمًا في عملية التدريب.

يستخدم التعلم المعزز على نطاق واسع في ألعاب الفيديو. إنها أيضًا الآلية الكامنة وراء السيارات ذاتية القيادة.

داخل وظيفة "التعلم" لخوارزميات ML

وراء وظائف خوارزميات ML وكيف تتعلم من خلال التجربة ، هناك ثلاثة مبادئ مشتركة.

تعلم وظيفة

تتمثل الخطوة الأولى في عملية التعلم في المكان الذي تتعرف فيه خوارزميات ML على الوظيفة المستهدفة (f) التي تحدد متغير الإدخال (X) بشكل أفضل لمتغير الإخراج (Y). وبالتالي،

ص = و (س).

هنا ، شكل الوظيفة المستهدفة (و) غير معروف ، ومن هنا جاءت النمذجة التنبؤية.

في مرحلة التعلم العامة هذه ، تتعلم خوارزمية ML كيفية عمل تنبؤات مستقبلية (Y) بناءً على متغيرات الإدخال الجديدة (X). بطبيعة الحال ، العملية ليست خالية من الأخطاء. هنا الخطأ (هـ) موجود بشكل مستقل عن بيانات الإدخال (X). وبالتالي،

ص = و (س) + ه

نظرًا لأن الخطأ (هـ) قد لا يحتوي على سمات كافية لوصف سيناريو التعيين من X إلى Y بشكل أفضل ، فإنه يطلق عليه خطأ غير قابل للاختزال - بغض النظر عن مدى جودة الخوارزمية في تقدير الوظيفة المستهدفة (f) ، لا يمكنك تقليل الخطأ ( ه).

عمل تنبؤات وتعلم كيفية تحسينها

في النقطة السابقة ، فهمنا كيف تتعلم خوارزمية ML الوظيفة المستهدفة (f). ونحن نعلم بالفعل أن هدفنا الوحيد والوحيد هنا هو العثور على أفضل طريقة ممكنة لرسم خريطة Y من X. وبعبارة أخرى ، نحتاج إلى إيجاد الطريقة الأكثر دقة لتعيين المدخلات إلى المخرجات.

ستكون هناك أخطاء (هـ) ، نعم ، ولكن يجب أن تستمر الخوارزمية في محاولة فهم مدى بُعدها عن الناتج المطلوب (Y) وكيفية الوصول إليه. في هذه العملية ، ستقوم باستمرار بضبط المعلمات أو قيم الإدخال (X) لتتناسب بشكل أفضل مع الإخراج (Y). سيستمر هذا حتى يصل إلى درجة عالية من التشابه والدقة مع نموذج الإخراج المطلوب.

نهج التعلم "الانحدار التدرج"

قد يكون صحيحًا أننا نجحنا في إنشاء آلات "ذكية" ، لكن وتيرة التعلم تختلف - فالآلات تميل إلى أن تأخذها ببطء. إنهم يؤمنون بعملية التعلم "الانحدار المتدرج" - فأنت لا تأخذ القفزة دفعة واحدة ، لكنك تأخذ خطوات صغيرة وتنزل ببطء من القمة (الاستعارة هنا هي التسلق إلى أسفل الجبل).

أثناء نزولك من الجبل ، لا تقفز أو تركض أو تقذف نفسك للأسفل دفعة واحدة ؛ بدلاً من ذلك ، تتخذ خطوات محسوبة ومدروسة للنزول إلى القاع بأمان وتجنب الحوادث المؤسفة.

تستخدم خوارزميات ML هذا النهج - فهي تستمر في تعديل نفسها وفقًا للمعايير المتغيرة (تصور التضاريس الوعرة وغير المستكشفة للجبل مرة أخرى) للحصول على النتيجة المرجوة في النهاية.

ليستنتج…

الهدف الأساسي لجميع خوارزميات التعلم الآلي هو تطوير نموذج تنبؤي يعمم بشكل أفضل على بيانات إدخال محددة. نظرًا لأن خوارزميات وأنظمة ML تدرب نفسها من خلال أنواع مختلفة من المدخلات / المتغيرات / المعلمات ، فمن الضروري أن يكون لديك مجموعة كبيرة من البيانات. هذا للسماح لخوارزميات ML بالتفاعل مع أنواع مختلفة من البيانات لمعرفة سلوكهم وتحقيق النتائج المرجوة.

نأمل أن نتمكن من خلال هذا المنشور من إزالة الغموض عن طريقة عمل "التعلم الآلي" من أجلك!