كيف يعمل التعلم الآلي غير الخاضع للإشراف؟

يشير التعلم غير الخاضع للإشراف إلى تدريب نظام ذكاء اصطناعي باستخدام معلومات غير مصنفة أو مصنفة. ما يعنيه هذا بشكل مثالي هو أن الخوارزمية يجب أن تعمل على المعلومات دون أي توجيه مسبق.
في التعلم غير الخاضع للإشراف ، تقوم الآلة بتجميع المعلومات غير المصنفة / غير المرتبة فيما يتعلق بأوجه التشابه والاختلاف. يتم ذلك بدون توفير فئات للجهاز لتصنيف البيانات إليها. ترتبط الأنظمة التي تستخدم مثل هذا التعلم بشكل عام بنموذج التعلم التوليدي.

كيف يعمل التعلم الآلي غير الخاضع للإشراف؟

في التعلم غير الخاضع للإشراف ، يتم تقديم نظام الذكاء الاصطناعي ببيانات غير مصنفة وغير مصنفة وتعمل خوارزميات النظام على البيانات دون تدريب مسبق. الإخراج يعتمد على الخوارزميات المشفرة. يعد إخضاع نظام للتعلم غير الخاضع للإشراف طريقة ثابتة لاختبار قدرات هذا النظام.
يمكن أن تؤدي خوارزميات التعلم غير الخاضعة للإشراف مهام معالجة أكثر تعقيدًا من أنظمة التعلم الخاضعة للإشراف. ومع ذلك ، يمكن أن يكون التعلم غير الخاضع للإشراف غير قابل للتنبؤ أكثر من النموذج البديل. قد يكتشف النظام الذي يتم تدريبه باستخدام النموذج غير الخاضع للرقابة ، على سبيل المثال ، من تلقاء نفسه كيفية التمييز بين القطط والكلاب ، وقد يضيف أيضًا فئات غير متوقعة وغير مرغوبة للتعامل مع السلالات غير المعتادة ، والتي قد تؤدي في النهاية إلى تشويش الأشياء بدلاً من الاحتفاظ بها في ترتيب.

بالنسبة لخوارزميات التعلم غير الخاضعة للإشراف ، يتم تقديم نظام الذكاء الاصطناعي مع مجموعة بيانات غير مصنفة وغير مصنفة. الشيء الذي يجب مراعاته هو أن هذا النظام لم يخضع لأي تدريب مسبق. في الأساس ، يمكن اعتبار التعلم غير الخاضع للإشراف على أنه تعلم بدون معلم.
في حالة التعلم تحت الإشراف ، يحتوي النظام على المدخلات والمخرجات. بناءً على الاختلاف بين المخرجات المرغوبة والمخرجات الملحوظة ، تم تعيين النظام للتعلم والتحسين. ومع ذلك ، في حالة التعلم غير الخاضع للإشراف ، فإن النظام يحتوي فقط على مدخلات ولا مخرجات.
ما هو التعلم الآلي ولماذا هو مهم

يأتي التعلم غير الخاضع للإشراف مفيدًا للغاية أثناء المهام المرتبطة باستخراج البيانات واستخراج الميزات. الهدف النهائي للتعلم غير الخاضع للإشراف هو اكتشاف الاتجاهات والأنماط المخفية في البيانات أو لاستخراج الميزات المطلوبة. كما قلنا سابقًا ، لا يتعامل التعلم غير الخاضع للإشراف إلا مع مجموعة بيانات الإدخال دون أي معرفة مسبقة أو تعلم. لذلك ، هناك نوعان من التعلم غير الخاضع للإشراف:

تعليم حدودي غير خاضع للإشراف

يفترض التعلم البارامترى غير الخاضع للإشراف التوزيع البارامترى للبيانات. ما يعنيه هذا هو أن هذا النوع من التعلم غير الخاضع للإشراف يفترض أن البيانات تأتي من مجتمع يتبع توزيعًا احتماليًا معينًا بناءً على بعض المعلمات. من الناحية النظرية ، إذا أخذنا في الاعتبار التوزيع الطبيعي لعائلة من الكائنات ، فسنرى أن جميع الأعضاء لديهم بعض الخصائص المتشابهة ويتم تحديدهم دائمًا من خلال الانحراف المعياري والمتوسط. هذا يعني أنه إذا عرفنا المتوسط ​​والانحراف المعياري ، وإذا كان التوزيع طبيعيًا ، فيمكننا بسهولة معرفة احتمالية الملاحظات المستقبلية. يعد التعلم البارامترى غير الخاضع للإشراف أصعب بكثير من التعلم القياسي الخاضع للإشراف لأنه لا توجد تسميات متاحة ؛ ومن ثم لا يوجد مقياس محدد مسبقًا للدقة لاختبار المخرجات.

التعلم غير الخاضع للإشراف غير المعياري

يشير التعلم غير الخاضع للإشراف غير المعياري إلى تجميع مجموعة بيانات الإدخال. تقول كل مجموعة ، في جوهرها ، شيئًا عن فئات وفئات عناصر البيانات الموجودة في المجموعة. هذه هي الطريقة الأكثر استخدامًا لنمذجة البيانات وتحليل البيانات بأحجام عينات صغيرة. يشار إلى هذه الأساليب أيضًا على أنها طرق خالية من التوزيع لأنه على عكس حالة التعلم البارامترى ، لا يحتاج العارض إلى وضع أي افتراضات حول توزيع السكان بالكامل.
تعمل تقنيات التعلم الآلي الست هذه على تحسين الرعاية الصحية

في هذه المرحلة ، من الضروري الغوص قليلاً في ما نعنيه بالتجميع.

إذن ، ما هو التجميع؟

التجميع هو أحد أهم المفاهيم الأساسية عندما يتعلق الأمر بالتعلم غير الخاضع للإشراف. يتعامل مع إيجاد هيكل أو نمط في مجموعة من البيانات غير المصنفة. يمكن أن يكون التعريف البسيط للمجموعة هو "عملية تجميع الكائن في فئات بحيث يكون كل عضو في الفصل مشابهًا للآخر بطريقة أو بأخرى."
لذلك ، يمكن تعريف الكتلة ببساطة على أنها مجموعة من كائنات البيانات "المتشابهة" بين الكتلة و "غير المتشابهة" مع كائنات المجموعة الأخرى.

تطبيقات التعلم الآلي غير الخاضعة للإشراف

الهدف من التعلم الآلي غير الخاضع للإشراف هو الكشف عن الأنماط والاتجاهات المخفية سابقًا في البيانات. ولكن ، في معظم الأحيان ، تكون أنماط البيانات عبارة عن تقديرات تقريبية سيئة لما يمكن أن يحققه التعلم الآلي الخاضع للإشراف - على سبيل المثال ، يقسمون العملاء إلى مجموعات كبيرة ، بدلاً من معاملتهم كأفراد وتقديم اتصالات مخصصة للغاية. في حالة التعلم غير الخاضع للإشراف ، لا نعرف ما ستكون النتيجة ، وبالتالي ، إذا احتجنا إلى تصميم نموذج تنبؤي ، فإن التعلم الخاضع للإشراف يكون أكثر منطقية في سياق العالم الحقيقي.
حالة الاستخدام المثالية لاستخدام التعلم الآلي غير الخاضع للإشراف هي عندما لا يكون لديك بيانات عن النتائج المرجوة. على سبيل المثال ، إذا كنت بحاجة إلى تحديد سوق مستهدف لمنتج جديد تمامًا. ومع ذلك ، إذا كنت ترغب في تصنيف قاعدة عملائك بشكل أفضل ، فإن التعلم الخاضع للإشراف هو الخيار الأفضل.
5 تطبيقات متطورة للتعلم الآلي

لنلقِ نظرة على بعض تطبيقات تقنيات التعلم الآلي غير الخاضعة للإشراف:

1. التعلم غير الخاضع للإشراف مفيد للغاية لاكتشاف العيوب من مجموعة البيانات الخاصة بك. يشير اكتشاف الانحراف إلى العثور على نقاط بيانات مهمة في مجموعة البيانات الخاصة بك. يكون هذا مفيدًا جدًا لاكتشاف المعاملات الاحتيالية ، أو اكتشاف الأجزاء المكسورة من الأجهزة ، أو تحديد القيم المتطرفة التي قد تتسلل إليها أثناء إدخال البيانات.
2. يعني التعدين الجماعي تحديد مجموعة من العناصر التي تحدث معًا في مجموعة بيانات. هذه تقنية مفيدة جدًا لتحليل السلة لأنها تتيح للمحللين اكتشاف السلع التي يتم شراؤها معًا في كثير من الأحيان. لا يمكن التعدين الجماعي بدون تجميع البيانات ، وعندما تتحدث عن التجميع ، فإنك تتحدث عن خوارزمية التعلم الآلي غير الخاضعة للإشراف.
3. حالة استخدام أخرى للتعلم غير الخاضع للإشراف هي تقليل الأبعاد. يشير إلى تقليل عدد الميزات في مجموعة البيانات وبالتالي تمكين معالجة البيانات بشكل أفضل. تُستخدم النماذج المتغيرة الكامنة بشكل شائع لهذا الغرض ولا يمكن تحقيقها إلا باستخدام خوارزميات التعلم غير الخاضعة للإشراف.

يمكن أن تكون الأنماط والاتجاهات التي تم الكشف عنها باستخدام التعلم غير الخاضع للإشراف مفيدة أيضًا عند تطبيق خوارزميات التعلم الخاضع للإشراف في وقت لاحق - على سبيل المثال ، قد يساعدك التعلم غير الخاضع للإشراف في إجراء تحليل الكتلة على مجموعة بيانات ، ومن ثم يمكنك استخدام التعلم الخاضع للإشراف على أي مجموعة من اختيارك / يحتاج.
مهندسو التعلم الآلي: الخرافات مقابل الحقائق

بشكل عام ، يعد التعلم الآلي والذكاء الاصطناعي مجالات معقدة بشكل لا يصدق ، وأي نظام ذكاء اصطناعي معقد تصادفه من المرجح أن يستخدم مزيجًا من خوارزميات وآليات التعلم المختلفة. بعد قولي هذا ، إذا كنت مبتدئًا ، فمن الضروري أن تعرف النقاط الرئيسية التي تدور حول جميع تقنيات التعلم الأساسية.

تعلم دورات تعلم الآلة من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.
نأمل أن نكون قادرين على توضيح النقاط الأكثر دقة لخوارزمية التعلم غير الخاضعة للإشراف. إذا كان لديك شك ، فيرجى تركه في التعليقات أدناه!