التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: الفرق بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف

مقدمة

يتم تصنيف التعلم الآلي على نطاق واسع إلى ثلاثة أنواع هي التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز. لا يزال التعلم المعزز جديدًا ويخضع للتطور السريع ، لذلك دعونا نتجاهل ذلك في هذه المقالة ونتعمق في التعلم الخاضع للإشراف وغير الخاضع للإشراف.

قبل الانتقال إلى التعريفات والاستخدامات الفعلية لهذين النوعين من التعلم ، دعونا أولاً نتعرف على التعلم الآلي. التعلم الآلي هو تطبيق للذكاء الاصطناعي يوفر للأنظمة القدرة على التعلم والتحسين تلقائيًا من التجربة دون أن تكون مبرمجة بشكل صريح ، وهذا مجرد تعريف الكتاب المدرسي للتعلم الآلي حيث أن هذه المقالة مكتوبة بشكل أساسي للمبتدئين في مجال علوم البيانات والذكاء الاصطناعي اسمحوا لي أن أجعل هذا أكثر وضوحًا وإثارة للاهتمام بالنسبة لك حتى تتمكن من فهمه وتفسيره بشكل أفضل.

دعونا نعتبر الطفل آلة لدينا ونحن بحاجة لمساعدة الطفل على تعلم الأرقام المختلفة في نظام الأرقام لدينا. من أجل مساعدة الطفل على التعلم ، نحتاج إلى إظهار رقم مختلف للطفل وتحديد كل رقم.

يؤدي القيام بهذا الجزء بشكل متكرر إلى مساعدة الطفل على تعلم الأرقام وحفظها. هذا ليس سوى القدرة على التعلم والتحسين تلقائيًا من التجربة دون أن تتم برمجتها بشكل صريح ، أي التعلم الآلي.

قراءة: أفكار مشروع التعلم الآلي

التعلم الخاضع للإشراف

دعونا نبدأ مرة أخرى بتعريف الكتاب المدرسي الكلاسيكي للتعلم الخاضع للإشراف ونجعل أنفسنا على دراية بمثال الطفل الذي أخذناه سابقًا. التعلم الخاضع للإشراف هو مهمة التعلم الآلي لتعلم وظيفة تقوم بتعيين المدخلات إلى المخرجات بناءً على مثال أزواج المدخلات والمخرجات. يستنتج وظيفة من بيانات التدريب المسمى تتكون من مجموعة من أمثلة التدريب.

أنا أكره التعريفات المكتوبة في أي كتاب مدرسي لأنها رسمية جدًا لفهمها ، بل أفضل من صديق يشرح التعريف في أفكاره الخاصة. على المدى الطويل عندما أحاول أن أتذكر تعريفًا ما ، يظهر التفسير الذي قدمه صديق بمثال في النهاية ويجعل حياتي أسهل. لذا ، في هذا المقال اسمحوا لي أن أكون ذلك الصديق لك.

دعونا نأخذ مثال الطفل مرة أخرى الذي درسناه سابقًا ، في هذه الحالة ، نحتاج إلى جعل الطفل يتعلم ويتعرف على الثمار المختلفة التي لدينا. دعونا نعتبر التفاح والبرتقال ثمارنا ونبدأ بعرض هاتين الصورتين للطفل. ونخبر الطفل أيضًا الصورة التي هي أي فاكهة.

عند النظر إلى تلك الصور ، يتعلم الطفل أن الفاكهة ستكون مستديرة وأن الفاكهة ذات اللون الأحمر هي التفاح والفاكهة البرتقالية اللون البرتقالي. الآن دعنا نظهر للطفل صورة جديدة لـ Orange ونطلب منه معرفة ما إذا كانت الصورة Apple أو Orange.

يتنبأ الطفل أن الفاكهة برتقالية. يتنبأ الطفل بشكل صحيح بالفاكهة على أنها برتقالية لأننا صنفنا الثمرتين مثل التفاح والبرتقال إلى فئتين وطلبنا من الطفل معرفة ماهية الفاكهة. هذه هي الطريقة التي يعمل بها التعلم الآلي الخاضع للإشراف إذا استبدلنا آلة بطفل.

يتم تصنيف التعلم الآلي الخاضع للإشراف أيضًا إلى نوعين من المشكلات المعروفة باسم التصنيف والانحدار.

تصنيف

من الاسم نفسه ، يمكننا أن نعرف أن هذه مشكلة في التعلم الآلي حيث نحتاج إلى تصنيف البيانات المعطاة في فصلين أو أكثر. المثال أعلاه الذي أخذناه هو مشكلة تصنيف حيث نحتاج إلى تصنيف الصور المعينة إلى فئة Apple أو Orange.

عندما يكون لدينا فئتان فقط لتصنيف بياناتنا ، يطلق عليه التصنيف الثنائي. لكن في بيانات العالم الحقيقي ، نميل إلى امتلاك أكثر من فئة واحدة وتسمى التصنيف متعدد الفئات. يتم استخدام هذه الأنواع من التعلم من قبل الغالبية لتحديد رسائل البريد الإلكتروني العشوائية ، وتصنيف العملاء ، والتحقق مما إذا كان العميل يتخبط من المشغل ، والعديد من حالات الاستخدام الأخرى.

اقرأ أيضًا: مهنة في تعلم الآلة

تراجع

من ناحية أخرى ، يتعامل الانحدار مع البيانات المستمرة مثل توقع راتبك بناءً على التجربة. في هذه الحالة ، لا نحتاج إلى وضع البيانات في أي فئات ولكننا نحتاج إلى توقع القيمة المستمرة بناءً على البيانات المستمرة التي لدينا.

تحتوي هذه الأنواع من المشكلات على أعمدة مستمرة في مجموعة البيانات الخاصة بها بينما يميل التصنيف إلى الحصول على أعمدة فئوية. تُستخدم هذه الأنواع من التعلم للتنبؤ بالنمو المالي في الربع التالي لأي شركة ، وعلامات الطالب بناءً على علاماته السابقة ، وغيرها الكثير.

تعليم غير مشرف عليه

التعلم غير الخاضع للإشراف هو نوع من التعلم الآلي الذي يبحث عن أنماط لم يتم اكتشافها سابقًا في مجموعة بيانات بدون تسميات موجودة مسبقًا وبحد أدنى من الإشراف البشري.

على عكس التعلم الخاضع للإشراف الذي يستخدم عادةً البيانات التي تحمل علامات بشرية ، فإن التعلم غير الخاضع للإشراف ، والمعروف أيضًا باسم التنظيم الذاتي ، يسمح بنمذجة كثافات الاحتمالات على المدخلات. دعونا ننظر في المثال الصغير لفهم التعلم الآلي غير الخاضع للإشراف بشكل أفضل.

دعونا نستخدم مجموعة من صور القطط والكلاب كمدخلات في هذا المثال ، في الأمثلة السابقة يعرف الطفل أن الصور من Apple و Orange كما قمنا بتسميتها وتصنيفها.

في هذه الحالة ، لا يعرف الطفل أي شيء ، وبالتالي لا يمكنه تصنيف أيهما قطة وأيهما كلب. ولكن يمكن أن نقول أن القليل من الصور تبدو متشابهة عند مقارنتها بالصور القليلة الأخرى. في هذه الحالة ، لا يمكننا تسمية البيانات ، لكن لا يزال بإمكاننا العثور على أنماط في البيانات. هذه هي الطريقة التي يعمل بها التعلم الآلي غير الخاضع للإشراف.

تجمع

يصف المثال أعلاه مشكلة التجميع بوضوح ، فنحن بحاجة إلى تجميع مجموعة البيانات الخاصة بنا بناءً على الأنماط التي نجدها في بياناتنا. يعد التجميع الجماعي مشكلة مهمة جدًا في التعلم الآلي وتميل العديد من الشركات إلى استخدام هذه التقنية للعثور على أنماط قيمة ورؤى من بياناتها.

خاتمة

في هذه المقالة ، تعرفنا على الأنواع المختلفة من التعلم الآلي ، وفهمنا أولئك الذين يأخذون مثالًا سهل الفهم ، وقاموا بالتحقيق في الأقسام الإضافية لكل تعلم. تتناول هذه المقالة أساسيات مشكلات التعلم الآلي فقط ، ولكل نوع مشكلة أنواع مختلفة من خوارزميات التعلم الآلي.

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.