أنواع خوارزميات التعلم الآلي مع أمثلة على حالات الاستخدام

جميع الامتيازات المبتكرة التي تستمتع بها اليوم - من مساعدي الذكاء الاصطناعي الأذكياء ومحركات التوصية إلى أجهزة إنترنت الأشياء المتطورة هي ثمار علوم البيانات ، أو بشكل أكثر تحديدًا ، التعلم الآلي.

لقد تغلغلت تطبيقات التعلم الآلي في كل جانب من جوانب حياتنا اليومية تقريبًا ، حتى دون أن ندرك ذلك. أصبحت خوارزميات تعلم الآلة اليوم جزءًا لا يتجزأ من مختلف الصناعات ، بما في ذلك الأعمال التجارية والتمويل والرعاية الصحية. بينما قد تكون سمعت عن مصطلح "خوارزميات ML" مرات أكثر مما يمكنك الاعتماد عليه ، هل تعرف ما هي؟

في جوهرها ، تعد خوارزميات التعلم الآلي برامج متقدمة للتعلم الذاتي - لا يمكنها التعلم من البيانات فحسب ، بل يمكنها أيضًا التحسين من التجربة. هنا يشير مصطلح "التعلم" إلى أنه بمرور الوقت ، تستمر هذه الخوارزميات في تغيير الطرق التي تعالج بها البيانات ، دون أن تتم برمجتها بشكل صريح من أجلها.

قد يشمل التعلم فهم وظيفة محددة تقوم بتعيين المدخلات إلى المخرجات ، أو الكشف عن الأنماط المخفية للبيانات الخام وفهمها. طريقة أخرى تتعلم بها خوارزميات التعلم الآلي هي من خلال "التعلم القائم على المثيل" أو التعلم القائم على الذاكرة ، ولكن أكثر في ذلك في وقت آخر.

اليوم ، سيكون تركيزنا على فهم الأنواع المختلفة من خوارزميات التعلم الآلي والغرض المحدد منها.

1. التعلم الخاضع للإشراف

كما يوحي الاسم ، في نهج التعلم الخاضع للإشراف ، يتم تدريب الخوارزميات بشكل صريح من خلال الإشراف البشري المباشر. لذلك ، يختار المطور نوع إخراج المعلومات لإدخالها في الخوارزمية كما يحدد نوع النتائج المرغوبة. تبدأ العملية إلى حد ما مثل هذا - تستقبل الخوارزمية بيانات الإدخال والإخراج. تبدأ الخوارزمية بعد ذلك في إنشاء قواعد تعين المدخلات إلى المخرجات. تستمر عملية التدريب هذه حتى الوصول إلى أعلى مستوى من الأداء. لذلك ، في النهاية ، يمكن للمطور الاختيار من النموذج الذي يتنبأ بشكل أفضل بالإخراج المطلوب. الهدف هنا هو تدريب خوارزمية لتعيين أو توقع كائنات الإخراج التي لم تتفاعل معها أثناء عملية التدريب.

الهدف الأساسي هنا هو توسيع نطاق البيانات وعمل تنبؤات حول النتائج المستقبلية من خلال معالجة وتحليل بيانات العينة المصنفة.

حالات الاستخدام الأكثر شيوعًا للتعلم الخاضع للإشراف هي توقع الاتجاهات المستقبلية في الأسعار والمبيعات وتداول الأسهم. تتضمن أمثلة الخوارزميات الخاضعة للإشراف الانحدار الخطي والانحدار اللوجستي والشبكات العصبية وأشجار القرار والغابة العشوائية وآلات المتجهات الداعمة (SVM) و Naive Bayes.

هناك نوعان من تقنيات التعلم تحت الإشراف:

الانحدار - تحدد هذه التقنية أولاً الأنماط في بيانات العينة ثم تحسب أو تعيد إنتاج تنبؤات النتائج المستمرة. للقيام بذلك ، يجب أن تفهم الأرقام وقيمها وارتباطاتها أو تجمعاتها وما إلى ذلك. يمكن استخدام الانحدار للتنبؤ بالفخر للمنتجات والأسهم.

التصنيف - في هذه التقنية ، يتم تصنيف بيانات الإدخال وفقًا لعينات البيانات التاريخية ثم يتم تدريبها يدويًا لتحديد أنواع معينة من الكائنات. بمجرد أن يتعلم التعرف على الأشياء المرغوبة ، يتعلم بعد ذلك تصنيفها بشكل مناسب. للقيام بذلك ، يجب أن تعرف كيفية التمييز بين المعلومات المكتسبة والتعرف على الأحرف / الصور / المدخلات الثنائية. يُستخدم التصنيف لعمل تنبؤات بالطقس ، وتحديد الأشياء في الصورة ، وتحديد ما إذا كان البريد بريدًا عشوائيًا أم لا ، وما إلى ذلك.

مصدر

2. تعليم غير مشرف عليه

على عكس نهج التعلم الخاضع للإشراف الذي يستخدم البيانات المصنفة لعمل تنبؤات المخرجات ، يغذي التعلم غير الخاضع للإشراف ويدرب الخوارزميات حصريًا على البيانات غير المسماة. يتم استخدام نهج التعلم غير الخاضع للإشراف لاستكشاف البنية الداخلية للبيانات واستخراج رؤى قيمة منها. من خلال اكتشاف الأنماط المخفية في البيانات غير المسماة ، تهدف هذه التقنية إلى الكشف عن مثل هذه الأفكار التي يمكن أن تؤدي إلى مخرجات أفضل. يمكن استخدامه كخطوة أولية للتعلم تحت الإشراف.

تستخدم الشركات التعلم غير الخاضع للإشراف لاستخراج رؤى ذات مغزى من البيانات الأولية لتحسين الكفاءة التشغيلية ومقاييس الأعمال الأخرى. يستخدم بشكل شائع في مجالات التسويق الرقمي والإعلان. بعض الخوارزميات الأكثر شيوعًا غير الخاضعة للإشراف هي K-mean Clustering ، و Association Rule ، و t-SNE (t-Distributed Stochastic Neighbor Embedding) ، و PCA (تحليل المكونات الرئيسية).

هناك نوعان من تقنيات التعلم غير الخاضعة للإشراف:

التجميع - التجميع هو أسلوب استكشاف يستخدم لتصنيف البيانات إلى مجموعات ذات مغزى أو "مجموعات" دون أي معلومات مسبقة حول بيانات اعتماد المجموعة (لذلك ، فهي تعتمد فقط على أنماطها الداخلية). يتم تحديد بيانات اعتماد المجموعة من خلال أوجه التشابه بين كائنات البيانات الفردية واختلافها عن بقية الكائنات. يتم استخدام التجميع لتجميع التغريدات التي تحتوي على محتوى مشابه ، والفصل بين الأنواع المختلفة لقطاعات الأخبار ، وما إلى ذلك.

تقليل الأبعاد - يتم استخدام تقليل الأبعاد للعثور على تمثيل أفضل وربما أبسط لبيانات الإدخال. من خلال هذه الطريقة ، يتم تنظيف بيانات الإدخال من المعلومات الزائدة عن الحاجة (أو على الأقل تقليل المعلومات غير الضرورية) مع الاحتفاظ بجميع البتات الأساسية. بهذه الطريقة ، يسمح بضغط البيانات ، وبالتالي تقليل متطلبات مساحة تخزين البيانات. إحدى حالات الاستخدام الأكثر شيوعًا لتقليل الأبعاد هي الفصل وتحديد البريد كبريد عشوائي أو بريد مهم.

3. التعلم شبه الخاضع للإشراف

حدود التعلم شبه الخاضعة للإشراف بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. إنه يجمع بين أفضل ما في العالمين لإنشاء مجموعة فريدة من الخوارزميات. في التعلم شبه الخاضع للإشراف ، يتم استخدام مجموعة محدودة من بيانات العينة المصنفة لتدريب الخوارزميات لتحقيق النتائج المرجوة. نظرًا لأنه لا يستخدم سوى مجموعة محدودة من البيانات المصنفة ، فإنه ينشئ نموذجًا مدربًا جزئيًا يقوم بتعيين تسميات لمجموعة البيانات غير المسماة. لذا ، فإن النتيجة النهائية هي خوارزمية فريدة - دمج مجموعات البيانات المسمى ومجموعات البيانات ذات العلامات الزائفة. الخوارزمية عبارة عن مزيج من السمات الوصفية والتنبؤية للتعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.

تُستخدم خوارزميات التعلم شبه الخاضعة للإشراف على نطاق واسع في الصناعات القانونية والرعاية الصحية ، وتحليل الصور والكلام ، وتصنيف محتوى الويب ، على سبيل المثال لا الحصر. أصبح التعلم شبه الخاضع للإشراف شائعًا بشكل متزايد في السنوات الأخيرة نظرًا للكمية المتزايدة بسرعة من البيانات غير المصنفة وغير المهيكلة والتنوع الكبير في المشكلات الخاصة بالصناعة.

4. تعزيز التعلم

يسعى التعلم المعزز إلى تطوير خوارزميات ذاتية التعلم وذاتية التعلم يمكنها تحسين نفسها من خلال دورة مستمرة من التجارب والأخطاء بناءً على الدمج والتفاعلات بين البيانات المصنفة والبيانات الواردة. يستخدم التعلم المعزز طريقة الاستكشاف والاستغلال التي يحدث فيها إجراء ما ؛ تتم ملاحظة عواقب الإجراء وبناءً على تلك العواقب ، يتبع الإجراء التالي - كل ذلك أثناء محاولة تحسين النتيجة.

أثناء عملية التدريب ، بمجرد أن تتمكن الخوارزمية من أداء مهمة محددة / مرغوبة ، يتم تشغيل إشارات المكافأة. تعمل إشارات المكافأة هذه مثل أدوات التنقل لخوارزميات التعزيز ، مما يدل على تحقيق نتائج معينة وتحديد مسار العمل التالي. بطبيعة الحال ، هناك نوعان من إشارات المكافأة:

إيجابي - يتم تشغيله عند استمرار تسلسل معين من الإجراءات.

سلبي - تعاقب هذه الإشارة على أداء أنشطة معينة وتتطلب تصحيح الخوارزمية قبل المضي قدمًا.

مصدر

التعلم المعزز هو الأنسب للحالات التي لا تتوفر فيها إلا معلومات محدودة أو غير متسقة. يتم استخدامه بشكل شائع في ألعاب الفيديو ، والشخصيات الحديثة غير القابلة للعب ، والسيارات ذاتية القيادة ، وحتى في عمليات Ad Tech. من أمثلة خوارزميات التعلم المعزز Q-Learning و Deep Adversarial Networks و Monte-Carlo Tree Search (MCTS) والفرق الزمني (TD) والوكلاء الناقدون غير المتزامنين (A3C).

إذن ، ماذا نستنتج بعد ذلك من كل هذا؟

تُستخدم خوارزميات التعلم الآلي للكشف عن الأنماط المخفية داخل مجموعات البيانات الضخمة وتحديدها. تُستخدم هذه الأفكار بعد ذلك للتأثير بشكل إيجابي على قرارات العمل وإيجاد حلول لمجموعة واسعة من مشكلات العالم الحقيقي. بفضل التقدم في علوم البيانات والتعلم الآلي ، لدينا الآن خوارزميات تعلم الآلة مصممة خصيصًا لمعالجة مشكلات ومشكلات محددة. لقد غيرت خوارزميات ML تطبيقات وعمليات الرعاية الصحية وكذلك الطريقة التي تدار بها الأعمال اليوم.