برنامج تعليمي للتعلم الآلي للمبتدئين: ما هو أساسيات تعلم الآلة
إيفلين كلارك
⚡ ملخص ذكي
التعلم الآلي هو مجموعة من خوارزميات الكمبيوتر التي تتحسن من خلال الأمثلة بدلاً من أن يتم ترميزها بشكل صريح، حيث تجمع البيانات مع الأدوات الإحصائية للتنبؤ بالمخرجات التي يمكن للأشخاص تحويلها إلى قرارات قابلة للتنفيذ.
ما هو التعلم الآلي؟
تعلم آلة هو نظام من خوارزميات الحاسوب التي يمكنها التعلم من الأمثلة من خلال التحسين الذاتي، دون الحاجة إلى كتابة أكواد صريحة من قبل مبرمج. يُعدّ التعلّم الآلي جزءًا من الذكاء الاصطناعي والتي تجمع البيانات مع الأدوات الإحصائية للتنبؤ بمخرجات يمكن استخدامها لاستخلاص رؤى قابلة للتنفيذ.
يكمن الإنجاز في فكرة أن الآلة قادرة على التعلم من البيانات (أي الأمثلة) ذاتيًا لإنتاج نتائج دقيقة. ويرتبط التعلم الآلي ارتباطًا وثيقًا بـ استخراج البيانات والنمذجة التنبؤية البايزية. يستقبل الجهاز البيانات كمدخلات ويستخدم خوارزمية لصياغة الإجابات.
تتمثل إحدى مهام التعلم الآلي النموذجية في تقديم التوصيات. بالنسبة لأولئك الذين لديهم Netflix في الحساب، تستند جميع توصيات الأفلام أو المسلسلات إلى بيانات المستخدم السابقة. تستخدم شركات التكنولوجيا تعليم غير مشرف عليه لتحسين تجربة المستخدم من خلال تخصيص التوصيات.
كما يتم استخدام التعلم الآلي في مجموعة متنوعة من المهام مثل اكتشاف الاحتيال، والصيانة التنبؤية، وتحسين المحافظ الاستثمارية، وأتمتة المهام.
التعلم الآلي مقابل البرمجة التقليدية
تختلف البرمجة التقليدية اختلافًا كبيرًا عن التعلم الآلي. ففي البرمجة التقليدية، يقوم المبرمج بكتابة جميع القواعد بالتشاور مع خبير في المجال الذي يُطوَّر البرنامج لأجله. وتستند كل قاعدة إلى أساس منطقي، حيث يُنتج الجهاز مخرجات باتباع هذا الأساس المنطقي. وعندما يصبح النظام معقدًا، تزداد الحاجة إلى كتابة المزيد من القواعد، وقد يصبح صيانته أمرًا بالغ الصعوبة. يوضح الرسم البياني أدناه هذه العملية، حيث تُدخَل البيانات والقواعد المكتوبة يدويًا، وتُخرَج النتائج.
يهدف التعلّم الآلي إلى التغلب على هذه المشكلة. يتعلم الجهاز كيفية ترابط بيانات الإدخال والإخراج، ويكتب القاعدة بنفسه. لا يحتاج المبرمجون إلى كتابة قواعد جديدة مع كل بيانات جديدة. تتكيف الخوارزميات استجابةً للبيانات الجديدة والخبرة لتحسين كفاءتها بمرور الوقت. يعكس الرسم البياني الثاني الرسم الأول: تُدخل البيانات والإجابات المعروفة، وتُخرج القاعدة.
كيف يعمل التعلم الآلي؟
مع وجود هذا التباين، فإن السؤال التالي هو ما الذي يحدث بالفعل داخل خطوة التعلم.
التعلم الآلي هو بمثابة الدماغ الذي يتم فيه التعلم. طريقة تعلم الآلة مشابهة لطريقة تعلم الإنسان. يتعلم البشر من التجربة: فكلما زادت معرفتنا، زادت قدرتنا على التنبؤ. وبالمثل، عندما نواجه موقفًا مجهولًا، يكون احتمال النجاح أقل منه في موقف معروف. تُدرَّب الآلات بالطريقة نفسها. لكي تُجري الآلة تنبؤًا دقيقًا، ترى مثالًا. عندما نُعطيها مثالًا مشابهًا، تستطيع استنتاج النتيجة. ولكن، كما هو الحال مع الإنسان، إذا أُعطيت مثالًا لم تره من قبل، تجد الآلة صعوبة في التنبؤ.
تتمثل الأهداف الأساسية للتعلم الآلي في التعلم والاستدلال. أولاً، يتعلم الجهاز من خلال اكتشاف الأنماط، وهذا الاكتشاف ممكن بفضل البيانات. ومن أهم مهام عالم البيانات اختيار البيانات المناسبة لتزويد الجهاز بها بعناية. تُسمى قائمة السمات المستخدمة لحل مشكلة ما بـ ناقلات الميزةيمكنك اعتبار متجه الميزات بمثابة مجموعة فرعية من البيانات التي تُستخدم لمعالجة مشكلة ما.
تستخدم الآلة خوارزميات لتبسيط الواقع وتحويل هذا الاكتشاف إلى نموذج. ولذلك، تُستخدم مرحلة التعلم لوصف البيانات وتلخيصها في نموذج، كما هو موضح أدناه.
على سبيل المثال، تحاول الآلة فهم العلاقة بين أجر الفرد واحتمالية ارتياده مطعمًا فاخرًا. وقد تبين أن الآلة تجد علاقة إيجابية بين الأجر وارتياد المطاعم الراقية: هذا هو النموذج.
الاستدلال
عند بناء النموذج، يُمكن اختبار فعاليته على بيانات جديدة تمامًا. تُحوّل البيانات الجديدة إلى متجه خصائص، ثم تُمرر عبر النموذج، ليُقدّم تنبؤًا. هذا هو الجانب القيّم في التعلّم الآلي. لا حاجة لتحديث القواعد أو إعادة تدريب النموذج، إذ يُمكن استخدام النموذج المُدرّب مسبقًا لاستنتاج البيانات الجديدة، تمامًا كما يُوضّح الرسم البياني أدناه.
إن دورة حياة برنامج التعلم الآلي بسيطة ويمكن تلخيصها في النقاط التالية:
- تحديد سؤال
- اجمع بيانات
- تصور البيانات
- خوارزمية القطار
- اختبر الخوارزمية
- اجمع التعليقات
- تحسين الخوارزمية
- كرر الخطوات من 4 إلى 7 حتى تحصل على نتائج مرضية.
- استخدم النموذج للتنبؤ
وبمجرد أن تصبح الخوارزمية جيدة في استخلاص الاستنتاجات الصحيحة، فإنها تطبق هذه المعرفة على مجموعات جديدة من البيانات.
تعلم آلة Algorithms وأين يتم استخدامها؟
يصنف الجدول أدناه الخوارزميات الأكثر شيوعًا حسب نوع المهمة التي تحلها.
يمكن تصنيف التعلم الآلي إلى مهمتين رئيسيتين للتعلم: أشرف و غير خاضعة للرقابةوهناك عائلتان أخريان تقعان بينهما وتتجاوزانهما – التعلم شبه الموجه، الذي يمزج مجموعة صغيرة مصنفة مع مجموعة كبيرة غير مصنفة، و تعزيز التعلم، حيث يتعلم الوكيل من المكافآت بدلاً من الإجابات المصنفة.
الإشراف على التعلم
تستخدم الخوارزمية بيانات التدريب وردود الفعل من المستخدمين لتعلم العلاقة بين المدخلات والمخرجات. على سبيل المثال، يمكن للمختص استخدام نفقات التسويق وتوقعات الطقس كبيانات مدخلة للتنبؤ بمبيعات العلب.
يمكنك استخدام التعلم تحت إشراف عندما تكون بيانات الإخراج معروفة، ستقوم الخوارزمية بعد ذلك بالتنبؤ بناءً على بيانات جديدة.
يوجد نوعان من التعلم الخاضع للإشراف:
- مهمة التصنيف
- مهمة الانحدار
تصنيف
تخيل أنك تريد التنبؤ بجنس أحد عملاء إعلان تجاري. ستبدأ بجمع بيانات من قاعدة بيانات عملائك، مثل الطول والوزن والوظيفة والراتب وقيمة مشترياتك، وما إلى ذلك. أنت تعرف جنس كل عميل، وهو إما ذكر أو أنثى. يهدف المصنف إلى تحديد احتمالية كون العميل ذكرًا أو أنثى (أي التصنيف) بناءً على المعلومات التي جمعتها (أي الخصائص). عندما يتعلم النموذج كيفية التمييز بين الذكر والأنثى، يمكنك استخدام بيانات جديدة للتنبؤ. على سبيل المثال، إذا تلقيت معلومات جديدة من عميل غير معروف، وتريد معرفة جنسه، فإذا تنبأ المصنف بأنه ذكر بنسبة 70%، فهذا يعني أن الخوارزمية متأكدة بنسبة 70% من أن هذا العميل ذكر، ومتأكدة بنسبة 30% من أنه أنثى.
يمكن أن يحتوي التصنيف على فئتين أو أكثر. يحتوي مثال التعلم الآلي أعلاه على فئتين فقط، ولكن إذا احتاج المصنف إلى التنبؤ بالأشياء، فقد يحتوي على عشرات الفئات (مثل: زجاج، طاولة، أحذية - يمثل كل شيء فئة).
تراجع
عندما تكون المخرجات قيمة متصلة، تُسمى المهمة انحدارًا. على سبيل المثال، قد يحتاج محلل مالي إلى التنبؤ بقيمة سهم بناءً على مجموعة من الخصائص مثل حقوق الملكية، وأداء السهم السابق، ومؤشرات الاقتصاد الكلي. سيتم تدريب النظام على تقدير سعر السهم بأقل هامش خطأ ممكن.
يسرد الجدول أدناه الخوارزميات الخاضعة للإشراف التي ستصادفها في أغلب الأحيان، والمهمة التي تناسبها كل منها.
| خوارزمية | الوصف | النوع |
|---|---|---|
| الانحدارالخطي | يجد طريقة لربط كل ميزة بالمخرجات للمساعدة في التنبؤ بالقيم المستقبلية. | تراجع |
| الانحدار اللوجستي | امتداد للانحدار الخطي يُستخدم في مهام التصنيف. يكون المتغير الناتج ثنائيًا (مثلًا، أسود أو أبيض فقط) بدلًا من كونه متصلًا (مثلًا، قائمة لا نهائية من الألوان المحتملة). | تصنيف |
| شجرة القرار | تصنيف أو نموذج انحدار قابل للتفسير بدرجة كبيرة، حيث يقوم بتقسيم قيم ميزات البيانات إلى فروع في عقد القرار (على سبيل المثال، إذا كانت الميزة عبارة عن لون، يصبح كل لون محتمل فرعًا جديدًا) حتى يتم اتخاذ مخرج القرار النهائي | تراجع تصنيف |
| ساذجة بايز | الطريقة البايزية هي طريقة تصنيف تستخدم نظرية بايزي. تقوم النظرية بتحديث المعرفة المسبقة لحدث ما مع الاحتمالية المستقلة لكل ميزة يمكن أن تؤثر على الحدث. | تراجع تصنيف |
| دعم شاحنات النقل | تُستخدم خوارزمية آلة المتجهات الداعمة (SVM) عادةً في مهام التصنيف. وتجد هذه الخوارزمية مستوىً فائقًا يقسم الفئات على النحو الأمثل. ويُفضل استخدامها مع مُحلِّل غير خطي. | الانحدار (ليس شائعًا جدًا) تصنيف |
| غابة عشوائية | تعتمد الخوارزمية على شجرة قرار لتحسين الدقة بشكل كبير. تُنشئ الغابة العشوائية العديد من أشجار القرار البسيطة وتستخدم طريقة "التصويت بالأغلبية" لتحديد التصنيف النهائي. في مهمة التصنيف، يكون التصنيف النهائي هو التصنيف الحائز على أكبر عدد من الأصوات؛ أما في مهمة الانحدار، فيكون متوسط تنبؤات جميع الأشجار هو التصنيف النهائي. | تراجع تصنيف |
| adaBoost | أسلوب التصنيف أو الانحدار الذي يستخدم عددًا كبيرًا من النماذج للتوصل إلى قرار ولكنه يزنها بناءً على دقتها في التنبؤ بالنتيجة | تراجع تصنيف |
| أشجار تعزيز التدرج | تُعد أشجار التدرج المعزز تقنية متطورة في مجال التصنيف/الانحدار. وهي تركز على الخطأ الذي ارتكبته الأشجار السابقة وتحاول تصحيحه. | تراجع تصنيف |
تعليم غير مشرف عليه
في التعلم غير الخاضع للإشراف، تستكشف الخوارزمية بيانات الإدخال دون أن يتم إعطاؤها متغير إخراج صريح (على سبيل المثال، تستكشف البيانات الديموغرافية للعملاء لتحديد الأنماط).
يمكنك استخدام هذه الطريقة عندما لا تعرف كيفية تصنيف البيانات وتريد من الخوارزمية أن تجد الأنماط وتُصنّف البيانات نيابةً عنك. فيما يلي ملخص لأهم خوارزميات التعلم غير الخاضع للإشراف.
| اسم الخوارزمية | الوصف | النوع |
|---|---|---|
| K- يعني التجميع | يضع البيانات في بعض المجموعات (ك) التي تحتوي كل منها على بيانات ذات خصائص متشابهة (كما يحددها النموذج، وليس مقدما من قبل البشر) | Clusterجي |
| نموذج خليط غاوسي | تعميم لتجميع المتوسطات k الذي يوفر مرونة أكبر في حجم وشكل المجموعات (العناقيد) | Clusterجي |
| المجموعات الهرمية | يقسم هذا النظام المجموعات على طول شجرة هرمية لتشكيل نظام تصنيف. ويمكن استخدامه لتجميع عملاء بطاقات الولاء. | Clusterجي |
| نظام التوصية | يساعد في تحديد البيانات ذات الصلة لتقديم توصية. | Clusterجي |
| PCA/t-SNE | تُستخدم غالبًا لتقليل أبعاد البيانات. تقلل الخوارزميات عدد السمات إلى 3 أو 4 متجهات ذات أعلى تباينات. | تقليل الأبعاد |
كيفية اختيار خوارزمية التعلم الآلي
توجد العديد من خوارزميات التعلم الآلي، ويتم اختيار الخوارزمية بناءً على الهدف وليس على الموضة.
في مثال التعلّم الآلي أدناه، تتمثل المهمة في التنبؤ بنوع الزهرة من بين ثلاثة أنواع. وتستند التنبؤات إلى طول وعرض البتلة. تُظهر الصورة نتائج عشر خوارزميات مختلفة. الصورة في أعلى اليسار هي مجموعة البيانات نفسها، حيث تُصنّف البيانات إلى ثلاث فئات: الأحمر، والأزرق الفاتح، والأزرق الداكن.pingتظهر هذه الفروقات بوضوح. على سبيل المثال، في الصورة الثانية، كل ما في الزاوية العلوية اليسرى ينتمي إلى الفئة الحمراء، بينما يحتوي الجزء الأوسط على مزيج من عدم اليقين والأزرق الفاتح، أما الجزء السفلي فيُمثل الفئة الداكنة. تُظهر الصور الأخرى كيف تحاول خوارزميات مختلفة تصنيف البيانات نفسها.
بمجرد اختيار المرشح، يتم تقييم جودته بناءً على بيانات لم يسبق له رؤيتها، وعادةً ما يكون ذلك باستخدام الارتباك مصفوفة وأرقام الدقة والضبط والاستدعاء المستمدة منها.
تحديات وقيود التعلم الآلي
يتمثل التحدي الرئيسي في التعلم الآلي في نقص البيانات، أو نقص التنوع داخل مجموعة البيانات. لا يمكن للآلة أن تتعلم إذا لم تتوفر بيانات. كما أن مجموعة البيانات التي تفتقر إلى التنوع تُصعّب الأمر على الآلة، لأن الآلة تحتاج إلى التباين لاستخلاص رؤى ذات مغزى. من النادر أن تتمكن خوارزمية من التفوق على غيرها.tracتُعدّ المعلومات مفيدةً عندما لا توجد اختلافات أو توجد اختلافات قليلة. القاعدة العامة هي أن يكون هناك ما لا يقل عن 20 ملاحظة لكل مجموعة لمساعدة الآلة على التعلّم؛ إذا كان العدد أقل من ذلك، فإن التقييم والتنبؤ يتأثران سلبًا.
حجم البيانات ليس هو القيد الوحيد. فالنماذج المدربة على سجلات تاريخية متحيزة تعيد إنتاج هذا التحيز، والنماذج المعقدة يصعب شرحها لجهة تنظيمية أو عميل، وأي نموذج يتدهور مع تغير العالم الذي تم تدريبه عليه.
تطبيق التعلم الآلي
تُطبّق التقنيات المذكورة أعلاه بالفعل في الإنتاج في معظم الصناعات. أما الأمثلة التالية فتنتقل من تقديم المساعدة العامة إلى قطاعات محددة.
زيادة: يُساعد التعلّم الآلي البشر في مهامهم اليومية، سواءً على الصعيد الشخصي أو التجاري، دون أن يكون له سيطرة كاملة على النتائج. ويُستخدم هذا النوع من التعلّم الآلي بطرقٍ مختلفة، مثل المساعدين الافتراضيين، وتحليل البيانات، والحلول البرمجية. والهدف الأساسي منه هو الحدّ من الأخطاء الناجمة عن التحيّز البشري.
الأتمتة: يعمل التعلم الآلي بشكل مستقل تماماً في أي مجال دون الحاجة إلى تدخل بشري. على سبيل المثال، تقوم الروبوتات بتنفيذ خطوات العمليات الأساسية في المصانع.
قطاع التمويل: يزداد استخدام التعلم الآلي في القطاع المالي. وتستخدم البنوك التعلم الآلي بشكل أساسي لاكتشاف الأنماط داخل البيانات، وكذلك لمنع الاحتيال.
المنظمات الحكومية: تستخدم الحكومات تقنيات التعلم الآلي لإدارة الأمن العام والمرافق العامة. خذ على سبيل المثال الصين وبرنامجها واسع النطاق للتعرف على الوجوه، حيث تطبيقات الذكاء الاصطناعي تُستخدم لتحديد هوية المشاة الذين يعبرون الشارع بشكل غير قانوني.
قطاع الرعاية الصحية: كان قطاع الرعاية الصحية من أوائل القطاعات التي استخدمت التعلم الآلي، بدءًا من اكتشاف الصور.
تسويق: يُطبَّق الذكاء الاصطناعي على نطاق واسع في مجال التسويق بفضل وفرة البيانات المتاحة. قبل عصر البيانات الضخمة، طوّر الباحثون أدوات رياضية متقدمة، مثل التحليل البايزي، لتقدير قيمة العميل. ومع ازدهار البيانات، تعتمد إدارات التسويق على الذكاء الاصطناعي لتحسين علاقات العملاء والحملات التسويقية.
مثال على التعلم الآلي في سلسلة التوريد
يُحقق التعلم الآلي نتائج قوية في التعرف على الأنماط المرئية، مما يفتح العديد من التطبيقات المحتملة في الفحص المادي والصيانة عبر شبكة سلسلة التوريد بأكملها.
يمكن للتعلم غير الخاضع للإشراف البحث بسرعة عن أنماط متشابهة في مجموعة بيانات متنوعة. وبدورها، تستطيع الآلة إجراء فحص جودة شامل في جميع أنحاء مركز الخدمات اللوجستية، وتحديد الشحنات التالفة أو المستهلكة.
على سبيل المثال، IBMتستطيع منصة واتسون تحديد نوع السفينةping تلف الحاويات. يجمع واتسون البيانات المرئية والبيانات القائمة على الأنظمة لـ track، الإبلاغ وتقديم التوصيات في الوقت الفعلي.
في الماضي، كان مديرو المخزون يعتمدون بشكل كبير على الأساليب اليدوية لتقييم المخزون والتنبؤ به. ومع دمج البيانات الضخمة والتعلم الآلي، أصبح من الممكن تطوير تقنيات تنبؤ أفضل، مع تحسينات مُبلغ عنها تتراوح بين 20 و30% مقارنةً بأدوات التنبؤ التقليدية. أما بالنسبة للمبيعات، فيُترجم ذلك إلى زيادة تتراوح بين 2 و3% بفضل الانخفاض المحتمل في تكاليف المخزون.
مثال على التعلم الآلي في Google سيارة
الجميع يعرف Google السيارة. يُغطى سقف السيارة بأشعة ليزر تُحدد موقعها بالنسبة للمنطقة المحيطة. كما تحتوي على رادار في مقدمتها يُزوّدها بمعلومات عن سرعة وحركة جميع السيارات من حولها. تستخدم السيارة هذه البيانات لتحديد كيفية قيادتها، بالإضافة إلى التنبؤ بتصرفات السائقين الآخرين. الأمر المثير للإعجاب هو قدرة السيارة على معالجة ما يقارب غيغابايت من البيانات في الثانية الواحدة.
لماذا يعد التعلم الآلي مهمًا؟
يُعدّ التعلّم الآلي أفضل أداة حتى الآن لتحليل البيانات وفهمها وتحديد الأنماط فيها. ومن أهمّ أفكاره تدريب الحاسوب على أتمتة المهام التي تُرهق الإنسان أو تُعيقه. ويكمن الاختلاف الجوهري بينه وبين التحليل التقليدي في قدرة التعلّم الآلي على اتخاذ القرارات بأقلّ قدر من التدخل البشري.
خذ المثال التالي: يمكن لوكيل بيع بالتجزئة أن يقدر سعر المنزل بناءً على خبرته الشخصية ومعرفته بالسوق.
يمكن تدريب آلة على ترجمة خبرة الخبير إلى خصائص. تشمل هذه الخصائص جميع سمات المنزل، والحي، والبيئة الاقتصادية، وما إلى ذلك، التي تؤدي إلى اختلاف السعر. بالنسبة للخبير، ربما استغرق الأمر سنوات لإتقان فن تقدير سعر المنزل، وتتحسن خبرته مع كل عملية بيع.
يحتاج الجهاز إلى ملايين البيانات (أي الأمثلة) لإتقان هذه المهارة. في بداية عملية التعلم، يرتكب الجهاز أخطاءً، تمامًا مثل مندوب مبيعات مبتدئ. بمجرد أن يرى الجهاز عددًا كافيًا من الأمثلة، يكتسب المعرفة اللازمة لإجراء تقديره، وبدقة عالية. كما أن الجهاز قادر على تصحيح أخطائه مع ورود مبيعات جديدة.
أدركت معظم الشركات الكبرى قيمة التعلم الآلي وتخزين البيانات. وقدّر معهد ماكينزي العالمي القيمة السنوية لجميع تقنيات التحليل بما يتراوح بين 9.5 تريليون دولار و15.4 تريليون دولار، ونسب ما يقرب من 40% من ذلك - أي ما بين 3.5 تريليون دولار و5.8 تريليون دولار سنويًا - إلى تقنيات الذكاء الاصطناعي المتقدمة القائمة على الشبكات العصبية العميقة، كما هو موضح في تقريره. ملاحظات من حدود الذكاء الاصطناعي ابحاث.
في الحالات التي تكون فيها القواعد معروفة ولكنها غير دقيقة وليست غائبة، فإن اتباع نهج قائم على القواعد مثل المنطق الضبابي قد يكون النموذج المتعلم أكثر ملاءمة من النموذج المتعلم، لذلك تتم مقارنة التقنيتين غالبًا قبل بدء المشروع.
