التعلم الآلي الخاضع للإشراف: ما هو، Algorithms مع الأمثلة

ما هو التعلم الآلي الخاضع للإشراف؟

تعلم الآلة الخاضع للإشراف هي خوارزمية تتعلم من بيانات التدريب المصنفة لمساعدتك على التنبؤ بنتائج البيانات غير المتوقعة. في التعلم الخاضع للإشراف، يمكنك تدريب الآلة باستخدام البيانات "المصنفة" بشكل جيد. وهذا يعني أن بعض البيانات تم وضع علامة عليها بالفعل بإجابات صحيحة. ويمكن مقارنتها بالتعلم بحضور مشرف أو معلم.

تم بنجاح البناء والتوسع والنشر دقيق تستغرق نماذج التعلم الآلي الخاضعة للإشراف وقتًا وخبرة فنية من فريق من علماء البيانات ذوي المهارات العالية. علاوة على ذلك، البيانات يجب على العلماء إعادة البناء عارضات ازياء للتأكد من أن الرؤى المقدمة تظل صحيحة حتى تتغير بياناتها.

كيف يعمل التعلم الخاضع للإشراف

يستخدم التعلم الآلي الخاضع للإشراف مجموعات بيانات التدريب لتحقيق النتائج المرجوة. تحتوي مجموعات البيانات هذه على مدخلات ومخرجات صحيحة تساعد النموذج على التعلم بشكل أسرع. على سبيل المثال، تريد تدريب آلة لمساعدتك على التنبؤ بالوقت الذي ستستغرقه في القيادة إلى المنزل من مكان عملك.

هنا، عليك أن تبدأ بإنشاء مجموعة من البيانات المصنفة. تتضمن هذه البيانات:

• احوال الطقس
• وقت اليوم
• عطلات

كل هذه التفاصيل هي مدخلاتك في مثال التعلم الخاضع للإشراف هذا. والناتج هو مقدار الوقت الذي استغرقته للعودة إلى المنزل بالسيارة في ذلك اليوم المحدد.

أنت تعرف غريزيًا أنه إذا كانت السماء تمطر في الخارج، فسوف يستغرق الأمر وقتًا أطول للوصول إلى المنزل. لكن الآلة تحتاج إلى بيانات وإحصائيات.

دعونا نرى بعض أمثلة التعلم الخاضع للإشراف حول كيفية تطوير نموذج التعلم الخاضع للإشراف لهذا المثال والذي يساعد المستخدم على تحديد وقت التنقل. أول شيء تحتاج إلى إنشائه هو مجموعة التدريب. ستحتوي مجموعة التدريب هذه على إجمالي وقت التنقل والعوامل المقابلة مثل الطقس والوقت وما إلى ذلك. واستنادًا إلى مجموعة التدريب هذه، قد يرى جهازك أن هناك علاقة مباشرة بين كمية المطر والوقت الذي ستستغرقه للوصول إلى المنزل.

لذلك، فهو يتأكد من أنه كلما هطلت الأمطار أكثر، كلما طالت مدة القيادة للعودة إلى منزلك. وقد ترى أيضًا العلاقة بين الوقت الذي تغادر فيه العمل والوقت الذي ستقضيه على الطريق.

كلما اقتربت من الساعة السادسة مساءً، كلما استغرقت وقتًا أطول للوصول إلى المنزل. قد يعثر جهازك على بعض العلاقات مع بياناتك المصنفة.

هذه هي بداية نموذج البيانات الخاص بك. يبدأ في التأثير على كيفية تأثير المطر على طريقة قيادة الناس. كما بدأنا نرى أن المزيد من الأشخاص يسافرون خلال وقت معين من اليوم.

أنواع التعلم الآلي الخاضع للإشراف Algorithms

فيما يلي أنواع خوارزميات التعلم الآلي الخاضع للإشراف:

تراجع

تتنبأ تقنية الانحدار بقيمة مخرجات واحدة باستخدام بيانات التدريب.

مثال: يمكنك استخدام الانحدار للتنبؤ بسعر المنزل من بيانات التدريب. ستكون متغيرات الإدخال هي المنطقة، وحجم المنزل، وما إلى ذلك.

نقاط القوة: تحتوي المخرجات دائمًا على تفسير احتمالي، ويمكن تنظيم الخوارزمية لتجنب التجاوز.

نقاط الضعف:قد يكون أداء الانحدار اللوجستي ضعيفًا عندما تكون هناك حدود قرار متعددة أو غير خطية. هذه الطريقة ليست مرنة، لذا فهي لا تلتقط العلاقات الأكثر تعقيدًا.

الانحدار اللوجستي:

طريقة الانحدار اللوجستي تستخدم لتقدير القيم المنفصلة بناءً على مجموعة معينة من المتغيرات المستقلة. يساعدك على التنبؤ باحتمالية وقوع حدث ما عن طريق تركيب البيانات في وظيفة السجل. ولذلك، فإنه يعرف أيضا باسم الانحدار اللوجستي. نظرًا لأنه يتنبأ بالاحتمال، فإن قيمة مخرجاته تقع بين 0 و1.

فيما يلي بعض أنواع الانحدار Algorithms

تصنيف

التصنيف يعني تجميع المخرجات داخل الفصل. إذا حاولت الخوارزمية تصنيف الإدخال إلى فئتين مختلفتين، يطلق عليه التصنيف الثنائي. ويشار إلى الاختيار بين أكثر من فئتين بالتصنيف متعدد الفئات.

مثال: تحديد ما إذا كان شخص ما سيكون متخلفًا عن سداد القرض أم لا.

نقاط القوة: شجرة التصنيف تؤدي أداءً جيدًا جدًا في الممارسة العملية

نقاط الضعف: الأشجار الفردية غير المقيدة عرضة للتركيب الزائد.

فيما يلي بعض أنواع التصنيف Algorithms

مصنفات ساذجة بايز

يعد نموذج Naive Bayesian (NBN) سهل الإنشاء ومفيدًا جدًا لمجموعات البيانات الكبيرة. تتكون هذه الطريقة من رسوم بيانية غير دورية مباشرة مع أحد الوالدين والعديد من الأطفال. يفترض الاستقلال بين العقد الفرعية المنفصلة عن الأصل.

أشجار القرار

تقوم أشجار القرارات بتصنيف المثيلات عن طريق فرزها بناءً على قيمة الميزة. في هذه الطريقة، كل وضع هو سمة من سمات المثيل. يجب أن يتم تصنيفها، ويمثل كل فرع قيمة يمكن أن تتحملها العقدة. إنها تقنية تستخدم على نطاق واسع للتصنيف. في هذه الطريقة، التصنيف عبارة عن شجرة تُعرف بشجرة القرار.

يساعدك على تقدير القيم الحقيقية (تكلفة شراء سيارة، عدد المكالمات، إجمالي المبيعات الشهرية، إلخ).

دعم شاحنات النقل

آلة ناقل الدعم (SVM) هي نوع من خوارزمية التعلم التي تم تطويرها في عام 1990. وتعتمد هذه الطريقة على نتائج نظرية التعلم الإحصائي التي قدمها Vap Nik.

ترتبط أجهزة SVM أيضًا ارتباطًا وثيقًا بوظائف kernel التي تعد مفهومًا مركزيًا لمعظم مهام التعلم. يتم استخدام إطار عمل kernel وSVM في مجموعة متنوعة من المجالات. ويشمل استرجاع معلومات الوسائط المتعددة والمعلوماتية الحيوية والتعرف على الأنماط.

تقنيات التعلم الآلي الخاضعة للإشراف مقابل غير الخاضعة للرقابة

بناء على	تقنية التعلم الآلي الخاضعة للإشراف	تقنية التعلم الآلي غير الخاضعة للرقابة
ادخال البيانات	Algorithms يتم تدريبهم باستخدام البيانات المصنفة.	Algorithms يتم استخدامها ضد البيانات التي لم يتم تصنيفها
التعقيد الحسابي	التعلم الخاضع للإشراف هو طريقة أبسط.	التعلم غير الخاضع للإشراف معقد حسابيًا
الدقة	طريقة دقيقة للغاية وجديرة بالثقة.	Less طريقة دقيقة وجديرة بالثقة.

التحديات في التعلم الآلي الخاضع للإشراف

فيما يلي التحديات التي تواجه التعلم الآلي الخاضع للإشراف:

• ميزة الإدخال غير ذات الصلة الحالية لبيانات التدريب يمكن أن تعطي نتائج غير دقيقة
• يمثل إعداد البيانات ومعالجتها المسبقة دائمًا تحديًا.
• تتأثر الدقة عندما يتم إدخال قيم مستحيلة وغير محتملة وغير كاملة كبيانات تدريب
• إذا لم يكن الخبير المعني متاحا، فإن النهج الآخر هو "القوة الغاشمة". هذا يعني أنك بحاجة إلى التفكير في الميزات الصحيحة (متغيرات الإدخال) لتدريب الجهاز عليها. يمكن أن تكون غير دقيقة.

مزايا التعلم تحت الإشراف

فيما يلي مزايا التعلم الآلي الخاضع للإشراف:

• التعلم تحت الإشراف في تعلم آلة يسمح لك بجمع البيانات أو إنتاج مخرجات بيانات من التجربة السابقة
• يساعدك على تحسين معايير الأداء باستخدام الخبرة
• يساعدك التعلم الآلي الخاضع للإشراف على حل أنواع مختلفة من مشكلات الحساب الواقعية.

عيوب التعلم تحت الإشراف

فيما يلي عيوب التعلم الآلي الخاضع للإشراف:

• قد يتم الإفراط في تدريب حدود القرار إذا كانت مجموعة التدريب الخاصة بك لا تحتوي على أمثلة ترغب في الحصول عليها في الفصل الدراسي
• تحتاج إلى تحديد الكثير من الأمثلة الجيدة من كل فصل أثناء تدريب المصنف.
• تصنيفها البيانات الكبيرة يمكن أن يكون تحديا حقيقيا.
• يحتاج التدريب على التعلم الخاضع للإشراف إلى الكثير من وقت الحساب.