التعلم الآلي الخاضع للإشراف: Algorithmsأنواع وأمثلة

ما هو التعلم الآلي الخاضع للإشراف؟

التعلم الآلي الخاضع للإشراف هو خوارزمية تتعلم من بيانات تدريبية مصنفة لمساعدتك في التنبؤ بنتائج البيانات غير المتوقعة. في هذا النوع من التعلم، يتم تدريب الآلة باستخدام بيانات مصنفة بدقة، أي بيانات تحمل علامات إجابات صحيحة. ويمكن تشبيه ذلك بالتعلم تحت إشراف مُشرف أو مُعلم.

يتطلب بناء نماذج التعلم الآلي الخاضعة للإشراف، وتوسيع نطاقها، ونشرها بنجاح، وقتًا وخبرة فنية من فريق من علماء البيانات ذوي المهارات العالية. كما يجب على علماء البيانات إعادة بناء النماذج دوريًا لضمان بقاء الرؤى التي ينتجونها صحيحة مع تغير البيانات الأساسية.

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
• تم اختيار الطريق

جميع هذه التفاصيل هي مدخلاتك في مثال التعلم الخاضع للإشراف هذا. أما المخرجات فهي مقدار الوقت الذي استغرقته للعودة إلى المنزل بالسيارة في ذلك اليوم تحديدًا، كما هو موضح في الصورة أدناه.

أنت تعلم بالفطرة أنه إذا كانت السماء تمطر في الخارج، فسيستغرق وصولك إلى المنزل وقتاً أطول. لكن الآلة تحتاج إلى بيانات وإحصائيات.

أول ما عليك فعله هو إنشاء مجموعة بيانات تدريبية. ستتضمن هذه المجموعة إجمالي وقت التنقل والعوامل المرتبطة به مثل الطقس والوقت، وما إلى ذلك. بناءً على هذه المجموعة التدريبية، قد يكتشف جهازك وجود علاقة مباشرة بين كمية الأمطار والوقت الذي ستستغرقه للوصول إلى المنزل.

لذا، يُشير ذلك إلى أنه كلما زاد هطول الأمطار، زادت مدة قيادتك للعودة إلى منزلك. وقد يُلاحظ أيضًا وجود علاقة بين وقت مغادرتك العمل والوقت الذي تقضيه على الطريق. فكلما اقتربت الساعة من السادسة مساءً، زادت مدة وصولك إلى المنزل.

قد يكتشف جهازك بعض العلاقات مع بياناتك المصنفة. وتظهر مرحلة التعلم هذه أدناه.

هذه هي بداية نموذج البيانات الخاص بك. يبدأ هذا النموذج بتسجيل كيفية تأثير المطر على طريقة قيادة الناس، وأن عدد الأشخاص الذين يسافرون يزداد خلال وقت معين من اليوم.

أنواع التعلم الآلي الخاضع للإشراف Algorithms

فيما يلي أنواع خوارزميات التعلم الآلي الخاضع للإشراف:

تراجع

تتنبأ تقنية الانحدار بقيمة إخراج واحدة متصلة 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: من السهل تفسير المخرجات، ويمكن تنظيم الخوارزمية لتجنب الإفراط في التخصيص.

نقاط الضعف: النموذج الخطي ليس مرنًا، لذا فهو لا يستطيع التقاط العلاقات المعقدة بدون ميزات إضافية.

فيما يلي بعض أنواع الانحدار Algorithms:

• الانحدارالخطي
• الانحدار متعدد الحدود
• الانحدار باستخدام ريدج ولاسو
• الانحدار اللوجستي (للتصنيف)
• انحدار شجرة القرار وانحدار الغابة العشوائية
• دعم الانحدار ناقلات

الانحدار اللوجستي:

يُستخدم الانحدار اللوجستي لتقدير القيم المنفصلة بناءً على مجموعة معينة من المتغيرات المستقلة. فهو يساعد على التنبؤ باحتمالية وقوع حدث ما من خلال مطابقة البيانات مع دالة لوجيت. ولذلك، يُعرف أيضًا باسم انحدار لوجيت. وبما أنه يتنبأ باحتمالية، فإن قيمة مخرجاته تقع بين 0 و1، وقد يكون أداؤه ضعيفًا عند وجود حدود قرار متعددة أو غير خطية.

تصنيف

التصنيف يعني تجميع المخرجات ضمن فئة واحدة. إذا حاولت الخوارزمية تصنيف المدخلات إلى فئتين مختلفتين، يُطلق عليها التصنيف الثنائي. أما الاختيار بين أكثر من فئتين فيُشار إليه بالتصنيف متعدد الفئات.

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

نقاط القوة: تعمل أشجار التصنيف بشكل جيد للغاية في الممارسة العملية.

نقاط الضعف: الأشجار الفردية غير المقيدة معرضة للتخصيص الزائد.

فيما يلي بعض أنواع التصنيف Algorithms:

• المصنفات ساذجة بايز
• أشجار القرار
• دعم شاحنات النقل
• K- أقرب الجيران
• الغابة العشوائية والتعزيز التدريجي

مصنفات ساذجة بايز

استخدم ساذجة بايز يُعدّ هذا النموذج سهل البناء ومفيدًا جدًا لمجموعات البيانات الكبيرة. تتألف هذه الطريقة من رسوم بيانية موجهة غير دورية ذات أصل واحد وعدة أبناء. وتفترض استقلالية العقد الأبناء عن أصلها.

أشجار القرار

تُصنّف أشجار القرار البيانات من خلال فرزها بناءً على قيمة الخاصية. في هذه الطريقة، يُمثّل كل عقدة خاصيةً من خصائص البيانات المراد تصنيفها، بينما يُمثّل كل فرع قيمةً يُمكن أن تأخذها العقدة. وهي تقنية شائعة الاستخدام في التصنيف.

ينطبق نفس الهيكل على الانحدار: تساعدك شجرة الانحدار على تقدير القيم الحقيقية (تكلفة شراء سيارة، عدد المكالمات، إجمالي المبيعات الشهرية، إلخ).

دعم شاحنات النقل

آلة المتجهات الداعمة (SVM) هي نوع من خوارزميات التعلم التي تم تقديمها في التسعينيات. تعتمد هذه الطريقة على نتائج نظرية التعلم الإحصائي التي طورها فلاديمير فابنيك وزملاؤه.

ترتبط آلات المتجهات الداعمة (SVMs) ارتباطًا وثيقًا بدوال النواة، التي تُعدّ مفهومًا أساسيًا في معظم مهام التعلم. يُستخدم إطار عمل النواة وآلات المتجهات الداعمة في مجالات متنوعة، تشمل استرجاع معلومات الوسائط المتعددة، والمعلوماتية الحيوية، والتعرف على الأنماط. كل مُقدِّر من المُقدِّرات المذكورة أعلاه موثقٌ مع معايير ضبطه في تعلم الحروف مرجع.

تقنيات التعلم الآلي الخاضعة للإشراف مقابل تقنيات التعلم الآلي غير الخاضعة للإشراف

وضع الطريقة بجانب تعليم غير مشرف عليه يوضح حدوده.

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.
الخوارزميات النموذجية	الانحدار اللوجستي، أشجار القرار، آلة المتجهات الداعمة، بايز الساذج	K-means، التجميع الهرمي، تحليل المكونات الرئيسية
كيف يتم تقييم النتائج	تم تقييمها بناءً على الإجابات المعروفة (الدقة، جذر متوسط ​​مربع الخطأ)	تم تقييمها بناءً على معايير داخلية ومراجعة بشرية

التحديات في التعلم الآلي الخاضع للإشراف

فيما يلي التحديات التي تواجه التعلم الآلي الخاضع للإشراف:

• قد تؤدي خصائص الإدخال غير ذات الصلة في بيانات التدريب إلى نتائج غير دقيقة
• يمثل إعداد البيانات ومعالجتها المسبقة دائمًا تحديًا.
• تتأثر الدقة سلبًا عند إدخال قيم مستحيلة أو غير محتملة أو غير مكتملة كبيانات تدريب.
• إذا لم يكن الخبير المعني متاحًا، فإن النهج الآخر هو "القوة الغاشمة". وهذا يعني أنه عليك تخمين الميزات (متغيرات الإدخال) التي يجب تدريب الآلة عليها، وقد يكون هذا التخمين غير دقيق.

مزايا التعلم تحت الإشراف

في مواجهة هذه التحديات، إليكم مزايا التعلم الآلي الخاضع للإشراف:

• التعلم تحت الإشراف في تعلم آلة يتيح لك جمع البيانات أو إنتاج مخرجات بيانات من تجارب سابقة
• 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 يكون حد القرار مُفرط التدريب إذا لم تحتوي مجموعة التدريب الخاصة بك على أمثلة تريدها في الفصل الدراسي
• تحتاج إلى تحديد الكثير من الأمثلة الجيدة من كل فصل أثناء تدريب المصنف.
• قد يكون تصنيف البيانات الضخمة تحدياً حقيقياً.
• يحتاج التدريب على التعلم الخاضع للإشراف إلى الكثير من وقت الحساب.

أفضل الممارسات للتعلم الخاضع للإشراف

يضمن التسلسل التالي استمرار المشروع track:

• قبل القيام بأي شيء آخر، حدد نوع البيانات التي سيتم استخدامها كمجموعة تدريب.
• حدد بنية الدالة المتعلمة وخوارزمية التعلم.
• اجمع المخرجات المقابلة إما من خبراء بشريين أو من القياسات
• احتفظ بمجموعة اختبار لا يراها النموذج مطلقًا، وقم بالإبلاغ عن النتيجة عليها.

الأسئلة الشائعة