التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: الفرق بينهما

الفرق الرئيسي بين التعلم الخاضع للإشراف وغير الخاضع للإشراف

• في التعلم الخاضع للإشراف، يمكنك تدريب الآلة باستخدام البيانات التي تم "تصنيفها" بشكل جيد.
• التعلم غير الخاضع للرقابة هو أسلوب للتعلم الآلي، حيث لا تحتاج إلى الإشراف على النموذج.
• يتيح لك التعلم الخاضع للإشراف جمع البيانات أو إنتاج مخرجات بيانات من التجربة السابقة.
• يساعدك التعلم الآلي غير الخاضع للرقابة على العثور على جميع أنواع الأنماط غير المعروفة في البيانات.
• الانحدار والتصنيف نوعان من تقنيات التعلم الآلي الخاضعة للإشراف.
• Clustering و Association نوعان من التعلم غير الخاضع للرقابة.
• في نموذج التعلم الخاضع للإشراف، سيتم توفير متغيرات المدخلات والمخرجات بينما في نموذج التعلم غير الخاضع للإشراف، سيتم توفير بيانات الإدخال فقط

ما هو التعلم الآلي الخاضع للإشراف؟

في التعلم الخاضع للإشراف، يمكنك تدريب الآلة باستخدام البيانات وهو أمر جيد "المسمى". وهذا يعني أن بعض البيانات تم وضع علامة عليها بالفعل بالإجابة الصحيحة. ويمكن مقارنتها بالتعلم الذي يحدث بحضور مشرف أو معلم.

تتعلم خوارزمية التعلم الخاضع للإشراف من بيانات التدريب المصنفة، وتساعدك على التنبؤ بنتائج البيانات غير المتوقعة. يتطلب النجاح في إنشاء نموذج دقيق للتعلم الآلي الخاضع للإشراف وتوسيع نطاقه ونشره وقتًا وخبرة فنية من فريق من علماء البيانات ذوي المهارات العالية. علاوة على ذلك، يجب على عالم البيانات إعادة بناء النماذج للتأكد من أن الرؤى المقدمة تظل صحيحة حتى تتغير بياناتها.

ما هو التعلم غير الخاضع للإشراف؟

التعلم غير الخاضع للرقابة هو أسلوب للتعلم الآلي، حيث لا تحتاج إلى الإشراف على النموذج. بدلاً من ذلك، تحتاج إلى السماح للنموذج بالعمل من تلقاء نفسه لاكتشاف المعلومات. وهو يتعامل بشكل رئيسي مع البيانات غير المسماة.

تتيح لك خوارزميات التعلم غير الخاضع للإشراف تنفيذ مهام معالجة أكثر تعقيدًا مقارنة بالتعلم الخاضع للإشراف. على الرغم من أن التعلم غير الخاضع للإشراف قد يكون أقل قابلية للتنبؤ مقارنة بأساليب التعلم الطبيعي الأخرى والتعلم العميق والتعلم التعزيزي.

لماذا التعلم تحت الإشراف؟

• يتيح لك التعلم الخاضع للإشراف جمع 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.

لماذا التعلم غير الخاضع للرقابة؟

فيما يلي الأسباب الرئيسية لاستخدام التعلم غير الخاضع للرقابة:

• يجد التعلم الآلي غير الخاضع للرقابة جميع أنواع الأنماط غير المعروفة في البيانات.
• تساعدك الأساليب غير الخاضعة للرقابة في العثور على الميزات التي يمكن أن تكون مفيدة للتصنيف.
• ويتم ذلك في الوقت الفعلي، بحيث يتم تحليل كافة البيانات المدخلة وتصنيفها بحضور المتعلمين.
• من الأسهل الحصول على بيانات غير مصنفة من جهاز كمبيوتر مقارنة بالبيانات المصنفة، والتي تحتاج إلى تدخل يدوي.

كيف يعمل التعلم الخاضع للإشراف؟

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. والمخرجات هي مقدار الوقت الذي استغرقته للعودة إلى المنزل 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 الآن كيف يمكنك تطوير نموذج التعلم الخاضع للإشراف لهذا المثال والذي يساعد المستخدم على تحديد وقت التنقل. أول شيء تحتاج إلى إنشائه هو مجموعة بيانات 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.

كيف يعمل التعلم غير الخاضع للرقابة؟

لنأخذ حالة الطفلة وكلب عائلتها.

تعرفت على هذا الكلب وتعرفت عليه. وبعد بضعة أسابيع، أحضر أحد أصدقاء العائلة كلبًا وحاول اللعب مع الطفلة.

لم ير الطفل هذا الكلب من قبل. لكنها تتعرف على العديد من الميزات (أذنان، عيون، المشي على 2 أرجل) مثل كلبها الأليف. تتعرف على حيوان جديد مثل الكلب. هذا هو التعلم غير الخاضع للإشراف، حيث لا يتم تعليمك ولكنك تتعلم من البيانات (في هذه الحالة بيانات عن كلب). لو كان هذا التعلم خاضعًا للإشراف، لكان صديق العائلة قد أخبر الطفل أنه كلب.

أنواع تقنيات التعلم الآلي الخاضعة 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.

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: 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.

أنواع تقنيات التعلم الآلي غير الخاضعة للرقابة

مشاكل التعلم غير الخاضعة للإشراف يتم تقسيمها إلى مشاكل التجميع والترابط.

Clusterجي

Clusterيعد ing مفهومًا مهمًا عندما يتعلق الأمر بالتعلم غير الخاضع للإشراف. يتعامل بشكل أساسي مع إيجاد هيكل أو نمط في مجموعة من البيانات غير المصنفة. Clusterستقوم خوارزميات ing بمعالجة بياناتك والعثور على مجموعات (مجموعات) طبيعية إذا كانت موجودة في البيانات. يمكنك أيضًا تعديل عدد المجموعات التي يجب أن تحددها خوارزمياتك. يسمح لك بتعديل تفاصيل هذه المجموعات.

جمعية

تسمح لك قواعد الاقتران بإنشاء ارتباطات بين كائنات البيانات داخل قواعد البيانات الكبيرة. تدور هذه التقنية غير الخاضعة للرقابة حول اكتشاف العلاقات المثيرة بين المتغيرات في قواعد البيانات الكبيرة. على سبيل المثال، من المرجح أن يشتري الأشخاص الذين يشترون منزلًا جديدًا أثاثًا جديدًا.

أمثلة أخرى:

• مجموعة فرعية من مرضى السرطان مجمعة حسب قياسات التعبير الجيني الخاصة بهم
• مجموعات من المتسوقين بناءً على تاريخ التصفح والشراء الخاص بهم
• مجموعة الأفلام حسب التصنيف المقدم من مشاهدي الأفلام

الفرق بين التعلم الخاضع للإشراف وغير الخاضع للرقابة

المعاملات	تقنية التعلم الآلي الخاضعة للإشراف	تقنية التعلم الآلي غير الخاضعة للرقابة
طريقة عملنا	في نموذج التعلم الخاضع للإشراف، سيتم إعطاء متغيرات المدخلات والمخرجات.	في نموذج التعلم غير الخاضع للرقابة، سيتم تقديم بيانات الإدخال فقط
ادخال البيانات	Algorithms يتم تدريبهم باستخدام البيانات المصنفة.	Algorithms يتم استخدامها ضد البيانات التي لم يتم تصنيفها
Algorithms مستعمل	دعم آلة المتجهات والشبكة العصبية والانحدار الخطي واللوجستي والغابات العشوائية وأشجار التصنيف.	يمكن تقسيم الخوارزميات غير الخاضعة للإشراف إلى فئات مختلفة: مثل Cluster الخوارزميات، K-means، التجميع الهرمي، وما إلى ذلك.
التعقيد الحسابي	التعلم الخاضع للإشراف هو طريقة أبسط.	التعلم غير الخاضع للإشراف معقد حسابيًا
استخدام البيانات	يستخدم نموذج التعلم الخاضع للإشراف بيانات التدريب لمعرفة الرابط بين المدخلات والمخرجات.	التعلم غير الخاضع للرقابة لا يستخدم بيانات المخرجات.
دقة النتائج	طريقة دقيقة للغاية وجديرة بالثقة.	Less طريقة دقيقة وجديرة بالثقة.
التعلم في الوقت الحقيقي	طريقة التعلم تتم دون اتصال بالإنترنت.	طريقة التعلم تتم في الوقت الحقيقي.
عدد الصفوف	عدد الفصول معروف.	عدد الفصول غير معروف.
العيب الرئيسي	يمكن أن يشكل تصنيف البيانات الضخمة تحديًا حقيقيًا في التعلم الخاضع للإشراف.	لا يمكنك الحصول على معلومات دقيقة فيما يتعلق بفرز البيانات، ويتم تصنيف المخرجات كبيانات مستخدمة في التعلم غير الخاضع للرقابة وغير معروفة.