التعلم الإشرافي مقابل التعلم غير الإشرافي

في تعلم الآلة، يمكن تصنيف معظم المهام بسهولة إلى واحدة من فئتين مختلفتين: مشكلات التعلم الإشرافي أو مشكلات التعلم غير الإشرافي. في التعلم الإشرافي، يتم إضافة تسميات أو فئات إلى البيانات، بينما في حالة التعلم غير الإشرافي، تكون البيانات غير محددة. لنلق نظرةใกลبة على سبب أهمية هذا التمييز وننظر إلى بعض الخوارزميات المرتبطة بكل نوع من التعلم.

التعلم الإشرافي مقابل التعلم غير الإشرافي

معظم مهام تعلم الآلة تقع في مجال التعلم الإشرافي. في خوارزميات التعلم الإشرافي، يتم تعيين فئة أو تسمية إلى كل حالة/نقطة بيانات في مجموعة البيانات. هذا يعني أن نموذج تعلم الآلة يمكن أن يتعلم التمييز بين الميزات المرتبطة بفئة معينة وأن مهندس تعلم الآلة يمكن التحقق من أداء النموذج من خلال رؤية عدد الحالات التي تم تصنيفها بشكل صحيح. يمكن استخدام خوارزميات التصنيف لاكتشاف العديد من الأنماط المعقدة، طالما أن البيانات تمت إضافتها بالفئات المناسبة. على سبيل المثال، يمكن لخوارزمية تعلم الآلة أن تتعلم التمييز بين الحيوانات المختلفة بناءً على سمات مثل “الذيل” و “الأظافر” و “الأسنان”، إلخ.

على عكس التعلم الإشرافي، التعلم غير الإشرافي يتضمن إنشاء نموذج يمكنه استخراج الأنماط من البيانات غير المحددة. بمعنى آخر، يقوم الكمبيوتر بتحليل الميزات الإدخالية ويتحديد بنفسه أهم الميزات والأنماط. يحاول التعلم غير الإشرافي العثور على التشابهات الداخلية بين الحالات المختلفة. إذا كان الهدف من خوارزمية التعلم الإشرافي هو وضع نقاط البيانات في فئات معروفة، فإن خوارزميات التعلم غير الإشرافي ستفحص الميزات الشائعة بين حالات الكائنات وتضعها في مجموعات بناءً على هذه الميزات، مما يؤدي في النهاية إلى إنشاء فئاتها الخاصة.

أمثلة على خوارزميات التعلم الإشرافي هي الانحدار الخطي، والانحدار اللوجستي، و K-Nearest Neighbors، وأشجار القرار، وآلات الدعم النوعي.

في غضون ذلك، بعض الأمثلة على خوارزميات التعلم غير الإشرافي هي تحليل المكونات الرئيسية و K-Means Clustering.

خوارزمية التعلم الإشرافي

الانحدار الخطي هو خوارزمية تأخذ ميزتين وترسم العلاقة بينهما. يتم استخدام الانحدار الخطي لتحديد القيم العددية فيما يتعلق بالمتغيرات العددية الأخرى. الانحدار الخطي له معادلة Y = a + bX، حيث b هو منحدر الخط و a هو حيث يتقاطع y مع محور X.

الانحدار اللوجستي هو خوارزمية تصنيف ثنائية. يفحص الخوارزمية العلاقة بين الميزات العددية ويتحديد احتمالية أن يتم تصنيف الحالة في واحدة من فئتين مختلفتين. يتم ضغط قيم الاحتمالية نحو 0 أو 1. بمعنى آخر، الاحتمالات القوية ستقترب من 0.99 بينما الاحتمالات الضعيفة ستقترب من 0.

K-Nearest Neighbors يخصص فئة إلى نقاط البيانات الجديدة بناءً على الفئات المحددة لعدد معين من الجيران في مجموعة التدريب. عدد الجيران الذين يتم النظر فيهم من قبل الخوارزمية مهم، ويمكن أن تؤدي عدد قليل أو كبير من الجيران إلى تصنيف خاطئ للنقاط.

أشجار القرار هي نوع من خوارزميات التصنيف والانحدار. تعمل شجرة القرار عن طريق تقسيم مجموعة البيانات إلى أقسام أصغر وأصغر حتى لا يمكن تقسيم الأقسام إلى أقسام أصغر، مما يؤدي إلى شجرة مع عقد وورق. العقد هي حيث يتم اتخاذ القرارات حول نقاط البيانات باستخدام معايير تصفية مختلفة، بينما الأوراق هي الحالات التي تم تعيين تسمية لها (نقطة بيانات تم تصنيفها). يمكن لأشجار القرار التعامل مع البيانات العددية والفئوية. يتم تقسيم الشجرة على متغيرات/ميزات معينة.

آلات الدعم النوعي هي خوارزمية تصنيف تعمل عن طريق رسم هيبر بلينز أو خطوط فصل بين نقاط البيانات. يتم فصل نقاط البيانات إلى فئات بناءً على جانب هيبر بلين الذي تقع عليه. يمكن رسم هيبر بلينز متعددة عبر مستوى، مما يقسم مجموعة البيانات إلى فئات متعددة. ستحاول الخوارزمية التصنيف تعظيم المسافة بين هيبر بلين الفاصل ونقاط البيانات على كلا جانبي المستوى، وأكبر المسافة بين الخط ونقاط البيانات، تكون الخوارزمية التصنيف أكثر ثقة.

خوارزميات التعلم غير الإشرافي

تحليل المكونات الرئيسية هو تقنية تستخدم لتقليل الأبعاد، مما يعني أن الأبعاد أو التعقيدات في البيانات يتم تمثيلها بطريقة أبسط. يجد خوارزمية تحليل المكونات الرئيسية أبعادًا جديدة للبيانات التي تكون متعامدة. بينما يتم تقليل أبعاد البيانات، يجب الحفاظ على التباين بين البيانات قدر الإمكان. هذا يعني في المصطلحات العملية أنها تأخذ الميزات في مجموعة البيانات وتنقيتها إلى ميزات أقل تمثل معظم البيانات.

K-Means Clustering هو خوارزمية تجميع البيانات تلقائيًا إلى مجموعات بناءً على الميزات الشائعة. يتم تحليل الأنماط داخل مجموعة البيانات وتنقسم النقاط إلى مجموعات بناءً على هذه الأنماط. في الأساس، K-Means يخلق فئاته الخاصة من البيانات غير المحددة. تعمل خوارزمية K-Means عن طريق تعيين مراكز للمجموعات، أو المراكز، وتنقل المراكز حتى يتم العثور على الموقع الأمثل للمراكز. الموقع الأمثل سيكون حيث يتم تقليل المسافة بين المراكز ونقاط البيانات المحيطة بها داخل الفئة. يشير “K” في K-Means Clustering إلى عدد المراكز التي تم اختيارها.

ملخص

لإنهاء، لنلقي نظرة سريعة على الفروق الرئيسية بين التعلم الإشرافي والتعلم غير الإشرافي.

كما ناقشنا من قبل، في مهام التعلم الإشرافي، تكون البيانات الإدخالية محددة والفئات معروفة. في غضون ذلك، تكون البيانات الإدخالية غير محددة وعدد الفئات غير معروف في حالات التعلم غير الإشرافي. يميل التعلم غير الإشرافي إلى أن يكون أقل تعقيدًا حسابيًا، بينما يميل التعلم الإشرافي إلى أن يكون أكثر تعقيدًا حسابيًا. بينما تميل نتائج التعلم الإشرافي إلى أن تكون دقيقة للغاية، تميل نتائج التعلم غير الإشرافي إلى أن تكون أقل دقة / دقة معقولة.