التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

التعلم الخاضع للإشراف يتعلم من أمثلة مرتبطة بإجابات هدف. التعلم غير الخاضع للإشراف يبحث عن بنية في البيانات دون تسميات هدف. الفرق ليس أي نهج أكثر ذكاءً أو دقة؛ بل هو نوع إشارة التعلم المتاحة والسؤال الذي صُمم النظام للإجابة عليه.

هذان هما نمطان رئيسيان داخل التعلم الآلي، لكن الأنظمة الحديثة تستخدم أيضًا التعلم شبه الخاضع للإشراف، والتعلم ذاتيًا الخاضع للإشراف، وتعلم التعزيز.

النقاط الرئيسية

• التعلم الخاضع للإشراف يتنبأ بهدف معروف؛ بينما التعلم غير الخاضع للإشراف يكتشف أنماطًا أو تمثيلات.
• التصنيف والانحدار هما مهمتان خاضعتان للإشراف؛ بينما التجميع، تقدير الكثافة، والعديد من طرق تقليل الأبعاد هي غير خاضعة للإشراف.
• مخرجات التعلم غير الخاضع للإشراف لا تمثل فئات واقعية تلقائيًا وقد تكون أصعب في التقييم.
• تكلفة الحوسبة والدقة تعتمد على الخوارزمية، البيانات، المهمة، والتقييم — وليس على النموذج فقط.

كيف يعمل التعلم الخاضع للإشراف

مجموعة بيانات خاضعة للإشراف تحتوي على ميزات X وهدف y. يتم تعديل النموذج أثناء التدريب بحيث تقترب توقعاته من الأهداف. يستخدم التقييم أمثلة معلمة محفوظة لتقدير مدى تعميمه.

التصنيف

التصنيف يتنبأ بفئة: بريد عشوائي أو غير عشوائي، موضوع مستند واحد من بين عدة مواضيع، أو كائن أو أكثر في صورة. تشمل المقاييس ذات الصلة الدقة (precision)، الاستدعاء (recall)، مقياس F1، المعايرة، ومقاييس حساسة للتكلفة. قد تكون الدقة مضللة عندما تكون فئة ما نادرة؛ تُظهر مصفوفة الالتباس أي الفئات التي يحدث بينها الخلط.

الانحدار

الانحدار يتنبأ بقيمة مستمرة، مثل الطلب أو المدة أو درجة الحرارة. يمكن لـ الانحدار الخطي استخدام ميزة واحدة أو متعددة؛ ولا يقتصر على رسم علاقة بين متغيرين. تشمل مقاييس الانحدار متوسط الخطأ المطلق، الجذر التربيعي لمتوسط الخطأ المربع، وتكاليف خاصة بالمهمة.

الخوارزميات الخاضعة للإشراف الشائعة

تشمل الأساليب الخاضعة للإشراف النماذج الخطية واللوجستية، أشجار القرار، الغابات العشوائية، التعزيز المتدرج، آلات الدعم الناقل، الجيران الأقرب K، والشبكات العصبية.

يولد الانحدار اللوجستي درجة أو احتمالًا يمكن تحويله إلى فئة باستخدام عتبة مختارة. تحتوي ورقة شجرة القرار على توقع يعتمد على منطقة من فضاء الميزات، وليس بالضرورة على ملاحظة تدريب واحدة. يتنبأ KNN من أمثلة تدريبية معلمة قريبة ولا يزال يتطلب تصميمًا سليمًا للتدريب/التحقق/الاختبار.

كيف يعمل التعلم غير الخاضع للإشراف

يتلقى التعلم غير الخاضع للإشراف ميزات دون عمود هدف. يُحدد هدفه بصورة غير مباشرة — على سبيل المثال، تقليل المسافة داخل التجمعات، إعادة بناء مدخل، تقدير كثافة البيانات، أو الحفاظ على أكبر قدر ممكن من التباين في أبعاد أقل.

التجميع

K-means يخصص النقاط إلى عدد مختار من التجمعات ويحدّث مراكز التجمع لتقليل المسافة المربعة داخل التجمع. يكتشف الخوارزم تجميعات هندسية تحت مسافة وتمثيل ميزات معينين. لا تتطابق هذه التجمعات تلقائيًا مع أنواع العملاء ذات معنى، أو التشخيصات، أو تسميات المجال الأخرى.

تقليل الأبعاد

تقليل الأبعاد يمثل البيانات باستخدام متغيرات أقل. يكتشف تحليل المكونات الرئيسية اتجاهات متعامدة تحتفظ بأكبر قدر ممكن من التباين تحت إسقاط خطي. تحافظ طرق أخرى على مفاهيم مختلفة للهيكل ويمكن أن تنتج تصورات مختلفة جدًا.

الكشف عن الشذوذ وتقدير الكثافة

يمكن للطرق غير الخاضعة للإشراف تقدير مناطق كثافة البيانات وتحديد الملاحظات غير العادية. لا يثبت مقياس الشذوذ وجود احتيال أو فشل أو سلوك خبيث؛ بل يحدد انحرافًا ضمن التمثيل والنموذج المختارين.

كيف يتم تقييم التعلم غير الخاضع للإشراف

لا توجد فكرة عامة عن “الدقة” في التعلم غير الخاضع للإشراف. قد يستخدم الممارس مقاييس داخلية مثل مقياس الظل، يقارن الاستقرار عبر العينات، يختبر الفائدة في مهمة لاحقة، أو يستشير خبراء المجال لمعرفة ما إذا كانت البنية المكتشفة ذات معنى. إذا توفرت تسميات الحقيقة الأرضية للتقييم، يمكن استخدام مقاييس التجميع الخارجية دون تحويل عملية التدريب إلى تعلم خاضع للإشراف.

ما وراء المقارنة الثنائية

التعلم شبه الخاضع للإشراف

يجمع التعلم شبه الخاضع للإشراف مجموعة صغيرة من البيانات المعلمة مع مجموعة أكبر غير معلمة. من الأمثلة على ذلك التسمية الزائفة، تنظيم الاتساق، والأساليب القائمة على الرسم البياني. يجب أن تشبه البيانات غير المعلمة توزيع الهدف بشكل كافٍ لتكون مفيدة.

التعلم ذاتيًا الخاضع للإشراف

يستمد التعلم ذاتيًا الخاضع للإشراف الأهداف من المدخل نفسه، مثل توقع الرموز المحجوبة أو مطابقة المشاهد المحوّلة. وهو أساس النماذج الحديثة للغة والرؤية والأنماط المتعددة، بما في ذلك المحوّلات.

تعلم التعزيز

تعلم التعزيز يoptimizes decisions through rewards generated by interaction. يختلف عن كل من التنبؤ المعلم واكتشاف الأنماط الثابتة.

اختيار النهج المناسب

ابدأ بالقرار أو الفهم الذي يجب أن ينتجه النظام. إذا كانت هناك أهداف موثوقة والهدف هو التنبؤ، فإن التعلم الخاضع للإشراف هو الطبيعي. إذا كان الهدف هو الاستكشاف أو التمثيل أو التجميع، قد يكون الأسلوب غير الخاضع للإشراف مناسبًا. عندما تكون التسميات نادرة، قد يكون التدريب المسبق ذاتيًا الخاضع للإشراف أو شبه الخاضع للإشراف يليه تقييم خاضع للإشراف أكثر فعالية.

في كل حالة، يمكن أن تهيمن تسرب البيانات، العينة المتحيزة، المؤشرات الضعيفة، وتحول التوزيع على اختيار الخوارزمية. قد يفشل نموذج تقنيًا صحيح تم تدريبه على هدف غير مناسب.

إشارات التعلم، الأهداف، والطرق التمثيلية

يستخدم التعلم الخاضع للإشراف أمثلة مرتبطة بتسميات أو قيم هدف ويُحسن خطأ التنبؤ. يختلف التصنيف، الانحدار، الترتيب، والتنبؤ الهيكلي في المخرجات والخسارة. يسعى التعلم غير الخاضع للإشراف إلى بنية دون تسميات هدف عبر التجميع، تقدير الكثافة، تقليل الأبعاد، تعلم التمثيل، أو النمذجة التوليدية. يُنشئ التعلم ذاتيًا الخاضع للإشراف أهدافًا للتنبؤ من البيانات نفسها، بينما يجمع التعلم شبه الخاضع للإشراف مجموعة صغيرة مُعلمة مع بيانات غير مُعلمة أكبر. تصف هذه الفئات إشارة التعلم؛ يمكن تدريب نفس البنية العصبية تحت عدة نماذج.

تجعل التسميات الهدف واضحًا لكنها تُدخل تكلفة التعليق، الضوضاء، افتراضات السياسات، وتأخيرًا زمنيًا. البيانات غير المُعلمة أسهل في الجمع لكنها لا تخبر الخوارزمية أي بنية مكتشفة مفيدة. قد يعكس التجمع الإضاءة، طول المستند، أو مصدر الاكتساب بدلًا من فئة ذات معنى. عرّف التقييم بشكل مستقل: النماذج الخاضعة للإشراف تستخدم نتائج مُعلمة محفوظة، بينما النماذج غير الخاضعة للإشراف تحتاج إلى الاستقرار، إعادة البناء، الاحتمالية، الاسترجاع، الفائدة اللاحقة، أو التحقق من الخبراء. الانفصال البصري وحده ليس دليلًا على بنية صالحة.

اختيار النموذج ومنع الأخطاء الشائعة

استخدم التعلم الخاضع للإشراف عندما يكون هناك هدف ثابت وتسميات تمثيلية. استخدم الاستكشاف غير الخاضع للإشراف لتلخيص، اكتشاف الجدة، الضغط، أو توليد فرضيات، لكن اعتبر المخرجات مؤقتة. التدريب المسبق ذاتيًا الخاضع للإشراف ذو قيمة عندما تكون البيانات الخام وفيرة وتشارك المهام اللاحقة تمثيلات. تساعد الأساليب شبه الخاضع للإشراف فقط عندما تكون افتراضات البيانات غير المعلمة وبنية الفئات صحيحة. قارن مع خطوط أساس بسيطة واحسب التكلفة الكلية للجمع، التسميات، المراجعة، الحوسبة، والأخطاء بدلاً من افتراض أن غير المعلمة يعني تلقائيًا تكلفة منخفضة.

امنع تسرب البيانات بفصل الكيانات المرتبطة قبل استخراج التسميات أو التعزيزات أو التسميات الزائفة. راقب توازن الفئات، اتفاقية التعليقات، استقرار التجمع، الانهيار، والانجراف. قد تعزز التسميات الزائفة الأخطاء المبكرة؛ قد يشفّر التجميع سمات حساسة؛ قد ينقل تمثيل مُدرب مسبقًا تحيز المصدر. يجب أن يركز المراجعة البشرية على الحالات الحدية والعواقب. في الإنتاج، وثّق كيفية إنشاء إشارة التعلم ومتى تصبح قديمة. يحدد النموذج مكان دخول الإشراف إلى النظام، وليس ما إذا كانت الاختيارات والقيم البشرية موجودة.

مثال عملي: اكتشاف وتصنيف مواضيع الدعم

تستخدم شركة أولاً تمثيلات غير خاضعة للإشراف وتجمعها لاستكشاف المواضيع في رسائل الدعم غير المحددة الهوية. يفتش المحللون أمثلة تمثيلية وحدودية ويجدون أن بعض التجمعات تعكس طول الرسالة والقناة بدلاً من المشكلات. يطورون تصنيفًا خاضعًا للإشراف يحتوي على فئة غير معروفة، إرشادات التعليق، واتفاقية مقاسة. ثم يُقيم المصنف على فترات زمنية لاحقة، لغات، ومنتجات مقارنةً بخطوط أساس الكلمات المفتاحية والجيران الأقرب.

الرسائل الجديدة غير المعلمة تدعم اكتشاف الانجراف لكنها لا تعيد تدريب المصنف تلقائيًا. يقوم المراجعون بتصنيف الحالات غير المؤكدة والناشئة المختارة عبر التعلم النشط، مع فحوصات جودة ومجموعة تقييم مغلقة. يراقب المراقبة انتشار المواضيع، الثقة، الاختلاف، ونتائج التوجيه. عند إطلاق منتج جديد، يتم تحديث التصنيف وقدرة الفرق اللاحقة معًا. يستخدم سير العمل طرقًا غير خاضعة للإشراف لتوليد الفرضيات وأدلة خاضعة للإشراف للتوجيه التشغيلي.

دليل التنفيذ والاستعداد التشغيلي

يتطلب قرار الإنتاج أكثر من عرض ناجح. عرّف المستخدمين المقصودين، بيئة التشغيل، المدخلات، المخرجات، الاعتمادات، المالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدَّرة قبل الضبط. اختبر الحالات العادية، ظروف الحد، المدخلات المشوهة أو المفقودة، تحول التوزيع، انقطاع الاعتماد، سوء الاستخدام، والمجموعات أو البيئات الأكثر عرضة للتقصير. قس جودة المهمة مع المعايرة أو عدم اليقين، الكمون، الإنتاجية، تكلفة الموارد، الإتاحة، الخصوصية، والأمان. سجّل كل تحويل وعَتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة وتمييز الأدلة عن نموذج أولي جذاب.

قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، الاسترجاع، والتقاعد. استخدم نشرًا مرحليًا، احفظ خيارًا احتياطيًا آمنًا، وتحقق من المراقبة عبر إدخال أعطال متعمدة. يجب أن تكشف القياسات التشغيلية عن جودة المدخلات، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماد، تجاوزات بشرية، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات التنبيه ومسؤول الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرار الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات، المستخدمون، النماذج، البائعون، السياسات، الأجهزة، أو الأهداف. يحتاج النظام المُصان أيضًا إلى وثائق استعادة، تعلم من الحوادث، إجراءات الحذف والاحتفاظ، ونقطة واضحة يجب عندها إيقافه أو استبداله.

المراجع الأساسية

• scikit-learn: التعلم الخاضع للإشراف
• scikit-learn: التعلم غير الخاضع للإشراف
• scikit-learn: تقييم أداء التجميع