ما هي التعلم الآلي؟

التعلم الآلي هو واحد من أسرع المجالات التكنولوجية نمواً، ولكن على الرغم من مدى شيوع استخدام مصطلح “التعلم الآلي”، قد يكون من الصعب فهم ما يعنيه التعلم الآلي بدقة.

التعلم الآلي لا يشير إلى شيء واحد فقط، بل هو مصطلح شمولي يمكن تطبيقه على مفاهيم وطرق مختلفة. فهم التعلم الآلي يعني أن تكون على دراية بال_forms المختلفة للتحليل النمطي، والمتغيرات، والخوارزميات. دعونا نلقي نظرة متعمقة على التعلم الآلي لفهم ما يشمله.

ما هو التعلم الآلي؟

في حين يمكن تطبيق مصطلح التعلم الآلي على العديد من الأشياء المختلفة، فإن المصطلح يشير عمومًا إلى تمكين الكمبيوتر من أداء المهام دون الحصول على تعليمات خطوة بخطوة صريحة للقيام بذلك. لا يحتاج متخصص التعلم الآلي إلى كتابة جميع الخطوات اللازمة لحل المشكلة لأن الكمبيوتر قادر على “التعلم” من خلال تحليل الأنماط داخل البيانات وتعميم هذه الأنماط على بيانات جديدة.

النظم التعليمية الآلية لها ثلاثة أجزاء أساسية:

• المدخلات
• الخوارزميات
• المخرجات

المدخلات هي البيانات التي يتم إدخالها في نظام التعلم الآلي، ويمكن تقسيم البيانات المدخلة إلى تسميات وميزات. الميزات هي المتغيرات ذات الصلة، المتغيرات التي ستتم تحليلها لتعلم الأنماط وسحب الاستنتاجات. في حين أن التسميات هي الفئات / الوصف التي تُعطى للمثيلات الفردية للبيانات.

الميزات والتسميات يمكن استخدامها في نوعين مختلفين من مشاكل التعلم الآلي: التعلم الإشرافي والتعلم غير الإشرافي.

التعلم غير الإشرافي مقابل التعلم الإشرافي

في التعلم الإشرافي، يرافق البيانات المدخلة حقيقة أساسية. مشاكل التعلم الإشرافي لها قيم مخرجات صحيحة كجزء من مجموعة البيانات، لذلك الفئات المتوقعة معروفة مسبقًا. هذا يجعل من الممكن للعالم البيانات التحقق من أداء الخوارزمية من خلال اختبار البيانات على مجموعة اختبار ومشاهدة نسبة العناصر التي تم تصنيفها بشكل صحيح.

في المقابل، التعلم غير الإشرافي لا يحتوي على تسميات حقيقة أساسية متصلة به. يجب على خوارزمية التعلم الآلي التي يتم تدريبها على أداء مهام التعلم غير الإشرافي أن تكون قادرة على استنتاج الأنماط ذات الصلة في البيانات بنفسها.

خوارزميات التعلم الإشرافي عادة ما تُستخدم لمشاكل التصنيف، حيث يكون لديك مجموعة بيانات كبيرة تحتوي على مثيلات يجب تصنيفها في واحدة من العديد من الفئات المختلفة. نوع آخر من التعلم الإشرافي هو مهمة الانحدار، حيث يكون القيمة التي تُخرجها الخوارزمية متواصلة بدلاً من كونها فئوية.

في حين أن خوارزميات التعلم غير الإشرافي تُستخدم لمهام مثل تقدير الكثافة، وتركيب المجموعات، وتعلم التمثيل. هذه المهام الثلاث تحتاج إلى أن يفترض نموذج التعلم الآلي هيكل البيانات، لا تُمنح الفئات مسبقًا للنموذج.

دعونا نلقي نظرة سريعة على بعض الخوارزميات الأكثر شيوعًا المستخدمة في كلا التعلم الإشرافي والتعلم غير الإشرافي.

أنواع التعلم الإشرافي

تتضمن الخوارزميات الشائعة للتعلم الإشرافي:

• بايز البسيط
• آلات الدعم النوعي
• الانحدار اللوجستي
• الغابات العشوائية
• الشبكات العصبية الاصطناعية

آلات الدعم النوعي هي خوارزميات تقسم مجموعة البيانات إلى فئات مختلفة. يتم تجميع نقاط البيانات في مجموعات بواسطة رسم خطوط تفصل الفئات عن بعضها البعض. النقاط الموجودة على جانب واحد من الخط تنتمي إلى فئة واحدة، بينما النقاط على الجانب الآخر من الخط تنتمي إلى فئة أخرى. تهدف آلات الدعم النوعي إلى تعظيم المسافة بين الخط والنقاط الموجودة على كلا الجانبين، وكلما زادت المسافة، زادت ثقة المصنف في أن النقطة تنتمي إلى فئة معينة وليس إلى فئة أخرى.

الانحدار اللوجستي هو خوارزمية تُستخدم في مهام التصنيف الثنائي عندما تحتاج إلى تصنيف نقاط البيانات على أنها تنتمي إلى واحدة من فئتين. يعمل الانحدار اللوجستي عن طريق وضع علامة على نقطة البيانات إما 1 أو 0. إذا كانت القيمة المتصورة لنقطة البيانات 0.49 أو أقل، فسيتم تصنيفها على أنها 0، بينما إذا كانت 0.5 أو أعلى، فسيتم تصنيفها على أنها 1.

خوارزميات الشجرة القرارية تعمل عن طريق تقسيم مجموعات البيانات إلى شظايا أصغر وأصغر. المعايير المستخدمة لتقسيم البيانات تترك لخبير التعلم الآلي، ولكن الهدف هو في النهاية تقسيم البيانات إلى نقاط بيانات فردية، والتي سيتم تصنيفها باستخدام مفتاح.

خوارزمية الغابة العشوائية هي في الأساس العديد من مصنفي الشجرة القرارية المنفردة المرتبطة ببعضها البعض في مصنف أكثر قوة.

مصنف بايز البسيط يحسب احتمال حدوث نقطة بيانات معينة بناءً على احتمال حدوث حدث سابق. يعتمد على مبرهنة بايز، ويوضع نقط البيانات في الفئات بناءً على احتمالها المحسوب. عند تنفيذ مصنف بايز البسيط، يفترض أن جميع المتوقعين له نفس التأثير على نتيجة الفئة.

الشبكات العصبية الاصطناعية، أو متعدد الطبقات، هي خوارزميات التعلم الآلي التي تستلهم هيكل ووظيفة الدماغ البشري. تُسمى الشبكات العصبية الاصطناعية بهذا الاسم لأنها تتكون من العديد من العقد / العصبونات المرتبطة ببعضها البعض. كل عصبون يعالج البيانات bằng دالة رياضية. في الشبكات العصبية الاصطناعية، هناك طبقات إدخال وطبقات مخفية وطبقات مخرجات.

طبقة الشبكة العصبية المخفية هي حيث يتم تفسير البيانات وتحليلها فعليًا. بعبارة أخرى، هي حيث يتعلم الخوارزمية. كلما زادت عدد العقد المرتبطة ببعضها، زادت تعقيد الشبكات القادرة على تعلم الأنماط الأكثر تعقيدًا.

أنواع التعلم غير الإشرافي

تتضمن خوارزميات التعلم غير الإشرافي:

• تركيب المجموعات باستخدام K-means
• الترميز التلقائي
• تحليل المكونات الرئيسية

تركيب المجموعات باستخدام K-means هو تقنية تصنيف غير إشرافي، ويعمل عن طريق فصل نقاط البيانات إلى مجموعات أو فئات بناءً على ميزاتها. يتحليل تركيب المجموعات باستخدام K-means الميزات الموجودة في نقاط البيانات ويفصل الأنماط فيها التي تجعل نقاط البيانات الموجودة في فئة معينة أكثر تشابهًا مع بعضها البعض منها مع نقاط البيانات الموجودة في فئات أخرى. يتم تحقيق ذلك عن طريق وضع مراكز محتملة للمجموعة، أو المراكز، في رسم بياني للبيانات وإعادة تحديد موقع المركز حتى يتم العثور على موقع يقلل المسافة بين المركز ونقاط البيانات التي تنتمي إلى فئة المركز. يمكن للمحقق تحديد عدد المجموعات المرغوب فيها.

تحليل المكونات الرئيسية هو تقنية تقلل عدد كبير من الميزات / المتغيرات إلى مساحة ميزة أصغر / عدد أقل من الميزات. يتم تحديد “المكونات الرئيسية” لنقاط البيانات للحفاظ عليها، بينما يتم ضغط الميزات الأخرى إلى تمثيل أكثر بساطة. يتم الحفاظ على العلاقة بين أجزاء البيانات الأصلية، ولكن منذ أن تكون نقاط البيانات أكثر بساطة، تكون البيانات أسهل في الكمية والوصف.

الترميز التلقائي هو نسخ من الشبكات العصبية التي يمكن تطبيقها على مهام التعلم غير الإشرافي. يمكن للترميز التلقائي أخذ بيانات غير مخططة غير ملabeled و تحويلها إلى بيانات يمكن للشبكة العصبية استخدامها، بشكل أساسي من خلال إنشاء بيانات تدريب ملabeled الخاصة بها. هدف الترميز التلقائي هو تحويل البيانات المدخلة و إعادة بنائها بدقة كما هو ممكن، لذلك من خلال تشجيع الشبكة على تحديد الميزات الأكثر أهمية و استخراجها.