تعلم الآلة
تعلم الآلة (ML) هو فرع من الذكاء الاصطناعي (AI) يمكّن الآلات من التعلم من البيانات، واكتشاف الأنماط، وعمل التنبؤات، وتحسين اتخاذ القرار مع مرور الوقت دون برمجة ...
3 دقيقة قراءة
Machine Learning
AI
+4
المكونات الرئيسية للتعلم الخاضع للإشراف
البيانات المعنونة
البيانات المعنونة ضرورية للتعلم الخاضع للإشراف. تتكون من أزواج من بيانات المدخلات والمخرجات الصحيحة. على سبيل المثال، قد تتضمن مجموعة بيانات معنونة لتصنيف الصور صوراً لحيوانات مقترنة بتسميات تحدد الحيوان في كل صورة.
مرحلة التدريب
خلال مرحلة التدريب، يتم تزويد النموذج بالبيانات المعنونة ويتعلم العلاقة بين المدخلات والمخرجات. تتضمن هذه العملية ضبط معلمات النموذج لتقليل الفرق بين توقعاته والمخرجات الفعلية.
مرحلة التنبؤ
بمجرد تدريب النموذج، يمكن استخدامه لإجراء التنبؤات على بيانات جديدة غير معنونة. يطبق النموذج العلاقات التي تعلمها لتوقع المخرجات لهذه المدخلات الجديدة.
كيف يعمل التعلم الخاضع للإشراف؟
يتضمن التعلم الخاضع للإشراف عدة خطوات:
- جمع البيانات: جمع مجموعة كبيرة ومتنوعة من البيانات المعنونة ذات الصلة بالمشكلة التي تريد حلها.
- معالجة البيانات المسبقة: تنظيف وتحضير البيانات، والتأكد من أنها بتنسيق مناسب للخوارزمية.
- اختيار النموذج: اختيار خوارزمية تعلم آلي مناسبة بناءً على طبيعة المشكلة (مثل التصنيف أو الانحدار).
- التدريب: استخدام البيانات المعنونة لتدريب النموذج، وضبط معالمه لتحسين الدقة.
- التحقق: تقييم أداء النموذج على مجموعة بيانات تحقق منفصلة لضمان تعميمه الجيد على البيانات الجديدة.
- النشر: بعد التحقق، نشر النموذج لإجراء التنبؤات على بيانات جديدة لم يرها من قبل.
هل أنت مستعد لتنمية عملك؟
ابدأ تجربتك المجانية اليوم وشاهد النتائج في غضون أيام.
أمثلة على التعلم الخاضع للإشراف
التصنيف
مهام التصنيف تتضمن توقع تسمية منفصلة لمدخل معين. على سبيل المثال، يقوم نظام كشف الرسائل المزعجة بتصنيف الرسائل الإلكترونية إلى “مزعج” أو “غير مزعج”.
الانحدار
مهام الانحدار تتضمن توقع قيمة مستمرة. على سبيل المثال، توقع سعر منزل بناءً على خصائصه مثل الحجم والموقع وعدد غرف النوم.
أنواع خوارزميات التعلم الخاضع للإشراف
الانحدار الخطي
يستخدم لمهام الانحدار، حيث يقوم الانحدار الخطي بنمذجة العلاقة بين متغيرات المدخلات ومخرج مستمر عن طريق رسم خط يناسب نقاط البيانات.
الانحدار اللوجستي
على الرغم من اسمه، يستخدم الانحدار اللوجستي لمهام التصنيف الثنائي. يقوم بنمذجة احتمال انتماء مدخل معين لفئة محددة.
أشجار القرار
تستخدم أشجار القرار لمهام التصنيف والانحدار. تقوم بتقسيم البيانات إلى فروع بناءً على قيم الميزات، وتتخذ قرارات عند كل عقدة حتى يتم الوصول إلى التوقع.
آلات الدعم الناقل (SVM)
تستخدم آلات الدعم الناقل لمهام التصنيف. تقوم بإيجاد المستوى الفاصل الذي يفصل الفئات بشكل أفضل في فضاء الميزات.
الشبكات العصبية
الشبكات العصبية متعددة الاستخدامات ويمكن استخدامها في التصنيف والانحدار. تتكون من طبقات من العقد المترابطة (العصبونات) التي تتعلم أنماطاً معقدة في البيانات.
انضم إلى نشرتنا الإخبارية
احصل على أحدث النصائح والاتجاهات والعروض مجانًا.
مزايا وعيوب التعلم الخاضع للإشراف
المزايا
- دقة عالية: يمكن لنماذج التعلم الخاضع للإشراف تحقيق دقة عالية إذا تم تدريبها على مجموعة بيانات كبيرة ومعنونة جيداً.
- قوة التنبؤ: هي أدوات قوية لإجراء التنبؤات ويمكن تطبيقها على مجموعة واسعة من المشكلات.
العيوب
- الاعتماد على البيانات: يتطلب التعلم الخاضع للإشراف كمية كبيرة من البيانات المعنونة، مما قد يستغرق وقتاً طويلاً ويكون مكلفاً في جمعه.
- الإفراط في التكيف: إذا كان النموذج معقداً جداً، فقد يتكيف بشكل مفرط مع بيانات التدريب، ويؤدي بشكل جيد على مجموعة التدريب لكنه يضعف على البيانات الجديدة.