تعلم الآلة (ML)

التعلُّم الآلي (ML) هو مجال فرعي ديناميكي من مجالات الذكاء الاصطناعي (AI) الذي يركز على تطوير أنظمة قادرة على التعلم من البيانات لتحسين أدائها بمرور الوقت دون أن تكون برمجتها بشكل صريح لكل قاعدة محددة. صاغه الرائد آرثر صموئيل في عام 1959، يمكّن هذا التخصص أجهزة الكمبيوتر من تحديد الأنماط واتخاذ القرارات والتنبؤ بالنتائج بناءً على المعلومات التاريخية. بدلاً من اتباع مجموعة ثابتة من التعليمات، تقوم خوارزميات تعلّم الآلة ببناء نموذج رياضي بناءً على بيانات التدريب لاتخاذ تنبؤات أو قرارات دون أن تتم برمجتها صراحةً لأداء المهمة.

نماذج التعلم الأساسية

يتم تصنيف خوارزميات التعلم الآلي بشكل عام حسب كيفية تعلمها من البيانات. فهم هذه النماذج ضروري لاختيار النهج الصحيح لمشكلة معينة:

• التعلّم تحت الإشراف: يتم تدريب خوارزمية يتم تدريب الخوارزمية على مجموعة بيانات موسومة، مما يعني أن المدخلات تأتي مع المخرجات الصحيحة. يتعلّم النموذج تعيين المدخلات إلى المخرجات، وتُستخدم عادةً لمهام مثل تصنيف الصور وتصفية الرسائل غير المرغوب فيها. مصادر مثل دليل آي بي إم للتعلم تحت الإشراف يقدم المزيد من نظرة ثاقبة على سير العمل هذا.
• التعلّم غير الخاضع للإشراف: في هذا النهج في هذا النهج، تعالج الخوارزمية البيانات غير المُعَنْوَنَة لاكتشاف البنى أو الأنماط المخفية، مثل تجميع العملاء حسب السلوك الشرائي. تقنيات مثل التجميع أساسية في هذا النموذج.
• التعلم المعزز: يتعلم الوكيل اتخاذ القرارات عن طريق تنفيذ الإجراءات في بيئة ما وتلقي التغذية الراجعة في شكل مكافآت أو عقوبات. هذه الطريقة ضرورية في تدريب الوكلاء على المهام المعقدة، مثل تلك التي نراها في الروبوتات واللعب الاستراتيجي.
• التعلّم شبه الخاضع للإشراف: يستخدم هذا النهج الهجين كمية صغيرة من البيانات المصنفة مع كمية كبيرة من البيانات غير المصنفة، وغالبًا ما يؤدي ذلك إلى تحسين دقة التعلم عندما تكون التسمية مكلفة.

تمييز التعلم الآلي عن المفاهيم ذات الصلة

على الرغم من أنه غالبًا ما يُستخدم بالتبادل، إلا أنه من المهم التمييز بين التعلم الآلي والمصطلحات ذات الصلة في منظومة علوم البيانات:

• التعلُّم العميق (DL): A مجموعة فرعية متخصصة من التعلُّم الآلي التي تستخدم شبكات عصبية متعددة الطبقات الشبكات العصبية (NN) لنمذجة الأنماط المعقدة في البيانات. يقود التعلم العميق الإنجازات الحديثة في الرؤية الحاسوبية (CV) واللغة الطبيعية ومعالجة اللغة الطبيعية.
• التنقيب عن البيانات: يركز هذا المجال على اكتشاف الأنماط أو العلاقات غير المعروفة سابقًا ضمن مجموعات البيانات الكبيرة. بينما يركز التعلم الآلي على التنبؤ و واتخاذ القرارات، يركز التنقيب عن البيانات على استخلاص الرؤى القابلة للتنفيذ، وغالبًا ما توصف تحليلات SAS.
• الذكاء الاصطناعي (AI): المجال الشامل الذي يهدف إلى إنشاء آلات ذكية. تعلُّم الآلة هو المجموعة الفرعية العملية التي توفر الإحصائية لتحقيق الذكاء الاصطناعي.

تطبيقات واقعية

التعلُّم الآلي هو المحرك وراء العديد من التقنيات التحويلية في مختلف الصناعات.

1. الذكاء الاصطناعي في الرعاية الصحية: نماذج التعلم الآلي تُحدث ثورة في التشخيص من خلال إجراء تحليل الصور الطبية. يمكن للخوارزميات detect الحالات الشاذة مثل الأورام في فحوصات التصوير بالرنين المغناطيسي بدقة عالية، مما يساعد أخصائيي الأشعة في الكشف المبكر عن الأمراض. وكثيراً ما تسلط الأبحاث المنشورة في مجلات مثل Nature Medicine الضوء على هذه التطورات.
2. الذكاء الاصطناعي في السيارات: تعتمد السيارات ذاتية القيادة بشكل كبير على تعلّم الآلة لإدراك محيطها. تستخدم الأنظمة المدربة على كميات هائلة من لقطات القيادة اكتشاف الأجسام للتعرف على المشاة والسيارات الأخرى والسيارات الأخرى وإشارات المرور في الوقت الفعلي، مما يضمن التنقل الآمن. تستخدم شركات مثل تستخدم شركات مثل Waymo هذه الأنظمة الإدراكية المتقدمة.

تنفيذ التعلم الآلي

يتضمن تطوير حل التعلم الآلي جمع البيانات وتدريب نموذج ونشره للاستدلال. الأطر الحديثة الحديثة مثل PyTorch و TensorFlow الأدوات الأساسية لبناء هذه الأنظمة.

فيما يلي مثال موجز لاستخدام ultralytics لإجراء الاستدلال باستخدام نموذج تعلّم الآلة المدرب مسبقًا مدرب مسبقًا. وهذا يوضح مدى سهولة تطبيق أدوات التعلم الآلي الحديثة على مهام الرؤية الحاسوبية.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

يتطلب التنفيذ الناجح أيضًا اهتمامًا دقيقًا بما يلي استراتيجيات نشر النموذج والمراقبة لمنع حدوث مشاكل مثل الإفراط في التركيب، حيث يتعلم النموذج بيانات التدريب بشكل جيد للغاية ويفشل في التعميم على المدخلات الجديدة. تظل أدوات مثل Scikit-learn ضرورية لمهام التعلم الآلي التقليدية، في حين أن Ultralytics YOLO11 تمثل البنية المتطورة لمهام التعلم القائم على الرؤية.