Supervised Learning

التعلم الخاضع للإشراف هو نهج أساسي في الذكاء الاصطناعي (AI) حيث يتم تدريب الخوارزميات على بيانات مدخلة تم وسمها بالمخرجات الصحيحة. في هذه الطريقة، يتعلم النموذج من خلال مقارنة تنبؤاته الخاصة مع هذه التصنيفات المقدمة، مما يعني وجود "مشرف" لتصحيحه أثناء عملية التدريب. الهدف الرئيسي هو أن يتعلم النظام وظيفة التعيين من المدخلات إلى المخرجات بشكل جيد بما يكفي لتمكينه من التنبؤ بدقة بتصنيفات بيانات الاختبار الجديدة وغير المرئية. تُعد هذه التقنية القوة الدافعة وراء العديد من تطبيقات الذكاء الاصطناعي الأكثر عملية ونجاحاً المستخدمة اليوم، بدءاً من مرشحات البريد الإلكتروني المزعج وصولاً إلى أنظمة القيادة الذاتية.

Link to this sectionكيف يعمل التعلم الخاضع للإشراف#

يدور سير عمل التعلم الخاضع للإشراف حول استخدام البيانات المصنفة. يتم تنظيم مجموعة بيانات حيث يتم إقران كل مثال تدريبي بتصنيف "الحقيقة الأرضية" المقابل. أثناء مرحلة تدريب النموذج، تعالج الخوارزمية ميزات الإدخال وتولد تنبؤاً. ثم تقوم صيغة رياضية تسمى دالة الخسارة بقياس الخطأ - أي الفرق بين تنبؤ النموذج والتصنيف الفعلي.

لتقليل هذا الخطأ، تقوم خوارزمية التحسين، مثل Stochastic Gradient Descent (SGD)، بتعديل معلمات النموذج الداخلية أو أوزان النموذج بشكل تكراري. تتكرر هذه العملية عبر دورات عديدة، تُعرف باسم epochs، حتى يحقق النموذج مستوى مرضياً من الدقة دون الإفراط في التخصيص لبيانات التدريب. تعمل أدوات مثل Ultralytics Platform على تبسيط خط الأنابيب هذا بالكامل من خلال إدارة تعليق البيانات التوضيحي، والتدريب، والتقييم في بيئة موحدة.

Link to this sectionأنواع رئيسية للتعلم الخاضع للإشراف#

يتم تصنيف مشكلات التعلم الخاضع للإشراف عموماً إلى نوعين رئيسيين بناءً على طبيعة المتغير المستهدف:

• التصنيف: يتضمن هذا التنبؤ بفئة منفصلة أو تصنيف فئة. مثال شائع هو اكتشاف الكائنات، حيث يحدد النموذج الكائنات ويحدد موقعها داخل صورة، مثل "سيارة" أو "شخص" أو "إشارة مرور". تتفوق النماذج المتقدمة مثل Ultralytics YOLO26 في هذه المهام من خلال تصنيف وتحديد موقع كائنات متعددة بسرعة في الوقت الفعلي.
• تحليل الانحدار: يتضمن هذا التنبؤ بقيمة رقمية مستمرة. على سبيل المثال، يعد التنبؤ بسعر منزل بناءً على ميزات مثل المساحة بالمتر المربع، والموقع، وعدد غرف النوم مشكلة انحدار. يمكنك معرفة المزيد حول الأسس الإحصائية في هذه المقدمة لتحليل الانحدار.

Link to this sectionتطبيقات العالم الحقيقي#

يدعم التعلم الخاضع للإشراف مجموعة واسعة من التقنيات عبر مختلف الصناعات:

1. التشخيص الطبي: من خلال التدريب على آلاف الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي المصنفة، يمكن لنماذج الذكاء الاصطناعي تعلم اكتشاف التشوهات مثل الأورام أو الكسور بدقة عالية. هذا يساعد أطباء الأشعة في إجراء تشخيصات أسرع وأكثر دقة. انظر كيف يتم استخدام YOLO11 لاكتشاف الأورام لفهم التأثير الطبي.

2. كشف الاحتيال: تستخدم المؤسسات المالية التعلم الخاضع للإشراف لمراقبة أنماط المعاملات. من خلال التدريب على البيانات التاريخية للمعاملات المشروعة والاحتيالية على حد سواء، يمكن لهذه الأنظمة الإبلاغ عن النشاط المشبوه في الوقت الفعلي، مما يحمي العملاء من السرقة.

Link to this sectionالتعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف#

من المهم التمييز بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. بينما يعتمد التعلم الخاضع للإشراف على أزواج المدخلات والمخرجات المصنفة، يعمل التعلم غير الخاضع للإشراف مع بيانات غير مصنفة. في سيناريوهات التعلم غير الخاضع للإشراف، تحاول الخوارزمية العثور على هياكل أو أنماط أو مجموعات مخفية داخل البيانات بمفردها، مثل تقسيم العملاء في التسويق. التعلم الخاضع للإشراف يكون عموماً أكثر دقة لمهام محددة حيث تتوفر بيانات تاريخية، في حين أن التعلم غير الخاضع للإشراف أفضل لتحليل البيانات الاستكشافي.

Link to this sectionمثال عملي باستخدام YOLO26#

يعد التعلم الخاضع للإشراف أمراً محورياً لتدريب نماذج الرؤية الحاسوبية الحديثة. يوضح مقتطف Python التالي كيفية تدريب نموذج YOLO26 باستخدام مجموعة بيانات خاضعة للإشراف (COCO8). يتعلم النموذج من الصور المصنفة في مجموعة البيانات لاكتشاف الكائنات.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

تستفيد هذه العملية البسيطة من قوة PyTorch في الخلفية لإجراء عمليات مصفوفة معقدة وحسابات التدرج. بالنسبة لأولئك الذين يتطلعون إلى تبسيط جانب إدارة البيانات، توفر Ultralytics Platform أدوات للتدريب المستند إلى السحابة والتعليق التوضيحي التلقائي، مما يجعل سير عمل التعلم الخاضع للإشراف أكثر كفاءة بشكل ملحوظ.