اكتشف كيف يعمل التعلم الخاضع للإشراف على تشغيل الذكاء الاصطناعي ببيانات مصنفة، مما يتيح تنبؤات دقيقة وتطبيقات مثل الكشف عن الكائنات وتحليل المشاعر.
التعلم الخاضع للإشراف هو نموذج مهيمن في مجال التعلم الآلي (ML) حيث يتم على بيانات المدخلات التي تم تصنيفها بالمخرجات الصحيحة. على عكس الطرق الأخرى التي قد يستكشف فيها النظام البيانات بشكل مستقل، فإن هذا النهج يعتمد على "مشرف" - أي البيانات المصنفة البيانات المصنفة لتوجيهعملية التعلم. الهدف الأساسي الهدف الأساسي للنموذج هو أن يتعلم النموذج دالة التعيين من متغيرات المدخلات إلى متغيرات المخرجات بدقة كافية بحيث يمكنه التنبؤ بنتائج البيانات الجديدة غير المرئية. تعمل هذه المنهجية كأساس للعديد من الذكاء الاصطناعي الذكاء الاصطناعي (AI) التجارية بدءاً من مرشحات الرسائل غير المرغوب فيها إلى أنظمة أنظمة الرؤية الحاسوبية المتقدمة.
يبدأ سير العمل بمجموعة بيانات تحتوي على مجموعة بيانات تحتوي على أزواج من المدخلات (الميزات) والمخرجات المطلوبة (التسميات). هذه المجموعة تنقسم عادةً إلى مجموعات فرعية متميزة بيانات التدريب لتعليم النموذج، وبيانات التحقق من الصحة لضبط المعلمات، وبيانات الاختبار من أجل التقييم النهائي التقييم النهائي.
أثناء مرحلة تدريب النموذج، تقوم الخوارزمية بمعالجة بيانات الإدخال البيانات المدخلة وتقوم بالتنبؤ. تقوم معادلة رياضية تُعرف باسم دالة الخسارة بحساب الفرق بين هذا والتسمية الفعلية. ولتقليل هذا الخطأ إلى أدنى حد ممكن، تقوم خوارزمية خوارزمية تحسين مثل نزول التدرج، تعدل بشكل متكرر أوزان النموذج الداخلي النموذج الداخلي. تستمر هذه الدورة على مدى عدة تمريرات أو الحقبات، حتى يحقق النموذج أداءً مرضياً دون الإفراط في ملاءمة مجموعة التدريب. للتعمق أكثر أعمق في هذه الآليات، يمكنك استكشاف دليل دليل Scikit-learn حول التعلّم تحت الإشراف.
تنقسم معظم مشاكل التعلم الخاضع للإشراف إلى فئتين أساسيتين بناءً على نوع متغير المخرجات:
أصبح تدريب نموذج خاضع للإشراف متاحًا بشكل متزايد مع واجهات برمجة التطبيقات عالية المستوى. مثال Python التالي كيفية تدريب نموذج YOLO11 على مجموعة بيانات MNIST وهو معيار قياسي لتصنيف الأرقام.
from ultralytics import YOLO
# Load a pretrained classification model
model = YOLO("yolo11n-cls.pt")
# Train the model on the MNIST dataset
# Ultralytics handles the download of the 'mnist160' dataset automatically
results = model.train(data="mnist160", epochs=5, imgsz=64)
# Run inference on a sample image to verify the supervised learning
print(model("https://ultralytics.com/images/bus.jpg"))
يعمل التعلم الخاضع للإشراف على تشغيل التقنيات الهامة في مختلف الصناعات. ومن أبرز الأمثلة على ذلك:
من المهم التفريق بين التعلم تحت الإشراف ونماذج التعلم الآلي الأخرى:
