التعلّم الخاضع للإشراف
اكتشف كيف يعمل التعلُّم الخاضع للإشراف على تعزيز الذكاء الاصطناعي بالبيانات المُصنَّفة، مما يتيح تنبؤات وتطبيقات دقيقة مثل اكتشاف الأشياء وتحليل المشاعر.
التعلم الخاضع للإشراف هو نموذج أساسي في التعلم الآلي (ML) حيث تتعلم الخوارزمية من البيانات التي تم تصنيفها يدويًا بالنتائج الصحيحة. الهدف الأساسي هو تعلم دالة تعيين يمكنها التنبؤ بالمخرجات للبيانات الجديدة غير المرئية. فكر في الأمر على أنه تعلم مع معلم أو "مشرف" يقدم الإجابات الصحيحة (التسميات) خلال مرحلة التدريب. هذا النهج هو العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي الناجحة، لا سيما في مجال الرؤية الحاسوبية.
كيف يعمل التعلم الخاضع للإشراف
تبدأ عملية التعلّم الخاضع للإشراف بمجموعة بيانات منسقة تحتوي على ميزات المدخلات وتسميات المخرجات المقابلة. تنقسم مجموعة البيانات المصنفة هذه إلى بيانات التدريب وبيانات التحقق من الصحة وبيانات الاختبار.
- التدريب: يتم تغذية النموذج ببيانات التدريب. يقوم بعمل تنبؤات لكل مدخلات ويقارنها بالتسميات الصحيحة.
- تصحيح الخطأ: يتم تحديد الفرق بين تنبؤ النموذج والتسمية الفعلية بواسطة دالة خسارة. تقوم خوارزمية تحسين مثل خوارزمية نزول التدرج بضبط المعلمات الداخلية للنموذج، أو أوزان النموذج، لتقليل هذا الخطأ.
- التكرار: تتكرر هذه العملية لعدة حقب، مما يسمح للنموذج بتعلم الأنماط الأساسية في البيانات. تتم مراقبة أداء النموذج على مجموعة التحقق من الصحة لمنع حدوث مشكلات مثل الإفراط في التهيئة.
- التنبؤ: بمجرد تدريب النموذج، يمكن للنموذج إجراء تنبؤات على بيانات جديدة غير موسومة. يتم تقييم جودة هذه التنبؤات باستخدام مجموعة الاختبار ومقاييس الأداء.
يتم تبسيط سير العمل بأكمله على منصات مثل Ultralytics HUB، والتي تبسّط إدارة مجموعة البيانات وتدريب النماذج ونشرها.
أنواع مشاكل التعلم تحت الإشراف
يتم تصنيف مهام التعلم الخاضع للإشراف عادةً إلى نوعين رئيسيين:
- التصنيف: الهدف هو التنبؤ بفئة منفصلة أو تسمية فئة منفصلة. على سبيل المثال، يمكن تدريب نموذج تصنيف الصور على تصنيف الصور على أنها تحتوي على "قطة" أو "كلب". تشمل الأمثلة الأخرى اكتشاف البريد الإلكتروني غير المرغوب فيه وتحليل المشاعر. يمكن تدريب نماذج مثل Ultralytics YOLO على مهام التصنيف عالية الأداء. لمزيد من القراءة، استكشف هذه المقدمة عن التصنيف.
- الانحدار: الهدف هو التنبؤ بقيمة عددية مستمرة. على سبيل المثال، يمكن للنموذج أن يتنبأ بسعر المنزل بناءً على ميزات مثل حجمه وموقعه. وتشمل التطبيقات الأخرى التنبؤ بأسعار الأسهم والتنبؤ بدرجة الحرارة. يمكن الاطلاع على نظرة عامة على الانحدار في دليل تحليل الانحدار هذا.
التطبيقات الواقعية
يقود التعلم الخاضع للإشراف عدداً لا يحصى من أنظمة الذكاء الاصطناعي الحديثة. فيما يلي مثالان بارزان:
- اكتشاف الأجسام في المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على نماذج الكشف عن الأجسام لتحديد المشاة والمركبات الأخرى وإشارات المرور وتحديد مواقعها. يتم تدريب هذه النماذج على مجموعات بيانات ضخمة حيث يتم تصنيف الأجسام في الصور مع تحديد المربعات المحيطة. يمكن للنموذج المُدرَّب بعد ذلك معالجة موجزات الفيديو في الوقت الفعلي لاتخاذ قرارات القيادة الحاسمة. توفر شركة Ultralytics حلولاً قوية للذكاء الاصطناعي في صناعة السيارات.
- تحليل الصور الطبية: في مجال الرعاية الصحية، تُستخدم نماذج التعلم الخاضعة للإشراف في تحليل الصور الطبية، مثل الكشف عن الأورام في التصوير بالرنين المغناطيسي أو الأشعة المقطعية. حيث يقوم أخصائيو الأشعة بتصنيف عدد كبير من صور الأشعة، مما يشير إلى وجود أو عدم وجود أورام. ثم يتم تدريب الشبكة العصبية التلافيفية (CNN) على هذه البيانات للمساعدة في التشخيص المبكر. على سبيل المثال، يمكن تدريب النماذج على مجموعات بيانات للكشف عن أورام الدماغ.
المقارنة مع نماذج التعلم الأخرى
يختلف التعلم الخاضع للإشراف عن نماذج التعلم الآلي الأساسية الأخرى:
- التعلّم غير الخاضع للإشراف: يستخدم هذا النهج بيانات غير معنونة، حيث تحاول الخوارزمية العثور على أنماط أو هياكل من تلقاء نفسها، مثل تجميع نقاط البيانات المتشابهة(التجميع) أو تقليل أبعاد البيانات. لا تتعلم خوارزمية التعلّم غير الخاضع للإشراف من خلال التعيين المباشر للمدخلات إلى المخرجات من الإجابات المعروفة. اقرأ نظرة عامة على التعلم غير الخاضع للإشراف.
- التعلّم الخاضع للإشراف الذاتي (SSL): مجموعة فرعية من التعلّم غير الخاضع للإشراف حيث يتم إنشاء الإشارات الإشرافية (التسميات) تلقائيًا من بيانات الإدخال نفسها. هذه تقنية قوية لتدريب النماذج الأساسية مسبقًا على كميات هائلة من البيانات غير المسماة قبل ضبطها لمهمة محددة.
- التعلم المعزز: في هذا النموذج، يتعلم الوكيل اتخاذ سلسلة من القرارات من خلال التفاعل مع البيئة وتلقي المكافآت أو العقوبات بناءً على أفعاله. وهو يتعلم السلوكيات المثلى من خلال التجربة والخطأ، وليس من خلال مجموعة بيانات ثابتة وموسومة. استكشف نظرة عامة على التعلم المعزز.
باختصار، التعلُّم الخاضع للإشراف هو تقنية قوية ومستخدمة على نطاق واسع تستفيد من البيانات المصنفة لتدريب النماذج على المهام التنبؤية. وهي تشكل العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي الناجحة، بما في ذلك تلك التي طورتها ودعمتها شركة Ultralytics، وهي مهارة حاسمة لأي شخص يعمل في علوم البيانات أو الذكاء الاصطناعي.
