التعلم الخاضع للإشراف
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 أساسي في التعلم الآلي (ML) حيث تتعلم الخوارزمية من البيانات التي تم تصنيفها يدويًا بالنتائج الصحيحة. الهدف الأساسي هو تعلم دالة تعيين يمكنها التنبؤ بالإخراج لبيانات جديدة غير مرئية. فكر في الأمر على أنه تعلم مع معلم أو "مشرف" يقدم الإجابات الصحيحة (التصنيفات) خلال مرحلة التدريب. هذا النهج هو العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي (AI) الناجحة، لا سيما في الرؤية الحاسوبية (CV).
كيفية عمل التعلّم الموجّه
تبدأ عملية التعلم الخاضعة للإشراف بـ مجموعة بيانات منسقة تحتوي على ميزات الإدخال وتسميات الإخراج المقابلة. يتم تقسيم مجموعة البيانات المسماة هذه إلى بيانات التدريب وبيانات التحقق و بيانات الاختبار.
- التدريب: يتم تزويد النموذج بـ بيانات التدريب (training data). يقوم بعمل تنبؤات لكل إدخال ويقارنها بالتسميات الصحيحة.
- تصحيح الخطأ: يتم تحديد الفرق بين تنبؤ النموذج والتسمية الفعلية بواسطة دالة الخسارة (loss function). تقوم خوارزمية التحسين (optimization algorithm)، مثل تدرج النزول (gradient descent)، بضبط المعلمات الداخلية للنموذج، أو أوزان النموذج (model weights)، لتقليل هذا الخطأ.
- التكرار: تتكرر هذه العملية لعدة حقبات (epochs)، مما يسمح للنموذج بتعلم الأنماط الكامنة في البيانات. تتم مراقبة أداء النموذج على مجموعة التحقق لمنع مشاكل مثل التجاوز في التدريب (overfitting).
- التوقع: بمجرد تدريب النموذج، يمكنه إجراء توقعات على بيانات جديدة وغير مصنفة. يتم تقييم جودة هذه التوقعات باستخدام مجموعة الاختبار و مقاييس الأداء performance metrics.
تُبَسَّط دورة العمل بأكملها على منصات مثل Ultralytics HUB، مما يسهل إدارة البيانات، وتدريب النماذج، ونشرها.
أنواع مشكلات التعلم الخاضع للإشراف
عادةً ما يتم تصنيف مهام التعلم الخاضع للإشراف إلى نوعين رئيسيين:
- التصنيف: الهدف هو التنبؤ بفئة منفصلة أو تسمية فئة. على سبيل المثال، يمكن تدريب نموذج تصنيف الصور لتصنيف الصور على أنها تحتوي على "قطة" أو "كلب". تشمل الأمثلة الأخرى الكشف عن رسائل البريد الإلكتروني العشوائية وتحليل المشاعر. يمكن تدريب نماذج مثل Ultralytics YOLO لمهام التصنيف عالية الأداء. لمزيد من القراءة، استكشف هذه المقدمة للتصنيف.
- الانحدار (Regression): الهدف هو التنبؤ بقيمة عددية مستمرة. على سبيل المثال، يمكن للنموذج التنبؤ بسعر منزل بناءً على ميزات مثل حجمه وموقعه. تشمل التطبيقات الأخرى التنبؤ بأسعار الأسهم والتنبؤ بدرجة الحرارة. يمكن العثور على نظرة عامة على الانحدار في دليل تحليل الانحدار هذا.
تطبيقات واقعية
يقود التعلم الخاضع للإشراف عددًا لا يحصى من أنظمة الذكاء الاصطناعي الحديثة. فيما يلي مثالان بارزان:
- اكتشاف الكائنات في المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على نماذج اكتشاف الكائنات لتحديد وتحديد مواقع المشاة والمركبات الأخرى وإشارات المرور. يتم تدريب هذه النماذج على مجموعات بيانات ضخمة حيث يتم تصنيف الكائنات في الصور باستخدام مربعات إحاطة. يمكن للنموذج المدرب بعد ذلك معالجة مقاطع الفيديو في الوقت الفعلي لاتخاذ قرارات قيادة مهمة. توفر Ultralytics حلولًا قوية لـ الذكاء الاصطناعي في صناعة السيارات.
- تحليل الصور الطبية: في الرعاية الصحية، تُستخدم نماذج التعلم الخاضعة للإشراف لتحليل الصور الطبية، مثل اكتشاف الأورام في فحوصات التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. يقوم أخصائيو الأشعة بتسمية عدد كبير من الفحوصات، مما يشير إلى وجود أو عدم وجود الأورام. ثم يتم تدريب شبكة عصبية تلافيفية (CNN) على هذه البيانات للمساعدة في التشخيص المبكر. على سبيل المثال، يمكن تدريب النماذج على مجموعات البيانات للكشف عن أورام الدماغ.
مقارنة مع نماذج التعلم الأخرى
يتميز التعلم الخاضع للإشراف عن نماذج التعلم الآلي الأولية الأخرى:
باختصار، التعلم الخاضع للإشراف هو أسلوب قوي ومستخدم على نطاق واسع يستفيد من البيانات المصنفة لتدريب النماذج لمهام التنبؤ. إنه يشكل العمود الفقري للعديد من تطبيقات الذكاء الاصطناعي الناجحة، بما في ذلك تلك التي طورتها وتدعمها Ultralytics، وهو مهارة حاسمة لأي شخص يعمل في علم البيانات أو الذكاء الاصطناعي.
