Supervised Learning

التعلّم الخاضع للإشراف هو فرع من التعلّم الآلي (ML) يتعلم فيه النموذج ربط المدخلات بالمخرجات انطلاقًا من أمثلة موسومة؛ أي مدخلات مقترنة بالإجابة الصحيحة، التي تُسمى غالبًا الحقيقة المرجعية. أثناء التدريب، تُقارن تنبؤات النموذج بتلك التسميات، وتُعدّل معلماته لتقليل الفرق. والهدف هو التعميم: تقديم تنبؤات دقيقة بشأن مدخلات جديدة لم يرها النموذج من قبل. وتخضع كثير من أنظمة ML واسعة الانتشار للإشراف، ومنها مرشحات البريد المزعج وتقييم الجدارة الائتمانية والتنبؤ بالطلب ومصنفات الصور وكواشف الأجسام.

آلية عمل التعلّم الخاضع للإشراف#

تتكون مجموعة البيانات الخاضعة للإشراف من أزواج (مدخل، تسمية)، وتُقسّم إلى بيانات تدريب لملاءمة النموذج، وبيانات تحقق لضبط الإعدادات واختيار وقت الإيقاف، وبيانات اختبار لتقدير الأداء تقديرًا نهائيًا غير متحيز. في كل دفعة تدريب، ينتج النموذج تنبؤات، وتقيس دالة خسارة مدى اختلافها عن التسميات، ثم تحدّث خوارزمية تحسين مثل الانحدار المتدرّج العشوائي أوزان النموذج لتقليل تلك الخسارة. وتمثل الحقبة مرورًا واحدًا على مجموعة التدريب، ويستمر التدريب عادةً لحقب عديدة مع مراقبة درجة التحقق.

النموذج الذي يواصل خفض خسارة التدريب بينما تسوء درجة التحقق يعاني من فرط التكيّف: فهو يحفظ تسميات التدريب، بما فيها ضوضاؤها، بدلًا من تعلم أنماط قابلة للتعميم. وتحدّ منه زيادة البيانات وزيادة البيانات اصطناعيًا والتنظيم والإيقاف المبكر.

التصنيف والانحدار والمخرجات المنظّمة#

• التصنيف: يتنبأ بفئة متقطعة، مثل البريد المزعج أو غير المزعج، أو أيّ فئة من فئات ImageNet الألف تظهر في الصورة.
• الانحدار: يتنبأ بقيمة مستمرة، مثل سعر منزل أو طلب الغد أو المسافة إلى جسم، ويُعد الانحدار الخطي أبسط نماذجه.
• المخرجات المنظّمة: تجمع مهام الرؤية الكثيرة بين النوعين. يصنّف كشف الأجسام كل جسم ويقدّر إحداثيات صندوقه بالانحدار، ويصنّف التجزئة كل بكسل، بينما يقدّر تقدير الوضعيات مواقع النقاط المفتاحية بالانحدار.

تنطبق وصفة الإشراف نفسها على نماذج مختلفة جدًا، بدءًا من الخوارزميات التقليدية مثل الانحدار اللوجستي والغابات العشوائية والأشجار المعززة بالتدرّج للبيانات الجدولية، وصولًا إلى الشبكات العصبية العميقة للصور والصوت والنص.

البيانات الموسومة وتكلفتها#

تأتي التسميات من المعلّقين البشر، ومن سجلات مثل حالات الاحتيال السابقة أو عمليات الشراء، ومن الأدوات، وتحد جودتها من جودة النموذج. وتُعد أخطاء التوسيم المنهجية وقواعد التوسيم غير المتسقة واختلال توازن الفئات وتسرّب البيانات بين مجموعتي التدريب والاختبار أسبابًا شائعة لتفوق النماذج في التطوير وفشلها عند النشر. ولأن توسيم البيانات غالبًا ما يكون الجزء الأعلى تكلفةً في المشروع، تقلل الأساليب المرتبطة به عدد التسميات المطلوبة. ويطلب التعلّم النشط من المعلّقين وسم العينات الأكثر إفادة فقط، بينما يبدأ التعلّم بالنقل من نموذج مدرّب مسبقًا على مجموعة بيانات كبيرة، ما يقلل كثيرًا عدد الأمثلة الموسومة اللازمة لمهمة جديدة.

يُعد تدريب YOLO26 تعلّمًا خاضعًا للإشراف على صور موسومة: إذ يحتوي كلٌّ من صور التدريب على ملف تسمية يسرد معرّف فئة كل جسم وإحداثيات صندوقه المُطبّعة، ويحدّث وضع التدريب النموذج لتقليل الخسارة بين الفئات والصناديق التي يتنبأ بها وتلك التسميات. يضبط هذا المثال الأوزان المدرّبة مسبقًا على COCO8، وهي عينة من 8 صور من مجموعة بيانات COCO، تضم 4 صور للتدريب و4 للتحقق، للتأكد من أن مسار التدريب يعمل من البداية إلى النهاية:

from ultralytics import YOLO

# ⁨ابدأ بأوزان مدرّبة مسبقًا على مجموعة بيانات COCO كاملة⁩
model = YOLO("yolo26n.pt")

# ⁨التدريب الخاضع للإشراف: صور مقترنة بتسميات للصناديق والفئات⁩
results = model.train(data="coco8.yaml", epochs=3, imgsz=640)

التعلّم الخاضع للإشراف مقارنةً بنماذج التعلّم الأخرى#

• التعلّم غير الخاضع للإشراف: لا يستخدم أي تسميات، ويكتشف البنية في المدخلات وحدها، مثل العناقيد أو التمثيلات المضغوطة.
• التعلّم شبه الخاضع للإشراف: يتدرب على مجموعة صغيرة موسومة وأخرى كبيرة غير موسومة، وغالبًا ما يعيّن تسميات زائفة للتنبؤات الواثقة على البيانات غير الموسومة.
• التعلّم ذاتي الإشراف: ينشئ التسميات من البيانات نفسها، مثل الكلمة التالية في جملة أو رقعة مخفية من صورة، وهو الأسلوب الذي تُدرّب به نماذج اللغة الكبيرة ونماذج الرؤية التأسيسية مسبقًا قبل الضبط الدقيق الخاضع للإشراف.
• التعلّم بالتعزيز: يتعلم من المكافآت التي تحققها الأفعال في بيئة ما، من دون وجود فعل صحيح موسوم لكل موقف.
• التعلّم بعدد قليل من الأمثلة: يتعرف على فئات جديدة من خلال عدد قليل من الأمثلة الموسومة، عادةً من 1 إلى 10 أمثلة لكل فئة، مستفيدًا من المعرفة المكتسبة في التدريب المسبق.