Supervised Learning

التعلم الخاضع للإشراف هو نهج أساسي في الذكاء الاصطناعي (AI)، حيث تُدرَّب الخوارزميات على بيانات إدخال موسومة بالمخرج الصحيح. في هذه الطريقة، يتعلم النموذج من خلال مقارنة تنبؤاته الخاصة بهذه التسميات المقدمة، بحيث يكون لديه فعليًا «مشرف» يصحح أخطاءه أثناء عملية التدريب. والهدف الأساسي هو أن يتعلم النظام دالة التعيين من المدخلات إلى المخرجات بدرجة كافية تمكّنه من التنبؤ بدقة بتسميات بيانات الاختبار الجديدة وغير المرئية. وتُعد هذه التقنية القوة المحركة للعديد من تطبيقات AI العملية والناجحة المستخدمة اليوم، بدءًا من مرشحات البريد الإلكتروني العشوائي وصولًا إلى أنظمة القيادة الذاتية.

كيفية عمل التعلم الخاضع للإشراف#

تتمحور آلية عمل التعلم الخاضع للإشراف حول استخدام البيانات الموسومة. إذ تُجهَّز مجموعة بيانات بحيث يقترن كل مثال تدريبي بتسمية مقابلة تمثل «الحقيقة الأساسية». خلال مرحلة تدريب النموذج، تعالج الخوارزمية سمات الإدخال وتُنشئ تنبؤًا. ثم تقيس صيغة رياضية تُسمى دالة الخسارة الخطأ، أي الفرق بين تنبؤ النموذج والتسمية الفعلية.

لتقليل هذا الخطأ، تعمل خوارزمية تحسين، مثل الانحدار المتدرج العشوائي (SGD)، على ضبط المعلمات الداخلية للنموذج أو أوزان النموذج تكراريًا. وتتكرر هذه العملية عبر العديد من الدورات، المعروفة باسم العصور التدريبية، إلى أن يحقق النموذج مستوىً مقبولًا من الدقة دون الإفراط في التكيّف مع بيانات التدريب. وتبسّط أدوات مثل منصة Ultralytics خط الأنابيب بأكمله من خلال إدارة وسم مجموعات البيانات والتدريب والتقييم ضمن بيئة موحدة.

الأنواع الرئيسية للتعلم الخاضع للإشراف#

تُصنَّف مسائل التعلم الخاضع للإشراف عمومًا إلى نوعين رئيسيين استنادًا إلى طبيعة المتغير الهدف:

• التصنيف: يتضمن ذلك التنبؤ بفئة أو تصنيف منفصل. ومن الأمثلة الشائعة اكتشاف الأجسام، حيث يحدد النموذج الأجسام داخل صورة ويحدد مواقعها، مثل «سيارة» أو «شخص» أو «إشارة مرور». وتتفوّق النماذج المتقدمة مثل Ultralytics YOLO26 في هذه المهام من خلال تصنيف أجسام متعددة وتحديد مواقعها بسرعة في الوقت الفعلي.
• تحليل الانحدار: يتضمن ذلك التنبؤ بقيمة عددية مستمرة. فعلى سبيل المثال، يُعد التنبؤ بسعر منزل استنادًا إلى سمات مثل المساحة والموضع وعدد غرف النوم مسألة انحدار. ويمكنك معرفة المزيد عن الأسس الإحصائية في هذا المقدمة إلى تحليل الانحدار.

التطبيقات الواقعية#

يُشغّل التعلم الخاضع للإشراف مجموعة واسعة من التقنيات في مختلف القطاعات:

1. التشخيص الطبي: من خلال التدريب على آلاف صور الأشعة السينية أو فحوصات MRI الموسومة، يمكن لنماذج AI أن تتعلم اكتشاف الحالات الشاذة مثل الأورام أو الكسور بدقة عالية. ويساعد ذلك أطباء الأشعة على إجراء تشخيصات أسرع وأكثر دقة. اطّلع على كيفية استخدام YOLO11 لاكتشاف الأورام لفهم الأثر الطبي.

2. اكتشاف الاحتيال: تستخدم المؤسسات المالية التعلم الخاضع للإشراف لمراقبة أنماط المعاملات. ومن خلال التدريب على بيانات تاريخية لمعاملات مشروعة واحتيالية على حد سواء، تستطيع هذه الأنظمة الإبلاغ عن الأنشطة المشبوهة في الوقت الفعلي، مما يحمي العملاء من السرقة.

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف#

من المهم التمييز بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. فبينما يعتمد التعلم الخاضع للإشراف على أزواج المدخلات والمخرجات الموسومة، يعمل التعلم غير الخاضع للإشراف مع بيانات غير موسومة. وفي السيناريوهات غير الخاضعة للإشراف، تحاول الخوارزمية العثور ذاتيًا على البنى أو الأنماط أو التجميعات الخفية داخل البيانات، مثل تقسيم العملاء إلى شرائح في مجال التسويق. ويكون التعلم الخاضع للإشراف عمومًا أكثر دقة للمهام المحددة التي تتوفر لها بيانات تاريخية، في حين يكون التعلم غير الخاضع للإشراف أفضل لتحليل البيانات الاستكشافي.

مثال عملي باستخدام Ultralytics YOLO26#

يُعد التعلم الخاضع للإشراف محورياً لتدريب نماذج الرؤية الحاسوبية الحديثة. يوضح مقتطف Python التالي كيفية تدريب نموذج YOLO26 باستخدام مجموعة بيانات خاضعة للإشراف (COCO8). ويتعلم النموذج من الصور الموسومة في مجموعة البيانات لاكتشاف الأجسام.

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 لتنفيذ عمليات المصفوفات المعقدة وحسابات التدرجات. ولمن يسعون إلى تبسيط جانب إدارة البيانات، توفر منصة Ultralytics أدوات للتدريب المستند إلى السحابة والوسم التلقائي، مما يجعل سير عمل التعلم الخاضع للإشراف أكثر كفاءة بكثير.