Supervised Learning

التعلم الخاضع للإشراف هو نهج أساسي في artificial intelligence (AI) حيث يتم تدريب الخوارزميات على بيانات إدخال تم الوسم عليها بالمخرجات الصحيحة. في هذه الطريقة، يتعلم النموذج من خلال مقارنة تنبؤاته الخاصة بهذه التسميات المقدمة، وفعلياً وجود "مشرف" لتصحيحه أثناء عملية التدريب. الهدف الأساسي هو أن يتعلم النظام دالة التعيين من المدخلات إلى المخرجات بشكل جيد بما يكفي لكي يتنبأ بدقة بالتسميات لـ test data جديدة وغير مرئية. هذه التقنية هي القوة المحركة وراء العديد من تطبيقات الذكاء الاصطناعي الأكثر عملية ونجاحاً قيد الاستخدام اليوم، بدءاً من مرشحات البريد الإلكتروني العشوائي وحتى أنظمة القيادة الذاتية.

كيف يعمل التعلم الخاضع للإشراف#

تدور سير عمل التعلم الخاضع للإشراف حول استخدام labeled data. يتم تنسيق مجموعة بيانات حيث يتم إقران كل مثال تدريب بتسمية "حقيقة أرضية" مقابلة. أثناء مرحلة model training، تعالج الخوارزمية ميزات الإدخال وتنشئ تنبؤاً. بعد ذلك، تقيس صيغة رياضية تسمى loss function الخطأ—وهو الفرق بين تنبؤ النموذج والتسمية الفعلية.

لتقليل هذا الخطأ، تقوم optimization algorithm، مثل Stochastic Gradient Descent (SGD)، بضبط المعلمات الداخلية للنموذج أو model weights بشكل تكراري. تتكرر هذه العملية على مدار دورات عديدة، تُعرف بـ epochs، حتى يحقق النموذج مستوى مرضياً من الدقة دون overfitting لبيانات التدريب. تعمل أدوات مثل Ultralytics Platform على تبسيط خط الأنابيب هذا بأكمله من خلال إدارة تعليقات بيانات التدريب والتدريب والتقييم في بيئة موحدة.

أنواع رئيسية للتعلم الخاضع للإشراف#

يتم تصنيف مشكلات التعلم الخاضع للإشراف عموماً إلى نوعين رئيسيين بناءً على طبيعة المتغير المستهدف:

• Classification: يتضمن هذا التنبؤ بفئة منفصلة أو تسمية صنف. المثال الشائع هو object detection، حيث يحدد النموذج الكائنات ويحدد موقعها داخل صورة، مثل "سيارة"، أو "شخص"، أو "إشارة مرورية". تتفوق النماذج المتقدمة مثل Ultralytics YOLO26 في هذه المهام من خلال التصنيف السريع وتحديد مواقع الكائنات متعددة في الوقت الفعلي.
• Regression Analysis: يتضمن هذا التنبؤ بقيمة رقمية مستمرة. على سبيل المثال، يعد التنبؤ بسعر منزل بناءً على ميزات مثل اللفافة المربعة، والموقع، وعدد غرف النوم مشكلة انحدار. يمكنك معرفة المزيد حول الأسس الإحصائية في هذه introduction to regression analysis.

تطبيقات العالم الحقيقي#

يدعم التعلم الخاضع للإشراف مجموعة واسعة من التقنيات عبر مختلف الصناعات:

1. التشخيص الطبي: من خلال التدريب على الآلاف من الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي المصنفة، يمكن أن تتعلم نماذج الذكاء الاصطناعي اكتشاف التشوهات مثل الأورام أو الكسور بدقة عالية. يساعد هذا أخصائي الأشعة في إجراء تشخيصات أسرع وأكثر دقة. راجع كيف يتم استخدام YOLO11 is used for tumor detection لفهم التأثير الطبي.

2. كشف الاحتيال: تستخدم المؤسسات المالية التعلم الخاضع للإشراف لمراقبة أنماط المعاملات. من خلال التدريب على البيانات التاريخية للمعاملات المشروعة والاحتيالية على حد سواء، يمكن لهذه الأنظمة الإبلاغ عن النشاط المشبوه 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. بينما يعتمد التعلم الخاضع للإشراف على أزواج المدخلات والمخرجات المصنفة، يعمل التعلم غير الخاضع للإشراف مع بيانات غير مصنفة. في سيناريوهات التعلم غير الخاضع للإشراف، تحاول الخوارزمية العثور على هياكل أو أنماط أو مجموعات مخفية داخل البيانات بمفردها، مثل تقسيم العملاء في التسويق. التعلم الخاضع للإشراف يكون عموماً أكثر دقة لمهام محددة حيث تتوفر بيانات تاريخية، في حين أن التعلم غير الخاضع للإشراف أفضل لتحليل البيانات الاستكشافي.

مثال عملي باستخدام YOLO26#

يعتبر التعلم الخاضع للإشراف أمراً مركزياً لتدريب نماذج الرؤية الحاسوبية الحديثة. توضح قصاصة Python التالية كيفية تدريب نموذج YOLO26 باستخدام مجموعة بيانات خاضعة للإشراف (COCO8). يتعلم النموذج من الصور المصنفة في مجموعة البيانات لاكتشاف الكائنات.

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 الأساسية لإجراء عمليات مصفوفة معقدة وحسابات تدرج. بالنسبة لأولئك الذين يتطلعون إلى تبسيط جانب إدارة البيانات، يقدم Ultralytics Platform أدوات للتدريب السحابي والتعليق التلقائي، مما يجعل سير عمل التعلم الخاضع للإشراف أكثر كفاءة بشكل ملحوظ.