مسرد المصطلحات

التعلّم غير الخاضع للإشراف

اكتشف كيف يستخدم التعلُّم غير الخاضع للإشراف التجميع، وتقليل الأبعاد، واكتشاف الشذوذ للكشف عن الأنماط الخفية في البيانات.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

التعلم غير الخاضع للإشراف هو فئة من فئات التعلم الآلي (ML) حيث يتم تدريب الخوارزميات على البيانات التي لا تحتوي على تصنيفات أو فئات محددة مسبقًا. على عكس التعلم تحت الإشراف، لا يتمثل الهدف في التنبؤ بمخرجات معروفة بناءً على ميزات المدخلات. بدلاً من ذلك، يحاول النظام تعلم البنية الأساسية والأنماط والعلاقات داخل البيانات من تلقاء نفسه. يشبه الأمر إعطاء جهاز كمبيوتر مجموعة كبيرة من العناصر غير المصنفة ويطلب منه العثور على مجموعات طبيعية أو ميزات مثيرة للاهتمام دون إخباره بما يبحث عنه. هذا النهج مهم للغاية لاستكشاف مجموعات البيانات المعقدة واكتشاف الرؤى التي قد لا تكون واضحة مسبقًا، مما يشكل جزءًا أساسيًا من الذكاء الاصطناعي الحديث.

كيف يعمل التعلّم غير الخاضع للإشراف

في التعلّم غير الخاضع للإشراف، تفحص الخوارزمية نقاط البيانات المدخلة وتحاول تحديد أوجه التشابه أو الاختلافات أو الارتباطات فيما بينها. لا توجد إجابات "صحيحة" أو مخرجات مستهدفة أثناء مرحلة التدريب. يجب أن تستنتج الخوارزميات البنية المتأصلة الموجودة في البيانات. وغالبًا ما يتضمن ذلك تنظيم نقاط البيانات في مجموعات(التجميع)، أو تقليل تعقيد البيانات(تقليل الأبعاد)، أو تحديد نقاط البيانات غير المعتادة(اكتشاف الشذوذ). يعتمد نجاح الأساليب غير الخاضعة للإشراف في كثير من الأحيان على مدى قدرة الخوارزمية على التقاط الخصائص الجوهرية لمجموعة البيانات دون توجيه خارجي.

التقنيات والمفاهيم الرئيسية

تندرج العديد من التقنيات تحت مظلة التعلم غير الخاضع للإشراف:

التطبيقات الواقعية

يعمل التعلم غير الخاضع للإشراف على تشغيل تطبيقات مختلفة في مجالات مختلفة:

  • تقسيم العملاء: تستخدم الشركات التجميع في مجموعات لتجميع العملاء ذوي السلوكيات أو الخصائص الديموغرافية المتشابهة، مما يتيح حملات تسويقية مستهدفة وتجارب مخصصة. اقرأ عن الذكاء الاصطناعي في تقسيم العملاء.
  • أنظمة التوصيات: يساعد التعلم غير الخاضع للإشراف على تحديد الأنماط في سلوك المستخدم (على سبيل المثال، المنتجات التي تم عرضها أو شراؤها) لاقتراح العناصر أو المحتوى ذي الصلة، وهو ما يظهر عادةً على منصات مثل Netflix أو Amazon.
  • المعلوماتية الحيوية: تعمل خوارزميات التجميع على تجميع الجينات ذات أنماط التعبير المتشابهة، مما يساعد الباحثين في فهم الوظائف الجينية والأمراض. استكشف التجميع في تحليل التعبير الجيني.
  • المعالجة المسبقة للبيانات: تُستخدم تقنيات مثل PCA لاستخراج السمات أو الحد من الضوضاء قبل إدخال البيانات في النماذج الخاضعة للإشراف، مما قد يحسن الأداء. راجع أدوات التعلم غير الخاضع للإشراف في Scikit-learn.

المقارنة مع نماذج التعلم الأخرى

يختلف التعلم غير الخاضع للإشراف اختلافًا كبيرًا عن مناهج التعلم الآلي الأخرى:

يُعد التعلّم غير الخاضع للإشراف أداة قوية لاستكشاف البيانات واكتشاف الهياكل الخفية واستخراج الميزات القيّمة، وغالبًا ما يكون بمثابة خطوة أولى حاسمة في خطوط أنابيب تحليل البيانات المعقدة أو مكملاً لتقنيات تعلّم الآلة الأخرى. توفر منصات مثل Ultralytics HUB بيئات يمكن من خلالها تطوير وإدارة نماذج مختلفة للتعلم الآلي يمكن أن تتضمن تقنيات غير خاضعة للإشراف لإعداد البيانات أو تحليلها. أطر عمل مثل PyTorch و TensorFlow مكتبات واسعة تدعم تنفيذ الخوارزميات غير الخاضعة للإشراف.

قراءة الكل