Unsupervised Learning

التعلم غير الخاضع للإشراف هو نوع من تعلم الآلة حيث تتعلم الخوارزمية الأنماط من بيانات غير مصنفة دون تدخل بشري. على عكس التعلم الخاضع للإشراف، الذي يعتمد على أزواج المدخلات والمخرجات المصنفة لتدريب النموذج، يتعامل التعلم غير الخاضع للإشراف مع بيانات لا تحتوي على تصنيفات تاريخية. يحاول النظام في الأساس تعليم نفسه من خلال اكتشاف الهياكل أو الأنماط أو العلاقات الخفية داخل بيانات المدخلات. يعد هذا النهج ذا قيمة خاصة لأن الغالبية العظمى من البيانات التي يتم إنشاؤها اليوم—مثل الصور ومقاطع الفيديو والنصوص وسجلات المستشعرات—هي بيانات غير مهيكلة وغير مصنفة.

كيف يعمل التعلم غير الخاضع للإشراف#

في السيناريوهات غير الخاضعة للإشراف، تُترك الخوارزمية لأجهزتها الخاصة لاكتشاف هياكل مثيرة للاهتمام في البيانات. غالبًا ما يكون الهدف هو نمذجة التوزيع الأساسي للبيانات أو تعلم المزيد عن البيانات نفسها. ولأنه لا توجد "إجابات صحيحة" يتم تقديمها أثناء التدريب، لا يمكن تقييم النموذج من حيث الدقة بالمعنى التقليدي. وبدلاً من ذلك، غالبًا ما يتم قياس الأداء بناءً على مدى نجاح النموذج في تقليل الأبعاد أو تجميع نقاط البيانات المتشابهة معاً.

تعكس هذه المنهجية كيفية تعلم البشر للمفاهيم الجديدة غالبًا. على سبيل المثال، يمكن للطفل التمييز بين الكلاب والقطط من خلال مراقبة أشكالها وسلوكياتها المختلفة دون معرفة أسماء "كلب" و"قطة" بالضرورة في البداية. وبالمثل، تقوم الخوارزميات غير المباشرة أو غير المخابرة بتجميع المعلومات بناءً على التشابهات الكامنة. هذه القدرة أساسية لتطوير الذكاء الاصطناعي العام (AGI)، لأنها تسمح للأنظمة بالتكيف مع بيئات جديدة دون إشراف بشري مستمر.

التقنيات الرئيسية في التعلم غير الخاضع للإشراف#

يشمل التعلم غير الخاضع للإشراف العديد من التقنيات المميزة، وكل منها مناسب لأنواع مختلفة من مشاكل تحليل البيانات:

• التجميع (Clustering): هذا هو التطبيق الأكثر شيوعًا، حيث تقوم الخوارزمية بتجميع نقاط البيانات التي تشبه بعضها البعض. والطريقة الشائعة هي تجميع K-Means، والتي تقسم البيانات إلى k مجموعات مميزة بناءً على تشابه الميزات. يُستخدم هذا على نطاق واسع في تجزئة السوق لتحديد مجموعات العملاء الذين لديهم سلوكيات شرائية متشابهة.
• تقليل الأبعاد (Dimensionality Reduction): قد تكون البيانات عالية الأبعاد معقدة ומكلفة حسابيًا للمعالجة. تقنيات مثل تحليل المكونات الرئيسية (PCA) تقلل من عدد المتغيرات في مجموعة البيانات مع الحفاظ على معلوماتها الأساسية. هذا يسهل تصور البيانات ويسرع تدريب نماذج التعلم الآلي الأخرى.
• اكتشاف الحالات الشاذة (Anomaly Detection): من خلال التعرف على شكل البيانات "العادية"، يمكن للنماذج غير المشرفة تحديد القيم المتطرفة التي تحيد بشكل كبير عن القاعدة. هذا أمر بالغ الأهمية لـ اكتشاف الاحتيال في التمويل، حيث تؤدي أنماط المعاملات غير Usual إلى تشغيل تنبيهات الأمان.
• تعلم قواعد الارتباط (Association Rule Learning): تكتشف هذه التقنية علاقات مثيرة للاهتمام بين المتغيرات في قواعد البيانات الكبيرة. تُستخدم بشكل شهير لتحليل سلة السوق، مما يساعد تجار التجزئة على فهم أن العملاء الذين يشترون الخبز من المرجح أيضاً أن يشتروا الزبدة.

التعلم غير الخاضع للإشراف مقابل التعلم الخاضع للإشراف#

من المهم التمييز بين التعلم غير المشرف والتعلم المشرف. يكمن الاختلاف الأساسي في البيانات المستخدمة. يتطلب التعلم المشرف مجموعة بيانات مصنفة، مما يعني أن كل مثال تدريبي مقترن بإخراج صحيح (على سبيل المثال، صورة قطة تحمل علامة "قطة"). يتعلم النموذج تعيين المدخلات إلى المخرجات تقليل الخطأ.

في المقابل، يستخدم التعلم غير المشرف بيانات غير مصنفة. لا توجد حلقة تغذية راجعة تخبر النموذج ما إذا كان مخرجاته صحيحة. توجد نقطة وسط تُعرف باسم التعلم شبه المشرف، والتي تجمع بين كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة لتحسين دقة التعلم، وغالبًا ما تُستخدم عندما تكون تسمية البيانات مكلفة أو تستغرق وقتًا طويلًا.

تطبيقات العالم الحقيقي#

يعزز التعلم غير الخاضع للإشراف العديد من التقنيات التي نواجهها يومياً. إليك مثالان ملموسان:

1. تجزئة العملاء في قطاع التجزئة: تحلل منصات التجارة الإلكترونية ملايين تفاعلات المستخدمين دون فئات محددة مسبقًا. من خلال استخدام خوارزميات التجميع، فإنها تحدد شخصيات مستخدمين مميزة - مثل "باحثي الصفقات في عطلة نهاية الأسبوع" أو "عشاق التكنولوجيا". وهذا يتيح حملات تسويقية مخصصة للغاية وأنظمة التوصية، مما يحسن تجربة العملاء بشكل كبير.

2. تحليل تسلسل الجينوم: في المعلوماتية الحيوية، يستخدم الباحثون التعلم غير الخاضع للإشراف لتحليل البيانات الجينية. تقوم الخوارزميات بتجميع تسلسلات الحمض النووي (DNA) للعثور على علامات جينية أو طفرات متشابهة عبر مجموعات سكانية مختلفة. يساعد هذا في فهم العلاقات التطورية وتحديد الاستعداد الوراثي للأمراض دون الحاجة إلى معرفة مسبقة بكل وظيفة جينية محددة.

مثال برمجي: التجميع باستخدام Scikit-Learn#

بينما يعد Ultralytics YOLO26 في الأساس إطار عمل لاكتشاف الكائنات بإشراف، غالبًا ما تُستخدم التقنيات غير المشرفة في خطوات المعالجة المسبقة، مثل تحليل توزيعات صندوق التثبيت أو تجميع ميزات مجموعة البيانات. فيما يلي مثال بسيط باستخدام sklearn لتنفيذ تجميع K-Means، وهي تقنية أساسية غير مشرفة.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

دور التعلم غير الخاضع للإشراف في التعلم العميق#

يدمج التعلم العميق (DL) الحديث مبادئ غير مشرفة بشكل متزايد. تقنيات مثل التعلم ذاتي الإشراف (SSL) تسمح للنماذج بإنشاء إشارات إشراف خاصة بها من البيانات. على سبيل المثال، في معالجة اللغات الطبيعية (NLP)، يتم تدريب نماذج مثل GPT-4 مسبقًا على كميات هائلة من النصوص للتنبؤ الكلمة التالية في الجملة، مما يتيح لها تعلم بنية اللغة بشكل فعال دون تسميات صريحة.

وبالمثل، في رؤية الكمبيوتر (CV)، تُستخدم أجهزة التشفير التلقائي لتعلم ترميزات البيانات الفعالة. تقوم هذه الشبكات العصبية بضغط الصور في تمثيل منخفض الأبعاد ثم إعادة بنائها. تعلِّم هذه العملية الشبكة أبرز ميزات البيانات المرئية، وهو أمر مفيد لمهام مثل إزالة التشويش عن الصور والنمذجة التوليدية.

بالنسبة لأولئك الذين يتطلعون إلى إدارة مجموعات البيانات للتدريب، توفر منصة Ultralytics أدوات لتصور توزيعات البيانات، والتي يمكن أن تساعد في تحديد المجموعات أو الحالات الشاذة قبل بدء عملية التدريب المشرف. يعد فهم بنية بياناتك من خلال الاستكشاف غير المشرف غالبًا الخطوة الأولى نحو بناء حلول ذكاء اصطناعي قوية.