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.

Link to this sectionكيف 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 الطريقة التي يتعلم بها البشر مفاهيم جديدة غالباً. 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 الخاضعة للإشراف بتجميع المعلومات بناءً على أوجه التشابه المتأصلة. تعد هذه القدرة جوهرية لتطوير الذكاء الاصطناعي العام (AGI)، حيث إنها تسمح للأنظمة بالتكيف مع البيئات الجديدة دون إشراف بشري مستمر.

Link to this sectionالتقنيات 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 شيوعاً، حيث تقوم الخوارزمية بتجميع نقاط البيانات المتشابهة مع بعضها البعض. إحدى الطرق الشائعة هي تجميع K-Means، التي تقسم البيانات إلى k من المجموعات المميزة بناءً على تشابه الخصائص. يُستخدم هذا على نطاق واسع في تجزئة السوق لتحديد مجموعات العملاء ذات سلوكيات الشراء المتشابهة.
• تقليل الأبعاد (Dimensionality Reduction): يمكن أن تكون البيانات عالية الأبعاد معقدة ومكلفة حاسوبياً من حيث المعالجة. تعمل تقنيات مثل تحليل المكونات الرئيسية (PCA) على تقليل عدد المتغيرات في مجموعة البيانات مع الحفاظ على معلوماتها الأساسية. هذا يبسط تصور البيانات ويسرع تدريب نماذج تعلم الآلة الأخرى.
• كشف الشذوذ (Anomaly Detection): من خلال تعلم ما تبدو عليه البيانات "العادية"، يمكن للنماذج غير الخاضعة للإشراف تحديد القيم المتطرفة التي تحيد بشكل كبير عن القاعدة. هذا أمر بالغ الأهمية لـ كشف الاحتيال في التمويل، حيث تؤدي أنماط المعاملات غير المعتادة إلى إطلاق تنبيهات أمنية.
• 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.

Link to this sectionالتعلم غير الخاضع للإشراف مقابل التعلم الخاضع للإشراف#

من المهم التمييز بين التعلم غير الخاضع للإشراف و التعلم الخاضع للإشراف. يكمن الاختلاف الأساسي في البيانات المستخدمة. يتطلب التعلم الخاضع للإشراف مجموعة بيانات مصنفة، مما يعني أن كل مثال تدريبي يقترن بمخرج صحيح (على سبيل المثال، صورة قطة مصنفة بـ "قطة"). يتعلم النموذج ربط المدخلات بالمخرجات لتقليل الخطأ.

على النقيض من ذلك، يستخدم التعلم غير الخاضع للإشراف بيانات غير مصنفة. لا توجد حلقة تغذية راجعة تخبر النموذج ما إذا كان مخرجه صحيحاً. توجد منطقة وسطى تسمى التعلم شبه الخاضع للإشراف، والتي تجمع بين كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة لتحسين دقة التعلم، وغالباً ما يتم استخدامها عندما يكون تصنيف البيانات مكلفاً أو يستغرق وقتاً طويلاً.

Link to this sectionتطبيقات العالم الحقيقي#

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

1. تجزئة العملاء في تجارة التجزئة: تحلل منصات التجارة الإلكترونية ملايين تفاعلات المستخدمين دون فئات محددة مسبقاً. من خلال استخدام خوارزميات التجميع، يحددون شخصيات مستخدمين مميزة—مثل "الباحثين عن الصفقات في عطلة نهاية الأسبوع" أو "عشاق التكنولوجيا". يسمح هذا بحملات تسويقية مخصصة للغاية وأنظمة توصية، 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.

Link to this sectionمثال برمجي: التجميع باستخدام Scikit-Learn#

بينما يعد Ultralytics YOLO26 في المقام الأول إطار عمل للكشف عن الكائنات خاضع للإشراف، غالباً ما تُستخدم التقنيات غير الخاضعة للإشراف في خطوات المعالجة المسبقة، مثل تحليل توزيعات صناديق الربط (anchor boxes) أو تجميع ميزات مجموعة البيانات. فيما يلي مثال بسيط باستخدام sklearn لتنفيذ تجميع K-Means، وهي تقنية أساسية غير خاضعة للإشراف.

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)

Link to this sectionدور التعلم غير الخاضع للإشراف في التعلم العميق#

يدمج التعلم العميق (DL) الحديث بشكل متزايد مبادئ غير خاضعة للإشراف. تسمح تقنيات مثل التعلم ذاتي الإشراف (SSL) للنماذج بإنشاء إشارات إشراف خاصة بها من البيانات. على سبيل المثال، في معالجة اللغات الطبيعية (NLP)، يتم تدريب نماذج مثل GPT-4 مسبقاً على كميات هائلة من النصوص للتنبؤ بالكلمة التالية في الجملة، مما يؤدي فعلياً إلى تعلم بنية اللغة دون تصنيفات صريحة.

وبالمثل، في رؤية الحاسوب (CV)، تُستخدم أجهزة التشفير التلقائي (autoencoders) لتعلم ترميزات فعالة للبيانات. تقوم هذه الشبكات العصبية بضغط الصور إلى تمثيل ذي أبعاد أقل ثم إعادة بنائها. تعلم هذه العملية الشبكة السمات الأكثر بروزاً لبيانات الرؤية، وهو أمر مفيد لمهام مثل إزالة ضجيج 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 الشذوذ قبل بدء عملية التدريب الخاضعة للإشراف. غالباً ما يكون فهم بنية بياناتك من خلال الاستكشاف غير الخاضع للإشراف هو الخطوة الأولى نحو بناء حلول ذكاء اصطناعي قوية.