التعلّم غير الخاضع للإشراف

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:

• التجميع: يتضمن ذلك تجميع نقاط البيانات المتشابهة معًا بناءً على خصائص معينة. والهدف من ذلك هو إنشاء مجموعات تكون فيها العناصر داخل المجموعة متشابهة إلى حد كبير، وتكون العناصر في مجموعات مختلفة متباينة. تتضمن الخوارزميات الشائعة خوارزمية K-Means Clustering و DBSCAN. وهذا مفيد لمهام مثل تقسيم العملاء أو تنظيم مجموعات كبيرة من المستندات.
• تقليل الأبعاد: تهدف هذه التقنيات إلى تقليل عدد متغيرات الإدخال (السمات) في مجموعة البيانات مع الحفاظ على المعلومات الأساسية. وهذا يبسّط النماذج ويقلل من التكلفة الحسابية ويمكن أن يساعد في تصور البيانات. تشمل الأساليب الشائعة تحليل المكونات الرئيسية (PCA) والتضمين العشوائي الموزع على شكل حرف T-التضمين العشوائي للمجاورة (t-SNE).
• تعلّم قواعد الارتباط: تكتشف هذه الطريقة العلاقات أو قواعد الارتباط المثيرة للاهتمام بين المتغيرات في مجموعات البيانات الكبيرة. ومن الأمثلة الكلاسيكية على ذلك تحليل سلة السوق، وتحديد العناصر التي يتم شراؤها معًا بشكل متكرر. تُستخدم هنا خوارزميات مثل Apriori بشكل شائع. تعرف على المزيد حول التنقيب عن قواعد الارتباط.
• اكتشاف الشذوذ: تركز هذه التقنية على تحديد نقاط البيانات التي تنحرف بشكل كبير عن غالبية البيانات. ويُستخدم على نطاق واسع للكشف عن الاحتيال وأمن الشبكات وتحديد العيوب في التصنيع.
• النماذج التوليدية: يمكن لبعض النماذج غير الخاضعة للإشراف، مثل شبكات الخصومة التوليدية (GANs) أو الترميز التلقائي، أن تتعلم توزيع البيانات الأساسية لتوليد عينات بيانات جديدة تشبه البيانات الأصلية.

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:

• التعلّم تحت الإشراف: يعتمد على البيانات المصنفة (أزواج المدخلات والمخرجات) لتدريب نماذج لمهام مثل التصنيف أو الانحدار. الهدف هو ربط المدخلات بالمخرجات المعروفة. قارن بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.
• التعلّم المعزز: ينطوي على تعلم الوكيل اتخاذ القرارات من خلال تنفيذ إجراءات في بيئة ما لتعظيم المكافأة التراكمية. يتعلم من خلال التجربة والخطأ، مسترشداً بإشارات التغذية الراجعة (المكافآت أو العقوبات). انظر نظرة عامة على التعلم المعزز.
• التعلّم شبه الخاضع للإشراف: يستخدم مزيجًا من كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة، مما يسد الفجوة بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.
• التعلّم الخاضع للإشراف الذاتي: مجموعة فرعية من التعلّم غير الخاضع للإشراف حيث يتم إنشاء التسميات تلقائيًا من بيانات الإدخال نفسها، وغالبًا ما تُستخدم في التدريب المسبق للنماذج الكبيرة مثل تلك الموجودة في البرمجة اللغوية العصبية أو الرؤية الحاسوبية.

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.