التعلم غير الخاضع للإشراف

التعلم غير الخاضع للإشراف هو نموذج أساسي في التعلم الآلي (ML) حيث يتم تدريب الخوارزميات على بيانات لم يتم تصنيفها أو فهرستها أو فرزها. على عكس الطرق الأخرى، يحاول النظام تعلم الأنماط والبنية مباشرة من البيانات نفسها دون أي تسميات إخراج مقابلة. الهدف الأساسي هو استكشاف البيانات وإيجاد هياكل أو أنماط ذات مغزى، مما يجعلها أداة رئيسية لاستكشاف البيانات وتحليلها في مجال الذكاء الاصطناعي (AI).

مهام التعلم غير الإشرافي الأساسية

تستخدم خوارزميات التعلم غير الخاضع للإشراف عادةً لتحليل البيانات الاستكشافية ويمكن تجميعها في عدة مهام رئيسية:

• التجميع: هذه هي مهمة التعلم غير الخاضعة للإشراف الأكثر شيوعًا، والتي تتضمن تجميع نقاط البيانات في مجموعات بناءً على أوجه التشابه بينها. الهدف هو جعل نقاط البيانات داخل مجموعة واحدة متشابهة جدًا مع بعضها البعض وغير متشابهة مع النقاط الموجودة في المجموعات الأخرى. تتضمن الخوارزميات الشائعة تجميع K-Means و DBSCAN.
• تقليل الأبعاد (Dimensionality Reduction): تُستخدم هذه التقنية لتقليل عدد متغيرات الإدخال في مجموعة البيانات. إنه مفيد عند التعامل مع البيانات عالية الأبعاد، حيث يمكنه تبسيط النماذج وتقليل وقت الحساب والمساعدة في تصور البيانات (data visualization). تحليل المكونات الرئيسية (PCA) (Principal Component Analysis) هي طريقة مستخدمة على نطاق واسع لهذه المهمة.
• استخراج قواعد الترابط: تكتشف هذه الطريقة العلاقات أو قواعد الترابط المثيرة للاهتمام بين المتغيرات في قواعد البيانات الكبيرة. مثال كلاسيكي هو "تحليل سلة السوق"، الذي يجد العلاقات بين العناصر التي يتم شراؤها معًا بشكل متكرر في المتجر.

تطبيقات واقعية

يقود التعلم غير الخاضع للإشراف الابتكار في العديد من الصناعات. فيما يلي مثالان ملموسان:

1. تقسيم العملاء: تستخدم شركات البيع بالتجزئة والتجارة الإلكترونية خوارزميات التجميع لتجميع العملاء ذوي السلوكيات والتفضيلات المتشابهة. من خلال تحليل تاريخ الشراء ونشاط التصفح والتركيبة السكانية، يمكن للشركات إنشاء حملات تسويقية مستهدفة وتقديم توصيات مخصصة وتحسين تجربة العملاء، مما يؤدي في النهاية إلى تعزيز الذكاء الاصطناعي في مجال البيع بالتجزئة.
2. اكتشاف الحالات الشاذة: في مجال الأمن السيبراني، يمكن لنماذج التعلم غير الخاضع للإشراف تحديد حركة مرور الشبكة غير العادية التي قد تشير إلى خرق أمني. وبالمثل، في التصنيع، يمكن لهذه الخوارزميات اكتشاف العيوب في المنتجات على خط التجميع عن طريق تحديد الانحرافات عن القاعدة، وهو عنصر أساسي في فحص الجودة الحديث.

مقارنة مع نماذج التعلم الأخرى

يختلف التعلم غير الخاضع للإشراف اختلافًا كبيرًا عن مناهج تعلم الآلة الأخرى:

• التعلم الخاضع للإشراف (Supervised Learning): يعتمد على البيانات المصنفة (أزواج الإدخال والإخراج) لتدريب النماذج لمهام مثل التصنيف أو الانحدار. الهدف هو تعيين المدخلات إلى المخرجات المعروفة. يمكنك العثور على مزيد من التفاصيل في مقارنة بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.
• التعلم بالتعزيز: يتضمن تعلم الوكيل اتخاذ القرارات عن طريق تنفيذ الإجراءات في بيئة ما لتعظيم المكافأة التراكمية. يتعلم من خلال التجربة والخطأ، مسترشدًا بإشارات التغذية الراجعة (المكافآت أو العقوبات). انظر نظرة عامة على التعلم بالتعزيز العميق.
• التعلم شبه الموجَّه (Semi-Supervised Learning): يستخدم مزيجًا من كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة، مما يسد الفجوة بين التعلم الموجَّه وغير الموجَّه.
• التعلم بالإشراف الذاتي: مجموعة فرعية من التعلم غير الخاضع للإشراف حيث يتم إنشاء التصنيفات تلقائيًا من بيانات الإدخال نفسها، وغالبًا ما تستخدم للتدريب المسبق للنماذج الكبيرة مثل تلك الموجودة في معالجة اللغة الطبيعية (NLP) أو رؤية الكمبيوتر (CV).

التعلم غير الخاضع للإشراف هو أداة قوية لاستكشاف البيانات واكتشاف الهياكل المخفية واستخراج الميزات القيمة. غالبًا ما يكون بمثابة خطوة أولى حاسمة في مسارات علم البيانات المعقدة، مثل إجراء المعالجة المسبقة للبيانات قبل تغذية البيانات في نموذج خاضع للإشراف. توفر منصات مثل Ultralytics HUB بيئات حيث يمكن تطوير وإدارة نماذج تعلم آلي مختلفة، والتي قد تتضمن تقنيات غير خاضعة للإشراف لتحليل مجموعات البيانات. تقدم أطر عمل مثل PyTorch و TensorFlow مكتبات واسعة تدعم تنفيذ الخوارزميات غير الخاضعة للإشراف، ويمكنك استكشاف المزيد باستخدام موارد مثل دليل التعلم غير الخاضع للإشراف الخاص بـ Scikit-learn.