التعلّم غير الخاضع للإشراف
اكتشف كيف يستخدم التعلُّم غير الخاضع للإشراف التجميع، وتقليل الأبعاد، واكتشاف الشذوذ للكشف عن الأنماط الخفية في البيانات.
التعلم غير الخاضع للإشراف هو نموذج أساسي في التعلم الآلي (ML) حيث يتم تدريب الخوارزميات على البيانات التي لم يتم تصنيفها أو تصنيفها أو تصنيفها. وعلى عكس الأساليب الأخرى، يحاول النظام تعلم الأنماط والبنية مباشرةً من البيانات نفسها دون أي تسميات مخرجات مقابلة. الهدف الأساسي هو استكشاف البيانات والعثور على هياكل أو أنماط ذات معنى، مما يجعلها أداة رئيسية لاستكشاف البيانات وتحليلها في مجال الذكاء الاصطناعي.
مهام التعلم الأساسي غير الخاضع للإشراف
تُستخدم خوارزميات التعلّم غير الخاضع للإشراف عادةً لتحليل البيانات الاستكشافية ويمكن تجميعها في عدة مهام رئيسية:
- التجميع: هذه هي أكثر مهام التعلّم غير الخاضع للإشراف شيوعًا، وتتضمن تجميع نقاط البيانات في مجموعات بناءً على أوجه التشابه بينها. والهدف من ذلك هو جعل نقاط البيانات داخل مجموعة واحدة متشابهة إلى حد كبير مع بعضها البعض ومختلفة عن النقاط في المجموعات الأخرى. وتتضمن الخوارزميات الشائعة خوارزمية K-Means Clusterering وDBSCAN.
- تقليل الأبعاد: تُستخدم هذه التقنية لتقليل عدد متغيرات الإدخال في مجموعة البيانات. وهي مفيدة عند التعامل مع البيانات عالية الأبعاد، حيث يمكنها تبسيط النماذج وتقليل وقت الحساب والمساعدة في تصور البيانات. يعد تحليل المكونات الرئيسية (PCA ) طريقة مستخدمة على نطاق واسع لهذه المهمة.
- التنقيب عن قواعد الارتباط: تكتشف هذه الطريقة علاقات أو قواعد ارتباط مثيرة للاهتمام بين المتغيرات في قواعد البيانات الكبيرة. ومن الأمثلة الكلاسيكية على ذلك "تحليل سلة السوق"، الذي يعثر على العلاقات بين العناصر التي يتم شراؤها معًا بشكل متكرر في المتجر.
التطبيقات الواقعية
يقود التعلم غير الخاضع للإشراف الابتكار في العديد من الصناعات. وفيما يلي بعض الأمثلة الملموسة:
- تقسيم العملاء: تستخدم شركات البيع بالتجزئة والتجارة الإلكترونية خوارزميات التجميع لتجميع العملاء ذوي السلوكيات والتفضيلات المتشابهة. من خلال تحليل سجل الشراء ونشاط التصفح والتركيبة السكانية، يمكن للشركات إنشاء حملات تسويقية مستهدفة وتقديم توصيات مخصصة وتحسين تجربة العملاء، مما يعزز في النهاية الذكاء الاصطناعي في مجال البيع بالتجزئة.
- الكشف عن الحالات الشاذة: في مجال الأمن السيبراني، يمكن لنماذج التعلم غير الخاضع للإشراف تحديد حركة مرور الشبكة غير العادية التي قد تشير إلى وجود خرق أمني. وبالمثل، في مجال التصنيع، يمكن لهذه الخوارزميات اكتشاف العيوب في المنتجات على خط التجميع من خلال تحديد الانحرافات عن القاعدة، وهو عنصر أساسي في فحص الجودة الحديث.
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 علم البيانات المعقدة، مثل إجراء المعالجة المسبقة للبيانات قبل إدخال البيانات في نموذج خاضع للإشراف. توفر منصات مثل Ultralytics HUB بيئات يمكن من خلالها تطوير وإدارة نماذج مختلفة للتعلم الآلي، والتي من المحتمل أن تتضمن تقنيات غير خاضعة للإشراف لتحليل مجموعات البيانات. توفر أطر عمل مثل PyTorch و TensorFlow مكتبات واسعة النطاق تدعم تنفيذ الخوارزميات غير الخاضعة للإشراف، ويمكنك استكشاف المزيد من الموارد مثل دليل التعلم غير الخاضع للإشراف الخاص ب Scikit-learn.
