التعلم الخاضع للإشراف وغير الخاضع للإشراف هما تقنيتان للتعلم الآلي. ولكن يتم استخدام كلا التقنيتين في سيناريوهات مختلفة ومع مجموعات بيانات مختلفة. يوجد أدناه شرح لطريقتي التعلم بالإضافة إلى جدول الفرق الخاص بهما.
التعلم الآلي الخاضع للإشراف:
التعلم الخاضع للإشراف هو أسلوب للتعلم الآلي يتم من خلاله تدريب النماذج باستخدام البيانات المصنفة. في التعلم الخاضع للإشراف، تحتاج النماذج إلى العثور على وظيفة التعيين لتعيين متغير الإدخال (X) مع متغير الإخراج (Y).
يحتاج التعلم الخاضع للإشراف إلى الإشراف لتدريب النموذج، وهو ما يشبه تعلم الطالب للأشياء في حضور المعلم. يمكن استخدام التعلم الخاضع للإشراف لنوعين من المشكلات: تصنيف و تراجع .
يتعلم أكثر التعلم الآلي الخاضع للإشراف
مثال: لنفترض أن لدينا صورة لأنواع مختلفة من الفواكه. تتمثل مهمة نموذج التعلم الخاضع للإشراف لدينا في تحديد الثمار وتصنيفها وفقًا لذلك. لذا، لتحديد الصورة في التعلم الخاضع للإشراف، سنقدم البيانات المدخلة وكذلك المخرجات لذلك، مما يعني أننا سنقوم بتدريب النموذج حسب شكل كل فاكهة وحجمها ولونها وطعمها. بمجرد الانتهاء من التدريب، سنقوم باختبار النموذج من خلال إعطاء مجموعة الفاكهة الجديدة. سيقوم النموذج بتحديد الفاكهة والتنبؤ بالمخرجات باستخدام خوارزمية مناسبة.
التعلم الآلي غير الخاضع للرقابة:
التعلم غير الخاضع للرقابة هو طريقة أخرى للتعلم الآلي يتم من خلالها استنتاج الأنماط من بيانات الإدخال غير المسماة. الهدف من التعلم غير الخاضع للرقابة هو العثور على البنية والأنماط من البيانات المدخلة. التعلم غير الخاضع للرقابة لا يحتاج إلى أي إشراف. وبدلاً من ذلك، فإنه يبحث عن أنماط من البيانات بنفسه.
numpy linspace
يتعلم أكثر التعلم الآلي غير الخاضع للرقابة
يمكن استخدام التعلم غير الخاضع للرقابة لنوعين من المشاكل: تجمع و منظمة .
مثال: لفهم التعلم غير الخاضع للرقابة، سوف نستخدم المثال المذكور أعلاه. لذلك، على عكس التعلم الخاضع للإشراف، لن نقدم هنا أي إشراف على النموذج. سنقوم فقط بتوفير مجموعة بيانات الإدخال للنموذج والسماح للنموذج بالعثور على الأنماط من البيانات. وبمساعدة خوارزمية مناسبة، سيقوم النموذج بتدريب نفسه وتقسيم الثمار إلى مجموعات مختلفة وفقًا للميزات الأكثر تشابهًا فيما بينها.
فيما يلي الاختلافات الرئيسية بين التعلم الخاضع للإشراف وغير الخاضع للإشراف:
| التعلم تحت الإشراف | تعليم غير مشرف عليه |
|---|---|
| يتم تدريب خوارزميات التعلم الخاضعة للإشراف باستخدام البيانات المصنفة. | يتم تدريب خوارزميات التعلم غير الخاضعة للرقابة باستخدام بيانات غير مصنفة. |
| يتلقى نموذج التعلم الخاضع للإشراف تعليقات مباشرة للتحقق مما إذا كان يتوقع المخرجات الصحيحة أم لا. | نموذج التعلم غير الخاضع للرقابة لا يأخذ أي ردود فعل. |
| نموذج التعلم الخاضع للإشراف يتنبأ بالمخرجات. | يجد نموذج التعلم غير الخاضع للرقابة الأنماط المخفية في البيانات. |
| في التعلم الخاضع للإشراف، يتم توفير بيانات الإدخال للنموذج مع المخرجات. | في التعلم غير الخاضع للرقابة، يتم توفير بيانات الإدخال فقط للنموذج. |
| الهدف من التعلم الخاضع للإشراف هو تدريب النموذج حتى يتمكن من التنبؤ بالمخرجات عندما يتم إعطاؤه بيانات جديدة. | الهدف من التعلم غير الخاضع للرقابة هو العثور على الأنماط المخفية والرؤى المفيدة من مجموعة البيانات غير المعروفة. |
| يحتاج التعلم الخاضع للإشراف إلى الإشراف لتدريب النموذج. | لا يحتاج التعلم غير الخاضع للرقابة إلى أي إشراف لتدريب النموذج. |
| ويمكن تصنيف التعلم تحت الإشراف في تصنيف و تراجع مشاكل. | يمكن تصنيف التعلم غير الخاضع للرقابة في تجمع و ذات الصلة مشاكل. |
| يمكن استخدام التعلم الخاضع للإشراف في تلك الحالات التي نعرف فيها المدخلات بالإضافة إلى المخرجات المقابلة. | يمكن استخدام التعلم غير الخاضع للرقابة في تلك الحالات التي يكون لدينا فيها بيانات إدخال فقط ولا توجد بيانات مخرجات مقابلة. |
| نموذج التعلم الخاضع للإشراف ينتج نتيجة دقيقة. | قد يعطي نموذج التعلم غير الخاضع للإشراف نتائج أقل دقة مقارنة بالتعلم الخاضع للإشراف. |
| التعلم الخاضع للإشراف ليس قريبًا من الذكاء الاصطناعي الحقيقي، حيث نقوم أولاً بتدريب النموذج لكل بيانات، وبعد ذلك فقط يمكنه التنبؤ بالمخرجات الصحيحة. | التعلم غير الخاضع للرقابة هو أقرب إلى الذكاء الاصطناعي الحقيقي لأنه يتعلم بشكل مشابه كما يتعلم الطفل الأشياء الروتينية اليومية من خلال تجاربه. |
| يتضمن خوارزميات مختلفة مثل الانحدار الخطي، والانحدار اللوجستي، وآلة ناقل الدعم، والتصنيف متعدد الفئات، وشجرة القرار، والمنطق البايزي، وما إلى ذلك. | يتضمن خوارزميات مختلفة مثل خوارزمية Clustering وKNN وApriori. |