التعلم الخاضع للإشراف هو أنواع التعلم الآلي التي يتم فيها تدريب الآلات باستخدام بيانات تدريب 'مُصنفة' بشكل جيد، وعلى أساس تلك البيانات، تتنبأ الآلات بالمخرجات. تعني البيانات المسماة أن بعض بيانات الإدخال قد تم بالفعل تمييزها بالإخراج الصحيح.
حجم المتجه c++
في التعلم الخاضع للإشراف، تعمل بيانات التدريب المقدمة للآلات كمشرف يقوم بتعليم الآلات التنبؤ بالمخرجات بشكل صحيح. ويطبق نفس المفهوم الذي يتعلمه الطالب تحت إشراف المعلم.
التعلم الخاضع للإشراف هو عملية توفير بيانات الإدخال بالإضافة إلى بيانات الإخراج الصحيحة لنموذج التعلم الآلي. الهدف من خوارزمية التعلم الخاضع للإشراف هو ابحث عن دالة تعيين لتعيين متغير الإدخال (x) مع متغير الإخراج (y) .
في العالم الحقيقي، يمكن استخدام التعلم الخاضع للإشراف تقييم المخاطر، تصنيف الصور، كشف الاحتيال، تصفية البريد العشوائي ، إلخ.
كيف يعمل التعلم الخاضع للإشراف؟
في التعلم الخاضع للإشراف، يتم تدريب النماذج باستخدام مجموعة البيانات المسماة، حيث يتعرف النموذج على كل نوع من البيانات. بمجرد اكتمال عملية التدريب، يتم اختبار النموذج على أساس بيانات الاختبار (مجموعة فرعية من مجموعة التدريب)، ثم يتنبأ بالمخرجات.
يمكن فهم آلية عمل التعلم الخاضع للإشراف بسهولة من خلال المثال والرسم البياني أدناه:
لنفترض أن لدينا مجموعة بيانات من أنواع مختلفة من الأشكال التي تشمل المربع والمستطيل والمثلث والمضلع. الآن الخطوة الأولى هي أننا بحاجة إلى تدريب النموذج لكل شكل.
- إذا كان الشكل المحدد له أربعة جوانب، وجميع الجوانب متساوية، فسيتم تصنيفه على أنه أ مربع .
- إذا كان الشكل المحدد له ثلاثة جوانب، فسيتم تصنيفه على أنه أ مثلث .
- إذا كان الشكل المحدد له ستة جوانب متساوية، فسيتم تصنيفه على أنه سداسي الزوايا .
الآن، بعد التدريب، نقوم باختبار نموذجنا باستخدام مجموعة الاختبار، ومهمة النموذج هي تحديد الشكل.
تم تدريب الآلة بالفعل على جميع أنواع الأشكال، وعندما تجد شكلاً جديدًا، تقوم بتصنيف الشكل على أسس عدد من الجوانب، وتتنبأ بالمخرجات.
الخطوات المتبعة في التعلم الخاضع للإشراف:
- أولاً تحديد نوع مجموعة بيانات التدريب
- جمع/جمع بيانات التدريب المسمى.
- تقسيم مجموعة بيانات التدريب إلى تدريب مجموعة البيانات، ومجموعة بيانات الاختبار، ومجموعة بيانات التحقق من الصحة .
- تحديد ميزات الإدخال لمجموعة بيانات التدريب، والتي يجب أن تتمتع بالمعرفة الكافية حتى يتمكن النموذج من التنبؤ بدقة بالمخرجات.
- تحديد الخوارزمية المناسبة للنموذج، مثل آلة ناقل الدعم، وشجرة القرار، وما إلى ذلك.
- تنفيذ الخوارزمية على مجموعة بيانات التدريب. في بعض الأحيان نحتاج إلى مجموعات التحقق من الصحة كمعلمات التحكم، وهي مجموعة فرعية من مجموعات بيانات التدريب.
- تقييم دقة النموذج من خلال توفير مجموعة الاختبار. إذا توقع النموذج المخرجات الصحيحة، فهذا يعني أن نموذجنا دقيق.
أنواع خوارزميات التعلم الآلي الخاضعة للإشراف:
يمكن تقسيم التعلم الخاضع للإشراف إلى نوعين من المشكلات:
1. الانحدار
يتم استخدام خوارزميات الانحدار إذا كانت هناك علاقة بين متغير الإدخال ومتغير الإخراج. يتم استخدامه للتنبؤ بالمتغيرات المستمرة، مثل التنبؤ بالطقس واتجاهات السوق وما إلى ذلك. وفيما يلي بعض خوارزميات الانحدار الشائعة التي تندرج تحت التعلم الخاضع للإشراف:
- الانحدارالخطي
- أشجار الانحدار
- الانحدار غير الخطي
- الانحدار الخطي بايزي
- الانحدار متعدد الحدود
2. التصنيف
يتم استخدام خوارزميات التصنيف عندما يكون متغير الإخراج قاطعًا، مما يعني أن هناك فئتين مثل نعم-لا، ذكر-أنثى، صحيح-خطأ، وما إلى ذلك.
تصفية البريد العشوائي،
- غابة عشوائية
- أشجار القرار
- الانحدار اللوجستي
- دعم آلات المتجهات
ملاحظة: سنناقش هذه الخوارزميات بالتفصيل في الفصول اللاحقة.
مزايا التعلم الخاضع للإشراف:
- وبمساعدة التعلم الخاضع للإشراف، يمكن للنموذج التنبؤ بالمخرجات على أساس التجارب السابقة.
- في التعلم الخاضع للإشراف، يمكننا الحصول على فكرة دقيقة عن فئات الأشياء.
- يساعدنا نموذج التعلم الخاضع للإشراف على حل العديد من مشكلات العالم الحقيقي مثل كشف الاحتيال، وتصفية البريد العشوائي ، إلخ.
عيوب التعلم تحت الإشراف:
- نماذج التعلم الخاضعة للإشراف ليست مناسبة للتعامل مع المهام المعقدة.
- لا يمكن للتعلم الخاضع للإشراف التنبؤ بالمخرجات الصحيحة إذا كانت بيانات الاختبار مختلفة عن مجموعة بيانات التدريب.
- يتطلب التدريب الكثير من أوقات الحساب.
- في التعلم الخاضع للإشراف، نحتاج إلى معرفة كافية حول فئات الأشياء.