التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي، والذي يمكّن الآلة من التعلم تلقائيًا من البيانات، وتحسين الأداء من التجارب السابقة، وإجراء التنبؤات . يحتوي التعلم الآلي على مجموعة من الخوارزميات التي تعمل على كمية هائلة من البيانات. يتم تغذية هذه الخوارزميات بالبيانات لتدريبها، وعلى أساس التدريب تقوم ببناء النموذج وتنفيذ مهمة محددة.
تساعد خوارزميات ML هذه في حل مشكلات الأعمال المختلفة مثل الانحدار والتصنيف والتنبؤ والتجمع والارتباطات وما إلى ذلك.
بناءً على أساليب وطريقة التعلم، ينقسم التعلم الآلي إلى أربعة أنواع بشكل أساسي، وهي:
- التعلم الآلي الخاضع للإشراف
- التعلم الآلي غير الخاضع للرقابة
- التعلم الآلي شبه الخاضع للإشراف
- تعزيز التعلم
في هذا الموضوع، سنقدم وصفًا تفصيليًا لأنواع التعلم الآلي بالإضافة إلى الخوارزميات الخاصة بها:
درجة دقة sklearn
1. التعلم الآلي تحت الإشراف
كما يوحي اسمها، التعلم الآلي الخاضع للإشراف يعتمد على الإشراف. ويعني ذلك أنه في تقنية التعلم الخاضع للإشراف، نقوم بتدريب الآلات باستخدام مجموعة البيانات 'المُصنفة'، وبناءً على التدريب، تتوقع الآلة المخرجات. هنا، تحدد البيانات المسماة أن بعض المدخلات قد تم تعيينها بالفعل للمخرجات. والأهم من ذلك، يمكننا أن نقول؛ أولاً، نقوم بتدريب الآلة على المدخلات والمخرجات المقابلة، ثم نطلب من الآلة التنبؤ بالمخرجات باستخدام مجموعة بيانات الاختبار.
دعونا نفهم التعلم تحت الإشراف مع مثال. لنفترض أن لدينا مجموعة بيانات مُدخلة لصور القطط والكلاب. لذا، أولاً، سنوفر التدريب للآلة لفهم الصور، مثل الصورة شكل وحجم ذيل القط والكلب، شكل العيون، اللون، الارتفاع (الكلاب أطول، القطط أصغر)، إلخ. بعد الانتهاء من التدريب، نقوم بإدخال صورة قطة ونطلب من الآلة تحديد الكائن والتنبؤ بالمخرجات. الآن، تم تدريب الآلة جيدًا، لذلك ستتحقق من جميع ميزات الجسم، مثل الارتفاع والشكل واللون والعينين والأذنين والذيل وما إلى ذلك، وتكتشف أنه قطة. لذلك، سيتم وضعها في فئة القط. هذه هي العملية الخاصة بكيفية تعريف الجهاز للكائنات في التعلم الخاضع للإشراف.
الهدف الرئيسي لتقنية التعلم الخاضع للإشراف هو تعيين متغير الإدخال (x) مع متغير الإخراج (y). بعض التطبيقات الواقعية للتعلم الخاضع للإشراف هي تقييم المخاطر، كشف الاحتيال، تصفية البريد العشوائي، إلخ.
فئات التعلم الآلي الخاضع للإشراف
يمكن تصنيف التعلم الآلي الخاضع للإشراف إلى نوعين من المشكلات، كما يلي:
أ) التصنيف
تُستخدم خوارزميات التصنيف لحل مشاكل التصنيف التي يكون فيها متغير الإخراج قاطعًا، مثل ' نعم أو لا، ذكر أو أنثى، أحمر أو أزرق، إلخ . تتنبأ خوارزميات التصنيف بالفئات الموجودة في مجموعة البيانات. بعض الأمثلة الواقعية لخوارزميات التصنيف هي اكتشاف البريد العشوائي وتصفية البريد الإلكتروني وما إلى ذلك.
بعض خوارزميات التصنيف الشائعة مذكورة أدناه:
ب) الانحدار
تُستخدم خوارزميات الانحدار لحل مشكلات الانحدار التي توجد فيها علاقة خطية بين متغيرات الإدخال والإخراج. وتستخدم هذه للتنبؤ بمتغيرات الإنتاج المستمرة، مثل اتجاهات السوق، والتنبؤ بالطقس، وما إلى ذلك.
بعض خوارزميات الانحدار الشائعة مذكورة أدناه:
مزايا وعيوب التعلم تحت الإشراف
مزايا:
- نظرًا لأن التعلم الخاضع للإشراف يعمل مع مجموعة البيانات المصنفة، حتى نتمكن من الحصول على فكرة دقيقة عن فئات الكائنات.
- هذه الخوارزميات مفيدة في التنبؤ بالمخرجات على أساس الخبرة السابقة.
سلبيات:
- هذه الخوارزميات غير قادرة على حل المهام المعقدة.
- وقد يتنبأ بالمخرجات الخاطئة إذا كانت بيانات الاختبار مختلفة عن بيانات التدريب.
- يتطلب الأمر الكثير من الوقت الحسابي لتدريب الخوارزمية.
تطبيقات التعلم الخاضع للإشراف
فيما يلي بعض التطبيقات الشائعة للتعلم الخاضع للإشراف:
تُستخدم خوارزميات التعلم الخاضع للإشراف في تجزئة الصور. في هذه العملية، يتم إجراء تصنيف الصور على بيانات صور مختلفة باستخدام تسميات محددة مسبقًا.
تُستخدم الخوارزميات الخاضعة للإشراف أيضًا في المجال الطبي لأغراض التشخيص. ويتم ذلك باستخدام الصور الطبية والبيانات السابقة مع تسميات الحالات المرضية. ومن خلال هذه العملية، يمكن للآلة تحديد المرض للمرضى الجدد.
2. التعلم الآلي غير الخاضع للرقابة
التعلم غير الخاضع للرقابة يختلف g عن أسلوب التعلم الخاضع للإشراف؛ وكما يوحي اسمها، ليست هناك حاجة للإشراف. وهذا يعني أنه في التعلم الآلي غير الخاضع للرقابة، يتم تدريب الآلة باستخدام مجموعة البيانات غير المسماة، وتتنبأ الآلة بالمخرجات دون أي إشراف.
في التعلم غير الخاضع للإشراف، يتم تدريب النماذج باستخدام البيانات التي لم يتم تصنيفها أو تصنيفها، ويعمل النموذج على تلك البيانات دون أي إشراف.
الهدف الرئيسي لخوارزمية التعلم غير الخاضعة للرقابة هو تجميع أو تصنيف مجموعة البيانات غير المصنفة وفقًا لأوجه التشابه والأنماط والاختلافات. يتم توجيه الآلات للعثور على الأنماط المخفية من مجموعة بيانات الإدخال.
لنأخذ مثالاً لنفهم الأمر بشكل أثمن؛ لنفترض أن هناك سلة من صور الفاكهة، وقمنا بإدخالها في نموذج التعلم الآلي. الصور غير معروفة تمامًا للنموذج، ومهمة الآلة هي العثور على أنماط وفئات الكائنات.
معالجة استثناءات جافا
لذا، ستكتشف الآلة الآن أنماطها واختلافاتها، مثل اختلاف اللون، واختلاف الشكل، والتنبؤ بالمخرجات عند اختبارها باستخدام مجموعة بيانات الاختبار.
فئات التعلم الآلي غير الخاضع للرقابة
يمكن تصنيف التعلم غير الخاضع للرقابة إلى نوعين، كما يلي:
1) التجميع
يتم استخدام تقنية التجميع عندما نريد العثور على المجموعات المتأصلة من البيانات. إنها طريقة لتجميع الكائنات في مجموعة بحيث تظل الكائنات ذات أكثر أوجه التشابه في مجموعة واحدة ولها أوجه تشابه أقل أو معدومة مع كائنات المجموعات الأخرى. مثال على خوارزمية التجميع هو تجميع العملاء حسب سلوكهم الشرائي.
بعض خوارزميات التجميع الشائعة مذكورة أدناه:
2) الجمعية
تعلم قواعد الارتباط هو أسلوب تعلم غير خاضع للرقابة، يجد علاقات مثيرة للاهتمام بين المتغيرات ضمن مجموعة بيانات كبيرة. الهدف الرئيسي من خوارزمية التعلم هذه هو العثور على تبعية عنصر بيانات واحد على عنصر بيانات آخر وتعيين تلك المتغيرات وفقًا لذلك حتى تتمكن من تحقيق أقصى قدر من الربح. يتم تطبيق هذه الخوارزمية بشكل أساسي في تحليل سلة السوق، التعدين باستخدام الويب، الإنتاج المستمر ، إلخ.
بعض الخوارزميات الشائعة لتعلم قواعد الارتباط هي خوارزمية أبريوري، إكلات، خوارزمية نمو FP.
مزايا وعيوب خوارزمية التعلم غير الخاضعة للرقابة
مزايا:
- يمكن استخدام هذه الخوارزميات في المهام المعقدة مقارنة بالمهام الخاضعة للإشراف لأن هذه الخوارزميات تعمل على مجموعة البيانات غير المسماة.
- تُفضل الخوارزميات غير الخاضعة للرقابة لمختلف المهام حيث أن الحصول على مجموعة البيانات غير المسماة أسهل مقارنةً بمجموعة البيانات المسماة.
سلبيات:
- يمكن أن تكون مخرجات الخوارزمية غير الخاضعة للرقابة أقل دقة حيث لم يتم تصنيف مجموعة البيانات، ولم يتم تدريب الخوارزميات على المخرجات الدقيقة مسبقًا.
- يعد العمل مع التعلم غير الخاضع للإشراف أكثر صعوبة لأنه يعمل مع مجموعة البيانات غير المسماة التي لا تتوافق مع المخرجات.
تطبيقات التعلم غير الخاضع للرقابة
3. التعلم شبه الخاضع للإشراف
التعلم شبه الخاضع للإشراف هو نوع من خوارزمية التعلم الآلي التي تقع بين التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف . وهو يمثل الأرضية الوسيطة بين خوارزميات التعلم الخاضع للإشراف (مع بيانات التدريب المُصنفة) والتعلم غير الخاضع للإشراف (بدون بيانات تدريب مُصنفة) ويستخدم مجموعة من مجموعات البيانات المُصنفة وغير المُصنفة خلال فترة التدريب.
أ على الرغم من أن التعلم شبه الخاضع للإشراف هو الحل الوسط بين التعلم الخاضع للإشراف وغير الخاضع للإشراف ويعمل على البيانات التي تتكون من عدد قليل من التصنيفات، فإنه يتكون في الغالب من بيانات غير مصنفة. نظرًا لأن التسميات باهظة الثمن، ولكن لأغراض الشركة، فقد تحتوي على عدد قليل من التسميات. وهو يختلف تمامًا عن التعلم الخاضع للإشراف وغير الخاضع للإشراف لأنه يعتمد على وجود وغياب التسميات.
رمي رميات في جافا
للتغلب على عيوب التعلم الخاضع للإشراف وخوارزميات التعلم غير الخاضع للإشراف، تم تقديم مفهوم التعلم شبه الخاضع للإشراف . الهدف الرئيسي من التعلم شبه الخاضع للإشراف هو الاستخدام الفعال لجميع البيانات المتاحة، بدلاً من البيانات المصنفة فقط كما هو الحال في التعلم الخاضع للإشراف. في البداية، يتم تجميع البيانات المتشابهة جنبًا إلى جنب مع خوارزمية التعلم غير الخاضعة للرقابة، علاوة على ذلك، فهي تساعد على تصنيف البيانات غير المسماة إلى بيانات مصنفة. وذلك لأن البيانات المُصنفة تعد عملية شراء أكثر تكلفة نسبيًا من البيانات غير المُصنفة.
يمكننا أن نتخيل هذه الخوارزميات مع مثال. التعلم الخاضع للإشراف هو حيث يكون الطالب تحت إشراف معلم في المنزل والكلية. علاوة على ذلك، إذا كان هذا الطالب يقوم بالتحليل الذاتي لنفس المفهوم دون أي مساعدة من المعلم، فإنه يقع ضمن التعلم غير الخاضع للإشراف. وفي ظل التعلم شبه الخاضع للإشراف، يتعين على الطالب أن يراجع نفسه بعد تحليل نفس المفهوم بتوجيه من أحد المعلمين في الكلية.
مزايا وعيوب التعلم شبه الخاضع للإشراف
مزايا:
- إنها بسيطة وسهلة لفهم الخوارزمية.
- أنها ذات كفاءة عالية.
- يتم استخدامه لحل عيوب خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف.
سلبيات:
- قد لا تكون نتائج التكرارات مستقرة.
- لا يمكننا تطبيق هذه الخوارزميات على البيانات على مستوى الشبكة.
- الدقة منخفضة.
4. تعزيز التعلم
يعمل التعلم المعزز على عملية قائمة على ردود الفعل، حيث يقوم وكيل الذكاء الاصطناعي (مكون برمجي) باستكشاف محيطه تلقائيًا عن طريق الضرب والتتبع، واتخاذ الإجراءات، والتعلم من التجارب، وتحسين أدائه. يحصل الوكيل على مكافأة على كل عمل جيد ويعاقب على كل عمل سيء؛ ومن ثم فإن هدف وكيل التعلم المعزز هو تعظيم المكافآت.
في التعلم المعزز، لا توجد بيانات مصنفة مثل التعلم الخاضع للإشراف، ويتعلم الوكلاء من تجاربهم فقط.
إن عملية التعلم المعزز تشبه عملية الإنسان؛ على سبيل المثال، يتعلم الطفل أشياء مختلفة من خلال تجارب حياته اليومية. مثال على التعلم المعزز هو لعب لعبة، حيث تكون اللعبة هي البيئة، وتحركات العميل في كل خطوة تحدد الحالات، وهدف الوكيل هو الحصول على درجة عالية. يتلقى الوكيل ردود الفعل من حيث العقاب والمكافآت.
نظرًا لطريقة عمله، يتم استخدام التعلم المعزز في مجالات مختلفة مثل نظرية اللعبة، بحوث العمليات، نظرية المعلومات، الأنظمة متعددة الوكلاء.
يمكن إضفاء الطابع الرسمي على مشكلة التعلم المعزز باستخدام عملية اتخاذ القرار ماركوف (MDP). في MDP، يتفاعل الوكيل باستمرار مع البيئة وينفذ الإجراءات؛ في كل إجراء، تستجيب البيئة وتولد حالة جديدة.
فئات التعلم المعزز
يتم تصنيف التعلم المعزز بشكل أساسي إلى نوعين من الأساليب/الخوارزميات:
ما هو المكدس في جافا
حالات الاستخدام في العالم الحقيقي للتعلم المعزز
تحظى خوارزميات RL بشعبية كبيرة في تطبيقات الألعاب. يتم استخدامه للحصول على أداء خارق للإنسان. بعض الألعاب الشائعة التي تستخدم خوارزميات RL هي ألفاجو و ألفا جو زيرو .
أظهرت ورقة 'إدارة الموارد مع التعلم المعزز العميق' كيفية استخدام RL في الكمبيوتر للتعلم تلقائيًا وجدولة الموارد لانتظار وظائف مختلفة من أجل تقليل متوسط تباطؤ الوظائف.
يتم استخدام RL على نطاق واسع في تطبيقات الروبوتات. تُستخدم الروبوتات في المجال الصناعي والتصنيعي، وتصبح هذه الروبوتات أكثر قوة من خلال التعلم المعزز. هناك صناعات مختلفة لديها رؤيتها لبناء روبوتات ذكية باستخدام تكنولوجيا الذكاء الاصطناعي والتعلم الآلي.
يتم الآن تنفيذ التنقيب عن النصوص، وهو أحد التطبيقات الرائعة للبرمجة اللغوية العصبية (NLP)، بمساعدة التعلم المعزز من قبل شركة Salesforce.
مزايا وعيوب التعلم المعزز
مزايا
- فهو يساعد في حل مشاكل العالم الحقيقي المعقدة التي يصعب حلها بالتقنيات العامة.
- نموذج التعلم لـ RL مشابه لتعلم البشر؛ وبالتالي يمكن العثور على النتائج الأكثر دقة.
- يساعد في تحقيق نتائج طويلة الأمد.
عيب
- خوارزميات RL ليست مفضلة للمشكلات البسيطة.
- تتطلب خوارزميات RL بيانات وحسابات ضخمة.
- يمكن أن يؤدي الكثير من التعلم المعزز إلى زيادة عدد الحالات مما قد يؤدي إلى إضعاف النتائج.
لعنة الأبعاد تحد من التعلم المعزز للأنظمة الفيزيائية الحقيقية.