تعلمنا في الموضوع السابق التعلم الآلي الخاضع للإشراف حيث يتم تدريب النماذج باستخدام البيانات المصنفة تحت إشراف بيانات التدريب. ولكن قد تكون هناك العديد من الحالات التي لا نملك فيها بيانات مصنفة ونحتاج إلى العثور على الأنماط المخفية من مجموعة البيانات المحددة. لذا، لحل مثل هذه الحالات في التعلم الآلي، نحتاج إلى تقنيات تعلم غير خاضعة للرقابة.
ما هو التعلم غير الخاضع للرقابة؟
كما يوحي الاسم، فإن التعلم غير الخاضع للرقابة هو أسلوب للتعلم الآلي حيث لا يتم الإشراف على النماذج باستخدام مجموعة بيانات التدريب. وبدلاً من ذلك، تقوم النماذج نفسها بالعثور على الأنماط والرؤى المخفية من البيانات المقدمة. ويمكن مقارنته بالتعلم الذي يحدث في دماغ الإنسان أثناء تعلم أشياء جديدة. يمكن تعريفها على النحو التالي:
ما هي الشخصية الخاصة
التعلم غير الخاضع للرقابة هو نوع من التعلم الآلي يتم فيه تدريب النماذج باستخدام مجموعة بيانات غير مصنفة ويُسمح لها بالتصرف بناءً على تلك البيانات دون أي إشراف.
لا يمكن تطبيق التعلم غير الخاضع للإشراف بشكل مباشر على مشكلة الانحدار أو التصنيف لأنه على عكس التعلم الخاضع للإشراف، لدينا بيانات الإدخال ولكن لا توجد بيانات مخرجات مقابلة. الهدف من التعلم غير الخاضع للرقابة هو العثور على البنية الأساسية لمجموعة البيانات، وتجميع تلك البيانات وفقًا لأوجه التشابه، وتمثيل مجموعة البيانات هذه بتنسيق مضغوط .
مثال: لنفترض أن خوارزمية التعلم غير الخاضعة للرقابة مُنحت مجموعة بيانات إدخال تحتوي على صور لأنواع مختلفة من القطط والكلاب. لم يتم تدريب الخوارزمية أبدًا على مجموعة البيانات المحددة، مما يعني أنه ليس لديها أي فكرة عن ميزات مجموعة البيانات. تتمثل مهمة خوارزمية التعلم غير الخاضعة للرقابة في تحديد ميزات الصورة من تلقاء نفسها. ستؤدي خوارزمية التعلم غير الخاضعة للرقابة هذه المهمة عن طريق تجميع مجموعة بيانات الصورة في مجموعات وفقًا لأوجه التشابه بين الصور.
لماذا نستخدم التعلم غير الخاضع للرقابة؟
فيما يلي بعض الأسباب الرئيسية التي تصف أهمية التعلم غير الخاضع للرقابة:
- يعد التعلم غير الخاضع للرقابة مفيدًا في العثور على رؤى مفيدة من البيانات.
- يشبه التعلم غير الخاضع للرقابة إلى حد كبير تعلم الإنسان التفكير من خلال تجاربه الخاصة، مما يجعله أقرب إلى الذكاء الاصطناعي الحقيقي.
- يعمل التعلم غير الخاضع للرقابة على بيانات غير مصنفة وغير مصنفة مما يجعل التعلم غير الخاضع للرقابة أكثر أهمية.
- في العالم الحقيقي، ليس لدينا دائمًا بيانات مدخلة مع المخرجات المقابلة، لذا لحل مثل هذه الحالات، نحتاج إلى تعلم غير خاضع للإشراف.
العمل على التعلم غير الخاضع للرقابة
يمكن فهم عمل التعلم غير الخاضع للرقابة من خلال الرسم البياني أدناه:
هنا، أخذنا بيانات مدخلة غير مسماة، مما يعني أنها غير مصنفة ولم يتم تقديم المخرجات المقابلة لها أيضًا. والآن، يتم تغذية بيانات الإدخال غير المسماة هذه إلى نموذج التعلم الآلي من أجل تدريبه. أولاً، سيتم تفسير البيانات الأولية للعثور على الأنماط المخفية من البيانات ثم سيتم تطبيق الخوارزميات المناسبة مثل تجميع الوسائل k وشجرة القرار وما إلى ذلك.
بمجرد تطبيق الخوارزمية المناسبة، تقوم الخوارزمية بتقسيم كائنات البيانات إلى مجموعات وفقًا لأوجه التشابه والاختلاف بين الكائنات.
أنواع خوارزميات التعلم غير الخاضعة للرقابة:
يمكن تصنيف خوارزمية التعلم غير الخاضعة للرقابة إلى نوعين من المشاكل:
ملاحظة: سوف نتعلم هذه الخوارزميات في الفصول اللاحقة.
خوارزميات التعلم غير الخاضعة للرقابة:
فيما يلي قائمة ببعض خوارزميات التعلم غير الخاضعة للرقابة الشائعة:
جافا توليد رقم عشوائي
مزايا التعلم غير الخاضع للرقابة
- يتم استخدام التعلم غير الخاضع للإشراف في مهام أكثر تعقيدًا مقارنةً بالتعلم الخاضع للإشراف، لأنه في التعلم غير الخاضع للإشراف، لا نملك بيانات مدخلة مصنفة.
- يُفضل التعلم غير الخاضع للرقابة لأنه من السهل الحصول على بيانات غير مُصنفة مقارنة بالبيانات المُصنفة.
عيوب التعلم غير الخاضع للرقابة
- يعد التعلم غير الخاضع للإشراف أكثر صعوبة في جوهره من التعلم الخاضع للإشراف لأنه لا يحتوي على مخرجات مقابلة.
- قد تكون نتيجة خوارزمية التعلم غير الخاضعة للرقابة أقل دقة حيث لا يتم تصنيف البيانات المدخلة، ولا تعرف الخوارزميات المخرجات الدقيقة مسبقًا.