قائمة مصطلحات التعلم الآلي (25): التعلم الخاضع للإشراف Supervised Learning

تعريف التعلم الخاضع للإشراف

يعتبر التعلم الخاضع للإشراف من أنواع التعلم الآلي الأربعة الرئيسية الذي يتضمن استخدام مجموعة من البيانات المصنفة لتدريب النموذج لعمل تنبؤات أو تصنيفات لأمثلة جديدة. في هذا النوع من التعلم ، يتم تقسيم مجموعة البيانات إلى مجموعة بيانات تدريب و مجموعة بيانات إختبار. مجموعة بيانات التدريب تستخدم لتدريب النموذج. بينما مجموعة بيانات الاختبار تستخدم لتقييم أداء النموذج. الهدف الرئيسي من هذا التعلم هو معرفة العلاقة بين خصائص الإدخال والمتغيرات المستهدفة. حيث يساعد النموذج على التعميم على أمثلة جديدة.

كيف يعمل التعلم الخاضع للإشراف و خوارزمياته

تبدأ العملية عادةً باستخراج الخصائص و المعالجة المسبقة للبيانات. حيث يستخدم مجموعة تدريب لتعليم النماذج لتحقيق المخرجات المرجوة. تتضمن مجموعة بيانات التدريب هذه المدخلات والمخرجات الصحيحة ، والتي تسمح للنموذج بالتعلم بمرور الوقت. تقيس الخوارزمية دقتها من خلال دالة الفقد ، وتعديلها حتى يتم تقليل الخطأ بشكل كافٍ. يمكن تقسيم مهام هذا التعلم عند التنقيب في البيانات إلى نوعين رئيسين التصنيف والتنبؤ:

  • يستخدم التصنيف خوارزمية لتعيين بيانات الاختبار بدقة إلى فئات محددة. يتعرف على كيانات محددة ضمن مجموعة البيانات ويحاول استخلاص بعض الاستنتاجات حول كيفية تسمية هذه الكيانات أو تعريفها. خوارزميات التصنيف الشائعة هي المصنفات الخطية ، آلة المتجهات الدعمة (SVM) ،  أشجار القرار ، أقرب الجيران k ، و الغابة العشوائية.
  • بينما يستخدم التنبؤ لفهم العلاقة بين المتغيرات التابعة والمستقلة. يتم استخدامه بشكل شائع لعمل توقعات ، مثل إيرادات المبيعات لنشاط تجاري معين. يعد الانحدار الخطي والانحدار اللوجستي والانحدار متعدد الحدود من خوارزميات التنبؤ الشائعة.

تطبيقات التعلم الخاضع للإشراف

يمكن تطبيق التعلم الخاضع للإشراف على مجموعة مختلفة من المجالات ، لأنها توفر أفضل الخوارزميات لإيجاد نتائج دقيقة. تتوزع تطبيقات التعلم الالي على التصنيف والتنبؤ وتنبؤ السلاسل الزمنية و يعتمد اختيار الخوارزمية على نوع المشكله ونوع بيانات الإدخال. من التطبيقات الشائعة ما يلي:

  • كشف الاحتيال في القطاع المصرفي والمالي: يساعد في تحديد ما إذا كانت المعاملات التي قام بها المستخدمون أصلية.
  • اكتشاف البريد العشوائي: بمساعدة كلمات رئيسية محددة ومحتوى مختلف ، يمكن للتعلم الخاضع للإشراف اكتشاف رسائل البريد الإلكتروني بسهولة إذا كانت بريد عشوائي أم لا. يتعرف على كلمات رئيسية معينة ويرسلها إلى فئة البريد العشوائي.
  • مجال المعلوماتية الحيوية Bioinformatics: أكبر تطبيق هو تخزين المعلومات البيولوجية للبشر. قد تكون هذه معلومات متعلقة بأطراف الأصابع والعينين والمسحات وقوام قزحية العين وغير ذلك الكثير.
  • التعرف على الأشياء و تطبيقات كثيرة اخرى.

تحديات التعلم

التحدي الأكبر الذي يواجه هذا النوع من التعلم هو حجم البيانات المهول. فمبجرد ما يكون حجم البيانات كبيرًا ومتزايدًا ، تصبح عملية تسمية و تخصيص البيانات نوعا ما صعبة. و هذا يمكن أن يجعل العملية برمتها معقدة عند مقارنتها بالطرق المستخدمة في التعلم غير الخاضع للإشراف.

أيضا من ضمن التحديات التي تواجهه هو صعوبة تطبيق هذا النوع من التعلم في الوقت الفعلي لأنه يستند في التعلم أساسا على التجارب السابقة. اضافة إلى ذلك ، يتطلب الكثير من الوقت للتدريب حيث أن وقت الحساب يكون كثيرا نسبيا.

يمكن أن تكون نماذج هذا التعلم التدريبية مكلفة للغاية. و احتمالية وقوع خطأ بشري الواردة ،قد يؤدي إلى تعلم الخوارزميات بشكل غير صحيح. على عكس نماذج التعلم غير الخاضعة للإشراف ، لا يمكن للتعلم الخاضع للإشراف تجميع البيانات أو تصنيفها بمفرده.

أيضا تتطلب النماذج المدرجة تحت هذا النوع من التعلم مستويات معينة من الخبرة للهيكلة بدقة.

 

 

Share on facebook
فيسبوك
Share on twitter
تويتر
Share on linkedin
لينكدإن
Share on whatsapp
واتساب

اترك تعليقاً

المشاركات الاخيرة

أحدث التعليقات

أفحص بحثك بالمجان

رفع الملف