يعتبر مجال تعلم الالة من المجالات المهمة في عصرنا الحالي نظرا للكم و الزخم الهائل في توليد البيانات. في هذه المقدمة سنتطرق إلى تعريف مجال تعلم الآلة و اهمية هذا المجال بالاضافة إلى أنواع تعلم الآلة.
يعتبر مجال تعلم الآلة واحد من أهم مجالات الذكاء الاصطناعي الأربعة: تعلم الآلة، معالجة اللغات الطبيعية، الرؤية الحاسوبية، و مجال الروبوتات. ان الهدف الاساسي من مجال الذكاء الاصطناعي هو تصميم نموذج آلي تستطيع الاله من خلاله التصرف والتفكير والرؤية والتكلم مثل الإنسان. و ذلك بناء على البيانات التي يتم تدريب هذه الآلة عليها. مثال على ذلك، الآن عندما كتبت هذا المقال لم المس لوحة المفاتيح وإنما استخدمت خاصية من خواص مجال معالجة اللغات الطبيعية وهو تحويل الكلام الى كتابة.
يمكن تعريف مجال تعلم الآلة على أنه مجال في علم الحاسوب يستند على الإحصاء و التقنيات البرمجية. حيث يكمن الغرض الرئيسي من هذا المجال تطوير أنظمة ذكية تستطيع تحسين نفسها تدريجيا و بشكل آلي عندما تتعرف على البيانات و التجارب الجديدة بدون الحاجة للإعداد اليدوي. يستخدم مجال تعلم الآلة في عدة مجالات مثل التصنيف و التنبؤ و تحليل DNA والتحكم الآلي. يمكن اختزال عمل تعلم الآلة في الرسم أدناه.
شكل 1. نموذج مبسط لعمل تعلم الآلة
بالنسبة للاقسام الرئيسية التي يتكون منها مجال تعلم الالة يمكن تقسيمها إلى أربعة أقسام رئيسية: القسم الأول هو التعلم الآلي الخاضع للإشراف Supervised ML القسم الثاني التعلم الآلي غير الخاضع للإشراف Unsupervised ML القسم الثالث التعلم الآلي شبه الخاضع للإشراف Semi-supervised ML والقسم الأخير التعلم الآلي المعزز Reinforcement ML.
التعلم الآلي الخاضع للإشراف Supervised ML
يعد التعلم الآلي الخاضع للإشراف من الأقسام المهمة في التعلم الآلي إن لم يكن أهمها. حيث يتم تدريب خوارزميات هذا النوع على البيانات المصنفة. مما يعني أن البيانات تتضمن متغيرات الإدخال (الميزات features) ومتغير الإخراج المقابل لها (السمة label). تستخدم الخوارزميات هذه البيانات المصنفة لتعلم رسم الخرائط بين متغيرات الإدخال والإخراج والتنبؤ بالبيانات الجديدة غير المرئية. الهدف من التعلم الخاضع للإشراف هو بناء نموذج يُعمم جيدًا على البيانات الجديدة. ويمكنه التنبؤ بدقة بمتغير المخرجات في ضوء بيانات الإدخال الجديدة. تتضمن أمثلة مهام التعلم الخاضع للإشراف التصنيف (توقع قيمة أو متغير فئوي) والانحدار (توقع قيمة أو متغير مستمر).
التعلم الآلي غير الخاضع للإشراف Unsupervised ML
على النقيض من التعلم الآلي الخاضع للإشراف يتم تدريب خوارزميات التعلم الآلي غير الخاضع للإشراف على البيانات غير المسماة أو غير المرمزة. مما يعني أن البيانات تتضمن فقط متغيرات الإدخال (الميزات) ولا يوجد متغير إخراج مطابق (السمة). تحاول خوارزميات هذا النوع من التعلم العثور على أنماط أو هياكل في البيانات دون توجيه متغير استجابة محدد. الهدف من التعلم غير الخاضع للإشراف هو اكتشاف العلاقات والبنية المخفية في البيانات. مثل التجميع (تجميع نقاط البيانات المتشابهة معًا) وتقليل الأبعاد (ضغط البيانات عالية الأبعاد في تمثيل منخفض الأبعاد). على عكس التعلم الخاضع للإشراف ، لا يحتوي التعلم غير الخاضع للإشراف على مهمة تنبؤ محددة ، ولكنه يحاول بدلاً من ذلك الكشف عن الهيكل الأساسي للبيانات.
التعلم الآلي شبه الخاضع للإشراف Semi-supervised ML
لاحظنا في الفقرتين السابقتين الفرق بين التعلم الخاضع وغير الخاضع للإشراف لكن هل يوجد تعلم يجمع بين هذين النوعين؟ الإجابة نعم. التعلم الآلي شبه الخاضع للإشراف هو تعلم آلي يجمع بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. يتم في هذا النوع من التعلم الآلي تدريب الخوارزميات على كل من البيانات المسماة وغير المسماة. تساعد البيانات المسماة الخوارزمية على التنبؤ بالمخرجات الصحيحة. بينما تساعد البيانات غير المسماة الخوارزمية باكتشاف علاقات وهياكل أكثر تعقيدًا في البيانات. الهدف من التعلم شبه الخاضع للإشراف هو الاستفادة من الكمية الكبيرة من البيانات المتاحة غير المسماة لتحسين دقة النموذج. و ذلك مع الاستمرار في استخدام مجموعة بيانات ذات تصنيف أصغر للتعلم الخاضع للإشراف. يعد التعلم شبه الخاضع للإشراف مفيدًا بشكل خاص في المواقف التي يكون فيها الحصول على البيانات المسماة مكلفًا أو يستغرق وقتًا طويلاً. يمكن أيضًا استخدام هذا النهج لتحسين أداء النماذج الخاضعة للإشراف في السيناريوهات التي تكون فيها الحصول على البيانات المسماة محدودة.
التعلم الآلي المعزز Reinforcement ML
التعلم الآلي المعزز هو نوع من التعلم الآلي حيث يتعلم الوكيل كيفية اتخاذ القرارات في بيئة من خلال تنفيذ الإجراءات وتلقي التعليقات في شكل مكافآت أو عقوبات. الهدف من الوكيل هو زيادة مكافأته التراكمية بمرور الوقت من خلال التعلم من الملاحظات التي يتلقاها. في التعلم المعزز ، يتفاعل الوكيل مع بيئته من خلال اختيار الإجراءات بناءً على حالته الحالية ومراقبة الحالة والمكافأة التالية الناتجة. يقوم الوكيل بعد ذلك بتحديث سياسته ، التي تربط الحالات إلى الإجراءات ، بناءً على هذه التجربة. تتكرر العملية حتى يتقارب الوكيل مع السياسة المثلى التي تزيد من المكافأة التراكمية المتوقعة. التعلم المعزز له تطبيقات في مختلف المجالات ، مثل الروبوتات ولعب الألعاب وأنظمة التوصية. يتم استخدامه أيضًا في مسائل صنع القرار حيث يعتمد القرار الأمثل على النتائج والمكافآت المستقبلية.
