فهم التعلم غير الخاضع للإشراف: شرح التجميع ببساطة

يُعد التعلم غير الخاضع للإشراف فرعًا رائعًا من فروع الذكاء الاصطناعي، يتيح للآلات اكتشاف الهياكل في البيانات دون إخبارها مسبقًا بما يجب أن تبحث عنه. وعلى خلاف التعلم الخاضع للإشراف، حيث يُرفق كل مثال بالإجابة الصحيحة، تستكشف الخوارزميات هنا بمفردها. ويُعتبر التجميع، أو الـ clustering، التقنية الأكثر بديهية والأكثر استخدامًا في هذا المجال.

ما هو التعلم غير الخاضع للإشراف؟

في التعلم غير الخاضع للإشراف، يتلقى الخوارزمية بيانات خام فقط: صور ونصوص وقياسات أو سلوكيات العملاء. ويهدف إلى اكتشاف الأنماط والتشابهات أو الشذوذات. ويُستخدم عندما لا تكون الفئات معروفة بعد، أو عندما تكون عملية الحصول على التسميات مكلفة جداً.

• لا توجد إجابات معروفة مسبقاً
• اكتشاف هياكل مخفية
• مفيد للاستكشاف وتقليل البيانات

التجميع: التجميع بدون تسميات

يتكون التجميع من تقسيم مجموعة بيانات إلى مجموعات فرعية (clusters) حيث تتشابه العناصر داخل المجموعة الواحدة كثيراً، بينما تختلف المجموعات عن بعضها. تخيل متجراً يريد تصنيف عملائه دون معرفة مسبقة ما إذا كانوا «مخلصين»، «عرضيين» أو «مميزين»: يمكن للتجميع أن يُظهر هذه الفئات تلقائياً.

• يُخصص كل نقطة بيانات إلى عنقود
• تُعرف العناقيد بالتشابه بين النقاط
• يمكن تحديد عدد العناقيد أو اكتشافه تلقائياً

خوارزمية K-Means، الأداة الأكثر شعبية

K-Means هي خوارزمية التجميع الأكثر شهرة والأبسط فهماً. تعمل في ثلاث خطوات متكررة: اختيار K مراكز بشكل عشوائي، تعيين كل نقطة إلى أقرب مركز، ثم إعادة حساب المراكز كمتوسط النقاط المعينة. يُكرر ذلك حتى تتوقف المراكز عن الحركة.

• بسيطة وسريعة على مجموعات البيانات الكبيرة
• تتطلب اختيار عدد K للمجموعات مسبقاً
• حساسة للقيم الأولية والقيم الشاذة

مثال ملموس: تجزئة العملاء

تمتلك شركة للتجارة الإلكترونية البيانات التالية لكل عميل: متوسط قيمة المشتريات، وتكرار الشراء، وقدم العميل. وباستخدام خوارزمية K-Means، يمكنها اكتشاف ثلاث مجموعات طبيعية: المشترون العرضيون ذوو المبالغ الصغيرة، والعملاء المنتظمون ذوو الميزانية المتوسطة، والعملاء المخلصون ذوو المشتريات الكبيرة. تتيح هذه المعلومات بعد ذلك تخصيص الحملات التسويقية دون الحاجة إلى تصنيف العملاء يدوياً.

طرق أخرى ومتى اختيارها

بينما يفترض K-Means عناقيد كروية الشكل، فإن خوارزميات أخرى أكثر مرونة. يكتشف DBSCAN أشكالاً اعتباطية ويتجاهل النقاط المنفردة. يقوم التجميع الهرمي ببناء شجرة للتجمعات، وهو مفيد عندما نرغب في استكشاف مستويات متعددة من الدقة. يعتمد الاختيار على شكل البيانات وما نسعى إلى اكتشافه.

• DBSCAN للبيانات ذات الضوضاء والأشكال غير المنتظمة
• الهرمي لتصور العلاقات بين العناقيد
• Gaussian Mixture Models للعناقيد المتداخلة

التطبيقات الملموسة وأفضل الممارسات

التجميع موجود في كل مكان: تجميع الوثائق للبحث، كشف الاحتيال البنكي، تقسيم الصور الطبية أو تحليل السلوكيات على وسائل التواصل الاجتماعي. لاستخدامه بشكل صحيح، ابدأ دائمًا بتطبيع بياناتك، واختبر عدة قيم لـ K، وصوّر النتائج باستخدام أدوات مثل t-SNE أو PCA.

يُظهر التجميع أن الذكاء الاصطناعي يمكنه مساعدتنا على فهم العالم حتى عندما لا نعرف بالضبط ما نبحث عنه. ومن خلال استكشاف بياناتك بهذه التقنيات، تحول جداول الأرقام إلى رؤى قابلة للتنفيذ وتكتشف فرصًا مخفية.