التعلم الخاضع للإشراف: كيف تتعلم الآلات من الأمثلة

التعلم الخاضع للإشراف هو أحد أكثر النهج استخدامًا في الذكاء الاصطناعي. فهو يمكّن الآلة من التعلم من أمثلة تم حلها بالفعل، تمامًا كطالب يراجع باستخدام التصحيحات. هذه التقنية مثالية للمبتدئين لأنها تعتمد على مفاهيم واضحة ونتائج قابلة للقياس. في هذا المقال، سنستكشف كيفية عمله وتطبيقاته العملية وكيفية الشروع فيه ببساطة.

ما هو التعلم الخاضع للإشراف؟

في التعلم الخاضع للإشراف، يُقدم للخوارزمية مجموعة بيانات تحتوي على المدخلات والمخرجات المتوقعة. يقوم الحاسوب بتحليل هذه الأزواج لتحديد الأنماط وبناء نموذج قادر على التنبؤ بالمخرج للبيانات الجديدة. على سبيل المثال، يمكن عرض صور لقطط وكلاب مُعلمة مسبقًا حتى يتمكن من التعرف تلقائيًا على الصور الجديدة.

• تُعلم بيانات التدريب بواسطة البشر.
• تقوم الخوارزمية بتعديل معاملاتها لتقليل الأخطاء.
• يُختبر النموذج النهائي على بيانات جديدة.

التصنيف أو الانحدار: عائلتان كبيرتان

ينقسم التعلم الخاضع للإشراف إلى مهمتين رئيسيتين. يتمثل التصنيف في تعيين فئة، مثل « سبام » أو « غير سبام » للبريد الإلكتروني. أما الانحدار، فيتنبأ بقيمة رقمية مستمرة، مثل سعر منزل بناءً على مساحته وموقعه. تشترك هاتان المقاربتان في المنطق نفسه لكنهما تختلفان في نوع النتيجة المتوقعة.

• التصنيف: كشف الاحتيال، التشخيص الطبي، التعرف على الأشياء.
• الانحدار: توقع المبيعات، تقدير استهلاك الطاقة.

أمثلة ملموسة من الحياة اليومية

أنت تستخدم بالفعل التعلم الخاضع للإشراف دون أن تدرك ذلك. تعتمد فلاتر مكافحة الرسائل المزعجة في بريدك الإلكتروني، وتوصيات نتفليكس، واقتراحات الإكمال التلقائي على هاتفك الذكي على هذا المبدأ. أما في المجال المهني، فتستخدمه البنوك لتقييم مخاطر الائتمان، والأطباء لاكتشاف الشذوذات في الصور الشعاعية.

• التعرف على الصوت: يفهم سيري أو مساعد جوجل أوامرك.
• الإشراف على المحتوى: تقوم الشبكات الاجتماعية بتصفية الصور غير الملائمة.
• التنبؤ بالطقس: تتنبأ النماذج بالدرجات الحرارية بناءً على البيانات التاريخية.

خطوات بناء النموذج

لإنشاء مشروع تعلم خاضع للإشراف، يُتبع عادةً خمس خطوات: جمع البيانات وتنظيفها، اختيار خوارزمية، تدريب النموذج، تقييمه، وأخيراً نشره. جودة البيانات أساسية: فالتسميات الخاطئة تؤدي إلى تنبؤات سيئة. وتبسط أدوات مثل scikit-learn العملية كثيراً للمبتدئين.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target)
model = RandomForestClassifier()
model.fit(X_train, y_train)
print(model.score(X_test, y_test))

المزايا، الحدود والممارسات الجيدة

يوفر التعلم الخاضع للإشراف نتائج قابلة للتفسير وفعالة عندما تكون البيانات وفيرة وعالية الجودة. ومع ذلك، يتطلب الكثير من البيانات المُعَلَّمة، مما قد يكون مكلفًا. للنجاح، ابدأ بمجموعات بيانات عامة مثل Iris أو Titanic، وتحقق دائمًا من نموذجك على بيانات الاختبار وتجنب الإفراط في التعلم باستخدام التحقق المتقاطع.

• ميزة: تنبؤات دقيقة وسهلة التفسير.
• حد: الاعتماد على جودة وكمية البيانات.
• نصيحة: ابدأ ببساطة باستخدام خوارزميات مثل الانحدار اللوجستي أو أشجار القرار.

من خلال إتقان التعلم الخاضع للإشراف، تضع أساسًا متينًا لاستكشاف مجالات أكثر تقدمًا مثل التعلم غير الخاضع للإشراف أو التعلم العميق. لا تتردد في اختبار نماذجك الأولى على منصات مجانية مثل Google Colab. هذا النهج المتاح يحول البيانات الخام إلى قرارات ذكية ويفتح الباب أمام العديد من الابتكارات اليومية.