التعلم الخاضع للإشراف: الذكاء الاصطناعي الذي يتعلم من أمثلة مُعَلَّمة

التعلم الخاضع للإشراف هو أحد أكثر النهج استخدامًا في الذكاء الاصطناعي. يسمح للنموذج بالتعلم من الأمثلة المصحوبة بالإجابات الصحيحة، تمامًا كطالب يراجع باستخدام التصحيح.

ما هو التعلم الخاضع للإشراف؟

في هذا النوع من التعلم، تتلقى الخوارزمية مجموعة بيانات تحتوي على مدخلات (features) ومخرجات متوقعة (labels). تقوم بتعديل معاملاتها لتقليل الأخطاء بين تنبؤاتها والإجابات الصحيحة. والهدف النهائي هو تعميم هذه التعلمات على بيانات جديدة لم يسبق رؤيتها.

التصنيف أو الانحدار: نوعان رئيسيان من المهام

يتوزع التعلم الخاضع للإشراف بشكل أساسي على فئتين:

• التصنيف: التنبؤ بفئة منفصلة (مثال: بريد مزعج أو غير مزعج).
• الانحدار: التنبؤ بقيمة مستمرة (مثال: سعر منزل).

تشترك هاتان الطريقتان في نفس مبدأ التدريب على بيانات موسومة، لكنهما تختلفان في طبيعة المخرجات المتوقعة.

أمثلة ملموسة من الحياة اليومية

تستخدمون بالفعل التعلم الخاضع للإشراف دون أن تدركوا ذلك. تقوم فلاتر مكافحة البريد المزعج بتحليل آلاف رسائل البريد الإلكتروني المصنفة كـ«سبام» أو «شرعي». تتدرب تطبيقات التعرف على الوجوه على صور مرتبطة بأسماء. تتعلم أدوات التنبؤ بالطقس من سجلات درجات الحرارة والظروف الجوية.

الخطوات الرئيسية لمشروع

لنجاح نموذج تعلم خاضع للإشراف، اتبع هذه الخطوات:

• جمع البيانات وتنظيفها.
• تقسيم مجموعة البيانات إلى مجموعتي التدريب والاختبار.
• اختيار خوارزمية مناسبة.
• تدريب النموذج وضبط معلماته الفائقة.
• تقييم الأداء على بيانات غير مرئية.

الخوارزميات الشائعة ومثال بسيط

من بين الخوارزميات الأكثر استخدامًا: الانحدار الخطي، أشجار القرار، الغابات العشوائية، والشبكات العصبية. إليك مثالًا بسيطًا باستخدام scikit-learn للتصنيف:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)
clf = RandomForestClassifier().fit(X_train, y_train)
print(clf.score(X_test, y_test))

المزايا والقيود وأفضل الممارسات

يوفر التعلم الخاضع للإشراف نتائج غالبًا ما تكون دقيقة جدًا عندما تكون البيانات وفيرة وعالية الجودة. ومع ذلك، فإنه يتطلب الكثير من البيانات المُعلَّمة، والتي تكون مكلفة في الإنتاج. لتجنب الإفراط في التعلم، استخدم التحقق المتقاطع ونوّع مصادر بياناتك.

من خلال إتقان التعلم الخاضع للإشراف، تفتح الباب أمام العديد من التطبيقات العملية. ابدأ بمجموعات بيانات بسيطة مثل Iris أو Titanic، ثم تقدم نحو مشاريع أكثر طموحًا. المهم هو أن تحافظ دائمًا على جودة التصنيفات وتمثيلية بياناتك.