التعلم الخاضع للإشراف: عندما يتعلم الذكاء الاصطناعي من أمثلة مُعَلَّمة

التعلم الخاضع للإشراف هو أحد أكثر المناهج استخدامًا في الذكاء الاصطناعي. يسمح للنموذج بالتعلم من أمثلة تم تصحيحها مسبقًا، تمامًا كطالب يراجع مع معلم يعطيه الإجابات الصحيحة. تشكل هذه التقنية أساس العديد من الأدوات اليومية، من فلاتر مكافحة البريد المزعج إلى توصيات الأفلام.

ما هو التعلم الخاضع للإشراف؟

في التعلم الخاضع للإشراف، يُزوَّد النموذج بمجموعة بيانات تحتوي على كل من المدخلات (features) والمخرجات المتوقعة (labels). يقوم النموذج بتحليل هذه الأزواج لاكتشاف العلاقات الخفية. بمجرد تدريبه، يمكنه التنبؤ بالمخرجات للبيانات الجديدة التي لم يسبق له رؤيتها. والهدف هو تقليل الأخطاء في هذه التنبؤات.

التصنيف أو الانحدار: مهمتان رئيسيتان

ينقسم التعلم الخاضع للإشراف إلى عائلتين كبيرتين:

• التصنيف: التنبؤ بفئة (مثال: بريد مزعج أو غير مزعج، قطة أو كلب).
• الانحدار: التنبؤ بقيمة رقمية مستمرة (مثال: سعر منزل، درجة الحرارة غدًا).

يستخدم كل نوع خوارزميات مناسبة: أشجار القرار للتصنيف، والانحدار الخطي للقيم الرقمية.

مثال ملموس: تصفية الرسائل الإلكترونية غير المرغوب فيها

لنتخيل أنك تريد إنشاء فلتر مضاد للسبام. تبدأ بجمع آلاف الرسائل الإلكترونية المُصنفة بالفعل على أنها «سبام» أو «شرعية». يتعلم النموذج الكلمات المفتاحية، وبنية الجمل، والمرسلين المشبوهين. بعد التدريب، يصنف الرسائل الجديدة تلقائيًا بدقة غالبًا ما تتجاوز 95 %.

خطوات مشروع التعلم الخاضع للإشراف

للنجاح في مشروع، اتبع هذه الخطوات الرئيسية:

• جمع البيانات وتنظيفها.
• اختيار الميزات المناسبة.
• تقسيم البيانات إلى مجموعات التدريب والاختبار.
• تدريب عدة نماذج ومقارنة أدائها.
• التقييم باستخدام مقاييس مناسبة (الدقة، الاستدعاء، متوسط الخطأ التربيعي).

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LogisticRegression()
model.fit(X_train, y_train)

المزايا والقيود والنصائح للمبتدئين

التعلم الخاضع للإشراف قوي عندما تكون البيانات وفيرة ومُعَلَّمة جيدًا. ومع ذلك، فإنه يتطلب الكثير من البيانات المُعلَّمة وقد يعاني من الإفراط في التعلم إذا حفظ النموذج الأمثلة التدريبية بشكل مفرط. استخدم دائمًا التحقق المتقاطع وابدأ بخوارزميات بسيطة مثل الانحدار اللوجستي أو الغابات العشوائية.

بإتقانك للتعلم الخاضع للإشراف، تضع أسسًا متينة لاستكشاف مجالات أكثر تقدمًا مثل التعلم غير الخاضع للإشراف أو التعلم العميق. جرب مجموعات بيانات عامة على Kaggle للتقدم بسرعة!