مصطلحًا
التعلم الخاضع للإشراف (Supervised Learning)
- الفئة
- AI & Machine Learning Fundamentals
- الصعوبة
- مبتدئ
التعريف
نموذج تعلم آلي حيث تتعلم الخوارزمية دالة تعيين من متغيرات المدخلات إلى متغيرات المخرجات بناءً على مجموعة مقدمة من أمثلة التدريب المصنفة.
آلية العمل والسياق
يعمل التعلم الخاضع للإشراف من خلال تقديم مجموعة بيانات للنموذج تحتوي على ميزات المدخلات وتسمياتها المستهدفة المقابلة. خلال مرحلة التدريب، تقوم الخوارزمية بتعديل معاييرها الداخلية بشكل متكرر لتقليل الفرق بين تنبؤاتها وتسميات الحقيقة الأرضية الفعلية. تعتمد هذه العملية على دالة خسارة لقياس الخطأ وخوارزمية تحسين لتوجيه التعلم. بمجرد تدريبه، يمكن للنموذج تعميم هذه الأنماط المكتسبة للتنبؤ بالنتائج لمدخلات جديدة غير مصنفة. تشمل المهام الشائعة التصنيف، حيث تكون المخرجات فئة منفصلة، والانحدار، حيث تكون المخرجات قيمة رقمية مستمرة. على الرغم من فعاليته العالية للمهام المهيكلة، إلا أن التعلم الخاضع للإشراف محدود بتوافر وجودة البيانات المصنفة، حيث يرتبط أداء النموذج ارتباطاً وثيقاً بدقة وتمثيل مجموعة التدريب المقدمة.
لماذا هو مهم
يعد التعلم الخاضع للإشراف العمود الفقري لمعظم تطبيقات الذكاء الاصطناعي العملية اليوم، من مرشحات البريد العشوائي إلى أدوات التشخيص الطبي. فهو يوفر إطاراً موثوقاً لأتمتة عمليات صنع القرار حيث تتوفر البيانات التاريخية. من خلال تمكين الآلات من التعلم من أمثلة تم التحقق منها بشرياً، فإنه يسمح بتطوير أنظمة قابلة للتوسع وعالية الدقة يمكنها أداء مهام معقدة باستمرار، بشرط أن تكون بيانات التدريب منسقة جيداً وممثلة لسيناريوهات العالم الحقيقي.
مثال واقعي
يستخدم بنك التعلم الخاضع للإشراف لاكتشاف معاملات بطاقات الائتمان الاحتيالية. يتم تدريب النموذج على مجموعة بيانات ضخمة من المعاملات السابقة، كل منها مصنف كـ 'شرعي' أو 'احتيالي'. من خلال تحليل ميزات مثل مبلغ المعاملة، والموقع، والوقت، يتعلم النموذج تحديد الأنماط المرتبطة بالاحتيال. عندما تحدث معاملة جديدة، يقوم النموذج بتقييمها في الوقت الفعلي ويضع علامة عليها للمراجعة إذا كانت تطابق الخصائص المكتسبة للنشاط الاحتيالي.
أخطاء شائعة
- افتراض أن المزيد من البيانات أفضل دائماً، حتى لو كانت التسميات مشوشة أو غير صحيحة.
- الإفراط في ملاءمة النموذج لبيانات التدريب، مما يؤدي إلى ضعف الأداء على بيانات جديدة وغير مرئية.
- تجاهل تسرب البيانات، حيث تؤثر المعلومات من التسمية المستهدفة بشكل غير مقصود على ميزات المدخلات أثناء التدريب.
- الفشل في مراعاة عدم توازن الفئات، حيث تفوق فئة واحدة بشكل كبير على الفئات الأخرى في مجموعة التدريب.
الأسئلة الشائعة
كيف يختلف التعلم الخاضع للإشراف عن التعلم غير الخاضع للإشراف؟
يتطلب التعلم الخاضع للإشراف بيانات مصنفة لتوجيه عملية التدريب نحو هدف محدد، بينما يعمل التعلم غير الخاضع للإشراف مع بيانات غير مصنفة لاكتشاف هياكل أو أنماط مخفية دون نتائج محددة مسبقاً.
ما هو القيد الرئيسي للتعلم الخاضع للإشراف؟
القيد الرئيسي هو 'عنق زجاجة التصنيف'. غالباً ما يكون الحصول على بيانات عالية الجودة ومعتمدة بشرياً مكلفاً ويستغرق وقتاً طويلاً ويصعب توسيع نطاقه، مما قد يقيد قدرة النموذج على التعلم في المجالات التي تكون فيها هذه البيانات نادرة.
هل يمكن استخدام التعلم الخاضع للإشراف للمهام التوليدية؟
على الرغم من استخدامه بشكل أساسي للمهام التنبؤية، إلا أن التعلم الخاضع للإشراف يعد مكوناً للعديد من الأنظمة التوليدية، مثل الضبط الدقيق للنماذج اللغوية الكبيرة على أزواج تعليمات-استجابة محددة لتحسين قدرتها على اتباع أوامر المستخدم.