Q:
لماذا يعتبر التعلم شبه الإشرافي نموذجًا مفيدًا للتعلم الآلي؟
أ:يعد التعليم شبه الخاضع للإشراف جزءًا مهمًا من عمليات التعلم الآلي والتعلم العميق ، لأنه يوسع ويعزز قدرات أنظمة التعلم الآلي بطرق مهمة.
أولاً ، في صناعة التعلم الآلي الحديثة ، ظهر نموذجان لتدريب الحواسيب: يطلق عليهما التعلم الخاضع للإشراف وغير الخاضع للإشراف. إنها تختلف اختلافًا جذريًا في أن التعلم الخاضع للإشراف ينطوي على استخدام البيانات ذات العلامات لاستنتاج النتيجة ، والتعلم غير الخاضع للإشراف ينطوي على استقراء من البيانات غير المسماة من خلال فحص خصائص كل كائن في مجموعة بيانات التدريب.
تحميل مجاني: تعلم الآلة ولماذا يهم |
يشرح الخبراء ذلك باستخدام العديد من الأمثلة المختلفة: سواء أكانت الكائنات الموجودة في مجموعة التدريب عبارة عن ثمار أو أشكال ملونة أو حسابات عملاء ، فإن القاسم المشترك في التعلم الخاضع للإشراف هو أن التكنولوجيا تبدأ بمعرفة ماهية تلك الأشياء - تم بالفعل وضع التصنيفات الأولية بالفعل. . في التعليم غير الخاضع للإشراف ، على النقيض من ذلك ، تنظر التكنولوجيا إلى عناصر غير محددة بعد وتصنفها وفقًا لاستخدامها للمعايير. يشار إلى هذا أحيانًا باسم "التعلم الذاتي".
هذا ، إذن ، هو الأداة الأساسية للتعلم شبه الخاضع للإشراف: فهو يجمع بين استخدام البيانات المصنفة وغير المُعلَّمة للحصول على مقاربات "الأفضل لكليهما".
يعطي التعليم الخاضع للإشراف التقنية مزيدًا من التوجيه للانتقال إليها ، ولكن يمكن أن يكون مكلفًا ، ويتطلب عمالة مكثفة ، ومملًا ويتطلب بذل المزيد من الجهد. التعلم غير الخاضع للإشراف أكثر "آلية" ، لكن النتائج يمكن أن تكون أقل دقة بكثير.
لذلك عند استخدام مجموعة من البيانات المصنفة (غالبًا ما تكون مجموعة أصغر في المخطط الكبير للأشياء) ، يقوم نهج التعلم شبه الخاضع للإشراف بشكل فعال "بتهيئة" النظام لتصنيفه بشكل أفضل. على سبيل المثال ، افترض أن نظام التعلم الآلي يحاول تحديد 100 عنصر وفقًا للمعايير الثنائية (أسود مقابل أبيض). يمكن أن يكون مفيدًا للغاية لمجرد الحصول على مثيل واحد لكل واحدة (أبيض واحد ، واحد أسود) ثم تجميع العناصر "الرمادية" المتبقية وفقًا لمعايير أيهما أفضل. بمجرد أن يتم تمييز هذين العنصرين ، يصبح التعلم غير الخاضع للإشراف تعلمًا شبه خاضع للإشراف.
عند توجيه التعلم شبه الخاضع للإشراف ، ينظر المهندسون عن كثب في حدود القرار التي تؤثر على أنظمة التعلم الآلي لتصنيفها نحو واحدة أو أخرى من النتائج ذات العلامات عند تقييم البيانات غير المسماة. سوف يفكرون في أفضل طريقة لاستخدام التعلم شبه الخاضع للإشراف في أي تطبيق: على سبيل المثال ، يمكن لخوارزمية التعلم شبه الخاضعة للإشراف "الالتفاف حول" خوارزمية إلغاء التشغيل الحالية لنهج "واحد - اثنين".
من المؤكد أن التعليم شبه الخاضع للإشراف كظاهرة من شأنه أن يدفع حدود تعلم الآلة للأمام ، حيث يفتح كل أنواع الإمكانات الجديدة لأنظمة تعلم الآلة الأكثر فعالية وكفاءة.