تُستخدم أطر التعلم الآلي للتعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف لحل سلسلة من المشكلات من خلال فهم المعرفة ومؤشرات أداء الإطار. الشبكات العصبية التلافيفية ، وهي أنظمة معالجة معلومات تتكون من مكونات معالجة متعددة أو مترابطة بشكل كبير ، تستخدم مناهج التعلم الخاضعة للإشراف وغير الخاضعة للإشراف في مجموعة واسعة من التطبيقات.
ستساعدك هذه المقالة على فهم كيفية عمل كلا نموذجي نهج التعلم الآلي بالتفصيل مع المقارنة جنبًا إلى جنب لسهولة التمايز.
الوجبات السريعة الرئيسية
- يتطلب التعلم الخاضع للإشراف بيانات مصنفة للتدريب ، بينما يعمل التعلم غير الخاضع للإشراف مع البيانات غير المسماة.
- تتنبأ خوارزميات التعلم الخاضع للإشراف بالنتائج بناءً على بيانات الإدخال ، بينما تكتشف خوارزميات التعلم غير الخاضعة للإشراف الأنماط والهياكل داخل البيانات.
- يعد التعلم الخاضع للإشراف أفضل لمهام التصنيف والانحدار ، بينما يتفوق التعلم غير الخاضع للإشراف في التجميع وتقليل الأبعاد.
التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف
التعلم الخاضع للإشراف هو نوع من التعلم الآلي يستخدم البيانات المصنفة لمعرفة العلاقة بين متغيرات الإدخال ومتغيرات الإخراج. التعلم غير الخاضع للرقابة هو نوع من التعلم الآلي حيث تجد الخوارزمية أنماطًا أو هياكل من تلقاء نفسها، وتستخدم في ذلك المجموعات والكشف عن الشذوذ.
أحد الأساليب المرتبطة بخوارزميات التعلم والتعلم الآلي هو التعلم الخاضع للإشراف ، والذي يستلزم تعيين المعلومات المصنفة لاشتقاق نمط معين أو غرض وظيفي منها.
من المهم الإشارة إلى أن التعلم الخاضع للإشراف يستلزم تعيين عنصر إدخال، ومصفوفة أثناء عرض قيمة المخرجات المرغوبة، والمعروفة بالعامل الحاسم الذي يحدد نتيجة التعلم الخاضع للإشراف. الميزة الأكثر أهمية للتعلم الخاضع للإشراف هي أن المعلومات المطلوبة معروفة ومصنفة بشكل صحيح.
من ناحية أخرى ، يعد التعلم غير الخاضع للإشراف نوعًا آخر من النماذج التي تستنتج الارتباطات من معلومات المدخلات غير المنظمة وتستمد نتيجة بناءً على علاقاتها المستنتجة. يسعى التعلم غير الخاضع للإشراف إلى استخراج التسلسل الهرمي والوصلات من البيانات الخام.
لا توجد متطلبات للرصد في التعلم غير الخاضع للإشراف. بدلاً من ذلك ، يتم إجراء التدقيق الداخلي من تلقاء نفسه من بيانات الإدخال التي يدخلها المشغل.
جدول المقارنة
| معلمات المقارنة | التعلم تحت الإشراف | تعليم غير مشرف عليه |
|---|---|---|
| الأنواع | هناك نوعان من المشكلات التي يمكن حلها من خلال التعلم الخاضع للإشراف. أي التصنيف والانحدار | التجميع والترابط نوعان من القضايا التي يمكن حلها باستخدام التعلم غير الخاضع للإشراف. |
| علاقة الإخراج والمدخلات | يتم حساب المخرجات وفقًا لإطار العمل المغذي ، ويتم تحليل المدخلات. | يتم حساب المخرجات بشكل مستقل ، ويتم تحليل المدخلات فقط. |
| دقة | دقيق جدا. | يمكن أن يكون غير دقيق في بعض الأحيان. |
| الوقت: | يتم إجراء تحليل إطار العمل خارج الخط والمدخلات. | الوقت الحقيقي في الطبيعة. |
| تحليل الأداء | مستوى التعقيد الحسابي والتحليل مرتفع. | نسبة التحليل أعلى ولكن التعقيد الحسابي أقل. |
ما هو التعلم الخاضع للإشراف؟
تستلزم تقنية التعلم الخاضع للإشراف برمجة نظام أو جهاز يُعطى فيه الكمبيوتر أمثلة تدريبية وتسلسل أهداف (قالب الإخراج) لإكمال المهمة. يعني مصطلح "الإشراف" الإشراف على المهام والأنشطة وتوجيهها.
ولكن أين يمكن الإشراف على استخدام الذكاء الاصطناعي؟ يتم استخدامه في الغالب في انحدار التعرف على الأنماط ، والتكتل ، والعصبي الاصطناعي.
يتم توجيه النظام من خلال المعلومات التي تم تحميلها في النموذج ، مما يجعل من السهل توقع الأحداث المستقبلية ، تمامًا مثل نحت البيانات في خوارزمية محددة مسبقًا وتوقع نتائج مماثلة من حدوث مماثل لاحقًا. يتم التدريب باستخدام عينات معلمة.
تسلسل المدخلات للشبكات العصبية يدرب الهيكل ، والذي يرتبط أيضًا بالمخرجات.
لقد أثبتت الخوارزمية "تتعلم" من بيانات الاختبار عن طريق الإستراتيجية المتكررة المعلومات وتم تحسينها للإجابة الصحيحة في التصنيف العميق. في حين أن تقنيات التعلم الخاضع للإشراف أكثر موثوقية من أساليب التعلم غير الخاضعة للإشراف ، فإنها تحتاج إلى مشاركة بشرية لتصنيف البيانات بشكل صحيح.
الانحدار هو أسلوب إحصائي لتحديد العلاقة بين متغير توقع ومتغير خارجي واحد أو أكثر ، ويستخدم بشكل شائع للتنبؤ بالأحداث المستقبلية. الانحدارالخطي يتم استخدام التحليل نظرًا لوجود عامل مستقل واحد فقط ولكن متغير نتيجة واحد.
ما هو التعلم غير الخاضع للإشراف؟
التعلم غير الخاضع للإشراف هو النوع التالي من خوارزمية الشبكة العصبية باستخدام بيانات أولية غير منظمة للتوصل إلى استنتاجات. يهدف التعلم الآلي غير الخاضع للإشراف إلى الكشف عن الأنماط أو المجموعات الأساسية في البيانات التي لم يتم تصنيفها.
يتم استخدامه بشكل شائع لاستكشاف البيانات. يتميز التعلم غير الخاضع للإشراف بحقيقة أن المصدر أو الوجهة غير معروفين.
بالمقارنة مع التعلم الخاضع للإشراف ، يتيح التعلم الآلي غير الخاضع للإشراف للمستخدمين تنفيذ معالجة بيانات أكثر تعقيدًا. من ناحية أخرى ، قد يكون التعلم الآلي غير الخاضع للإشراف أكثر اضطرابًا من مناهج التعلم التلقائي الأخرى.
تقسيموكشف الشذوذ والتقنيات العصبية الاصطناعية وتقنيات التعلم الأخرى غير الخاضعة للإشراف أمثلة.
نظرًا لأننا لا نملك أي معرفة تقريبًا بالبيانات ، فإن المصنفات غير الخاضعة للإشراف تمثل تحديًا أكبر من المصنفين. يعد تجميع العينات المماثلة معًا ، وتحويل المويجات ، ونماذج الفضاء المتجه من مشكلات التعلم الشائعة غير الخاضعة للإشراف.
تحدث التقنية غير الخاضعة للإشراف لخوارزميات التعلم في الوقت الفعلي ، أي أن النموذج يحدث مع تأخير بنسبة صفر في المائة ، ويتم حساب المخرجات في أداة الطبيعة ، مع تقييم جميع بيانات الإدخال وتسميتها أمام المشغل ، مما يسمح لهم فهم أنماط متعددة من التعلم وتصنيف البيانات الخام. الفائدة الرئيسية من أسلوب التعلم غير الخاضع للإشراف هي معالجة البيانات في الوقت الفعلي.
الاختلافات الرئيسية بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف
- يستخدم التعلم الخاضع للإشراف لمشاكل الانحدار والتصنيف ، بينما يستخدم التعلم غير الخاضع للإشراف لأغراض الارتباط والتمايز.
- يتم تغذية بيانات الإدخال وإطار العمل إلى نموذج التعلم الخاضع للإشراف ، في حين يتم تغذية المدخلات فقط إلى إطار التعلم غير الخاضع للإشراف.
- يتم الحصول على نتائج دقيقة ودقيقة من خلال التعلم الخاضع للإشراف ، بينما في التعلم غير الخاضع للإشراف ، لا تكون النتيجة دقيقة دائمًا.
- يتم الحصول على التغذية الراجعة في التعلم الخاضع للإشراف ، في حين لا توجد آلية لتلقي الملاحظات للتعلم غير الخاضع للإشراف.
- يستخدم التعلم الخاضع للإشراف التحليل دون اتصال بالإنترنت ، في حين أن التعلم غير الخاضع للإشراف هو في الوقت الحقيقي بطبيعته.
- https://deepai.org/machine-learning-glossary-and-terms/unsupervised-learning
- https://towardsdatascience.com/unsupervised-learning-and-data-clustering-eeecb78b422a?gi=ffdcce090f5b
آخر تحديث: 13 يوليو 2023
لقد بذلت الكثير من الجهد في كتابة منشور المدونة هذا لتقديم قيمة لك. سيكون مفيدًا جدًا بالنسبة لي ، إذا كنت تفكر في مشاركته على وسائل التواصل الاجتماعي أو مع أصدقائك / عائلتك. المشاركة هي ♥ ️
إيما سميث حاصلة على درجة الماجستير في اللغة الإنجليزية من كلية إيرفاين فالي. تعمل كصحفية منذ عام 2002 وتكتب مقالات عن اللغة الإنجليزية والرياضة والقانون. اقرأ المزيد عنها صفحة بيو.
على الرغم من أن المعلومات المقدمة جيدة، إلا أنها تبدو تقنية للغاية بالنسبة للجمهور العام. علاوة على ذلك، لم يتم تقديم أمثلة كافية من العالم الحقيقي.
أرى من أين أتيت. المزيد من الأمثلة ذات الصلة يمكن أن تعزز تأثير المنشور.
من المؤكد أن عمق الشرح يوفر فهمًا شاملاً لنماذج التعلم الآلي. مجد للمؤلف لهذا المنصب المتميز.
يوفر هذا المنشور فهمًا واضحًا لنماذج التعلم الآلي. إنها مفيدة للغاية، وقسم المقارنة مفيد جدًا بالفعل.
شرح التعلم تحت الإشراف رائع. ومع ذلك، فإن تفاصيل التعلم غير الخاضع للرقابة مثيرة للإعجاب أيضًا.
أنت على حق. تم توضيح المقارنة بين التعلم الخاضع للإشراف وغير الخاضع للإشراف بشكل ممتاز.
يمكن شرح جدول المقارنة بشكل أكثر وضوحًا. في حين أن المعلومات ثاقبة، يمكن أن يكون العرض التقديمي أفضل.
أنا موافق. يمكن تقديم المفهوم بطريقة أكثر جاذبية لتحسين التجربة الشاملة.
هذه مشاركة جيدة العرض إن تفسيرات التعلم الخاضع للإشراف وغير الخاضع للإشراف واضحة وسهلة الفهم.
متفق. إن قدرة المؤلف على تبسيط المفاهيم المعقدة مثيرة للإعجاب للغاية.
يقوم المنشور بعمل رائع في تشريح التعلم الخاضع للإشراف وغير الخاضع للإشراف. قسم المقارنة الثاقبة بشكل خاص.
من المؤكد أن المقارنة جنبًا إلى جنب تضيف الكثير من القيمة إلى هذا المنشور التفصيلي.
واو، هذه القطعة تتعمق بالتأكيد في العديد من ميزات التعلم الخاضع للإشراف وغير الخاضع للإشراف. فهو واضح وموجز ومفصل. من المؤكد أن عمق المقارنة مثير للإعجاب.
قطعاً! ينبغي بالتأكيد الثناء على شرح شامل مثل هذا.
جدول المقارنة مفيد للغاية ويساعد على التمييز من الناحية المفاهيمية بين تقنيات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف. رؤى عظيمة حقا.
من المؤكد أن الوجبات الرئيسية مفيدة للغاية. توفر هذه المشاركة معلومات عالية الجودة.