مقدمة سريعة للتعلم الخاضع للإشراف وغير الخاضع للإشراف
يحتوي مجال التعلم الآلي على مجموعة ضخمة من الخوارزميات التي يمكن استخدامها لفهم البيانات. يمكن تصنيف هذه الخوارزميات إلى إحدى الفئتين التاليتين:
1. خوارزميات التعلم الخاضعة للإشراف: تتضمن بناء نموذج لتقدير النتيجة أو التنبؤ بها بناءً على واحد أو أكثر من المدخلات.
2. خوارزميات التعلم غير الخاضعة للرقابة: تتضمن إيجاد البنية والعلاقات من المدخلات. لا يوجد مخرجات “إشراف”.
يشرح هذا البرنامج التعليمي الفرق بين هذين النوعين من الخوارزميات مع عدة أمثلة لكل منهما.
خوارزميات التعلم الخاضعة للإشراف
يمكن استخدام خوارزمية التعلم الخاضع للإشراف عندما يكون لدينا متغير توضيحي واحد أو أكثر ( X1 ، متغير الاستجابة:
ص = و (X) + ε
حيث يمثل f المعلومات المنهجية التي توفرها X حول Y وحيث ε هو مصطلح خطأ عشوائي مستقل عن X بمتوسط صفر.
هناك نوعان رئيسيان من خوارزميات التعلم الخاضع للإشراف:
1. الانحدار: متغير الناتج مستمر (مثل الوزن، الطول، الوقت، الخ)
2. التصنيف: متغير الناتج قاطع (على سبيل المثال ذكر أو أنثى، نجاح أو فشل، حميد أو خبيث، إلخ)
هناك سببان رئيسيان وراء استخدامنا لخوارزميات التعلم الخاضع للإشراف:
1. التنبؤ: غالبًا ما نستخدم مجموعة من المتغيرات التوضيحية للتنبؤ بقيمة متغير الاستجابة (على سبيل المثال، استخدام المساحة المربعة وعدد غرف النوم للتنبؤ بسعر المنزل ).
2. الاستدلال: قد نكون مهتمين بفهم كيفية تأثر متغير الاستجابة عندما تتغير قيمة المتغيرات التوضيحية (على سبيل المثال، ما مدى ارتفاع سعر العقار، في المتوسط، عندما يزيد عدد الغرف بمقدار غرفة واحدة؟)
اعتمادًا على ما إذا كان هدفنا هو الاستدلال أو التنبؤ (أو مزيج من الاثنين معًا)، يمكننا استخدام طرق مختلفة لتقدير الدالة f . على سبيل المثال، توفر النماذج الخطية تفسيرًا أسهل، ولكن النماذج غير الخطية التي يصعب تفسيرها قد تقدم تنبؤات أكثر دقة.
فيما يلي قائمة بخوارزميات التعلم الخاضع للإشراف الأكثر استخدامًا:
- الانحدارالخطي
- الانحدار اللوجستي
- التحليل التمييزي الخطي
- التحليل التمييزي التربيعي
- أشجار القرار
- ساذج بايز
- دعم آلات المتجهات
- الشبكات العصبية
خوارزميات التعلم غير الخاضعة للرقابة
يمكن استخدام خوارزمية التعلم غير الخاضعة للرقابة عندما يكون لدينا قائمة من المتغيرات ( X 1 ، data.
هناك نوعان رئيسيان من خوارزميات التعلم غير الخاضعة للرقابة:
1. التجميع: باستخدام هذه الأنواع من الخوارزميات، نحاول العثور على “مجموعات” من الملاحظات في مجموعة بيانات متشابهة مع بعضها البعض. يُستخدم هذا غالبًا في تجارة التجزئة عندما تريد شركة ما تحديد مجموعات من العملاء ذوي عادات شراء مماثلة حتى يتمكنوا من إنشاء استراتيجيات تسويقية محددة تستهدف مجموعات معينة من العملاء.
2. الارتباط: باستخدام هذه الأنواع من الخوارزميات، نحاول العثور على “قواعد” يمكن استخدامها لإنشاء الارتباطات. على سبيل المثال، يمكن لتجار التجزئة تطوير خوارزمية ارتباط تشير إلى أنه “إذا اشترى العميل المنتج X، فمن المرجح جدًا أن يشتري المنتج Y أيضًا”.
فيما يلي قائمة بخوارزميات التعلم غير الخاضعة للرقابة الأكثر استخدامًا:
- تحليل المكونات الرئيسية
- K-يعني التجميع
- تجميع K-medoids
- التصنيف الهرمي
- خوارزمية مسبقة
ملخص: التعلم الخاضع للإشراف أو غير الخاضع للإشراف
يلخص الجدول التالي الاختلافات بين خوارزميات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف:
ويلخص الرسم البياني التالي أنواع خوارزميات التعلم الآلي:
About Author
دكتور بنيامين أندرسون
مرحبًا، أنا بنجامين، أستاذ الإحصاء المتقاعد الذي تحول إلى مدرس متخصص في Statorials. بفضل خبرتي الواسعة في مجال الإحصاء، فأنا حريص على مشاركة معرفتي لتمكين الطلاب من خلال Statorials. تعرف أكثر