أنواع تعلم الآلة

النماذج الثلاثة

في الدرس السابق، تعلمنا أن تعلم الآلة يدور حول إيجاد الأنماط في البيانات. لكن ليس كل تعلّم متشابهًا. تمامًا كما يتعلم البشر بطرق مختلفة — من المعلمين، ومن الاستكشاف، ومن التجربة والخطأ — تنقسم خوارزميات تعلم الآلة إلى نماذج متميزة، كل منها مناسب لأنواع مختلفة من المشاكل.

النماذج الثلاثة الرئيسية هي التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز. فهم متى تستخدم كل واحد منها هو من أهم المهارات في تعلم الآلة التطبيقي. دعونا نستكشف كل نموذج بعمق.

التعلم الخاضع للإشراف

التعلم الخاضع للإشراف هو النموذج الأكثر استخدامًا في تعلم الآلة. الفكرة بسيطة: تزوّد الخوارزمية بـبيانات تدريب مُعنونة — أزواج من المدخلات ومخرجاتها الصحيحة — ويتعلم النموذج دالة تربط المدخلات بالمخرجات. بعد التدريب، يستطيع التنبؤ بالمخرج لمدخلات جديدة لم يرها من قبل.

تنقسم مشاكل التعلم الخاضع للإشراف إلى فئتين. التصنيف يتنبأ بتسمية منفصلة — هل هذا البريد مزعج أم لا؟ هل هذا الورم خبيث أم حميد؟ الانحدار يتنبأ بقيمة مستمرة — بكم سيباع هذا المنزل؟ كم إيرادات سنحقق في الربع القادم؟

تعمل عملية التدريب عن طريق تقليل دالة الخسارة — مقياس لمدى بُعد تنبؤات النموذج عن التسميات الحقيقية. بالنسبة للانحدار، أكثر دوال الخسارة شيوعًا هي متوسط مربع الخطأ:

تشمل خوارزميات التعلم الخاضع للإشراف الشائعة الانحدار الخطي للتنبؤ بالقيم المستمرة، وأشجار القرار التي تقسم البيانات بناءً على عتبات السمات، وآلات المتجهات الداعمة التي تجد حدود القرار المثلى، والشبكات العصبية التي تستطيع تعلم تعيينات معقدة بشكل تعسفي. لكل منها نقاط قوتها — النماذج الخطية قابلة للتفسير، والأشجار تتعامل مع البيانات غير الخطية بشكل طبيعي، والشبكات العصبية تتفوق عندما تكون البيانات وفيرة.

التعلم غير الخاضع للإشراف

يعمل التعلم غير الخاضع للإشراف مع بيانات غير مُعنونة. لا توجد إجابات صحيحة للتعلم منها — بدلًا من ذلك، يجب على الخوارزمية اكتشاف البنية والأنماط بنفسها. هذا يجعله أكثر تحديًا، وفي كثير من الحالات أكثر قوة من التعلم الخاضع للإشراف، لأن البيانات المُعنونة مكلفة الحصول عليها بينما البيانات غير المُعنونة وفيرة.

المهام الرئيسية الثلاث في التعلم غير الخاضع للإشراف هي التجميع وتقليل الأبعاد وكشف الشذوذ.

التجميع يجمع نقاط البيانات المتشابهة معًا. أشهر خوارزمية هي K-Means، التي تقسم البيانات إلى k مجموعة عن طريق تقليل المسافة بين كل نقطة ومركز مجموعتها. الدالة الهدف التي يقللها K-Means هي:

تقليل الأبعاد يضغط البيانات عالية الأبعاد إلى أبعاد أقل مع الحفاظ على أكبر قدر ممكن من المعلومات. PCA (تحليل المكونات الرئيسية) يجد اتجاهات أقصى تباين ويُسقط البيانات عليها. المشفرات التلقائية هي شبكات عصبية تتعلم ضغط البيانات وإعادة بنائها، مكتشفةً تمثيلات فعالة.

كشف الشذوذ يحدد نقاط البيانات التي تنحرف بشكل كبير عن الأنماط الطبيعية. هكذا يعمل كشف احتيال بطاقات الائتمان — يتعلم النظام كيف تبدو المعاملات الطبيعية ويُنبّه بأي شيء غير عادي. يُستخدم أيضًا في التصنيع للكشف عن المنتجات المعيبة وفي الأمن السيبراني لاكتشاف اختراقات الشبكات.

التعلم المعزز

التعلم المعزز (RL) يختلف جذريًا عن كل من التعلم الخاضع للإشراف وغير الخاضع للإشراف. بدلًا من التعلم من مجموعة بيانات ثابتة، يتعلم وكيل من خلال التفاعل مع بيئة. في كل خطوة، يراقب الوكيل الحالة الحالية، ويتخذ إجراءً، ويتلقى مكافأة (أو عقوبة)، وينتقل إلى حالة جديدة. بمرور الوقت، يتعلم الوكيل سياسة — استراتيجية تُعظّم المكافأة التراكمية.

المكافأة التراكمية المتوقعة، والتي تسمى العائد، تُعرّف كالتالي:

تشمل التطبيقات الرئيسية للتعلم المعزز لعب الألعاب (AlphaGo، Atari)، والروبوتات (تعلم المشي والإمساك بالأشياء)، والقيادة الذاتية، وإدارة الموارد، وحتى تحسين تبريد مراكز البيانات في غوغل. يتألق التعلم المعزز في مشاكل اتخاذ القرارات المتسلسلة حيث لا تكون الاستراتيجية المثلى واضحة ويجب اكتشافها من خلال الاستكشاف.

ما بعد النماذج الثلاثة

الحدود بين أنواع التعلم ليست دائمًا صارمة. ظهر نهجان هجينان مهمان:

التعلم شبه الخاضع للإشراف يستخدم كمية صغيرة من البيانات المُعنونة مع كمية كبيرة من البيانات غير المُعنونة. هذا عملي لأن تعنين البيانات مكلف — مثل وقت طبيب لتعنين الصور الطبية. يتعلم النموذج البنية الأساسية من البيانات غير المُعنونة ويصقل فهمه بالأمثلة المُعنونة. عمليًا، يمكن للطرق شبه الخاضعة للإشراف تحقيق أداء قريب من المُشرَف عليه بجزء صغير من التسميات.

التعلم ذاتي الإشراف يُنشئ تسمياته الخاصة من البيانات. مثلًا، يتعلم نموذج لغوي التنبؤ بالكلمة التالية في جملة — "التسمية" هي ببساطة الكلمة التالية، التي تأتي مجانًا من النص نفسه. هكذا يُدرَّب GPT وBERT. بالمثل، في الرؤية الحاسوبية، قد يتعلم نموذج التنبؤ بلون صورة بالأبيض والأسود أو إعادة بناء جزء محجوب. أصبح التعلم ذاتي الإشراف استراتيجية التدريب المسبق السائدة في الذكاء الاصطناعي الحديث.

اختيار النهج الصحيح

يعتمد اختيار النوع الصحيح من تعلم الآلة على بياناتك ومشكلتك:

إذا كان لديك بيانات مُعنونة وتريد التنبؤ بنتائج محددة، استخدم التعلم الخاضع للإشراف. إذا كان لديك بيانات غير مُعنونة وتريد اكتشاف أنماط خفية، استخدم التعلم غير الخاضع للإشراف. إذا كانت مشكلتك تتضمن قرارات متسلسلة مع مكافآت متأخرة، فالتعلم المعزز هو الطريق. وإذا كان لديك بعض التسميات لكن ليس بما يكفي، فالنهج شبه الخاضع للإشراف أو ذاتي الإشراف يمكنه سد الفجوة.

عمليًا، تجمع معظم أنظمة تعلم الآلة في العالم الحقيقي بين نماذج متعددة. قد يستخدم نظام توصية التجميع غير الخاضع للإشراف لتجميع المستخدمين، والتعلم الخاضع للإشراف للتنبؤ بالتقييمات، والتعلم المعزز لتحسين ترتيب التوصيات. فهم جميع النماذج الثلاثة يمنحك المرونة لتصميم حلول فعالة.