التعلم الآلي هو قدرة الآلة على التعلم من البيانات. لقد كان موجودًا منذ عقود ، ولكن يتم الآن تطبيق التعلم الآلي في كل صناعة ووظيفة تقريبًا. في منشور المدونة هذا ، سنغطي مقدمة مفصلة لما هو التعلم الآلي (ML) بما في ذلك التعريفات المختلفة. سنتعرف أيضًا على أنواع تعلم الآلة والخوارزميات وما إلى ذلك جنبًا إلى جنب مع أمثلة من العالم الحقيقي.
ما هو التعلم الآلي؟
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تركز على هدف محدد: إعداد أجهزة الكمبيوتر لتكون قادرة على أداء المهام دون الحاجة إلى برمجة واضحة.
يتم تغذية أجهزة الكمبيوتر ببيانات منظمة (في معظم الحالات) و "تتعلم" لتصبح أفضل في تقييم هذه البيانات والتعامل معها بمرور الوقت.
فكر في "البيانات المنظمة" كمدخلات بيانات يمكنك وضعها في أعمدة وصفوف. يمكنك إنشاء عمود فئة في Excel يسمى "طعام" ، ولديك إدخالات صف مثل "فاكهة" أو "لحم". هذا الشكل من البيانات "المنظمة" سهل جدًا لأجهزة الكمبيوتر للعمل معه ، والفوائد واضحة (ليس من قبيل المصادفة أن واحدة من أهم لغات برمجة البيانات تسمى "لغة الاستعلام المنظمة").
بمجرد البرمجة ، يمكن للكمبيوتر أن يأخذ البيانات الجديدة إلى أجل غير مسمى ، وفرزها والعمل على أساسها دون الحاجة إلى مزيد من التدخل البشري.
بمرور الوقت ، قد يكون الكمبيوتر قادرًا على التعرف على أن "الفاكهة" هي نوع من الطعام حتى إذا توقفت عن تصنيف بياناتك. يعد "الاعتماد على الذات" هذا أمرًا أساسيًا للتعلم الآلي بحيث ينقسم المجال إلى مجموعات فرعية بناءً على مقدار المساعدة البشرية المستمرة.
التعلم تحت الإشراف والتعلم شبه المشرف
التعلم الخاضع للإشراف هو مجموعة فرعية من التعلم الآلي الذي يتطلب مشاركة بشرية مستمرة - ومن هنا جاء الاسم "تحت الإشراف". يتم تغذية الكمبيوتر ببيانات التدريب ونموذج مصمم بشكل صريح "لتعليمه" كيفية الاستجابة للبيانات.
بمجرد وضع النموذج في مكانه ، يمكن إدخال المزيد من البيانات إلى الكمبيوتر لمعرفة مدى استجابته - ويمكن للمبرمج / عالم البيانات تأكيد التنبؤات الدقيقة ، أو يمكنه إصدار تصحيحات لأي استجابات غير صحيحة. تخيل أحد المبرمجين يحاول تعليم تصنيف الصور بالكمبيوتر. سيقومون بإدخال الصور وتكليف الكمبيوتر بتصنيف كل صورة ، وتأكيد أو تصحيح كل إخراج كمبيوتر.
بمرور الوقت ، يساعد هذا المستوى من الإشراف على صقل النموذج إلى شيء قادر بدقة على التعامل مع مجموعات البيانات الجديدة التي تتبع الأنماط "المكتسبة". ولكن من غير الفعال الاستمرار في مراقبة أداء الكمبيوتر وإجراء التعديلات.
في التعلم شبه الخاضع للإشراف ، يتم تغذية الكمبيوتر بمزيج من البيانات المصنفة بشكل صحيح والبيانات غير المسماة ، والبحث عن الأنماط بمفرده. تعمل البيانات المصنفة "كدليل" من المبرمج ، لكنها لا تصدر تصحيحات مستمرة.
تعلم غير مشرف عليه
يأخذ التعلم غير الخاضع للإشراف هذه خطوة إلى الأمام باستخدام البيانات غير المسماة. يُمنح الكمبيوتر حرية العثور على الأنماط والجمعيات التي يراها مناسبة ، وغالبًا ما ينتج عنه نتائج قد تكون غير ظاهرة لمحلل بيانات بشري.
الاستخدام الشائع للتعلم غير الخاضع للإشراف هو "التجميع" ، حيث ينظم الكمبيوتر البيانات في موضوعات وطبقات مشتركة يحددها. تستخدم مواقع التسوق / التجارة الإلكترونية هذه التقنية بشكل روتيني لتحديد التوصيات التي يجب تقديمها لمستخدمين محددين بناءً على مشترياتهم السابقة.
التعلم المعزز
في التعلم الخاضع للإشراف وغير الخاضع للإشراف ، لا توجد "عواقب" على الكمبيوتر إذا فشل في فهم البيانات أو تصنيفها بشكل صحيح. ولكن ماذا لو تلقت ، مثل طفل في المدرسة ، ردود فعل إيجابية عندما فعلت الشيء الصحيح ، وردود فعل سلبية عندما فعلت الشيء الخطأ؟ من المفترض أن يبدأ الكمبيوتر في معرفة كيفية إنجاز مهام محددة من خلال التجربة والخطأ ، مع العلم أنه على المسار الصحيح عندما يتلقى مكافأة (على سبيل المثال ، درجة) تعزز "سلوكه الجيد".
يعد هذا النوع من التعلم المعزز أمرًا بالغ الأهمية لمساعدة الآلات على إتقان المهام المعقدة التي تأتي مع مجموعات بيانات كبيرة ومرنة للغاية ولا يمكن التنبؤ بها. يفتح هذا الباب أمام أجهزة الكمبيوتر التي تحاول تحقيق هدف ما: إجراء عملية جراحية ، وقيادة السيارة ، ومسح الأمتعة بحثًا عن الأشياء الخطرة ، وما إلى ذلك.
قد تندهش عندما تجد أنك تتفاعل مع أدوات التعلم الآلي كل يوم. تستخدمه Google لتصفية البريد الإلكتروني العشوائي والبرامج الضارة ومحاولة التصيد الاحتيالي من صندوق الوارد الخاص بك. يستخدمه مصرفك وبطاقتك الائتمانية لإصدار تحذيرات بشأن المعاملات المشبوهة على حساباتك.
عندما تتحدث إلى Siri و Alexa ، فإن التعلم الآلي يقود منصات التعرف على الصوت والكلام في العمل. وعندما يرسلك طبيبك إلى أخصائي ، فقد يساعدهم التعلم الآلي في فحص الأشعة السينية ونتائج تحاليل الدم بحثًا عن حالات شاذة مثل السرطان.
مع استمرار نمو التطبيقات ، يتجه الأشخاص إلى التعلم الآلي للتعامل مع أنواع البيانات الأكثر تعقيدًا بشكل متزايد. هناك طلب قوي على أجهزة الكمبيوتر التي يمكنها التعامل مع البيانات غير المهيكلة ، مثل الصور أو الفيديو. وهذا هو المكان الذي يدخل فيه التعلم العميق الصورة.
ما هي أنواع التعلم الآلي وخوترزمياتها ؟
خوارزميات التعلم الآلي هي خوارزميات تُستخدم لحل أنواع مختلفة من المشكلات عن طريق تعلم معلمات التعلم الآلي والمعلمات الفائقة وما إلى ذلك. فيما يلي أنواع مختلفة من خوارزميات التعلم الآلي:
خوارزميات الانحدار
تُستخدم خوارزميات الانحدار لمشاكل التعلم الآلي حيث يتعين على النموذج التنبؤ / تقدير قيمة المتغير المستمر. تُستخدم خوارزميات التعلم الآلي للانحدار لكلا النوعين ، وهما مجموعات مشكلات التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف.
تتضمن أمثلة خوارزميات الانحدار الانحدار الخطي ، وانحدار شجرة القرار ، وانحدار ريدج / لاسو ، والغابات العشوائية ، وخوارزميات تعزيز التدرج ، وانحدارات آلة متجه الدعم ، وما إلى ذلك ، وتشمل أمثلة مشكلات الانحدار التنبؤ بسعر السهم ، وتنبؤ تسعير الإسكان ، والتنبؤات المتعلقة بالدفع مثل تأخير الدفع ، إلخ.
خوارزميات التصنيف
تُستخدم خوارزميات التصنيف لمشاكل التعلم الآلي حيث يتعين على النموذج التنبؤ / تقدير قيمة متغير منفصل. يمكن أن يمثل متغير الاستجابة المنفصلة فئة أو فئة البيانات. تتضمن أمثلة خوارزميات التصنيف الانحدار اللوجستي ، والغابات العشوائية ، ومصنف شجرة القرار ، وخوارزميات تعزيز التدرج ، ومصنف آلة متجه الدعم (SVM) ، وما إلى ذلك. وتشمل أمثلة مشاكل التصنيف التشخيص الطبي أو المرض ، والتنبؤ بالطقس.
خوارزميات التجميع
خوارزميات التجميع تُستخدم خوارزميات التعلم الآلي لمشاكل التعلم الآلي حيث يتعين على الآلة تحديد الأنماط في البيانات. تتضمن أمثلة خوارزميات التعلم الآلي التجميعية خوارزمية K-mean ، والتجميع الهرمي ، ونموذج خليط Gaussian ، وما إلى ذلك. وتشمل أمثلة خوارزميات التجميع ، تجزئة العملاء ، وتجزئة السوق ، وما إلى ذلك.
خوارزميات التوصية
تُستخدم خوارزميات التعلم الآلي للتوصية حيث يتعين على النموذج أن يتوقع / يقدر ما إذا كان من المحتمل أن يكون عنصرًا معينًا محبوبًا أو يشتريه مستخدمون آخرون بناءً على سلوكهم وسجل الشراء وما إلى ذلك. يمكن أيضًا تسمية أنواع خوارزمية التعلم الآلي هذه بالمحتوى خوارزميات التعلم الآلي المستندة. تتضمن أمثلة خوارزميات التعلم الآلي للتوصية التصفية التعاونية المستندة إلى المستخدم ، والتصفية التعاونية القائمة على العناصر ، إلخ.
خوارزميات التعلم المعزز
خوارزميات التعلم المعزز هي تلك التي تتعلم / تحسن الاستجابة بشكل مناسب لبيئة معينة. تتضمن أمثلة خوارزميات التعلم المعزز خوارزمية Q-Learning و SARSA وآلة التدرج السياسي وما إلى ذلك.
خوارزميات التعلم العميق
خوارزميات التعلم العميق هي خوارزميات التعلم الآلي التي تستخدم الشبكة العصبية متعددة الطبقات لحل مشكلة التعلم الآلي. تشمل الأمثلة الشبكات العصبية العميقة والشبكات العصبية المتكررة والذاكرة طويلة المدى وشبكات المعتقدات العميقة وما إلى ذلك.
خوارزميات تقليل الأبعاد
خوارزمية التعلم الآلي لتقليل الأبعاد هي تلك التي تقلل عدد الأبعاد (المتغيرات) دون فقدان الكثير من المعلومات من المتغيرات قيد الدراسة. تتضمن أمثلة خوارزميات تقليل الأبعاد تحليل المكون الرئيسي (PCA) ، وتحلل القيمة المفردة ، وما إلى ذلك.
ما هو الفرق بين خوارزميات التعلم الآلي والنماذج؟
تُستخدم خوارزميات التعلم الآلي لتدريب نموذج واحد أو أكثر من نماذج التعلم الآلي التي لها معلمات مختلفة ومعلمات فائقة. ثم تُستخدم تقنيات اختيار النموذج لتحديد أنسب نموذج للتعلم الآلي من مجموعة نماذج التعلم الآلي التي تم تدريبها. لاحظ أن أنسب نموذج للتعلم الآلي هو النموذج الذي يعمم جيدًا على البيانات غير المرئية.
يمكن حل المشكلة باستخدام خوارزميات مختلفة لتعلم الآلة ولكل خوارزمية تعلم الآلة ، يمكن أن يكون هناك عدة نماذج مختلفة. يمكن للمرء أن يختار الخوارزمية وتقنيات اختيار النموذج لاختيار الخوارزمية والنموذج الأنسب.
كيف يرتبط التعلم الآلي بالتعلم العميق والذكاء الاصطناعي وعلوم البيانات؟
الذكاء الاصطناعي هو مجال أوسع يشمل التعلم الآلي. يمكن تسمية التعلم الآلي بمجموعة فرعية من الذكاء الاصطناعي والتي تتعامل بشكل خاص مع استخدام الخوارزميات التي يمكن أن تتعلم من البيانات دون أن تتم برمجتها بشكل صريح.
يمكن تسمية التعلم العميق بمجموعة فرعية من التعلم الآلي والتي تتعامل مع الخوارزميات التي يمكنها التعلم من البيانات باستخدام العديد من الطبقات المخفية في النموذج. يستخدم التعلم العميق لمعرفة التمثيلات المعقدة للبيانات التي تساعد في بناء نماذج تعلم آلي أفضل.
لاحظ أن كلمة أخرى للتمثيل هي الميزة. يمكن أن يؤدي الاختيار الأفضل للميزات أو العروض إلى نماذج أفضل وهنا يأتي التعلم العميق لمساعدة كبيرة. يمكن حل المشكلات المعقدة المتعلقة بتصنيفات الصور والترجمات الآلية ومهام معالجة اللغة الطبيعية وما إلى ذلك باستخدام خوارزميات التعلم العميق.
علم البيانات هو مجال يتضمن التعلم الآلي / التعلم العميق والجبر الخطي والاحتمالات والإحصاءات وبرمجة الكمبيوتر. علماء البيانات هم أشخاص يطبقون خوارزميات التعلم الآلي على مجموعات البيانات الكبيرة لإنشاء منتجات مفيدة من البيانات مثل النماذج التنبؤية وما إلى ذلك. اقرأ منشورًا تفصيليًا حول ما هو علم البيانات؟
هل أحتاج إلى معرفة لغات البرمجة لتطبيق الذكاء الاصطناعي أو تعلم الآلة؟
الإجابة هي نعم ولا. إذا كنت عالم بيانات على دراية بالبرمجة ، فيمكنك استخدام لغات البرمجة مثل Python أو R أو Julia لتنفيذ خوارزميات التعلم الآلي. ومع ذلك ، عادةً ما يستخدم مديرو المنتجات و / أو مهندسو التعلم الآلي الأدوات والمكتبات التي يمكن استخدامها بدون لغات البرمجة ، لذلك لا يحتاجون إلى التعرف على بيانات لغة البرمجة التي يستخدمها العلماء لتنفيذ نماذج التعلم الآلي.
هناك العديد من الخدمات السحابية التي تحتوي على خوارزميات التعلم الآلي التي تم تنفيذها فيها ، لذلك لا تحتاج إلى معرفة كيفية عملها داخليًا. تتضمن بعض المكتبات وأدوات التعلم الآلي TensorFlow و Scikit-Learn وما إلى ذلك.
يمكن استخدام أدوات التعلم الآلي هذه مع لغات البرمجة أو بدون معرفة أي لغة مما يسهل على مديري المنتجات / مهندسي التعلم الآلي الذين يرغبون في إنشاء نماذج تنبؤية. قد ترغب في التحقق من خدمات مثل Google cloud bigquery ML مما يجعل من السهل تدريب النموذج.
فيما يلي خدمات سحابية شائعة مختلفة توفر خوارزميات التعلم الآلي المطبقة فيها ، لذلك لا تحتاج إلى معرفة كيفية عمل نماذج التعلم الآلي داخليًا.
- خدمات Google Cloud ML
- خدمات التعلم الآلي من Amazon: تحقق من المنشور ذي الصلة الخاص بي على 20 خدمة للتعلم الآلي على Amazon cloud.
- خدمات Azure ML
أنظر أيضاً:
ما هو التعلم العميق؟
يتعلق التعلم الآلي بقدرة أجهزة الكمبيوتر على أداء المهام دون أن تتم برمجتها بشكل صريح … ولكن لا تزال أجهزة الكمبيوتر تفكر وتتصرف مثل الآلات. لا تزال قدرتهم على أداء بعض المهام المعقدة - جمع البيانات من صورة أو مقطع فيديو ، على سبيل المثال - أقل بكثير مما يستطيع البشر القيام به.
تقدم نماذج التعلم العميق نهجًا معقدًا للغاية للتعلم الآلي وهي مصممة لمواجهة هذه التحديات لأنها تم تصميمها خصيصًا على غرار الدماغ البشري. تم بناء "الشبكات العصبية العميقة" المعقدة والمتعددة الطبقات للسماح بتمرير البيانات بين العقد (مثل الخلايا العصبية) بطرق شديدة الترابط. والنتيجة هي تحويل غير خطي للبيانات التي تزداد تجريدًا.
بينما يتطلب الأمر كميات هائلة من البيانات "لتغذية وبناء" مثل هذا النظام ، فإنه يمكن أن يبدأ في تحقيق نتائج فورية ، وهناك حاجة قليلة نسبيًا للتدخل البشري بمجرد أن يتم تنفيذ البرامج.
أنواع خوارزميات التعلم العميق
عدد متزايد من خوارزميات التعلم العميق يجعل هذه الأهداف الجديدة قابلة للتحقيق. سنغطي اثنين هنا فقط لتوضيح بعض الطرق التي يتبعها علماء ومهندسو البيانات لتطبيق التعلم العميق في هذا المجال.
- الشبكات العصبية التلافيفية
الشبكات العصبية التلافيفية هي خوارزميات مبنية خصيصًا للعمل مع الصور. "الالتفاف" في العنوان هو العملية التي تطبق مرشحًا قائمًا على الوزن عبر كل عنصر من عناصر الصورة ، مما يساعد الكمبيوتر على فهم العناصر الموجودة في الصورة نفسها والتفاعل معها.
يمكن أن يكون هذا مفيدًا عندما تحتاج إلى مسح حجم كبير من الصور لعنصر أو ميزة معينة ؛ على سبيل المثال ، صور قاع المحيط بحثًا عن علامات على غرق سفينة ، أو صورة حشد لوجه شخص واحد.
يُطلق على علم تحليل وفهم صور / فيديو الكمبيوتر اسم "رؤية الكمبيوتر" ، ويمثل مجالًا عالي النمو في الصناعة على مدار السنوات العشر الماضية.
- الشبكات العصبية المتكررة
وفي الوقت نفسه ، تقدم الشبكات العصبية المتكررة عنصرًا أساسيًا في التعلم الآلي غائبًا في خوارزميات أبسط: الذاكرة. الكمبيوتر قادر على الاحتفاظ بنقاط البيانات والقرارات السابقة "في الاعتبار" ، والنظر فيها عند مراجعة البيانات الحالية - تقديم قوة السياق.
وقد جعل هذا الشبكات العصبية المتكررة تركيزًا رئيسيًا على أعمال معالجة اللغة الطبيعية. كما هو الحال مع الإنسان ، سيقوم الكمبيوتر بعمل أفضل في فهم جزء من النص إذا كان لديه إمكانية الوصول إلى النغمة والمحتوى الذي جاء قبله. وبالمثل ، يمكن أن تكون اتجاهات القيادة أكثر دقة إذا "تذكر" الكمبيوتر أن كل شخص يتبع طريقًا موصى به في ليلة السبت يستغرق ضعف الوقت للوصول إلى المكان الذي يتجه إليه.
قد تندهش عندما تجد أنك تتفاعل مع أدوات التعلم الآلي كل يوم. تستخدمه Google لتصفية البريد الإلكتروني العشوائي والبرامج الضارة ومحاولة التصيد الاحتيالي من صندوق الوارد الخاص بك. يستخدمه مصرفك وبطاقتك الائتمانية لإصدار تحذيرات بشأن المعاملات المشبوهة على حساباتك.
عندما تتحدث إلى Siri و Alexa ، فإن التعلم الآلي يقود منصات التعرف على الصوت والكلام في العمل. وعندما يرسلك طبيبك إلى أخصائي ، فقد يساعدهم التعلم الآلي في فحص الأشعة السينية ونتائج تحاليل الدم بحثًا عن حالات شاذة مثل السرطان.
مع استمرار نمو التطبيقات ، يتجه الأشخاص إلى التعلم الآلي للتعامل مع أنواع البيانات الأكثر تعقيدًا بشكل متزايد. هناك طلب قوي على أجهزة الكمبيوتر التي يمكنها التعامل مع البيانات غير المهيكلة ، مثل الصور أو الفيديو. وهذا هو المكان الذي يدخل فيه التعلم العميق الصورة.
5 اختلافات رئيسية بين التعلم الآلي والتعلم العميق
في حين أن هناك العديد من الاختلافات بين هاتين المجموعتين الفرعيتين للذكاء الاصطناعي ، فإليك خمسة من أهمها:
- التدخل البشري : يتطلب التعلم الآلي مزيدًا من التدخل البشري المستمر للحصول على نتائج. التعلم العميق أكثر تعقيدًا من حيث الإعداد ولكنه يتطلب الحد الأدنى من التدخل بعد ذلك.
- الأجهزة: تميل برامج التعلم الآلي إلى أن تكون أقل تعقيدًا من خوارزميات التعلم العميق ويمكن تشغيلها غالبًا على أجهزة الكمبيوتر التقليدية ، لكن أنظمة التعلم العميق تتطلب أجهزة وموارد أكثر قوة. أدى هذا الطلب على الطاقة إلى زيادة استخدام وحدات المعالجة الرسومية. تعد وحدات معالجة الرسومات مفيدة لذاكرة النطاق الترددي العالي والقدرة على إخفاء زمن الوصول (التأخير) في نقل الذاكرة بسبب توازي الخيط (قدرة العديد من العمليات على العمل بكفاءة في نفس الوقت.)
- الوقت: يمكن إعداد أنظمة التعلم الآلي وتشغيلها بسرعة ولكنها قد تكون محدودة في قوة نتائجها. تستغرق أنظمة التعلم العميق وقتًا أطول في الإعداد ولكن يمكن أن تؤدي إلى نتائج فورية (على الرغم من أنه من المحتمل أن تتحسن الجودة بمرور الوقت مع توفر المزيد من البيانات).
- النهج : يميل التعلم الآلي إلى طلب بيانات منظمة ويستخدم خوارزميات تقليدية مثل الانحدار الخطي. يستخدم التعلم العميق الشبكات العصبية وهو مصمم لاستيعاب كميات كبيرة من البيانات غير المهيكلة.
- التطبيقات: يتم استخدام التعلم الآلي بالفعل في صندوق بريدك الإلكتروني والبنك ومكتب الطبيب. تتيح تقنية التعلم العميق برامج أكثر تعقيدًا واستقلالية ، مثل السيارات ذاتية القيادة أو الروبوتات التي تجري عمليات جراحية متقدمة.
ما هي بعض المهارات المطلوبة لبدء التعلم الآلي؟
يُطلق على أولئك الذين يبنون نماذج التعلم الآلي علماء البيانات. عادة ما يتمتع الأشخاص الذين هم علماء بيانات بالمهارات / المعرفة التالية:
- خوارزميات التعلم الآلي
- الإحصاء والاحتمالات
- موضوعات الرياضيات مثل الجبر الخطي
- الفهم الجيد لمشاكل العمل
مهارات برمجة جيدة في لغات مثل Python و R وما إلى ذلك والتي يمكن استخدامها لتنفيذ التعلم الآلي. جيد مع معرفة SQL للحصول على البيانات من قاعدة بيانات RDBMS. ومع ذلك ، هناك العديد من أدوات دمقرطة البيانات المستندة إلى السحابة والتي يمكن استخدامها للوصول إلى البيانات إذا كانت البيانات موجودة في بحيرة البيانات.
إذا لم تكن جيدًا في البرمجة ، فيمكنك تعلم خدمات تعلم الآلة السحابية مثل Google و Amazon و Azure Cloud ML services.
مهارات الاتصال بحيث يمكن مشاركة الأفكار مع أصحاب المصلحة مثل مديري المنتجات ومالكي المنتجات وما إلى ذلك.
ما هو تعلم الآلة الآلي؟
تعلم الآلة الآلي AutoML هو أتمتة بناء نماذج التعلم الآلي. يقوم AutoML بأتمتة مهام التعلم الآلي المختلفة في سير عمل التعلم الآلي مثل تنظيف البيانات ، وهندسة الميزات ، وضبط المعلمات الفائقة ، وما إلى ذلك ، بحيث يمكن لعلماء البيانات التركيز على مشاكل العمل وتحسين نماذج التعلم الآلي بدلاً من قضاء الوقت في مهام التعلم الآلي المملة. تتوفر مكتبات تعلم الآلة الآلي AutoML مختلفة لمشاكل التعلم الآلي مثل Auto-sklearn و H20.ai وما إلى ذلك.
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تتعامل بشكل خاص مع خوارزميات التعلم الآلي القادرة على التعلم من البيانات دون أن تتم برمجتها بشكل صريح. علم البيانات والتعلم العميق والتعلم الآلي كلها مرتبطة ببعضها ولكن لها أغراض مختلفة - يركز التعلم العميق على خوارزميات الآلة التي يمكنها التعلم من البيانات باستخدام العديد من الطبقات المخفية بينما يركز التعلم الآلي بشكل أوسع على قدرة خوارزمية الآلة على التعلم من تلقاء نفسها.
فئة أخرى من التعلم هي التعلم المعزز الذي يدرب الوكلاء على التصرف في سيناريوهات مختلفة من خلال تلقي المكافآت أو العقوبة على أفعالهم ؛ يسمح هذا النوع من التعلم الآلي للآلات باتخاذ القرارات بناءً على ما يمنحها أكبر قدر من المكافأة.
توجد مكتبات وأدوات تعلم آلي يمكن استخدامها بدون لغات برمجة مما يسهل على مديري المنتجات ومهندسي التعلم الآلي وعلماء / محللي البيانات إنشاء نماذج تنبؤية باستخدام خوارزميات التعلم الآلي التي تتعلم من البيانات المصنفة جزئيًا أو كليًا. إذا كنت تتطلع إلى معرفة المزيد عن التعلم الآلي والتطبيقات المختلفة ، فيرجى التواصل معنا.!
كيف يعمل تعلم الآلة ؟
يعد تعلم الآلة معقدًا بشكل لا يصدق وتختلف طريقة عمله اعتمادًا على المهمة والخوارزمية المستخدمة لإنجازها. ومع ذلك ، فإن نموذج تعلم الآلة في جوهره هو جهاز كمبيوتر يبحث في البيانات وتحديد الأنماط ، ثم يستخدم تلك الأفكار لإكمال المهمة المحددة له بشكل أفضل. يمكن أتمتة أي مهمة تعتمد على مجموعة من نقاط البيانات أو القواعد باستخدام تعلم الآلة ، حتى تلك المهام الأكثر تعقيدًا مثل الاستجابة لمكالمات خدمة العملاء ومراجعة السير الذاتية.
ما هي أنواع تعلم الآلة المختلفة؟
فيما يلي الأنواع الخمسة الأكثر شيوعًا لمهام التعلم الآلي:
التعلم الخاضع للإشراف: التعلم الخاضع للإشراف هو مهمة تعلم آلي حيث لدينا بيانات مع كل من المدخلات والتسميات / الإجابات / المخرجات الصحيحة. نعلم أيضًا صحة الإجابات بناءً على الملصقات أو العلامات المرفقة بها أثناء مرحلة التدريب. على سبيل المثال ، يمكنك التقاط مجموعة من الصور المميزة بعلامة "قطة". أنت تدرب نموذجًا للتعلم الآلي باستخدام صور القطط هذه بحيث يتعلم نموذج التعلم الآلي كيفية التمييز إذا كانت الصورة قطة أم لا.
التعلم غير الخاضع للإشراف: يعد التعلم الآلي غير الخاضع للإشراف مهمة تعلم الآلة حيث لا تتوفر لدينا بيانات بإجابات / تسميات صحيحة ومتغيرات الإدخال تحتوي أيضًا على قيم غير صحيحة / مزعجة أثناء مرحلة التدريب. على سبيل المثال ، إذا التقطت صورًا لأشخاص بدون ملصقاتهم مرفقة بهم حتى يتعلم نموذج التعلم الآلي منهم حتى يتمكن نموذج التعلم الآلي من تصنيف صور الأشخاص بشكل صحيح عندما تتعلم الآلة من البيانات ذات التسميات غير الصحيحة.
التعلم المعزز: يعد التعلم الآلي المعزز مهمة تعلم الآلة حيث تتعلم الآلة كيفية التصرف في سيناريوهات مختلفة من خلال تلقي المكافآت أو العقوبة على أفعالها. تحدد وظيفة المكافأة ما إذا كان الإجراء الذي تم اتخاذه صحيحًا وتخبر وظيفة العقوبة ما إذا كان هذا الإجراء سيؤدي إلى خسارة.
التعلم شبه الخاضع للإشراف: مهام التعلم شبه الخاضعة للإشراف هي مهام تعلم آلي حيث تحتوي البيانات على أمثلة مصنفة وغير موسومة. يساعدنا التعلم الآلي شبه الخاضع للإشراف في الحصول على ملصقات ، على سبيل المثال ، الصور التي لم يتم تصنيفها بعد أو التي تحتوي على علامات غير صحيحة / غير متسقة. أنواع مختلفة من المشاكل التي تنشأ في
يمكن تأطير التطبيقات ، بما في ذلك مهام التصنيف أو الانحدار أو الترتيب ، كحالات من التعلم شبه الخاضع للإشراف.
التعلم تحت الإشراف الذاتي: في حالة مهام التعلم الآلي الخاضعة للإشراف الذاتي ، لا تحتوي البيانات على أي تسميات صحيحة / غير صحيحة. بمعنى آخر ، تكون متغيرات الإدخال عشوائية أو مجموعة فرعية من جميع المدخلات الممكنة لنموذج التعلم الآلي ويتعلم النموذج إنشاء ملصقاته الخاصة من البيانات الصاخبة.