التعلم الآلي هو أحد فروع الذكاء الاصطناعي (AI) يمكن الآلات من التعلم من البيانات دون برمجتها بشكل مباشر. نماذج التعلم الآلي هي أساليب أو تقنيات مختلفة تستخدم لتدريب الآلات عن طريق التعلم من البيانات.
تشمل هذه النماذج التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز. يعد فهم هذه النماذج أمرًا مهمًا لتطوير نماذج تعلم آلي فعالة ودقيقة يمكن تطبيقها على مجالات مختلفة مثل الرعاية الصحية و الاقتصاد وصناعة السيارات.

ستقدم هذه المقالة لمحة عامة عن نماذج التعلم الآلي المختلفة جنبًا إلى جنب مع الفئات الفرعية والمزايا والعيوب والتطبيقات.

نمط التعلم تحت الإشراف (supervised learning)

تعريف التعلم تحت الإشراف

التعلم الخاضع للإشراف هو نمط للتعلم الآلي حيث يتم إعطاء النموذج مجموعة من البيانات المصنفة (المدخلات والمخرجات) بحيث يتعلم إجراء تنبؤات بناءً على تلك البيانات.
يتم تدريب النموذج على مجموعة من الأمثلة التي نعطيه خرجها الصحيح، مما يعني أن النموذج سيتعلم الربط بين المدخلات والخرج من خلال هذه البيانات، ثم يتم اختباره على بيانات جديدة لا نعطيه خرجها الصحيح لمعرفة مدى جودة أدائه.

أنواع التعلم الخاضع للإشراف

هناك نوعان رئيسيان من التعلم تحت الإشراف: الانحدار (regression) والتصنيف (classification). يستخدم الانحدار للتنبؤ بقيمة مستمرة، بينما يستخدم التصنيف للتنبؤ بقيمة من بين مجموعة محددة من القيم.

تطبيقات التعلم تحت الإشراف

يمكن استعمال النماذج المعتمدة على التعلم الخاضع للإشراف في الكثير من المجالات، بما في ذلك التعرف على الصورة والكلام، ومعالجة اللغة الطبيعية. على سبيل المثال، يمكن للنظام استخدام التعلم الخاضع للإشراف للتنبؤ بالأسهم التي سيكون أداؤها جيدًا في المستقبل بناءً على تحليل بيانات السوق التاريخية.

نمط التعلم غير الخاضع للإشراف (unsupervised learning)

تعريف التعلم غير الخاضع للإشراف

التعلم غير الخاضع للإشراف هو نمط للتعلم الآلي يتم فيه إعطاء النموذج مجموعة من البيانات غير المصنفة ويتعلم تحديد الأنماط أو تجميع البيانات المتشابهة بمفرده. على عكس التعلم الخاضع للإشراف، لا نعطي النموذج الإجابة الصحيحة، ويجب أن يجد النموذج طريقته الخاصة لفهم البيانات.

أنواع التعلم غير الخاضع للإشراف

تُستخدم نماذج التعلم غير الخاضعة للإشراف لثلاث مهام رئيسية: التجميع، الارتباط وتقليل الأبعاد اللازمة لتمثيل البيانات (سنشرح هذه الأفكار في مقال لاحق)، و لكن بشكل مختصر:

• التجميع أو العنقدة، هي تقنية للتنقيب عن البيانات (data mining) لتجميع البيانات بناء على التشابهات بينها، مثلاً في حال كان لدينا مجموعة صور لحيوانات يمكن تجميعها على أساس هل هي تعيش في الجو أم البر أم البحر.
• الربط هو نوع آخر يعتمد على القواعد المعرفة لإيجاد العلاقات في البيانات.
• تقليل الأبعاد اللازمة لتمثيل البيانات، يتم عن طريق إيجاد المحاور التي تمثل أهم الميزات في البيانات و إهمال باقي المحاور، و طبعاً هذه الطرق سنخصص مقال كامل لشرحها.

تطبيقات التعلم غير الخاضع للإشراف

التعلم غير الخاضع للإشراف له تطبيقات في مجالات مثل الكشف عن الشذوذ وأنظمة الاقتراح وتقسيم السوق. على سبيل المثال، يمكن للنموذج استخدام التعلم غير الخاضع للإشراف لتجميع العملاء ذوي عادات الشراء المتماثلة معًا لاستعمال ذلك في الحملات الإعلانية.

نمط التعلم المعزز

تعريف التعلم المعزز

التعلم المعزز هو نوع من التعلم الآلي حيث يتعلم الوكيل (agent) التفاعل مع بيئته من خلال القيام ببعض الأفعال ومراقبة العواقب التي يواجهها نتيجة كل فعل. يتلقى الوكيل ملاحظات على شكل مكافآت أو عقوبات، وهدفه هو تعلم القيام بالأمور التي تزيد من المكافأة.

عملية التعلم المعزز

تبدأ عملية التعلم المعزز بوكيل في حالة معينة، ًقوم بفعل بناءً على سياسته (policy) الحالية. تستجيب البيئة للفعل ويتلقى الوكيل مكافأة أو عقوبة. ثم يقوم الوكيل بتحديث سياسته بناءً على التجربة، وتتكرر العملية حتى يتعلم الوكيل السياسة المثلى.

تطبيقات التعلم المعزز

يمكن استعمال التعلم المعزز في العديد من التطبيقات العملية، بما في ذلك الروبوتات ولعب الألعاب وأنظمة التوصية.
على سبيل المثال، يمكن استخدام التعلم المعزز لتدريب الروبوت على أداء مهام مثل الإمساك والتلاعب بالأغراض، وقد تم استخدامه لإنشاء وكلاء لعب بمستوى قريب أو أفضل من الخبراء في ألعاب مثل الشطرنج و Go. يمكن استخدامه أيضًا لإنشاء أنظمة اقتراح شخصية تتعلم من سلوك المستخدم وتعليقاته.

هل هذا كل شيء عن أنماط التعلم في تعلم الالة؟
لا، هناك المزيد وسنتحدث عنه في مقالاتنا القادمة!