أنواع التعلم الآلي
هناك أنواع متعددة من التعلم الآلي، ويجب عليك تطبيق النوع المناسب اعتمادا على ما تحاول التنبؤ به. يتم عرض تصنيف تفصيلي للأنواع الشائعة للتعلم الآلي في الرسم التخطيطي التالي.
التعلّم الآلي الخاضع للإشراف
يُعد التعلّم الآلي الخاضع للإشراف مصطلحًا عامًا لخوارزميات التعلّم الآلي حيث تتضمن بيانات التدريب كلًا من قيم الميزات وقيم التسمية المعروفة. يتم استخدام التعلّم الآلي الخاضع للإشراف لتدريب النماذج من خلال تحديد علاقة بين الميزات والتسميات في الملاحظات السابقة، بحيث يمكن التنبؤ بالتسميات غير المعروفة للميزات في الحالات المستقبلية.
التراجع
التراجع هو شكل من أشكال التعلّم الآلي الخاضع للإشراف حيث تكون التسمية المتوقعة من قبل النموذج قيمة رقمية. على سبيل المثال:
- عدد الآيس كريمات المباعة في يوم معين، استنادًا إلى درجة الحرارة وهطول الأمطار والزوابع الهوائية.
- سعر بيع العقار بناء على حجمه بالقدم المربع، وعدد غرف النوم التي يحتوي عليها، والمقاييس الاجتماعية والاقتصادية لموقعه.
- كفاءة الوقود (بالأميال لكل غالون) للسيارة استنادًا إلى حجم محركها والوزن والعرض والارتفاع والطول.
تصنيف
التصنيف هو شكل من أشكال التعلّم الآلي الخاضع للإشراف حيث تمثل التسمية تصنيفا أو فئة. هناك سيناريوهان شائعان للتصنيف.
التصنيف الثنائي
في التصنيف الثنائي، تحدد التسمية ما إذا كان العنصر الذي تمت ملاحظته هو (أو ليس) مثيلا لفئة معينة. أو بعبارة أخرى، تتنبأ نماذج التصنيف الثنائي بواحدة من نتيجتين تستبعد إحداهما الأخرى. على سبيل المثال:
- ما إذا كان المريض معرضًا لخطر الإصابة بمرض السكري استنادًا إلى مقاييس سريرية مثل الوزن والعمر ومستوى الجلوكوز في الدم وما إلى ذلك.
- ما إذا كان عميل البنك سيتخلف عن سداد قرض استنادًا إلى الدخل وتاريخ الائتمان والعمر وعوامل أخرى.
- ما إذا كان عميل القائمة البريدية سيستجيب بشكل إيجابي لعرض تسويقي استنادًا إلى السمات الديموغرافية والمشتريات السابقة.
في كل هذه الأمثلة، يتنبأ النموذج بتنبؤ ثنائي صحيح/خاطئ أو إيجابي/سلبي لفئة واحدة ممكنة.
تصنيف متعدد الفئات
يعمل التصنيف متعدد الفئات على توسيع التصنيف الثنائي للتنبؤ بتسمية تمثل واحدة من الفئات المتعددة المحتملة. على سبيل المثال،
- نوع البطريق (Adelie أو Gentoo أو Chinstrap) استنادا إلى قياساته المادية.
- هذا النوع من فيلم (الكوميديا ، والرعب ، والرومانسية ، والمغامرة ، أو الخيال العلمي) على أساس المدلى بها ، مدير ، والميزانية.
في معظم السيناريوهات التي تتضمن مجموعة معروفة من فئات متعددة، يتم استخدام التصنيف متعدد الفئات للتنبؤ بتسميات تستبعد إحداهما الأخرى. على سبيل المثال، لا يمكن أن يكون البطريق Gentoo و Adelie في نفس الوقت. ومع ذلك، هناك أيضًا بعض الخوارزميات التي يمكنك استخدامها لتدريب نماذج تصنيف متعدد التسميات، حيث قد يكون هناك أكثر من تسمية صالحة لملاحظة واحدة. على سبيل المثال، يمكن تصنيف الفيلم على أنه خيال علمي و كوميدي.
التعلّم الآلي غير الخاضع للإشراف
يتضمن التعلّم الآلي غير الخاضع للإشراف نماذج تدريب تستخدم البيانات التي تتكون فقط من قيم الميزات بدون أي تصنيفات معروفة. تحدد خوارزميات التعلّم الآلي غير الخاضعة للإشراف العلاقات بين ميزات الملاحظات في بيانات التدريب.
تكوين أنظمة المجموعات
النموذج الأكثر شيوعًا للتعلّم الآلي غير الخاضع للإشراف هو التجميع. تحدد خوارزمية التجميع أوجه التشابه بين الملاحظات استنادا إلى ميزاتها، وتقوم بتجميعها في مجموعات منفصلة. على سبيل المثال:
- قم بتجميع الزهور المتشابهة بناءً على حجمها وعدد أوراقها وعدد بتلاتها.
- تحديد مجموعات العملاء المتشابهين استنادا إلى السمات السكانية وسلوك الشراء.
في بعض النواحي، يشبه التجميع التصنيف متعدد الفئات؛ في أنه يصنف الملاحظات إلى مجموعات منفصلة. الفرق هو أنه عند استخدام التصنيف، فأنت تعرف بالفعل الفئات التي تنتمي إليها الملاحظات في بيانات التدريب؛ لذلك تعمل الخوارزمية من خلال تحديد العلاقة بين الميزات وتصنيف التسمية المعروفة. في التجميع، لا توجد تسمية نظام مجموعة معروفة مسبقًا وتقوم الخوارزمية بتجميع ملاحظات البيانات استنادا إلى تشابه الميزات فقط.
في بعض الحالات، يتم استخدام التجميع لتحديد مجموعة الفئات الموجودة قبل تدريب نموذج التصنيف. على سبيل المثال، قد تستخدم التجميع لتقسيم عملائك إلى مجموعات، ثم تحليل هذه المجموعات لتحديد فئات مختلفة من العملاء وتصنيفها (ذات قيمة عالية - حجم منخفض ومشتري صغير متكرر وما إلى ذلك). يمكنك بعد ذلك استخدام التصنيفات الخاصة بك لتسمية الملاحظات في نتائج التجميع الخاصة بك واستخدام البيانات المصنفة لتدريب نموذج التصنيف الذي يتنبأ بفئة العملاء التي قد ينتمي إليها العميل الجديد.