التعلّم الخاضع للإشراف
أحد الأساليب الأساسية في تعلّم الآلة لبناء نماذج تتعلم من البيانات المصنفة
مقدمة
يُعد التعلّم الخاضع للإشراف (Supervised Learning) أحد أهم الأساليب الأساسية في مجال تعلّم الآلة (Machine Learning)، ويُستخدم لتطوير نماذج حاسوبية قادرة على التعلم من أمثلة تحتوي على مدخلات معروفة ونتائج أو تسميات معروفة.
في هذا النوع من التعلم، يتم تدريب النموذج باستخدام مجموعة من البيانات التي تُعرف فيها الإجابة الصحيحة لكل مثال، بحيث يتعلم النظام العلاقة بين المدخلات والمخرجات، ثم يستخدم ما تعلمه لإجراء تنبؤات أو تصنيفات عند التعامل مع بيانات جديدة لم يرها أثناء التدريب.
يمثل هذا الأسلوب أساسًا لعدد كبير من التطبيقات العملية في الذكاء الاصطناعي، بما في ذلك تصنيف الصور، واكتشاف الرسائل غير المرغوب فيها، والتنبؤ بالأسعار، واكتشاف الاحتيال، وتحليل المخاطر، والتعرف على الأنماط، والعديد من الأنظمة التي تعتمد على التنبؤ واتخاذ القرار.
ولا يعني وصفه بأنه «خاضع للإشراف» وجود إنسان يراقب كل عملية تعلم بصورة مباشرة، وإنما يشير أساسًا إلى أن عملية التدريب تعتمد على بيانات تحتوي على أمثلة ونتائج مستهدفة تُستخدم لتوجيه النموذج وتصحيح أخطائه.
1. تعريف التعلّم الخاضع للإشراف
التعلّم الخاضع للإشراف هو أسلوب في تعلّم الآلة يتعلم فيه النموذج من مجموعة بيانات تدريبية تحتوي على مدخلات (Inputs) ومخرجات مستهدفة أو تسميات (Labels)، بهدف بناء علاقة يمكن استخدامها للتنبؤ بالمخرجات المناسبة لمدخلات جديدة.
فعلى سبيل المثال، إذا تم تدريب نموذج على صور لقطط وكلاب مع معرفة التصنيف الصحيح لكل صورة، فإنه يستطيع بعد التدريب محاولة تحديد ما إذا كانت صورة جديدة تحتوي على قطة أو كلب.
وفي مثال آخر، يمكن تدريب نموذج باستخدام بيانات تاريخية عن أسعار المنازل وخصائصها، بحيث يتعلم تقدير سعر منزل جديد بناءً على خصائصه.
2. كيف يعمل التعلّم الخاضع للإشراف؟
يمكن تبسيط دورة عمل التعلّم الخاضع للإشراف إلى مجموعة من المراحل المترابطة.
2.1 جمع البيانات
تبدأ العملية بجمع بيانات مناسبة للمهمة التي يراد بناء النموذج من أجلها. وقد تكون البيانات نصوصًا أو صورًا أو أصواتًا أو أرقامًا أو سجلات أو بيانات حساسات أو أي نوع آخر من المعلومات الرقمية.
2.2 تحديد التسميات
في البيانات الخاضعة للإشراف، ترتبط كل عينة عادةً بقيمة مستهدفة أو تسمية تحدد النتيجة التي يريد النموذج تعلمها.
2.3 تدريب النموذج
يستخدم النموذج بيانات التدريب للبحث عن الأنماط والعلاقات التي تساعده على إنتاج المخرجات المطلوبة. ويقارن النموذج مخرجاته بالنتائج المستهدفة، ثم تُستخدم دالة خسارة أو معيار خطأ لتحديد مدى اختلاف التنبؤ عن النتيجة الصحيحة.
2.4 تحديث النموذج
تُستخدم الخوارزمية التدريبية لتعديل معاملات النموذج بطريقة تهدف إلى تقليل الخطأ وتحسين الأداء على بيانات التدريب.
2.5 اختبار النموذج
بعد التدريب، يتم تقييم النموذج باستخدام بيانات لم يعتمد عليها أثناء التدريب، وذلك لمعرفة مدى قدرته على التعميم والتعامل مع أمثلة جديدة.
3. البيانات المصنفة
تمثل البيانات المصنفة (Labeled Data) عنصرًا أساسيًا في التعلّم الخاضع للإشراف.
وتتكون العينة عادةً من مدخلات ترتبط بمخرج مستهدف.
بريد إلكتروني → «رسالة غير مرغوب فيها»
بيانات منزل → «السعر المتوقع»
كلما كانت البيانات المصنفة ذات جودة جيدة وتمثل الحالات التي سيواجهها النموذج في الواقع، ازدادت إمكانية بناء نموذج أكثر قدرة على التعميم، مع بقاء الأداء الفعلي مرتبطًا بجودة البيانات وتصميم النموذج وطريقة التقييم.
4. الميزات والوسوم
تتكون بيانات التعلم الخاضع للإشراف غالبًا من ميزات (Features) ووسوم أو قيم مستهدفة (Labels أو Targets).
الميزات هي المعلومات التي يستخدمها النموذج لتكوين التنبؤ، بينما يمثل الوسم أو الهدف النتيجة التي يحاول النموذج تعلمها.
الوسم: النتيجة المستهدفة التي يتعلم النموذج توقعها.
ويختلف شكل الميزات والوسوم حسب طبيعة المشكلة؛ فقد تكون أرقامًا أو فئات أو نصوصًا أو تمثيلات رقمية للصور والصوت وغيرها من البيانات.
5. التصنيف (Classification)
التصنيف هو إحدى أهم مهام التعلّم الخاضع للإشراف، ويهدف إلى تحديد الفئة أو الفئات التي تنتمي إليها عينة معينة.
فعلى سبيل المثال، يمكن استخدام نموذج لتصنيف الرسائل إلى «رسائل غير مرغوب فيها» و«رسائل غير مرغوب فيها ليست كذلك»، أو لتصنيف الصور وفق أنواع محددة.
وقد يكون التصنيف ثنائيًا عندما توجد فئتان، أو متعدد الفئات عندما توجد عدة فئات، وقد توجد حالات أكثر تعقيدًا تسمح بانتماء العينة إلى أكثر من فئة.
6. الانحدار (Regression)
الانحدار هو نوع آخر من مهام التعلم الخاضع للإشراف، ويُستخدم عندما تكون النتيجة المطلوبة قيمة عددية مستمرة.
ومن أمثلته التنبؤ بسعر منزل، أو تقدير الطلب على منتج، أو التنبؤ بدرجة حرارة، أو تقدير قيمة مستقبلية اعتمادًا على بيانات سابقة.
ويختلف الانحدار عن التصنيف في طبيعة المخرج؛ فالتصنيف يهدف عادةً إلى اختيار فئة، بينما يحاول الانحدار تقدير قيمة عددية.
7. أهم الخوارزميات
توجد مجموعة واسعة من الخوارزميات التي يمكن استخدامها في التعلم الخاضع للإشراف، ويعتمد اختيار الخوارزمية المناسبة على طبيعة البيانات وحجمها ونوع المهمة والمتطلبات العملية.
- الانحدار الخطي (Linear Regression).
- الانحدار اللوجستي (Logistic Regression).
- أشجار القرار (Decision Trees).
- الغابات العشوائية (Random Forests).
- آلات المتجهات الداعمة (Support Vector Machines).
- أقرب الجيران (K-Nearest Neighbors).
- الشبكات العصبية الاصطناعية (Neural Networks).
- خوارزميات التعزيز (Boosting Algorithms).
8. أشجار القرار
أشجار القرار (Decision Trees) هي نماذج تتخذ قراراتها من خلال سلسلة من الاختبارات أو الشروط التي تقسم البيانات إلى مجموعات أصغر حتى الوصول إلى نتيجة أو تنبؤ.
وتتميز بسهولة نسبيّة في تفسير بنيتها، ويمكن استخدامها في مهام التصنيف والانحدار.
وقد تُستخدم أشجار متعددة معًا ضمن أساليب مثل الغابات العشوائية، التي تجمع مخرجات عدد كبير من الأشجار لتحسين الأداء وتقليل بعض مشكلات شجرة واحدة.
9. الانحدار الخطي واللوجستي
يُستخدم الانحدار الخطي لبناء علاقة بين المتغيرات المدخلة وقيمة عددية مستهدفة، ويعد من أبسط النماذج وأكثرها أهمية من الناحية التعليمية والتطبيقية.
أما الانحدار اللوجستي، فعلى الرغم من اسمه، فيُستخدم بصورة شائعة في مهام التصنيف، خصوصًا عندما يكون الهدف تقدير احتمال الانتماء إلى فئة معينة.
10. آلات المتجهات الداعمة
آلات المتجهات الداعمة (Support Vector Machines – SVM) هي خوارزميات تهدف إلى إيجاد حدود مناسبة تفصل بين الفئات في فضاء البيانات، ويمكن استخدامها أيضًا في بعض مسائل الانحدار.
وتتميز بقدرتها على التعامل مع أنواع معينة من البيانات عالية الأبعاد، مع اعتماد أدائها على اختيار الإعدادات المناسبة وطبيعة البيانات.
11. خوارزمية أقرب الجيران
تعتمد خوارزمية أقرب الجيران (K-Nearest Neighbors – KNN) على مقارنة العينة الجديدة بأمثلة قريبة منها في البيانات.
في التصنيف، يمكن استخدام الفئات الأكثر شيوعًا بين الجيران الأقرب لتحديد الفئة المتوقعة، بينما يمكن استخدام طرق مختلفة لتقدير قيمة عددية في مسائل الانحدار.
وتتأثر هذه الخوارزمية بمقياس المسافة وطريقة تمثيل البيانات واختيار عدد الجيران المناسب.
12. الشبكات العصبية
الشبكات العصبية الاصطناعية (Artificial Neural Networks) هي نماذج حسابية مستوحاة بصورة عامة من بعض المبادئ المجردة للشبكات العصبية البيولوجية.
وتتكون من طبقات من الوحدات الحسابية التي تتعلم معاملات تساعدها على تحويل المدخلات إلى مخرجات.
وقد أصبحت الشبكات العصبية أساسًا مهمًا في التعلم العميق (Deep Learning)، وتستخدم في معالجة الصور والصوت واللغة والعديد من المهام المعقدة.
13. دالة الخسارة
تُستخدم دالة الخسارة (Loss Function) لقياس مقدار الاختلاف بين مخرجات النموذج والنتائج المستهدفة.
وتساعد قيمة الخسارة الخوارزمية التدريبية على معرفة مدى جودة النموذج وتوجيه عملية تحديث المعاملات.
وتختلف دالة الخسارة المستخدمة حسب طبيعة المهمة؛ فقد تستخدم مقاييس مختلفة لمسائل التصنيف والانحدار.
14. التدريب والاختبار
لا يكفي قياس أداء النموذج على البيانات التي استخدمها للتدريب، لأن النموذج قد يتعلم تفاصيل خاصة بتلك البيانات دون أن يكون قادرًا على التعامل جيدًا مع بيانات جديدة.
لذلك تُقسم البيانات عادةً إلى مجموعات مختلفة، مثل بيانات التدريب وبيانات التحقق وبيانات الاختبار، بحسب منهجية المشروع.
بيانات التحقق: تستخدم في بعض المنهجيات لاختيار الإعدادات ومقارنة النماذج.
بيانات الاختبار: تستخدم لتقدير الأداء النهائي على بيانات لم يعتمد عليها النموذج في التدريب.
15. التعميم
التعميم (Generalization) هو قدرة النموذج على تحقيق أداء جيد عند التعامل مع بيانات جديدة تختلف عن الأمثلة التي استخدمها أثناء التدريب، مع بقائها ضمن طبيعة المشكلة التي تعلمها.
ويعد التعميم من أهم أهداف التعلم الخاضع للإشراف، لأن الهدف العملي ليس حفظ بيانات التدريب، وإنما تعلم أنماط يمكن الاستفادة منها في الحالات الجديدة.
16. فرط التعلّم
فرط التعلّم (Overfitting) يحدث عندما يتعلم النموذج تفاصيل دقيقة جدًا من بيانات التدريب، بما في ذلك بعض الضوضاء أو الأنماط الخاصة بها، بحيث يصبح أداؤه جيدًا على بيانات التدريب لكنه يتراجع عند التعامل مع بيانات جديدة.
وتوجد أساليب متعددة للحد من فرط التعلّم، منها استخدام بيانات أكثر، وتنظيم النموذج (Regularization)، والتحقق المتقاطع في بعض الحالات، وتقليل تعقيد النموذج أو استخدام تقنيات مناسبة لطبيعة المهمة.
17. نقص التعلّم
نقص التعلّم (Underfitting) يحدث عندما يكون النموذج بسيطًا أو غير مدرب بصورة كافية بحيث لا يستطيع تمثيل الأنماط المهمة في البيانات.
وقد يظهر ذلك عندما يكون أداء النموذج ضعيفًا على بيانات التدريب وعلى البيانات الجديدة في الوقت نفسه.
ويعتمد التعامل مع هذه المشكلة على طبيعة النموذج والبيانات، وقد يشمل زيادة تعقيد النموذج أو تحسين الميزات أو زيادة مدة التدريب أو استخدام خوارزمية أكثر ملاءمة.
18. تقييم النموذج
يجب اختيار مقاييس التقييم وفق نوع المهمة.
في مسائل التصنيف يمكن استخدام مقاييس مثل:
- الدقة (Accuracy).
- الدقة الإيجابية (Precision).
- الاستدعاء (Recall).
- درجة F1.
- مصفوفة الالتباس (Confusion Matrix).
أما في مسائل الانحدار، فيمكن استخدام مقاييس مثل متوسط الخطأ المطلق (MAE) ومتوسط مربع الخطأ (MSE) والجذر التربيعي لمتوسط مربع الخطأ (RMSE)، بحسب طبيعة المهمة.
19. جودة البيانات
تعتمد جودة النموذج بدرجة كبيرة على جودة البيانات المستخدمة في تدريبه.
قد تؤدي البيانات الناقصة أو غير الدقيقة أو غير المتوازنة أو التي تحتوي على أخطاء في التسميات إلى التأثير في أداء النموذج.
كما يمكن أن تؤدي البيانات التي لا تمثل البيئة الحقيقية التي سيستخدم فيها النموذج إلى ضعف قدرته على التعميم.
النموذج لا يستطيع تعويض جميع مشكلات البيانات بمجرد زيادة التعقيد الحسابي.
20. التحيز في البيانات
قد تحتوي البيانات على أنماط غير متوازنة أو تحيزات تاريخية أو أخطاء في عملية جمعها وتصنيفها.
وعندما يتعلم النموذج من هذه البيانات، قد تنتقل بعض هذه الأنماط إلى مخرجاته.
لذلك لا تقتصر عملية بناء نظام خاضع للإشراف على اختيار الخوارزمية، بل تشمل أيضًا فحص البيانات، وفهم مصادرها، وتقييم تمثيل الفئات، واختبار أداء النظام في السياقات ذات الصلة.
21. تطبيقات التعلّم الخاضع للإشراف
يستخدم التعلّم الخاضع للإشراف في مجموعة واسعة من التطبيقات، من أبرزها:
- تصنيف الصور.
- التعرف على البريد غير المرغوب فيه.
- اكتشاف الاحتيال المالي.
- التنبؤ بالأسعار والطلب.
- تحليل المخاطر.
- التعرف على الأنماط.
- تحليل النصوص.
- التنبؤ ببعض المؤشرات الطبية في الأنظمة المساعدة.
- أنظمة التوصية.
- اكتشاف الأعطال في بعض الأنظمة الصناعية.
- التعرف على الكلام والصوت.
- المساعدة في تطوير البرمجيات وتحليل البيانات.
22. التعلّم الخاضع للإشراف في الرعاية الصحية
يمكن استخدام نماذج التعلم الخاضع للإشراف في الرعاية الصحية لتحليل أنواع مختلفة من البيانات الطبية، مثل الصور أو القياسات أو السجلات، بهدف دعم بعض عمليات التصنيف والتنبؤ.
لكن التطبيقات الصحية تتطلب مستويات عالية من التحقق والموثوقية وحماية البيانات، ولا ينبغي اعتبار مخرجات النموذج بديلًا تلقائيًا عن الحكم الطبي المختص في القرارات ذات الأثر الصحي المباشر.
23. التعلّم الخاضع للإشراف في الصناعة
في المجال الصناعي، يمكن استخدام النماذج الخاضعة للإشراف لتحليل بيانات أجهزة الاستشعار والتنبؤ ببعض حالات الأعطال، أو تصنيف المنتجات، أو اكتشاف الأنماط غير الطبيعية في عمليات الإنتاج.
وتعتمد قيمة هذه التطبيقات على جودة البيانات وتغطيتها للظروف التشغيلية الفعلية، إضافة إلى ملاءمة النموذج للبيئة التي سيعمل فيها.
24. التعلّم الخاضع للإشراف في الأمن السيبراني
يمكن استخدام التعلم الخاضع للإشراف في بعض تطبيقات الأمن السيبراني لتصنيف الأنشطة أو الرسائل أو الملفات وفق أنماط تم تعلمها من بيانات سابقة.
لكن البيئة الأمنية تتغير باستمرار، وقد تظهر تهديدات جديدة لا توجد أمثلة كافية عليها في بيانات التدريب، ولذلك يجب الجمع بين النماذج الإحصائية ووسائل الحماية الأخرى والمراقبة المستمرة.
25. العلاقة بين التعلّم الخاضع للإشراف والتعلّم العميق
التعلم العميق (Deep Learning) ليس مرادفًا للتعلم الخاضع للإشراف، وإنما هو مجموعة من الأساليب التي تعتمد على شبكات عصبية عميقة.
يمكن تدريب العديد من نماذج التعلم العميق باستخدام بيانات خاضعة للإشراف، كما يمكن استخدام التعلم العميق في أساليب أخرى مثل التعلم الذاتي الإشراف أو بعض أشكال التعلم غير الخاضع للإشراف والتعلم المعزز.
التعلم العميق يصف فئة من النماذج والأساليب التي تعتمد على شبكات عصبية متعددة الطبقات.
26. الفرق بين التعلم الخاضع للإشراف وغير الخاضع للإشراف
في التعلم الخاضع للإشراف، تكون البيانات التدريبية مرتبطة بمخرجات مستهدفة، بينما يركز التعلم غير الخاضع للإشراف (Unsupervised Learning) على اكتشاف الأنماط والبنية داخل البيانات دون الاعتماد على تسميات مستهدفة بالطريقة نفسها.
غير خاضع للإشراف: بيانات دون أهداف مصنفة بالطريقة نفسها → اكتشاف البنية والأنماط.
27. الفرق بين التعلم الخاضع للإشراف والتعلم المعزز
يعتمد التعلم المعزز (Reinforcement Learning) على تفاعل النظام مع بيئة واتخاذ إجراءات والحصول على إشارات مكافأة أو عقوبة وفق النتائج، بدل الاعتماد بصورة أساسية على مجموعة من الأمثلة التي تحتوي على الإجابة الصحيحة لكل مدخل.
لذلك تختلف طبيعة المشكلة وطريقة التدريب بين الأسلوبين، رغم إمكانية استخدامهما ضمن أنظمة ذكاء اصطناعي أكثر تعقيدًا.
28. المزايا
يوفر التعلم الخاضع للإشراف عددًا من المزايا المهمة، منها:
- وضوح الهدف التدريبي.
- إمكانية قياس الأداء باستخدام مخرجات معروفة.
- ملاءمته لمهام التصنيف والتنبؤ.
- وجود مجموعة واسعة من الخوارزميات.
- إمكانية استخدامه في تطبيقات صناعية وعلمية متعددة.
- إمكانية دمجه مع تقنيات التعلم العميق.
- قدرته على إنتاج نماذج تنبؤية قابلة للتقييم.
29. الحدود والتحديات
رغم أهميته، يواجه التعلم الخاضع للإشراف عددًا من التحديات.
- الحاجة إلى بيانات مصنفة ذات جودة مناسبة.
- ارتفاع تكلفة تصنيف بعض أنواع البيانات.
- احتمال وجود تحيزات في البيانات.
- خطر فرط التعلّم.
- ضعف التعميم عند اختلاف البيانات الجديدة عن بيانات التدريب.
- الحاجة إلى اختيار مقاييس تقييم مناسبة.
- تغير البيانات والبيئة التشغيلية بمرور الوقت.
- الحاجة إلى مراقبة النموذج بعد نشره.
30. التعلّم الخاضع للإشراف والذكاء الاصطناعي الحديث
يمثل التعلم الخاضع للإشراف أحد المكونات الأساسية في تاريخ تطور الذكاء الاصطناعي وتعلم الآلة، ولا يزال حاضرًا في عدد كبير من الأنظمة الحديثة.
ومع تطور النماذج الكبيرة، ظهرت أساليب تدريب أكثر تعقيدًا تجمع بين مصادر متعددة من البيانات وطرق مختلفة للتعلم، بما في ذلك التعلم الذاتي الإشراف، والضبط الدقيق (Fine-Tuning)، والتعلم بالتفضيلات البشرية في بعض الأنظمة.
ومع ذلك، يظل المبدأ الأساسي للتعلم الخاضع للإشراف واضحًا: استخدام أمثلة ذات مخرجات مستهدفة لتعليم النموذج كيفية إنتاج تنبؤات مناسبة لمدخلات جديدة.
31. مستقبل التعلّم الخاضع للإشراف
من المتوقع أن يستمر التعلم الخاضع للإشراف في التطور بالتوازي مع تطور البنية التحتية للذكاء الاصطناعي وأساليب إعداد البيانات والنماذج.
ومن الاتجاهات المهمة زيادة كفاءة استخدام البيانات، وتحسين جودة التسميات، وتطوير تقنيات تساعد على التعامل مع البيانات غير المتوازنة، ودمج التعلم الخاضع للإشراف مع أساليب التعلم الذاتي الإشراف والتعلم شبه الخاضع للإشراف.
كما ستزداد أهمية تقييم النماذج ومراقبتها بعد النشر، خصوصًا في التطبيقات التي تؤثر في الأفراد أو المؤسسات أو القرارات الحساسة.
32. مصطلحات أساسية
Machine Learning: تعلم الآلة.
Training Data: بيانات التدريب.
Label: الوسم أو التصنيف المستهدف.
Feature: الميزة أو الخاصية المستخدمة كمدخل.
Classification: التصنيف.
Regression: الانحدار.
Loss Function: دالة الخسارة.
Overfitting: فرط التعلّم.
Underfitting: نقص التعلّم.
Generalization: التعميم.
Training: التدريب.
Inference: الاستدلال أو استخدام النموذج لإنتاج مخرجات جديدة.
المراجع
Stuart Russell & Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson.
Tom M. Mitchell. Machine Learning. McGraw-Hill.
Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer.
Trevor Hastie, Robert Tibshirani & Jerome Friedman. The Elements of Statistical Learning. Springer.
Ian Goodfellow, Yoshua Bengio & Aaron Courville. Deep Learning. MIT Press.
وثائق ومعايير ومراجع NIST ذات الصلة بالذكاء الاصطناعي وتقييم المخاطر.
الخلاصة
يمثل التعلّم الخاضع للإشراف (Supervised Learning) أحد الأسس الرئيسية في علم تعلّم الآلة، حيث يتعلم النموذج من بيانات تحتوي على مدخلات ومخرجات مستهدفة، ثم يستخدم الأنماط التي تعلمها لإجراء تنبؤات أو تصنيفات على بيانات جديدة.
ويشمل هذا النوع من التعلم مجموعة واسعة من المهام، أهمها التصنيف والانحدار، ويمكن تنفيذه باستخدام خوارزميات متعددة تبدأ من النماذج الإحصائية البسيطة وتصل إلى الشبكات العصبية العميقة.
لكن نجاح النموذج لا يعتمد على الخوارزمية وحدها؛ فجودة البيانات، وصحة التسميات، واختيار الميزات، وتصميم عملية التدريب، وطريقة التقييم، وقدرة النموذج على التعميم، كلها عناصر أساسية في بناء نظام موثوق.
كما أن استخدام التعلّم الخاضع للإشراف في المجالات الحساسة يتطلب اهتمامًا خاصًا بالتحيز والخصوصية والأمان والمساءلة، لأن النموذج قد يؤثر في قرارات حقيقية تتجاوز حدود البيئة التجريبية.
ثم يحاول استخدام ما تعلمه لفهم أمثلة جديدة.
وفي منظومة الذكاء الاصطناعي الحديثة، يظل التعلم الخاضع للإشراف جزءًا مهمًا من مجموعة أوسع من أساليب التعلم، إلى جانب التعلم غير الخاضع للإشراف، والتعلم الذاتي الإشراف، والتعلم المعزز، وغيرها من الأساليب التي يمكن دمجها بحسب طبيعة النظام والهدف المطلوب.
وبذلك لا تكمن أهمية التعلّم الخاضع للإشراف في كونه تقنية واحدة فقط، بل في كونه إطارًا أساسيًا مكّن الآلات من التعلم من الأمثلة وتحويل البيانات المصنفة إلى نماذج قادرة على التنبؤ والتصنيف ودعم العديد من التطبيقات الحديثة.
↑ العودة إلى أعلى الموضوع