التعلّم غير الخاضع للإشراف — Unsupervised Learning
التعلّم غير الخاضع للإشراف
Unsupervised Learning
أحد أساليب التعلّم الآلي الذي يتعلم فيه النظام من البيانات غير المصنّفة، ويعمل على اكتشاف الأنماط والعلاقات والبنية الداخلية للبيانات دون الاعتماد على إجابات محددة مسبقًا.
المصطلح: التعلّم غير الخاضع للإشراف
بالإنجليزية: Unsupervised Learning
الاختصار: UL
التصنيف: تعلّم آلي — ذكاء اصطناعي
ASAI WIKI: موسوعة الذكاء الاصطناعي والمعرفة الرقمية
فهرس الموضوع
- ما هو التعلّم غير الخاضع للإشراف؟
- كيف يعمل التعلّم غير الخاضع للإشراف؟
- أهم أساليب التعلّم غير الخاضع للإشراف
- التجميع وتحليل المجموعات
- تقليل الأبعاد
- اكتشاف الحالات الشاذة
- أشهر الخوارزميات والأساليب
- تطبيقات التعلّم غير الخاضع للإشراف
- مثال مبسّط
- مزايا التعلّم غير الخاضع للإشراف
- القيود والتحديات
- الفرق بين التعلّم الخاضع وغير الخاضع للإشراف
- علاقته بأساليب التعلّم الأخرى
- أهمية التعلّم غير الخاضع للإشراف في الذكاء الاصطناعي
- الفكرة الأساسية
- الخلاصة
- مصطلحات مرتبطة
ما هو التعلّم غير الخاضع للإشراف؟
التعلّم غير الخاضع للإشراف هو أحد أساليب التعلّم الآلي التي تهدف إلى تحليل البيانات واكتشاف الأنماط والعلاقات الموجودة فيها دون الاعتماد على بيانات تحمل تسميات أو إجابات صحيحة محددة مسبقًا.
في هذا النوع من التعلّم، يحصل النموذج على بيانات يمكن أن تكون كبيرة ومعقدة، ثم يحاول اكتشاف بنيتها الداخلية من خلال دراسة أوجه التشابه والاختلاف والعلاقات بين عناصرها.
ولذلك يُستخدم التعلّم غير الخاضع للإشراف عندما يكون الهدف الأساسي هو اكتشاف المعرفة أو البنية الموجودة داخل البيانات بدلًا من التنبؤ بنتيجة معروفة مسبقًا.
كلما كانت العناصر أكثر تشابهًا وفق المقياس المستخدم، يمكن للخوارزمية أن تعتبرها أقرب إلى بعضها ضمن التحليل.
كيف يعمل التعلّم غير الخاضع للإشراف؟
تبدأ العملية بمجموعة من البيانات غير المصنّفة. ولا يتم إخبار النموذج مسبقًا بالفئات التي يجب أن يبحث عنها أو بالنتائج التي يجب أن يصل إليها.
يقوم النموذج بتحليل خصائص البيانات، ثم يبحث عن الأنماط المتكررة أو التجمعات أو العلاقات أو الاختلافات المهمة. وبهذه الطريقة يمكن للنظام تكوين تمثيل يساعد على فهم البيانات وتنظيمها.
تختلف الطريقة المستخدمة بحسب طبيعة المشكلة ونوع البيانات والهدف من التحليل، ولذلك توجد مجموعة من الأساليب والخوارزميات التي تندرج تحت التعلّم غير الخاضع للإشراف.
أهم أساليب التعلّم غير الخاضع للإشراف
التجميع — Clustering
التجميع هو عملية تقسيم عناصر البيانات إلى مجموعات تعتمد على درجة التشابه بينها. ويهدف إلى وضع العناصر المتشابهة في مجموعات واحدة مع تمييزها عن المجموعات الأخرى.
تقليل الأبعاد — Dimensionality Reduction
يُستخدم تقليل الأبعاد لتبسيط البيانات التي تحتوي على عدد كبير من الخصائص، مع محاولة الاحتفاظ بالمعلومات الأكثر أهمية، مما يساعد على التحليل والتصور وتقليل التعقيد.
اكتشاف الارتباطات — Association
يركز اكتشاف الارتباطات على العثور على العلاقات المتكررة بين عناصر البيانات، ويمكن استخدامه لفهم الأنماط التي تظهر معًا بصورة متكررة داخل مجموعات البيانات.
اكتشاف الحالات الشاذة — Anomaly Detection
يهدف إلى تحديد العناصر أو السلوكيات التي تختلف بصورة واضحة عن النمط المعتاد للبيانات، ويمكن أن يساعد في اكتشاف أحداث أو سجلات غير مألوفة.
التجميع وتحليل المجموعات
يُعد التجميع من أشهر تطبيقات التعلّم غير الخاضع للإشراف. ويقوم على البحث عن بنية طبيعية داخل البيانات من خلال تحديد العناصر التي تتشارك خصائص متشابهة.
ومن الخوارزميات المعروفة في هذا المجال K-Means و Hierarchical Clustering، إضافة إلى أساليب أخرى تختلف في طريقة تحديد المجموعات والتعامل مع البيانات.
يمكن استخدام التجميع مثلًا في تقسيم العملاء حسب أنماط السلوك أو تنظيم الوثائق المتشابهة أو تحليل مجموعات كبيرة من البيانات التي لا تحتوي على تصنيفات جاهزة.
min Σ ||xᵢ − μₖ||²
الفكرة المبسطة للصيغة هي تقليل المسافة بين كل نقطة البيانات ومركز المجموعة التي تنتمي إليها.
تقليل الأبعاد
قد تحتوي بعض مجموعات البيانات على عدد كبير جدًا من الخصائص، مما يجعل تحليلها أكثر تعقيدًا. يساعد تقليل الأبعاد على إنشاء تمثيل أبسط للبيانات مع الاحتفاظ بجزء مهم من المعلومات.
ومن الأساليب المعروفة في هذا المجال Principal Component Analysis (PCA)، الذي يُستخدم لتكوين تمثيل جديد للبيانات يساعد على تقليل عدد الأبعاد المستخدمة في التحليل.
حيث تمثل X البيانات الأصلية، بينما يمثل Z تمثيلًا أقل أبعادًا يمكن أن يحتفظ بجزء مهم من المعلومات.
اكتشاف الحالات الشاذة
الحالات الشاذة هي عناصر أو أنماط تختلف بشكل ملحوظ عن السلوك المعتاد في مجموعة البيانات.
يمكن استخدام تقنيات اكتشاف الحالات الشاذة في تحليل البيانات والأنظمة الرقمية للعثور على السلوكيات غير المعتادة التي قد تحتاج إلى مزيد من الفحص والتحليل.
أشهر الخوارزميات والأساليب
- K-Means: خوارزمية تستخدم لتجميع البيانات في عدد محدد من المجموعات.
- Hierarchical Clustering: أسلوب ينظم البيانات في بنية هرمية من المجموعات.
- DBSCAN: أسلوب تجميع يعتمد على كثافة البيانات ويمكنه التعامل مع بعض الحالات الشاذة.
- PCA: أسلوب لتقليل أبعاد البيانات وتحويلها إلى تمثيل أكثر بساطة.
- Association Rules: أساليب لاكتشاف الارتباطات والأنماط المتكررة بين عناصر البيانات.
تطبيقات التعلّم غير الخاضع للإشراف
- تقسيم العملاء أو المستخدمين إلى مجموعات متشابهة.
- اكتشاف الأنماط داخل البيانات الكبيرة.
- تحليل الصور والوثائق والمحتوى الرقمي.
- اكتشاف السلوكيات أو البيانات غير المعتادة.
- تبسيط البيانات عالية الأبعاد.
- اكتشاف العلاقات المتكررة بين عناصر البيانات.
مثال مبسّط
لنفترض وجود مجموعة كبيرة من بيانات المستخدمين دون أي تصنيف مسبق. لا يُقال للنظام من هو المستخدم النشط أو المستخدم قليل النشاط.
يمكن لخوارزمية تجميع تحليل خصائص المستخدمين واكتشاف مجموعات تشترك في أنماط سلوكية متقاربة. وهكذا تظهر المجموعات من خلال البيانات نفسها بدل تحديدها مسبقًا.
مثال مبسط: إذا كانت البيانات تحتوي على عدد الزيارات ومدة الاستخدام وعدد العمليات، فقد تكتشف الخوارزمية مجموعة من المستخدمين الذين يتشابهون في هذه الخصائص دون أن يتم تعريف هذه المجموعة مسبقًا.
مزايا التعلّم غير الخاضع للإشراف
- إمكانية تحليل البيانات غير المصنّفة.
- اكتشاف أنماط قد لا تكون معروفة مسبقًا.
- المساعدة في استكشاف البنية الداخلية لمجموعات البيانات.
- إمكانية استخدامه في مراحل الاستكشاف والتحليل الأولي للبيانات.
القيود والتحديات
لا يعني غياب التسميات أن النتائج التي ينتجها النموذج تكون صحيحة تلقائيًا. فقد تعتمد جودة النتائج على طبيعة البيانات وطريقة تمثيلها والخوارزمية المستخدمة.
كما أن تفسير المجموعات أو الأنماط المكتشفة قد يحتاج إلى معرفة بشرية متخصصة، خصوصًا عندما تكون البيانات معقدة أو متعددة الأبعاد.
لذلك يجب تقييم النتائج بعناية وعدم اعتبار كل نمط مكتشف دليلًا مؤكدًا على وجود علاقة حقيقية.
الفرق بين التعلّم الخاضع وغير الخاضع للإشراف
| العنصر | التعلّم الخاضع للإشراف | التعلّم غير الخاضع للإشراف |
|---|---|---|
| البيانات | بيانات مصنّفة | بيانات غير مصنّفة |
| الهدف | التنبؤ أو التصنيف | اكتشاف الأنماط والبنية |
| مثال | تصنيف الصور | تجميع البيانات المتشابهة |
علاقته بأساليب التعلّم الأخرى
يختلف التعلّم غير الخاضع للإشراف عن التعلّم الخاضع للإشراف في طبيعة البيانات والهدف من عملية التعلّم. ففي التعلّم الخاضع للإشراف تكون البيانات مصحوبة بتسميات أو نتائج معروفة، بينما يركز التعلّم غير الخاضع للإشراف على اكتشاف البنية والأنماط داخل البيانات.
وتوجد أيضًا أساليب أخرى تجمع بين خصائص أكثر من نوع من أنواع التعلّم، مثل التعلّم شبه الخاضع للإشراف، الذي يمكن أن يستفيد من كمية محدودة من البيانات المصنّفة إلى جانب كمية أكبر من البيانات غير المصنّفة.
أهمية التعلّم غير الخاضع للإشراف في الذكاء الاصطناعي
تتزايد أهمية التعلّم غير الخاضع للإشراف مع النمو الكبير في حجم البيانات الرقمية. فكثير من البيانات المتاحة في العالم لا تكون مصنّفة أو منظمة بطريقة تسمح باستخدامها مباشرة في نماذج التعلّم الخاضع للإشراف.
ويساعد التعلّم غير الخاضع للإشراف على استكشاف هذه البيانات واستخراج أنماط وبنى يمكن أن تكون أساسًا لمزيد من التحليل أو لبناء أنظمة ذكاء اصطناعي أكثر قدرة على التعامل مع البيانات المعقدة.
الفكرة الأساسية
لا يُطلب من النظام في التعلّم غير الخاضع للإشراف أن يعرف الإجابة مسبقًا؛ بل يُمنح البيانات ويُطلب منه اكتشاف ما الذي يوجد داخلها من أنماط وعلاقات وبنية.
الخلاصة
التعلّم غير الخاضع للإشراف هو أسلوب أساسي من أساليب التعلّم الآلي يركز على اكتشاف الأنماط والعلاقات والبنية الداخلية للبيانات غير المصنّفة. وتشمل تطبيقاته التجميع وتقليل الأبعاد واكتشاف الارتباطات والحالات الشاذة. ويؤدي دورًا مهمًا في تحليل البيانات واكتشاف المعرفة وبناء أنظمة الذكاء الاصطناعي.
ومع ذلك، فإن النتائج المكتشفة تحتاج إلى تفسير وتقييم مناسبين، لأن الأنماط التي تظهر في البيانات لا تمثل بالضرورة حقائق مؤكدة أو علاقات سببية.
مصطلحات مرتبطة
التعلّم الآلي — Machine Learning
التعلّم الخاضع للإشراف — Supervised Learning
التعلّم شبه الخاضع للإشراف — Semi-Supervised Learning
التعلّم المعزّز — Reinforcement Learning
التجميع — Clustering
تقليل الأبعاد — Dimensionality Reduction
اكتشاف الحالات الشاذة — Anomaly Detection
موسوعة الذكاء الاصطناعي والمعرفة الرقمية