مفهوم التعلم الخاضع للإشراف Supervised Learning وأنواعه, استخداماته ومميزاته

عندما يأتي الأمر لتدريب خوارزميات التعلم الآلي فلا يمكن التكلم عن الأمر بشكل عام, لأنه يمكن تدريبها بثلاثة أنواع مختلفة تختلف تبعا لنوع البيانات والهدف المرجو من الخوارزمية, وهي: التعلم الخاضع للإشراف Supervised Learning, التعلم غير الخاضع للإشراف Unsupervised Learning, والتعلم المعزز Reinforcement Learning. تختلف الطريقة التي يتم من خلالها تدريب خوارزمية التعلم الآلي حسب اختلاف الهدف منها, هل الهدف منها هو التصنيف أم التنبؤ, بالإضافة الى حجم البيانات, هل حجمها كبير جدا لدرجة أنه لا يمكن التعامل معها بشكل تقليدي, أم حجمها صغير ولا تتطلب تعقيدا. في حال كنت ترغب في تدريب نموذج على وظيفة التصنيف, مثلا, تصنيف رسائل البريد الإلكتروني الى مزعجة أو غير مزعجة, أو تدريبه على التنبؤ مثل التنبؤ بسعر العقارات, حيث أن حجم البيانات في مثل هذه التطبيقات يكون كبيرا جدا ولا يمكن القيام به يدويا, فخيارك الأمثل سيكون باستخدام التعلم الخاضع للإشراف Supervised Learning.

لنفهم كيف يمكن أن يعمل علينا أن أولا أن نفهم ما تعريفه و ما أهميته وما الخوارزمات المستخدمة فيه, تابع معنا حتى لا يفوتك شيئ. 

ما هو التعلم الآلي الخاضع للإشراف Supervised Learning وما فائدته؟ 

هو طريقة لتدريب خوارزمية التعلم الآلي باستخدام مجموعة من البيانات الموسومة, أي أنها تحتوي على العديد من الأمثلة للميزات والهدف, على سبيل المثال: إذا كانت لدينا صور فاكهة فإن الصور تكون المميزات والتصنيف المحدد لكل صورة (مثل تفاحة أو برتقال) يكون الهدف.

بمعنى آخر, أي نقطة في مجموعة البيانات تحتوي على تصنيف يعني أن النموذج سيتعلم باستخدام أمثلة معروفة. [1]

يستخدم التعلم الخاضع للإشراف في نوعين من الخوارزميات Supervised Learning وهما: التصنيف والتنبؤ, في التصنيف يتعلم النموذج من مجموعة البيانات ويصنفها إلى فئة محددة مثلا نعم أم لا, مزعج أم غير مزعج, ويسمى هذا النوع بالتصنيف الثنائي, أما لو اشتمل تصنيف البيانات الى أكثر من خيار, مثلا: تصنيف الصور الى فئة الفاكهة فقد تشتمل أكثر من خيار مثل التفاح, الموز, البرتقال وغيرها بحث يسمى هذا بالتصنيف المتعدد.[2]

أما التنبؤ فيساعد في التنبؤ بالمتغير الناتج المستمر بناء على متغير أو أكثر, كالتنبؤ بالطقس أو الأسعار أو الرواتب وغيرها. [3]

كيف يعمل التعلم الخاضع للإشراف

يتم تدريب نماذج التعلم الآلي باستخدام بيانات تدريب موسومة أي تتألف من أمثلة تحتوي على مدخلات مع المخرجات الصحيحة المتوقعة كما ذكرنا سابقا, فبالتالي يكون الهدف من تدريب هذه النماذج من تحسين مخرجاتها وإنتاج نتائج صحيحة ومرغوبة عندما تتعرض لبيانات إدخال جديدة.  

وجود مثل هذه الأمثلة في بيانات التدريب يتيح له أن يتعلم منها بشكل تدريجي عن طريق تحليل البيانات وتعديل المعاملات باستمرار حتى ينتج النتائج المرغوبة. [4]

ولكن كيف يحسن النموذج مخرجاته لتتوافق مع النتائج الفعلية؟ 

يستخدم النموذج ما يسمى بدالة الفقد Loss Function لقياس مدى اختلاف وانحراف نتائجه عن النتائج الصحيحة وتتمثل في الأخطاء التي يرتكبها أثناء توقع النتائج, والهدف النهائي يكون بتقليل كمية الخطأ الى أدنى حد.

 للوصول الى هذا الهدف تقوم الخوارزمية بضبط معاملاتها الداخلية (مثل الأوزان) بحيث يتم تقليل هذه القيمة بشكل تدريجي, تكرر هذه العملية حتى يتم تحسين أداء النموذج, وبالتالي يكون قادرا على تحقيق الهدف الأكبر وهو أن ينتج مخرجات صحيحة عند مواجهة بيانات جديدة غير متوفرة في مجموعة التدريب، وذلك من خلال فهم شامل للأنماط والعلاقات في البيانات وتعميق تعلمه.

ما هي الخوارزميات المستخدمة في التعلم الخاضع للإشراف

تختلف الطريقة التي ننفذ فيها التعلم الخاضع للإشراف باختلاف الهدف منه هل هو تصنيف أم تنبؤ بالإضافة الى اختلاف نوع البيانات, فيما يلي أهم الخوارزميات المستخدمة فيه: [5]

• الانحدار الخطي Linear Regression: هو نوع من خوارزميات التعلم الآلي تستخدم لتوقع قيمة مستمرة كناتج، وهو من أبسط أشهر الخوارزميات المستخدمة, تقوم الخوارزمية بمحاولة العثور على علاقة خطية بين المتغيرات المستقلة (المدخلات) والقيمة المستهدفة (الإخراج).

في سياق الانحدار الخطي، يتم توقع قيمة الإخراج عن طريق حساب مجموع مرجح لقيم المتغيرات المستقلة. يعبر عن هذا العلاقة الخطية بشكل رياضي في معادلة، حيث يتم توجيه الخوارزمية لضبط وزن وتأثير كل متغير مستقل لتحقيق أفضل توقع لقيم الإخراج.

هذا النوع من الانحدار يتيح للمحللين والباحثين فهم العلاقات بين المتغيرات والتنبؤ بالقيم بشكل مستمر، مما يجعله مناسبا لتطبيقات عديدة في مجالات مثل التحليل الإحصائي وتوقعات السوق وعلوم البيانات.

• خوارزمية Support Vector Machine) SVM): تقوم على إنشاء سطح فاصل (hyperplane) لفصل الفضاء متعدد الأبعاد إلى فئات وتحدد الفئة الصحيحة لنقاط البيانات الجديدة. الحالات الحدية التي تساعد في إنشاء سطح الفاصل تسمى نقاط الدعم، ومن هنا جاء اسم دعم الخوارزمية الآلية (Support Vector Machine), تستخدم أيضا لمهام التصنيف والتنبؤ

• Support Vector Regression: وهي النوع من هذه الخوارزمية الخاصة بالتنبؤ وتستخدم لتوقع القيم المستمرة بدلا من التصنيف.

• Support Vector Classifier: وهي النوع من هذه الخوارزمية الخاصة بالتصنيف تهدف إلى العثور على أفضل سطح فاصل (hyperplane) يزيد من الهامش بين نقاط البيانات لفئات مختلفة.

تستخدم هذه الخوارزميات بفعالية في مجالات عدة مثل تصنيف الصور، التعلم الآلي، والتنبؤ بالقيم المستمرة. 

• خوارزمية K-Nearest Neighbors KNN: هي إحدى خوارزميات التعلم الآلي في مجال تصنيف البيانات والتنبؤ. تعتمد بشكل أساسي على مفهوم الجوار، حيث يتم تصنيف نقطة جديدة بناء على تصنيف أغلبية النقاط المجاورة لها, يحدد عدد الجيران (K) الذين يؤثرون في القرار.تستخدم KNN في العديد من المجالات مثل تصنيف الأحرف البريدية، والتعرف على الصور، والطب، والتمويل، مما يبرز قدرتها على التكيف مع تنوع التطبيقات وفعاليتها في التعامل مع مجموعة واسعة من البيانات.

• خوارزمية تعزيز التدرج Gradient Boosting: هي خوارزمية تستخدم لتحسين أداء النماذج التنبؤية, تعتمد في مبدأ عملها على بناء نماذج متتابعة، حيث يتم تعزيز كل نموذج لتصحيح الأخطاء التنبؤية للنموذج السابق, من خلال اعتمادها على مفهوم التدرج (Gradient) لضبط النماذج يتم تحسين التنبؤ تدريجيا. تعتبر XGBoost وLightGBM نسخا محسنة لهذه الخوارزمية، وتشتهر بفعاليتها وقوتها في التعامل مع مجموعات البيانات الكبيرة وتحسين الأداء التنبؤي. 

• خوارزمية شجرات القرار Decision tree: تستخدم للتصنيف والتنبؤ، حيث تبني هيكل شجري يستند إلى مجموعة من القواعد الشرطية, ثم يتم تقسيم البيانات بناء على سمات معينة، ويمكن تفسير وفهم النموذج بسهولة. رغم فعاليتها في التعامل مع البيانات الكبيرة، يجب مراقبة عمق الشجرة لتجنب التعقيد الزائد في النموذج.

أبرز التطبيقات على التعلم الخاضع للإشراف

يستخدم Supervised Learning في عدة مجالات من ضمنها:

• التصنيف Classification

يعد التصنيف من أبرز تطبيقات التعلم الخاضع للإشراف، حيث يتيح للنظام التعليمي تصنيف البيانات إلى فئات محددة, حيث يمكن استخدامه في تحليل البريد الإلكتروني للكشف عن الرسائل الاحتيالية Spam وتصنيف الصور الطبية للتشخيص الآلي، والتعرف على الأشياء والكائنات في الصور.

• التنبؤ Regression

يستخدم التعلم الخاضع للإشراف بشكل واسع في توقع القيم المستقبلية, مثلا في المجال المالي، يمكن استخدامه للتنبؤ في أداء الأسهم أو التوقعات الاقتصادية, أما في مجال الطقس، يمكنه تحليل البيانات التاريخية لتوقع الأحوال الجوية المستقبلية.

•  الترجمة الآلية

 يلعب التعلم الخاضع للإشراف دورا كبيرا في تطوير أنظمة الترجمة الآلية، حيث يتم تدريب النماذج على اللغات المختلفة لفهم وترجمة النصوص بدقة. تطبيقاتها تشمل ترجمة المقالات والوثائق وحتى التواصل اللحظي عبر الإنترنت.

 في مجال الرؤية الحاسوبية، يستخدم التعلم الخاضع للإشراف لتعلم التمييز بين الكائنات والأشكال في الصور, حيث يطبق هذا التطبيق في تقنيات الأمان الذكية، وفي نظم السيارات الذاتية حيث يتعرف النظام على المركبات والمشاة.

•  تحليل المشاعر Sentiment Analysis

  يستخدم التعلم الخاضع للإشراف لفهم وتحليل المشاعر المعبر عنها في النصوص، سواء كانت إيجابية أم سلبية, ويمكن تطبيقه في تقييم آراء المستخدمين عبر وسائل التواصل الاجتماعي، وفي فحص استجابة العملاء للمنتجات والخدمات.

• الرعاية الصحية

 للتعلم الآلي الخاضع للإشراف دور أساسي في تطوير نظم الرعاية الصحية، حيث يساعد في تشخيص الأمراض بدقة، وتوجيه العلاج الشخصي، وتوقع الحالات الصحية، مما يؤدي إلى تحسين إدارة المرضى وتكلفة الرعاية، وتحسين تجربة المريض. 

تظهر هذه التطبيقات القليلة فقط من مجموعة واسعة من استخدامات التعلم الخاضع للإشراف، والتي تمتد إلى مختلف المجالات لتحسين الفهم واتخاذ القرارات بناء على البيانات المتاحة. يتوقع أن يستمر تطور هذا المجال في إحداث تحولات هائلة في عدة صناعات ومجالات حياتنا اليومية.  

بعض المميزات والتحديات المتعلقة به

سنذكر في هذا القيم بعض من الخصائص التي تجعله من أهم تقنيات التعلم الآلي, بالإضافة الى بعض التحديات المتعلقة به:

المميزات

• دقة في التنبؤ حيث يتيح للنماذج تعلم العلاقات بين المدخلات والمخرجات مما يؤدي إلى توقع دقيق للنتائج
• يمكن تفسير قرارات النماذج بشكل نسبي بسبب طبيعته الشفافة، خاصة في حالة النماذج مثل شجرة القرار
• يمكن حفظ النماذج المدربة واستخدامها في التنبؤات لاحقا دون الحاجة لتدريب جديد

التحديات

• يعتمد بشكل كبير على توفر كمية كبيرة وجيدة من البيانات لتحقيق أفضل أداء
• قد يواجه صعوبة في التعامل مع البيانات الناقصة

الخاتمة

اذا يظهر التعلم الخاضع للإشراف Supervised Learning كتقنية مهمة جدا في مجال التعلم الآلي، حيث يسمح بتدريب الخوارزميات على البيانات الموسومة لتحسين دقة التنبؤ والتصنيف. من خلال استخدام مجموعات البيانات التي تحتوي على أمثلة واضحة ومصنفة، يمكن للنماذج أن تتعلم العلاقات والأنماط بين المدخلات والمخرجات.

تتنوع استخداماته في ميادين متعددة، بدءا من التصنيف والتنبؤ إلى الترجمة الآلية وتحليل المشاعر. يتيح هذا التنوع في الاستخدامات للتعلم الخاضع للإشراف أن يلعب دورا حيويا في تحسين الأنظمة واتخاذ قرارات دقيقة.

رغم الفوائد الكبيرة، تطرأ تحديات على هذه التقنية مثل التعامل مع البيانات الكبيرة والحفاظ على شفافية النماذج. ومع ذلك، تظل هذه التقنية محفزة للابتكار والتقدم في مجالات متعددة، مما يشير إلى مستقبل واعد للتعلم الخاضع للإشراف وتأثيره الإيجابي على حياتنا و صناعاتنا.

المصادر

1. Supervised Machine Learning | DataCamp
2. Classification Algorithm in Machine Learning - Javatpoint
3. Regression Analysis in Machine learning - Javatpoint
4. What Is Supervised Learning? | IBM.
5. Supervised Machine Learning - GeeksforGeeks