التعلم الخاضع للإشراف وغير الخاضع

التعلم الخاضع للإشراف وغير الخاضع للإشراف

في علم الذكاء الصناعي يُعَدّ كلٌ من التعلم الخاضع للإشراف (Supervised Learning) والتعلم غير الخاضع للإشراف (Unsupervised Learning) فئتين رئيسيتين من خوارزميات التعلم الآلي، حيث تعتمد الأولى على بيانات مُصنَّفة لتوجيه النموذج نحو مهمة محددة، بينما تعتمد الثانية على اكتشاف الأنماط داخل البيانات دون توجيه مسبق.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد22التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: عرض توضيحيultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} في التعلم الخاضع للإشراف تُقدَّم للخوارزمية أمثلة تشمل المدخلات والمخرجات، مثل صور أرقام مكتوبة بخط اليد مُرفقة بتسميات توضح القيمة الرقمية لكل صورة.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} عندما تتوفر كمية كافية من البيانات المصنَّفة، يستطيع النموذج التعرف على البُنى الدقيقة للبيانات وتطبيقها على مهام مثل تصنيف البريد الإلكتروني العشوائي أو التعرف على الصور أو توقع أسعار الأسهم.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} بالمقابل، يركز التعلم غير الخاضع للإشراف على استخراج البنى الكامنة والأنماط المتكررة داخل مجموعة البيانات دون الحاجة إلى تسميات.^{22التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: عرض توضيحيultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد33TECH Global University ❘ التعلم الخاضع للإشراف وغير الخاضع للإشرافyoutube.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يتيح كلا النهجين إما التنبؤ بالنتائج أو الكشف عن البنى الداخلية، ويعتمد اختيار النهج على توفر عينات مُصنَّفة لدى المؤسسة وطبيعة البيانات المتاحة.^{44التعلم الخاضع للإشراف / التعلم غير الخاضع للإشرافdataswans.comاذهب إلى المرجع ↓يُفتح في تبويب جديد33TECH Global University ❘ التعلم الخاضع للإشراف وغير الخاضع للإشرافyoutube.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

المقارنة

يُعرّف التعلّم الخاضع للإشراف بأنه نهج يستخدم مجموعة من المدخلات X مصحوبة بمتغيّر هدف y لتعلم العلاقة بينهما، بحيث يُعرف لكل مثال قيمة الجواب مسبقًا.^{55التعلّم الخاضع للإشراف وغير الخاضع للإشراف: 3 فروق أساسيةmlwebapp.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} بالمقابل، يتجنّب التعلّم غير الخاضع للإشراف الاعتماد على متغيّر هدف، ويبحث عن بنية أو أنماط داخل X دون توجيه خارجي.^{55التعلّم الخاضع للإشراف وغير الخاضع للإشراف: 3 فروق أساسيةmlwebapp.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} الفارق الأساسي يكمن في وجود أو عدم وجود عمود يُمثّل المتغيّر الهدف؛ فوجوده يميّز الإطار الخاضع للإشراف، بينما عدم وجوده يحدّد الإطار غير الخاضع للإشراف.^{55التعلّم الخاضع للإشراف وغير الخاضع للإشراف: 3 فروق أساسيةmlwebapp.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يمكن استعمال نفس مجموعة البيانات الأصلية في كلا الإطارين، لكن دور كل عمود يُحدّد ما إذا كان سيُستَخدم كمتغيّر هدف أو سيُترك لاكتشاف الأنماط.^{55التعلّم الخاضع للإشراف وغير الخاضع للإشراف: 3 فروق أساسيةmlwebapp.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} من حيث الهدف، يهدف الإطار الخاضع للإشراف إلى التنبؤ بقيمة المتغيّر الهدف بناءً على أمثلة مُصنّفة، بينما يهدف الإطار غير الخاضع للإشراف إلى تجميع أو تصنيف البيانات بحسب التشابه الداخلي دون توقع قيم محددة.^{66التراجع الخطي مقابل التراجع اللوجستي - الفرق بين طرق تعلّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد55التعلّم الخاضع للإشراف وغير الخاضع للإشراف: 3 فروق أساسيةmlwebapp.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

التعلم الخاضع للإشراف: التصنيف والانحدار

يعتمد التعلم الخاضع للإشراف على بيانات مُصنَّفة تُستَخدم لتدريب نماذج تُعالج مشكلات ذات مخرجات معروفة مسبقًا.^{77فرصتك لدراسة ماجستير الذكاء الاصطناعي بجامعة كولومبيا عبر الإنترنت | ميدان | الجزيرة نتaljazeera.netاذهب إلى المرجع ↓يُفتح في تبويب جديد} في هذا الإطار تُقسم مهام التعلم الخاضع للإشراف إلى نوعين أساسيين: التصنيف والانحدار.^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يهدف التصنيف إلى تعيين كل عينة إلى فئة من فئات محددة، مثل تصنيف البريد إلى “مرغوب” أو “غير مرغوب”.^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد99التعلم الخاضع للإشراف: دورة Python عملية مجانية | Coddycoddy.techاذهب إلى المرجع ↓يُفتح في تبويب جديد} أما الانحدار فيسعى لتوقع قيمة عددية مستمرة للمتغيّر التابع، مثل عدد الدراجات التي ستُستأجر غدًا أو تطور مرض لدى مريض.^{66التراجع الخطي مقابل التراجع اللوجستي - الفرق بين طرق تعلّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد99التعلم الخاضع للإشراف: دورة Python عملية مجانية | Coddycoddy.techاذهب إلى المرجع ↓يُفتح في تبويب جديد33TECH Global University ❘ التعلم الخاضع للإشراف وغير الخاضع للإشرافyoutube.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} تُظهر التطبيقات العملية أن التصنيف يُستَخدم في كشف الرسائل غير المرغوب فيها وتحديد نوع النبيذ، بينما يُستَخدم الانحدار في توقع الطلب على خدمات أو قياس مؤشرات صحية.^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد99التعلم الخاضع للإشراف: دورة Python عملية مجانية | Coddycoddy.techاذهب إلى المرجع ↓يُفتح في تبويب جديد}

• المصنفات الخطية (Linear Classifiers).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• آلات المتجهات الداعمة (SVM).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• أشجار القرار (Decision Trees).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• خوارزمية الجوار الأقرب (K‑Nearest Neighbors).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد99التعلم الخاضع للإشراف: دورة Python عملية مجانية | Coddycoddy.techاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• الانحدار اللوجستي (Logistic Regression).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• الغابات العشوائية (Random Forest).^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد99التعلم الخاضع للإشراف: دورة Python عملية مجانية | Coddycoddy.techاذهب إلى المرجع ↓يُفتح في تبويب جديد}

غير الخاضع للإشراف: التجميع وتقليل الأبعاد

يُستَخدم التعلم غير الخاضع للإشراف عندما تكون البيانات غير مُصنَّفة، ويُهدف إلى كشف الأنماط المخفية داخلها، مثل تجميع الحالات المتشابهة أو اكتشاف الحالات الشاذة.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1010التعلم الآلي غير الخاضع للإشراف Unsupervised MLsciences24.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُمكِّن هذا النهج الباحثين من إجراء تحليلات استكشافية دون الحاجة إلى مخرجات مُحددة مسبقًا.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1010التعلم الآلي غير الخاضع للإشراف Unsupervised MLsciences24.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} من بين أهم تقنياته:

• التجميع (Clustering): يجمع نقاط البيانات ذات الخصائص المتقاربة في مجموعات، ما يُسهم في تنظيم أرشيفات البيانات الكبيرة وتكوين فئات عملاء بناءً على سلوكياتهم الشرائية.^{1111التعلّم غير الخاضع للإشراف — Python Academycoddykit.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1212مقالة علمية بعنوان . مقارنة بين خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف الباحث : بنين ناظمuomus.edu.iqاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• تقليل الأبعاد (Dimensionality Reduction): يقلل عدد السمات مع الحفاظ على المعلومات الجوهرية، مما يُسهّل معالجة البيانات الضخمة ويُحسّن كفاءة الخوارزميات.^{1111التعلّم غير الخاضع للإشراف — Python Academycoddykit.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1212مقالة علمية بعنوان . مقارنة بين خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف الباحث : بنين ناظمuomus.edu.iqاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• اكتشاف الأنماط والهياكل المخفية: تُدرّب الخوارزميات على بيانات غير معنونة لتحديد العلاقات غير الظاهرة داخل مجموعة البيانات.^{1313التعلم غير الخاضع للإشرافflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• تطبيقات عملية: تشمل تحليل البيانات، بناء أنظمة توصية، وتجزئة العملاء وفق سلوكهم، إضافة إلى القدرة على التعامل مع كميات هائلة من البيانات غير المنظمة.^{1212مقالة علمية بعنوان . مقارنة بين خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف الباحث : بنين ناظمuomus.edu.iqاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• تحديات: قد تواجه النتائج صعوبة في التفسير وربطها بتطبيقات عملية محددة، ما يستلزم جهودًا إضافية لتوضيح الفوائد المستخلصة.^{1212مقالة علمية بعنوان . مقارنة بين خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف الباحث : بنين ناظمuomus.edu.iqاذهب إلى المرجع ↓يُفتح في تبويب جديد}

التعلم شبه الخاضع

يُعَدُّ التعلم شبه الخاضع (semi‑supervised learning) حلًا وسطًا يُستَخدم عندما تكون بيانات التصنيف نادرة أو صعبة الحصول عليها، حيث يُدمج مجموعة صغيرة من العينات المصنفة مع كمية كبيرة من العينات غير المصنفة لتقوية النموذج.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُتيح هذا الجمع تحسين الدقة والكفاءة مقارنةً بالاعتماد على البيانات المصنفة فقط، لأن التقنيات غير الخاضعة تُستَغل لاستفادة أكبر من البيانات المتوفرة.^{11التعلُّم الخاضع للإشراف مقابل التعلُّم غير الخاضع للإشراف - الفرق بين خوارزميات تعلُّم الآلة - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُبنى نهج التعلم شبه الخاضع على مجموعة تدريبية تشمل كلًا من البيانات المعلمة وغير المعلمة، ما يجعله ملائمًا خصوصًا في الحالات التي يصعب فيها استخراج السمات ذات الصلة أو عندما يتوفر حجم هائل من البيانات.^{1414التعلم الخاضع لإشراف مقابل التعلم غير الخاضع لإشراف: ما الفرق بينهما؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} مثال بارز هو تطبيقه في مجال الصور الطبية، حيث يمكن لأخصائي الأشعة أن يُصنِّف عددًا محدودًا من الأشعة المقطعية، ما يُسهم في رفع دقة التنبؤ بالمرضى الذين قد يحتاجون إلى رعاية إضافية.^{1414التعلم الخاضع لإشراف مقابل التعلم غير الخاضع لإشراف: ما الفرق بينهما؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

من بين الأساليب الشائعة في هذا الإطار:

• التسمية الزائفة (pseudo‑labeling) التي تُعيد تصنيف العينات غير المعلمة بناءً على توقعات النموذج.^{1515التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف – Unite.AIunite.aiاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• تنظيم الاتساق (consistency regularization) الذي يفرض استقرار التنبؤات تحت تحولات مختلفة للبيانات.^{1515التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف – Unite.AIunite.aiاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• الأساليب القائمة على الرسم البياني التي تستغل العلاقات البنيوية بين العينات لتوجيه التعلم.^{1515التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف – Unite.AIunite.aiاذهب إلى المرجع ↓يُفتح في تبويب جديد}

تتطلب فاعلية هذه الأساليب أن تتقارب توزيعات البيانات غير المعلمة مع توزيع الهدف بحيث تكون ذات فائدة فعلية للنموذج.^{1515التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف – Unite.AIunite.aiاذهب إلى المرجع ↓يُفتح في تبويب جديد}

أمثلة تطبيقية

يُظهر التعلم الخاضع للإشراف قوته في تطبيقات تتطلب معرفة مسبقة بالتصنيفات، فمثلًا يمكن تدريب خوارزمية على صور مصنفة للموز لتتمكن من التعرف عليها وإحصائها بدقة.^{1616Spark مقابل Kafka - الفرق بين محركات معالجة البيانات - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} وفي مجال مراقبة المرور تُستَخدم نماذج مُشَرفة على صور موسومة لاكتشاف المركبات والمشاة وإشارات المرور.^{22التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: عرض توضيحيultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} كذلك تُستَغل النماذج الانحدارية لتوقع الاتجاهات التاريخية في المالية أو احتياجات المخزون، ما يجعلها ملائمة لتقدير الرواتب وتفادي عوائق سلسلة التوريد.^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} من بين التطبيقات العملية الأخرى، تُستَخدم نماذج التعلم الخاضع للإشراف في كشف البريد العشوائي، وتحليل المشاعر، والتنبؤ بالطقس وأسعار السلع.^{1414التعلم الخاضع لإشراف مقابل التعلم غير الخاضع لإشراف: ما الفرق بينهما؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

أما التعلم غير الخاضع للإشراف فيُظهر مرونته عبر تجميع البيانات دون الحاجة إلى تسميات مسبقة، فمثلًا يمكن للنموذج تجميع صور الموز وفق أوجه التشابه وتحديد أنواع مختلفة أو ربطها بفواكه أخرى دون معرفة صريحة بأنها موز.^{1616Spark مقابل Kafka - الفرق بين محركات معالجة البيانات - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} في تحليل الفيديو المروري، يُستَطاع تحليل كميات هائلة من اللقطات لتجميع أنماط حركة المرور المتشابهة واكتشاف أحداث غير عادية مثل الازدحام المفاجئ.^{22التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: عرض توضيحيultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} كما يُظهر هذا النوع قدرة أكبر على التعامل مع بيانات جديدة خارج نطاق التدريب الأصلي.^{88ما هو التعلّم الخاضع للإشراف؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} وتشمل تطبيقاته الأخرى الكشف عن الحالات الشاذة، بناء محركات التوصية، تقسيم شخصيات العملاء، واستخدامه في التصوير الطبي.^{1414التعلم الخاضع لإشراف مقابل التعلم غير الخاضع لإشراف: ما الفرق بينهما؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

أنظر أيضاً

• اختبار تورنغ
• التعلم العميق
• التعلم المعزز
• الذكاء الاصطناعي التوليدي
• الفرق بين الذكاء الاصطناعي والتعلم الآلي