ما هو تدريب الآلة؟

ما هو التعلم تحت الإشراف؟

 

التعلم تحت الإشراف هو الأول من بين أربعة نماذج لتعلم الآلة. في خوارزميات التعلم تحت الإشراف، تدرس الآلة على سبيل المثال. تتكون نماذج التعلم الخاضعة للرقابة من أزواج بيانات "المدخلات" و"المخرجات"، حيث يتم تسمية الناتج بالقيمة المطلوبة. على سبيل المثال، دعونا نقول أن الهدف هو أن تخبر الآلة الفرق بين الدايسي والبانزي. يتضمن أحد أزواج بيانات المدخلات الثنائية كلاً من صورة ديزي وصورة لانسي. والنتيجة المرجوة لذلك الزوج بالذات هي انتقاء الديزي، لذلك سيتم تحديدها مسبقاً على أنها النتيجة الصحيحة.

 

وبطريقة الخوارزمية، يقوم النظام بتجميع كل بيانات التدريب هذه مع مرور الوقت ويبدأ في تحديد أوجه التشابه والاختلاف والنقاط المنطقية الأخرى المترابطة - حتى يتمكن من التنبؤ بالإجابات عن الأسئلة الصعبة أو المضنية كلها بحد ذاتها. وهو ما يعادل إعطاء الطفل مجموعة من المشاكل بمفتاح إجابة، ثم يطلب منه إظهار عمله وشرح منطقه. وتستخدم نماذج التعلم الخاضعة للرقابة في العديد من التطبيقات التي نتفاعل معها كل يوم، مثل محركات التوصية للمنتجات وتطبيقات تحليل حركة المرور مثل وازي، التي تتوقع أسرع طريق في أوقات مختلفة من اليوم.

 

ما هو التعلم غير المشرف؟

 

التعلم غير المشرف هو الثاني من بين نماذج تدريب الآلة الأربعة. في نماذج التعلم غير تحت الإشراف، لا يوجد مفتاح إجابة. تدرس الآلة بيانات المدخلات - التي لا يتم تسمية جزء كبير منها وغير منظم - وتبدأ في تحديد الأنماط والارتباطات، باستخدام جميع البيانات ذات الصلة التي يمكن الوصول إليها. من نواحٍ كثيرة، يتم تصميم التعلم غير المشرف على كيفية مراقبة البشر للعالم. نحن نستخدم الحدس والتجربة لتجميع الأشياء معًا. وبينما نعاني من المزيد والمزيد من الأمثلة على شيء ما، تصبح قدرتنا على تصنيفه وتحديده دقيقة بشكل متزايد. وبالنسبة للآلات، يتم تعريف "الخبرة" بكمية البيانات التي يتم إدخالها وتوفيرها. ومن الأمثلة الشائعة على تطبيقات التعلم غير الخاضعة للإشراف التعرف على الوجه، وتحليل تسلسل الجينات، وأبحاث السوق، والأمن السيبراني.

 

ما هو التعلم شبه المشرف؟

 

التعلم شبه المراقب هو الثالث من أربعة نماذج لتعلم الآلة. في عالم مثالي، سيتم تنظيم جميع البيانات وتصنيفها قبل أن يتم إدخالها في نظام. ولكن بما أن من الواضح أن ذلك ليس ممكنا، فإن التعلم شبه المشرف يصبح حلا عمليا عند وجود كميات هائلة من البيانات الأولية غير المنظمة. يتكون هذا النموذج من إدخال كميات صغيرة من البيانات المسماة لزيادة مجموعات البيانات غير المسماة. وبشكل أساسي، تعمل البيانات المسماة على إعطاء بداية تشغيل للنظام ويمكن أن تحسن إلى حد كبير من سرعة التعلم ودقته. توجه خوارزمية التعلم شبه المراقب الجهاز إلى تحليل البيانات المسماة للخصائص المترابطة التي يمكن تطبيقها على البيانات غير المسماة.

 

وكما تم استكشافه بعمق في هذه الورقة البحثية الخاصة بمعهد ماساتشوستس للتكنولوجيا، هناك، مع ذلك، مخاطر مرتبطة بهذا النموذج، حيث يتم تعلم العيوب في البيانات المسماة وتكرارها من قبل النظام. تضمن الشركات الأكثر نجاحًا في استخدام التعلم شبه المشرف وجود بروتوكولات أفضل الممارسات. يستخدم التعلم شبه المراقب في التحليل الكلامي واللغوي، والبحوث الطبية المعقدة مثل تصنيف البروتين، والكشف عن الاحتيال على مستوى عال.

 

ما هو التعلم بالتعزيز؟

 

التعلم المعزز هو النموذج الرابع لتعلم الآلة. في التعلم تحت الإشراف، يتم إعطاء الآلة مفتاح الإجابة وتتعلم من خلال إيجاد ارتباطات بين جميع النتائج الصحيحة. لا يتضمن نموذج التعلم المعزز مفتاح إجابة، بل يدخل مجموعة من الإجراءات والقواعد والحالات النهائية المحتملة المسموح بها. عندما يكون الهدف المطلوب للخوارزمية ثابتاً أو ثنائياً، يمكن أن تتعلم الآلات على سبيل المثال. ولكن في الحالات التي تكون فيها النتيجة المرجوة قابلة للتغيير، يجب على النظام التعلم بالتجربة والمكافأة. في نماذج التعلم المعزز، "المكافأة" هي عددية وتتم برمجتها في الخوارزمية كشيء يسعى النظام لجمعه.

 

من نواح عديدة، هذا النموذج مماثل لتعليم شخص ما كيفية لعب الشطرنج. وبالتأكيد، سيكون من المستحيل محاولة إظهارهم كل تحرك محتمل. بدلاً من ذلك، أنت تشرح القواعد وهي تبني مهارتها من خلال الممارسة. تأتي المكافآت في شكل ليس فقط الفوز في اللعبة، ولكن أيضا الحصول على قطع الخصم. وتشمل تطبيقات التعلم المعزز تقديم عطاءات الأسعار الآلية لمشتري الإعلانات عبر الإنترنت، وتطوير ألعاب الكمبيوتر، وتداول أسواق الأسهم عالية المخاطر.