محتويات
من أمثلة التعلم الموجه:
- الانحدار (Regression)
- التصنيف (Classification)
يمكن تقسيم التعلم الموجه في الغالب إلى قسمين رئيسيين:
الانحدار (Regression):
الهدف من التراجع هو التنبؤ بقيمة مستمرة (رقمية) بناءً على مدخلات معينة.
مثال: التنبؤ بسعر منزل بناءً على مساحته وعدد غرفه وموقعه وغيرها من الخصائص. فالسعر هنا قيمة مستمرة.
بعض خوارزميات التراجع الشائعة: التراجع الخطي، التراجع متعدد الحدود، التراجع اللوجستي، أشجار القرار التراجعية، وغيرها.
التصنيف (Classification):
الهدف من التصنيف هو تحديد الفئة أو التصنيف الذي تنتمي إليه المدخلات بناءً على سماتها.
مثال: تصنيف رسائل البريد الإلكتروني إلى “بريد مهمل” أو “بريد عادي”. هنا لدينا فئتين منفصلتين وليست قيماً مستمرة.
بعض خوارزميات التصنيف الشائعة: آلة المتجهات الداعمة (SVM)، شجرة القرار، غابة عشوائية، شبكات عصبية، نايف بايز، وغيرها.
باختصار، إذا كانت المشكلة تتعلق بالتنبؤ بقيمة رقمية مستمرة، نستخدم التراجع. أما إذا كانت المشكلة تتعلق بتحديد فئة أو تصنيف من عدة خيارات منفصلة، فنستخدم التصنيف.
يُستخدم التعلم الموجه والتراجع والتصنيف في العديد من التطبيقات مثل التنبؤ بالأسعار، وتصنيف الصور، والكشف عن الاحتيال، والتنبؤ الطبي، وغيرها الكثير. فهي تقنيات أساسية في مجال تعلم الآلة تساعد في بناء نماذج تعلم قادرة على التعامل مع المشاكل الحقيقية بدقة وكفاءة.
هل التعلم الموجه يمكنك فيه العثور على أنماط في البيانات غير المهيكلة من خلال المراقبة والتجميع
التعلم الموجه:
في التعلم الموجه، يتم تدريب النموذج على بيانات مصنَّفة ومُسمَّاة مسبقًا.
كل مثال تدريبي يتكوَّن من مدخلات ومخرجات مستهدفة محدَّدة سلفًا.
الهدف هو تعلُّم دالَّة أو نموذج يمكنه التنبُّؤ بالمخرجات الصحيحة لمدخلات جديدة غير مُصنَّفة.
التعلم غير الموجه:
في التعلم غير الموجه، يتم إعطاء النموذج بيانات غير مُصنَّفة وغير مُسمَّاة.
لا يوجد مخرجات مستهدفة محدَّدة سلفًا.
الهدف هو اكتشاف الأنماط الخفيَّة والبنية الكامنة في البيانات وتجميعها بشكل ذاتي بناءً على تشابهها.
