الفرق الرئيسي - التعلم الآلي الخاضع للإشراف مقابل غير الخاضع للإشراف
التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف مفهومان أساسيان للتعلم الآلي. التعلم الخاضع للإشراف هو مهمة تعلم الآلة لتعلم وظيفة تقوم بتعيين المدخلات إلى المخرجات بناءً على مثال أزواج المدخلات والمخرجات. التعلم غير الخاضع للإشراف هو مهمة التعلم الآلي لاستنتاج وظيفة لوصف البنية المخفية من البيانات غير الموسومة. يتمثل الاختلاف الرئيسي بين التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف في أن التعلم الخاضع للإشراف يستخدم البيانات المصنفة بينما يستخدم التعلم غير الخاضع للإشراف بيانات غير مصنفة.
التعلم الآلي هو مجال في علوم الكمبيوتر يمنح القدرة لنظام الكمبيوتر على التعلم من البيانات دون أن تتم برمجته بشكل صريح.يسمح بتحليل البيانات والتنبؤ بالأنماط الموجودة فيها. هناك العديد من تطبيقات التعلم الآلي. بعضها عبارة عن التعرف على الوجوه والتعرف على الإيماءات والتعرف على الكلام. هناك العديد من الخوارزميات المتعلقة بالتعلم الآلي. بعضها من الانحدار والتصنيف والتكتل. لغات البرمجة الأكثر شيوعًا لتطوير التطبيقات القائمة على التعلم الآلي هي R و Python. يمكن أيضًا استخدام لغات أخرى مثل Java و C ++ و Matlab.
ما هو التعلم الخاضع للإشراف؟
في الأنظمة القائمة على التعلم الآلي ، يعمل النموذج وفقًا لخوارزمية. في التعلم تحت الإشراف ، يتم الإشراف على النموذج. أولاً ، مطلوب تدريب النموذج. من خلال المعرفة المكتسبة ، يمكنه التنبؤ بالإجابات للحالات المستقبلية. يتم تدريب النموذج باستخدام مجموعة بيانات مصنفة. عندما يتم إعطاء بيانات خارج العينة إلى النظام ، يمكنه التنبؤ بالنتيجة. فيما يلي مقتطف صغير من مجموعة بيانات IRIS الشهيرة.
وفقًا للجدول أعلاه ، يُطلق على طول Sepal ، وعرض Sepal ، وطول Patel ، وعرض Patel ، والأنواع السمات. تُعرف الأعمدة بالميزات. يحتوي صف واحد على بيانات لجميع السمات. لذلك ، يسمى الصف الواحد بالملاحظة. يمكن أن تكون البيانات إما رقمية أو فئوية. يتم إعطاء النموذج الملاحظات مع اسم الأنواع المقابلة كمدخل. عندما يتم تقديم ملاحظة جديدة ، يجب أن يتنبأ النموذج بنوع الأنواع التي ينتمي إليها.
في التعلم تحت الإشراف ، هناك خوارزميات للتصنيف والانحدار. التصنيف هو عملية تصنيف البيانات المصنفة. أنشأ النموذج حدودًا تفصل بين فئات البيانات. عندما يتم توفير بيانات جديدة للنموذج ، يمكن تصنيفها بناءً على مكان وجود النقطة. K-Nearest Neighbours (KNN) هو نموذج تصنيف. اعتمادًا على قيمة k ، يتم تحديد الفئة. على سبيل المثال ، عندما تكون k هي 5 ، إذا كانت نقطة بيانات معينة قريبة من ثماني نقاط بيانات في الفئة A وست نقاط بيانات في الفئة B ، فسيتم تصنيف نقطة البيانات على أنها A.
الانحدار هو عملية توقع اتجاه البيانات السابقة للتنبؤ بنتيجة البيانات الجديدة. في الانحدار ، يمكن أن يتكون الناتج من واحد أو أكثر من المتغيرات المستمرة. يتم التنبؤ باستخدام خط يغطي معظم نقاط البيانات. أبسط نموذج انحدار هو الانحدار الخطي. إنه سريع ولا يتطلب ضبط المعلمات كما هو الحال في KNN. إذا أظهرت البيانات اتجاهًا مكافئًا ، فإن نموذج الانحدار الخطي غير مناسب.
هذه بعض الأمثلة على خوارزميات التعلم الخاضع للإشراف. بشكل عام ، تكون النتائج الناتجة عن طرق التعلم الخاضعة للإشراف أكثر دقة وموثوقية لأن بيانات الإدخال معروفة وموسومة جيدًا. لذلك ، يجب على الآلة تحليل الأنماط المخفية فقط.
ما هو التعلم غير الخاضع للرقابة؟
في التعلم غير الخاضع للإشراف ، لا يخضع النموذج للإشراف. يعمل النموذج من تلقاء نفسه ، للتنبؤ بالنتائج. يستخدم خوارزميات التعلم الآلي للوصول إلى استنتاجات بشأن البيانات غير المسماة. بشكل عام ، تعد خوارزميات التعلم غير الخاضعة للإشراف أصعب من خوارزميات التعلم الخاضعة للإشراف بسبب قلة المعلومات. التجميع هو نوع من التعلم غير الخاضع للإشراف. يمكن استخدامه لتجميع البيانات غير المعروفة باستخدام الخوارزميات. التجميع k- الوسط والقائم على الكثافة هما خوارزميتان للتجميع.
خوارزمية متوسط k ، تضع k centroid عشوائيًا لكل مجموعة. ثم يتم تعيين كل نقطة بيانات لأقرب نقطة مركزية. يتم استخدام المسافة الإقليدية لحساب المسافة من نقطة البيانات إلى النقطه الوسطى. يتم تصنيف نقاط البيانات إلى مجموعات. يتم احتساب مواقف k centroids مرة أخرى. يتم تحديد موضع النقطه الوسطى الجديد من خلال متوسط جميع النقاط في المجموعة. مرة أخرى يتم تعيين كل نقطة بيانات لأقرب نقطة مركزية.تتكرر هذه العملية حتى لا تتغير النقط الوسطى. k-mean عبارة عن خوارزمية تجميع سريعة ، ولكن لا توجد تهيئة محددة لنقاط التجميع. أيضًا ، هناك تباين كبير في نماذج المجموعات بناءً على تهيئة نقاط المجموعة.
خوارزمية تجميع أخرى هي التجميع القائم على الكثافة. يُعرف أيضًا باسم تطبيقات التجميع المكاني القائم على الكثافة مع الضوضاء. إنه يعمل عن طريق تحديد الكتلة على أنها أقصى مجموعة من نقاط الكثافة المتصلة. هما معلمتان تستخدمان للتجميع على أساس الكثافة. هم Ɛ (إبسيلون) والحد الأدنى من النقاط. Ɛ هو أقصى نصف قطر للحي. الحد الأدنى من النقاط هو الحد الأدنى لعدد النقاط في الحي لتحديد الكتلة. هذه بعض الأمثلة على المجموعات التي تقع ضمن التعلم غير الخاضع للإشراف.
بشكل عام ، النتائج المتولدة من خوارزميات التعلم غير الخاضعة للإشراف ليست دقيقة وموثوقة كثيرًا لأن الآلة يجب أن تحدد وتسمي بيانات الإدخال قبل تحديد الأنماط والوظائف المخفية.
ما هو التشابه بين التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف؟
كل من التعلم الخاضع للإشراف وغير الخاضع للإشراف نوعان من التعلم الآلي
ما الفرق بين التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف؟
التعلم الآلي الخاضع للإشراف مقابل التعلم الآلي غير الخاضع للإشراف |
|
| التعلم الخاضع للإشراف هو مهمة التعلم الآلي لتعلم وظيفة تقوم بتعيين المدخلات إلى المخرجات بناءً على أمثلة أزواج المدخلات والمخرجات. | التعلم غير الخاضع للإشراف هو مهمة التعلم الآلي لاستنتاج وظيفة لوصف البنية المخفية من البيانات غير المسماة. |
| الوظيفة الرئيسية | |
| في التعلم الخاضع للإشراف ، يتنبأ النموذج بالنتيجة بناءً على بيانات الإدخال المحددة. | في التعلم غير الخاضع للإشراف ، يتنبأ النموذج بالنتيجة بدون بيانات معنونة من خلال تحديد الأنماط من تلقاء نفسه. |
| دقة النتائج | |
| النتائج الناتجة عن طرق التعلم الخاضعة للإشراف أكثر دقة وموثوقية. | النتائج الناتجة عن طرق التعلم غير الخاضعة للرقابة ليست دقيقة وموثوقة كثيرًا. |
| الخوارزميات الرئيسية | |
| هناك خوارزميات للانحدار والتصنيف في التعلم الخاضع للإشراف | هناك خوارزميات للتجميع في التعلم غير الخاضع للإشراف. |
ملخص - التعلم الآلي الخاضع للإشراف مقابل التعلم الآلي غير الخاضع للإشراف
التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف نوعان من التعلم الآلي.التعلم الخاضع للإشراف هو مهمة التعلم الآلي لتعلم وظيفة تقوم بتعيين المدخلات إلى المخرجات بناءً على مثال أزواج المدخلات والمخرجات. التعلم غير الخاضع للإشراف هو مهمة التعلم الآلي لاستنتاج وظيفة لوصف البنية المخفية من البيانات غير المسماة. يتمثل الاختلاف بين التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف في أن التعلم الخاضع للإشراف يستخدم البيانات المصنفة بينما يستخدم التعلم غير الخاضع للإشراف بيانات غير مصنفة.
