التعلم غير الخاضع للإشراف
يُعرّف التعلم غير الخاضع للإشراف بأنه نوع من التعلم الآلي الذي لا يتلقى فيه النموذج بيانات مُسمّاة أو مُشروحة. وبدلاً من ذلك، يتعين على النموذج اكتشاف الأنماط والهياكل المخفية في البيانات بنفسه.
خطوات التعلم غير الخاضع للإشراف:
- تجميع البيانات: اجمع مجموعة بيانات كبيرة غير مُسمّاة.
- تنظيف البيانات ومعالجتها: نظّف البيانات من القيم المتطرفة أو الناقصة وأي ضوضاء أخرى.
- اختيار الخوارزمية: اختر الخوارزمية غير الخاضعة للإشراف بناءً على نوع المشكلة (مثل التجميع، أو الارتباط).
- تدريب النموذج: درّب نموذج التعلم غير الخاضع للإشراف باستخدام بيانات التدريب.
- تقييم النموذج: قيّم أداء النموذج على بيانات لم تُدرّب عليها من قبل.
مفاهيم رئيسية:
- التجميع (Clustering): تقسيم البيانات إلى مجموعات متميزة بناءً على أوجه التشابه بين النقاط.
- الارتباط (Association): إيجاد العلاقات بين العناصر المختلفة في البيانات.
أمثلة على الخوارزميات الشائعة:
- التجميع: جارة أقرب (k-Nearest Neighbors)، تجميع k المتوسطات (k-Means Clustering)، التجميع الهرمي (Hierarchical Clustering)
- الارتباط: قواعد الارتباط (Association Rules)، تحليل السلال (Market Basket Analysis)
مثال على استخدام التعلم غير الخاضع للإشراف
مجموعة البيانات:
سجلات المعاملات من متجر بقالة
هدف التعلم غير الخاضع للإشراف:
- تجميع المنتجات التي يتم شراؤها معًا بشكل متكرر (قواعد الارتباط).
- تحديد المجموعات المختلفة من العملاء بناءً على السلع التي يشترونها (التجميع).
إجراءات:
- تجميع البيانات: اجمع بيانات المعاملات من المتجر.
- تنظيف البيانات: أزل المعاملات غير المكتملة أو غير الصحيحة.
- اختيار الخوارزميات: استخدم خوارزمية قواعد الارتباط (Association Rules) والتجميع k المتوسطات (k-Means Clustering).
- تدريب النماذج: درّب نموذجي قواعد الارتباط والتجميع على بيانات المعاملات.
- تقييم النماذج: استخدم مجموعة بيانات اختبار لتقييم أداء النماذج.
مخرجات التعلم غير الخاضع للإشراف:
- قواعد الارتباط: حدد المنتجات التي يتم شراؤها معًا بشكل متكرر، مثل "الحليب والخبز".
- المجموعات: حدد مجموعات مختلفة من العملاء بناءً على أنماط التسوق الخاصة بهم، مثل "الأسر التي لديها أطفال صغار" أو "الأفراد العزاب".