المحتوى
Q:
ما هو الفرق بين التعلم تحت الإشراف وغير الخاضع للإشراف وشبه الإشراف؟
أ:
الفرق الرئيسي بين التعلم الخاضع للإشراف وغير الخاضع للإشراف في التعلم الآلي هو استخدام بيانات التدريب.
يستخدم التعلم الخاضع للإشراف أمثلة البيانات لإظهار شكل البيانات "الصحيحة". البيانات مهيكلة لإظهار مخرجات المدخلات المعطاة.
قد تحتوي خوارزمية التعلم الآلي التي تصنف الفواكه على صور للفواكه مثل التفاح والموز والعنب والبرتقال كمدخلات وأسماء هذه الفاكهة كمخرجات.
مثال على العالم الحقيقي هو مرشحات البريد العشوائي Bayesian في البرامج. يتم تدريب هذه المرشحات مع أمثلة على s تعتبر بريدًا عشوائيًا. يمكن لعامل تصفية البريد العشوائي البحث عن عبارات معينة تظهر في الرسائل التي تحدث في البريد العشوائي ونقلها إلى مجلد البريد العشوائي.
يشبه إظهار إنسان كيفية القيام بمهمة جديدة. قد يُعرض على الشخص الذي يقوم بإدخال البيانات أمثلة للبيانات بتنسيق تريده الشركة ومن المتوقع متابعته بعد ذلك.
برامج التعلم الآلي باستخدام التعلم الخاضع للإشراف تتكرر عدة مرات مع بيانات التدريب. النتائج يمكن أن تكون مثيرة للإعجاب عندما يحدث بالفعل. يعد فلتر البريد العشوائي في Gmail من Google دقيقًا جدًا لأن هناك الكثير من المستخدمين الذين يقومون بتدريبه.
لا يشتمل التعليم غير الخاضع للإشراف على أي بيانات تدريب سابقة. في مثال تصنيف الفاكهة الخاص بنا ، قد يتم عرض خوارزمية فقط على صور للفاكهة وطُلب منها تصنيفها.
للتعلم غير الخاضع للإشراف تطبيقات في أبحاث السوق من خلال تعلم عادات شراء العملاء ، أو الأمان من خلال مراقبة أنماط القرصنة.
يحاول التعليم شبه الخاضع للإشراف اتخاذ موقف وسط عن طريق تسمية بعض البيانات. على سبيل المثال ، قد يتم تسمية التفاح والبرتقال في برنامج تصنيف الفاكهة ، ولكن الموز والعنب ليسا كذلك.
يعتمد وقت استخدام أي من هذه الخوارزميات على نوع البيانات المستخدمة. تحتوي بعض المهام على أنماط مستقرة ، مثل تزوير بطاقات الائتمان أو البريد العشوائي. التعلم الخاضع للإشراف مناسب لهذه الأنواع من المهام. هجمات الشبكة غير متوقعة ، وقد تكون طرق التعلم غير الخاضعة للإشراف أو شبه الخاضعة للإشراف أكثر ملاءمة.