ما هو الفرق بين التعلم المراقب (Supervised Learning) والتعلم غير المراقب (Unsupervised Learning)؟

2024-09-17

التعلم المراقب والتعلم غير المراقب هما من أشهر الأنواع في تعلم الآلة (Machine Learning). يختلفان في الطريقة التي يتم بها تدريب النماذج وكيفية التعامل مع البيانات. وفيما يلي شرح مفصل للاختلافات بينهما:

1. التعلم المراقب (Supervised Learning)

في التعلم المراقب، يتم تدريب النموذج باستخدام بيانات مُعلّمة، أي أن كل عينة من البيانات تحتوي على مدخلات ومخرجات مرتبطة بها (ما يعرف بـ الملصقات أو التسميات). الهدف هو أن يتعلم النموذج كيفية التنبؤ بالمخرجات بناءً على المدخلات.

أهم الخصائص:

البيانات المُعلّمة: البيانات تأتي مع تسميات أو مخرجات معروفة، مما يساعد النموذج على التعلم من الأخطاء.
الهدف: تنبؤ المخرجات (مثل تصنيف أو تقدير قيمة) للبيانات الجديدة التي لا تحتوي على تسميات.
أمثلة: تصنيف البريد الإلكتروني إلى "رسائل غير مرغوبة" و"رسائل هامة"، أو التنبؤ بأسعار المنازل بناءً على خصائص معينة مثل الموقع والمساحة.

التطبيقات الشائعة:

تصنيف (Classification): حيث يتم تصنيف البيانات إلى فئات مثل التعرف على الوجوه أو تصنيف النصوص.
التنبؤ (Regression): حيث يتم التنبؤ بقيمة مستمرة مثل تقدير سعر السهم أو درجات الحرارة.

أمثلة على الخوارزميات:

شجرة القرار (Decision Tree)
الانحدار الخطي (Linear Regression)
دعم المتجهات (Support Vector Machines)

2. التعلم غير المراقب (Unsupervised Learning)

في التعلم غير المراقب، يتم تدريب النموذج باستخدام بيانات غير مُعلّمة، أي أن البيانات تحتوي على المدخلات فقط دون أي مخرجات مرتبطة بها. الهدف هو أن يقوم النموذج باكتشاف الأنماط أو البنية الأساسية في البيانات بنفسه.

أهم الخصائص:

البيانات غير المُعلّمة: البيانات لا تحتوي على تسميات أو مخرجات معروفة.
الهدف: اكتشاف الأنماط، المجموعات، أو العلاقات الخفية بين البيانات.
أمثلة: تقسيم العملاء إلى مجموعات بناءً على سلوكهم (التحليل العنقودي) أو تقليل الأبعاد لتبسيط البيانات وتحليلها.

التطبيقات الشائعة:

التجميع (Clustering): مثل تقسيم العملاء إلى مجموعات بناءً على أنماط سلوكهم.
تقليل الأبعاد (Dimensionality Reduction): لتقليل عدد الميزات في البيانات لتسهيل التحليل مثل خوارزمية (PCA).