أساسيات تعلم الآلة: ما تحتاج إلى معرفته

قد لا تدرك ذلك ، لكن التعلم الآلي موجود في حياتنا اليومية ، من قدرات التعرف على الصوت للمساعدين الافتراضيين على هواتفنا والأجهزة الأخرى إلى العروض التي نشاهدها على Netflix أو مقاطع الفيديو التي نوصي بها على YouTube.

يستخدم التسويق أيضًا هذا الاستخدام المكثف مع نمو البيانات الضخمة وعمل المزيد والمزيد من علماء البيانات على هذه الخوارزميات. قد يبدو لك بعضًا من هذا وكأنه يوناني ، ولكن لا تقلق - سنوجهك خلال أساسيات التعلم الآلي.

تعريف تعلم الآلة

التعلم الآلي هو فرع من فروع الذكاء الاصطناعي (AI) وعلوم الكمبيوتر يتيح للآلات "التعلم" من البيانات. التعلم في هذا السياق يعني تحديد الأنماط المعقدة في ملايين نقاط البيانات ، ومقارنتها ، ومحاولة إعادة إنتاج الطريقة التي يكتسب بها البشر المعرفة ويحلون المشكلات. يتم تنفيذ هذه العملية بواسطة خوارزميات تقوم بمراجعة البيانات وتكون قادرة على التنبؤ بالسلوكيات المستقبلية. بمرور الوقت ، ستتعلم هذه الخوارزميات والأنظمة وتتحسن بشكل مستقل.

الطريقة التي تعمل بها خوارزمية التعلم الآلي هي كما يلي: بعد إدخال البيانات الأولية ، تصنف الخوارزمية المعلومات وتنتج تقديرًا للأنماط المحتملة في البيانات. سيتم تقييم هذه التنبؤات بواسطة الخوارزمية عبر وظيفة الخطأ التي تتحقق من دقة النموذج. للقيام بذلك ، ستقارن الخوارزمية عينات مختلفة ثم تعمل على تقييم العمليات وتحسينها لتحسين دقة التنبؤات.

التعلم الآلي مقابل الذكاء الاصطناعي

يرتبط التعلم الآلي والذكاء الاصطناعي بعلاقة قوية جدًا ، لكن لديهما أيضًا مسؤوليات مختلفة. يهدف الذكاء الاصطناعي إلى إنشاء نظام كمبيوتر ذكي لمحاكاة السلوك البشري وحل المشكلات المعقدة ، في حين أن التعلم الآلي هو حقًا فرع من فروع الذكاء الاصطناعي يمكّن الآلات من التعلم من معالجة البيانات حتى تتمكن من تقديم نتائج دقيقة. يعمل الذكاء الاصطناعي على إنشاء نظام ذكي يمكنه أداء العديد من المهام المعقدة. من ناحية أخرى ، يسعى التعلم الآلي إلى إنشاء آلات يمكنها فقط أداء المهام المحددة التي تم تدريبهم عليها.

من المهم أيضًا مراعاة التعلم العميق والشبكات العصبية هنا لأنهما جانبان أساسيان في التعلم الآلي. في الأساس ، يعد التعلم العميق فئة فرعية من الشبكات العصبية ، وهي فئة فرعية من التعلم الآلي. يقوم التعلم العميق بأتمتة الكثير من استخراج البيانات من العملية ، في حين أن الشبكات العصبية عبارة عن سلسلة من الخوارزميات على غرار الدماغ البشري والتي تهدف إلى محاكاة التفكير البشري. باختصار ، تساعد الشبكات العصبية أجهزة الكمبيوتر على إنشاء الذكاء الاصطناعي من خلال التعلم العميق.

إن قدرات الذكاء الاصطناعي والتعلم الآلي عديدة ، لكن دعونا نركز على بعض الأمور المرتبطة بحياتنا اليومية.

• توقع الاتجاهات والأنماط أو التوصية بالمنتجات أو عرض الإعلانات وفقًا لعمليات البحث والإعجابات والتفاعلات التي يقوم بها الشخص.
• التعرف على الكلام وفهم اللغة ، مثل عندما نطلب من جهاز تشغيل الموسيقى أو إجراء مكالمة هاتفية.
• معالجة الفيديو والصور. على سبيل المثال ، عندما يتعرف Facebook تلقائيًا على الوجوه في صورة ويقترح على الأشخاص وضع علامة عليها.
• تحليل المشاعر ، والذي يشير إلى تحليل آراء الأشخاص حول المنتجات وإعطاء رؤى لمزود الخدمة.

3 أنواع من التعلم الآلي

يمكننا تقسيم التعلم الآلي إلى ثلاث فئات: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز.

التعلم الخاضع للإشراف

هذا هو التطبيق الأكثر شيوعًا للتعلم الآلي. تعتمد خوارزميات التعلم الخاضعة للإشراف تعلمها على مجموعات بيانات التدريب التي تم تصنيفها مسبقًا. تعني التسمية هنا أنه لكل نقطة من مجموعة بيانات التدريب ، نعلم قيمة السمة المستهدفة الخاصة بها. يسمح هذا للخوارزمية "بتعلم" وظيفة قادرة على التنبؤ بالسمة المستهدفة لمجموعة بيانات جديدة.

يتم تقديم الأمثلة المصنفة إلى الخوارزمية واحدة تلو الأخرى ، ويجب أن تقوم الخوارزمية بعد ذلك بالتنبؤ. ثم يتحقق المشرف البشري من كل تنبؤ تقوم به الخوارزمية ويحدد ما إذا كان صحيحًا أم لا. تتكرر هذه العملية عدة مرات حتى تتمكن الخوارزمية من التنبؤ بالعلاقة بين الأمثلة وتسمياتها من تلقاء نفسها. بمجرد الانتهاء من ذلك ، ستتمكن الخوارزمية من العمل بأمثلة جديدة والتنبؤ بالتسميات الخاصة بها.

أبسط مثال على ذلك هو تصنيف البريد العشوائي / ليس البريد العشوائي في رسائل البريد الإلكتروني. أولاً ، يتم إعطاء الجهاز مجموعة من الأمثلة لما هو بريد غير هام وما هو غير هام وكيفية التمييز بينها لمصلحة المستخدم. في النهاية ، سيكون قادرًا على فرز رسائل البريد الإلكتروني في المجلدين بشكل مستقل.

تعليم غير مشرف عليه

التعلم غير الخاضع للإشراف هو عكس التعلم الخاضع للإشراف. هنا ، تبني الخوارزميات عملية التدريب الخاصة بهم على مجموعة بيانات بدون تسميات محددة مسبقًا. يعتمد التعلم غير الخاضع للإشراف على مهام التجميع ، والتي تسمى أيضًا التجميع ، حيث يكون الهدف هو العثور على مجموعات مماثلة في مجموعة البيانات. بمعنى آخر ، يتم إعطاء مجموعة من البيانات والأدوات للخوارزمية بحيث تحدد خصائص المعلومات من تلقاء نفسها وتصنفها بطريقة يمكن أن يفهمها البشر أو الآلات الأخرى.

مثال على ذلك هو القوائم الموصى بها على الأنظمة الأساسية مثل HBO أو Amazon أو Netflix. عندما تشاهد عرضًا أو فيلمًا ، تجمع المنصة تلك البيانات والخصائص للعثور على عروض وأفلام أخرى مماثلة قد تهمك.

تعزيز التعلم

هذه الطريقة مختلفة جدا. لا تستخدم أي تسميات على الإطلاق - وبدلاً من ذلك ، تتعلم الخوارزمية عن طريق التجربة والخطأ أثناء تطورها. يتعلم البرنامج من أخطائه مع كل إجراء يقوم به ، وبالتالي تحسين جودة الطريقة. يحتوي التعلم المعزز على أربعة عناصر أساسية: وكيل (البرنامج الذي يتم تدريبه) ، ومحيط (النظام البيئي) ، وإجراء (مجموعة من الإجراءات من قبل الوكيل) ومكافأة (تقييم الإجراء ، إيجابي أو سلبي). تستخدم ألعاب الفيديو نظام التجربة والخطأ هذا كثيرًا وهي مثال رائع على التعلم المعزز.

نأمل أن تكون هذه المقدمة الموجزة للتعلم الآلي مفيدة في شرح الأساسيات وإعطائك صورة أوضح عن هذا الموضوع. على الرغم من أنه يمكن أن يكون معقدًا ، إلا أنه ضروري أيضًا في الوقت الحاضر لأنه يلعب دورًا كبيرًا في عالم التسويق. إذا كنت لا تصدقنا ، فقط اسأل Alexa!