في سياق الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، تعد خوارزمية التعلم الخاضع للإشراف نوعًا من نماذج التعلم الآلي حيث يتم تدريب النموذج الحسابي، وهو عادةً برنامج كمبيوتر، على عمل تنبؤات أو تصنيف بيانات الإدخال من خلال التعلم من البيانات المُصنفة. أمثلة أو بيانات الحقيقة الأرضية. تمثل بيانات الحقيقة الأرضية نتائج دقيقة ومعروفة، والتي تستخدم لقياس أداء وصحة نموذج التعلم الخاضع للإشراف خلال مرحلتي التدريب والاختبار.
تعمل خوارزميات التعلم الخاضعة للإشراف من خلال تحليل بيانات التدريب المصنفة وتعلم التخطيط من المدخلات إلى المخرجات في أمثلة معينة. الهدف العام لعملية التعلم الخاضع للإشراف هو تطوير نموذج يعمم بشكل جيد بما يكفي لإنتاج تنبؤات أو تصنيفات صحيحة على بيانات غير مرئية سابقًا. يتم تحقيق ذلك عن طريق تقليل الخطأ أو الخسارة بين التنبؤات التي قدمها النموذج والتسميات الحقيقية لبيانات التدريب.
توجد أنواع مختلفة من خوارزميات التعلم الخاضع للإشراف لأنواع مختلفة من البيانات والمهام، مثل الانحدار الخطي، والانحدار اللوجستي، وآلات ناقل الدعم، وأشجار القرار، والشبكات العصبية. يعتمد اختيار الخوارزمية على عوامل مثل حجم وبنية البيانات المدخلة، وطبيعة المشكلة (التصنيف أو الانحدار)، والأداء المطلوب وتعقيد النموذج.
على سبيل المثال، لنأخذ بعين الاعتبار عملية الأعمال التي تم إنشاؤها باستخدام النظام الأساسي AppMaster no-code ، حيث يكون الهدف هو التنبؤ بتراجع العملاء استنادًا إلى بيانات العملاء المجمعة. في هذه الحالة، يمكن استخدام خوارزمية التعلم الخاضع للإشراف، مثل الانحدار اللوجستي، لمعرفة العلاقة بين تقلب العملاء (المخرجات) وسمات العملاء المختلفة (ميزات الإدخال) في بيانات التدريب. من خلال عملية التعلم هذه، يمكن بعد ذلك استخدام الخوارزمية للتنبؤ باحتمالية التراجع عن العملاء الجدد غير المرئيين.
يمكن تنفيذ خوارزميات التعلم الخاضع للإشراف باستخدام مجموعة متنوعة من لغات البرمجة والمكتبات، مثل Python مع scikit-learn أو TensorFlow، أو R مع حزم مثل caret وxgboost. عند تطوير التطبيقات باستخدام AppMaster ، يمكن للعملاء دمج خوارزميات التعلم الخاضعة للإشراف في الواجهات الخلفية أو تطبيقات الويب أو تطبيقات الهاتف المحمول الخاصة بهم لإجراء تنبؤات أو تصنيفات كجزء من منطق أعمالهم.
هناك العديد من العوامل المهمة التي يجب مراعاتها عند نشر وتقييم خوارزميات التعلم الخاضع للإشراف. أحد هذه العوامل هو جودة وتمثيل بيانات التدريب. إذا كانت بيانات التدريب غير متوازنة، أو صاخبة، أو متحيزة، فمن المرجح أن يكون أداء نموذج التعلم الخاضع للإشراف دون المستوى الأمثل. علاوة على ذلك، من الضروري مراقبة وتقييم أداء النموذج طوال دورة حياته، باستخدام مقاييس الأداء مثل الدقة أو الدقة أو الاستدعاء أو درجة F1 أو المنطقة الواقعة أسفل منحنى خاصية تشغيل المستقبِل (ROC)، اعتمادًا على طبيعة مشكلة.
جانب آخر مهم من خوارزميات التعلم الخاضع للإشراف هو منع الإفراط في التخصيص، والذي يحدث عندما يتم تدريب النموذج بشكل جيد للغاية على بيانات التدريب، مما يؤدي إلى التقاط الضوضاء أو التقلبات العشوائية في بيانات الإدخال. يعتبر النموذج المفرط التعقيد مفرطًا، ولا يعمم بشكل جيد على البيانات غير المرئية، وقد ينتج عنه تنبؤات سيئة بشأن الأمثلة الجديدة. غالبًا ما يتم استخدام تقنيات مثل التنظيم، أو التحقق من الصحة، أو الإيقاف المبكر للتخفيف من التجهيز الزائد وتحسين قدرات تعميم النموذج.
باختصار، توفر خوارزميات التعلم الخاضع للإشراف نهجًا قويًا وفعالًا لإجراء التنبؤات والتصنيفات في تطبيقات الذكاء الاصطناعي والتعلم الآلي. ومن خلال الاستفادة من بيانات التدريب المصنفة والتعلم من أمثلة الحقيقة الأرضية، تتيح هذه الخوارزميات تطوير حلول ذكية تعتمد على البيانات يمكنها معالجة مجموعة واسعة من المشكلات التجارية والعملية. من خلال منصة AppMaster no-code ، يمكن للعملاء بسهولة دمج خوارزميات التعلم الخاضعة للإشراف في تطبيقاتهم، وتسخير قوة الذكاء الاصطناعي والتعلم الآلي لدفع عملية صنع القرار بشكل أفضل وتحسين النتائج عبر مختلف المجالات والصناعات.
