التعلم الخاضع للإشراف هو نموذج للتعلم الآلي حيث يتم توجيه عملية التعلم الخاصة بالنموذج من خلال مجموعة من بيانات التدريب المصنفة، والتي تتكون من أزواج المدخلات والمخرجات التي تعمل كأمثلة للخوارزمية للتعلم. في سياق الذكاء الاصطناعي والتعلم الآلي، يتم استخدام التعلم الخاضع للإشراف لمجموعة متنوعة من المهام، مثل التصنيف والانحدار والكشف عن الشذوذ. الهدف الأساسي من التعلم الخاضع للإشراف هو بناء نموذج يمكنه التنبؤ بقيمة أو فئة مثيل الإدخال غير المرئي، بناءً على المعرفة المستخرجة من بيانات التدريب.
في التعلم الخاضع للإشراف، تتكون مجموعة بيانات التدريب من ميزات الإدخال والتسميات المستهدفة المقابلة. تمثل ميزات الإدخال سمات مثيلات البيانات، بينما تشير التسميات المستهدفة إلى المخرجات المطلوبة التي يجب أن يتنبأ بها النموذج. أثناء مرحلة التدريب، تقوم خوارزمية التعلم الخاضع للإشراف بضبط معلمات النموذج بشكل متكرر لتقليل الفرق بين المخرجات المتوقعة والتسمية المستهدفة الفعلية. يتم بعد ذلك تقييم أداء النموذج المدرب على مجموعة بيانات اختبار منفصلة لتقييم قدرته على التعميم. في النهاية، يُقال إن النموذج قد تعلم النمط الأساسي للبيانات إذا كان بإمكانه التنبؤ بدقة بتسميات مثيلات البيانات الجديدة غير المرئية.
أحد التطبيقات البارزة للتعلم الخاضع للإشراف هو مجال معالجة اللغة الطبيعية (NLP)، حيث يتم تدريب النموذج على التعرف على المعلومات النصية المختلفة والتمييز بينها. على سبيل المثال، يمكن استخدام الخوارزميات الخاضعة للإشراف لتحديد رسائل البريد الإلكتروني المرسلة على أنها "بريد عشوائي" أو "ليست بريدًا عشوائيًا" بناءً على السجلات التاريخية. مجال آخر يستخدم فيه التعلم الخاضع للإشراف على نطاق واسع هو الرؤية الحاسوبية، حيث يتم تدريب النماذج على التعرف على الأشياء وتصنيفها في الصور أو مقاطع الفيديو. على سبيل المثال، يمكن تدريب خوارزمية التعلم الخاضعة للإشراف للتعرف على تعبيرات الوجه من خلال توفير بيانات صور مصنفة لأشخاص يعبرون عن مشاعر مختلفة.
هناك العديد من خوارزميات التعلم الخاضعة للإشراف المستخدمة لأنواع مختلفة من المشكلات. تتضمن بعض الخوارزميات الشائعة الانحدار الخطي، والانحدار اللوجستي، وأجهزة ناقل الدعم (SVM)، وأشجار القرار، والغابات العشوائية، والشبكات العصبية. تتمتع كل خوارزمية بنقاط قوة ونقاط ضعف، مما يجعلها مناسبة إلى حد ما لأنواع مختلفة من المهام وهياكل البيانات.
أحد التحديات المهمة في التعلم الخاضع للإشراف هو التجاوز، والذي يحدث عندما يتعلم النموذج التشويش الموجود في بيانات التدريب بدلاً من الأنماط الأساسية، مما يؤدي إلى ضعف أداء التعميم في بيانات الاختبار. يمكن تخفيف التجهيز الزائد باستخدام تقنيات التنظيم وطرق اختيار الميزات وتحسين جودة وكمية بيانات التدريب المتاحة.
على الطرف الآخر من الطيف، يحدث النقص في المطابقة عندما يكون النموذج مبسطًا للغاية بحيث لا يمكنه التقاط الأنماط الأساسية للبيانات. لمكافحة التجهيز غير المناسب، يمكن استخدام نماذج أكثر تعقيدًا، أو يمكن تقديم ميزات إضافية، أو يمكن استخدام المزيد من بيانات التدريب، بشرط ألا تؤدي هذه الخطوات إلى التجهيز الزائد.
يعد التعلم الخاضع للإشراف حجر الزاوية لمجموعة متنوعة من حلول الذكاء الاصطناعي والتعلم الآلي التي تم تطويرها على منصة AppMaster no-code ، وهي أداة متقدمة لإنشاء تطبيقات الواجهة الخلفية والويب وتطبيقات الهاتف المحمول بشكل مرئي بسهولة. يدعم AppMaster التطوير السريع للتطبيقات، ويزيل الديون التقنية، ويمكنه التكيف بمرونة مع متطلبات البرامج الجديدة من خلال التعليمات البرمجية التي يتم إنشاؤها تلقائيًا. ومن خلال الاستفادة من خوارزميات التعلم الخاضعة للإشراف على منصة AppMaster ، يمكن للمطورين المواطنين إنشاء تطبيقات ذكية تعزز تجربة المستخدمين النهائيين وتعزز قيمة الأعمال.
بشكل عام، يعد التعلم الخاضع للإشراف نموذجًا حيويًا في الذكاء الاصطناعي والتعلم الآلي الذي يستفيد من بيانات التدريب المصنفة لتعليم النماذج كيفية التنبؤ بالتسميات للمثيلات غير المرئية. وباعتباره أحد الأساليب الأساسية للتعلم الآلي، فسوف يستمر في لعب دور ضروري في تطوير التطبيقات والأنظمة الذكية في السنوات القادمة، مما يوفر رؤى وكفاءات قيمة عبر مختلف المجالات.
