What is supervised learning?

Supervised machine learning starts by curating labeled training data sets, with inputs and outputs clearly and consistently identified. The algorithm takes in this data to learn relationships; that learning leads to a mathematical model for prediction. The training process is iterative and repeats to refine the algorithm until the model achieves a desired level of accuracy. At that point, different data sets can be used to evaluate and confirm that the model is ready to work with live data.

What is an example of a supervised learning algorithm?

An example of a supervised learning algorithm is the creation of a model that predicts the likelihood of a medical condition based on a patient’s electronic health record. The model is trained on a labeled set of patient data, using factors such as symptoms, age, test results, preexisting conditions, and other factors. That allows the system to intake a patient’s data and identify what, if anything, might fit an undiagnosed medical condition and prompt a closer look.

What is an example of unsupervised learning?

Unlike supervised learning, unsupervised learning algorithms are trained using data sets without labels. The goal of unsupervised learning is to allow the algorithm to explore data and identify patterns on its own. This resulting model then can be applied to incoming data. An example of unsupervised learning is a customer segmentation model, which can take patterns in large data sets of customer usage and purchase history to cluster customers into groups for marketing purposes.

Is CNN supervised or unsupervised?

A convolutional neural network (CNN) is a supervised learning technique trained on labeled data sets for purposes such as image or video analysis, in addition to applications with similar models such as natural language processing. CNNs use multiple layers to separate tasks, such as identifying features/specifics or applying classification, and optimize computational resources.

قائمة الاتصال بنا تسجيل الدخول إلى Oracle Cloud

ما المقصود بالتعلم الاستقرائي؟

مايكل تشن | خبير استراتيجي للمحتوى | 17 يوليو 2024

في هذه المقالة

ما المقصود بالتعلم الاستقرائي؟
الأسئلة الشائعة حول التعلم الاستقرائي

يمثل التعلم الاستنتاجي شكل من أشكال التعلم الآلي الذي يستخدم مجموعات البيانات المُسماة لتدريب الخوارزميات. باستخدام التعلم الاستقرائي، تتيح مجموعات البيانات المسماة للخوارزمية تحديد العلاقات بين المدخلات والمخرجات. مع عمل الخوارزمية من خلال بيانات التدريب الخاصة بها، فإنها تحدد الأنماط التي يمكنها في نهاية المطاف تحسين النماذج التنبؤية أو اتخاذ قرارات مدروسة أثناء عمليات سير العمل الآلية. في جوهرها، تعمل مجموعات البيانات المُسماة بصفتها أمثلة لخوارزمية التعلم، مثل طالب في فصل دراسي منظم.

يمثل التعلم الاستقرائي الخيار المثالي لمجموعة من المهام والظروف. إذا كان للمشروع هدف محدد جيدًا، يمكن أن يساعد التعلم الاستقرائي الفِرق على الإنهاء أسرع مقابل استخدام التعلم الاستنتاجي، إذ تستوعب الخوارزمية مجموعة بيانات غير مُسماة دون معلمات أو أهداف وتحدد الأنماط والعلاقات في البيانات بمفردها. في التعلم الاستقرائي، تعمل مجموعات البيانات المُسماة بمثابة دلائل لتدريب الخوارزميات.

بالإضافة إلى ذلك، بالمقارنة مع الأشكال الأخرى من التعلم الآلي، يأتي تدريب خوارزمية التعلم الاستقرائي مع ميزة التعامل مع الكميات المعروفة، مثل الميزات والنتائج. يمكن أن يؤدي ذلك إلى تسريع عملية المراجعة، إذ تتيح المقاييس القياسية للمدربين تحقيق فهم ملموس للحالة الحالية للمشروع.

مع التعلم الاستقرائي، يمكن للمؤسسات اكتساب العديد من المزايا. من خلال دمج القدرة على معالجة البيانات الكبيرة بكفاءة، يمكن للمؤسسات تحديد الأنماط والرؤى أسرع بكثير لاتخاذ قرارات في الوقت المناسب. بالإضافة إلى ذلك، يمكن لخوارزميات التعلم الاستقرائي تشغيل جهود أتمتة المهام، مما يُحتمل أن يؤدي إلى تحسين سير العمل وتسريعه. على سبيل المثال، يمكن لخوارزمية التعلم الآلي في عملية التصنيع التدريب باستخدام مجموعات البيانات السابقة لتحديد دورات الصيانة النموذجية لأجزاء مختلفة من المعدات. ثم، يمكن للنظام تطبيق هذه المعرفة على البيانات على الفور من أجهزة الاستشعار التي تتبع استخدام الأداة وأدائها. ثم يمكن للخوارزمية الإشارة إلى علامات التآكل أو التحذير من نهاية عمر الأجزاء الهامة بحيث يمكن طلب الاستبدال قبل أن يؤدي خلل الأداة إلى إغلاق خط الإنتاج.

ما المقصود بالتعلم الاستقرائي؟

يبدأ التعلم الآلي الاستقرائي من خلال تنسيق مجموعات بيانات التدريب المُسماة، مع تحديد المدخلات والمخرجات بوضوح وبشكل متسق. تأخذ الخوارزمية هذه البيانات لتعلم العلاقات؛ ويؤدي هذا التعلم إلى نموذج رياضي للتنبؤ. تُعد عملية التدريب متكررة وتتكرر لتنقيح الخوارزمية حتى يحقق النموذج المستوى المطلوب من الدقة. عند هذه النقطة، يمكن استخدام مجموعات بيانات مختلفة لتقييم النموذج وتأكيد استعداده للعمل مع البيانات المباشرة.

تقع خوارزميات التعلم الاستقرائي عادةً في واحدة من فئتين.

التصنيف: تأخذ خوارزميات التصنيف البيانات وتضع المدخلات في مخرجات مُصنفة. على سبيل المثال، تنظر خوارزمية الإدارة المالية نحو الكشف عن الاحتيال في سجل شراء عميل بطاقة الائتمان وتستخدم هذه البيانات لتحديد إذا كان من المحتمل أن تكون المعاملة الجديدة مشروعة أو يجب وضع علامة عليها لإجراء المزيد من فحص الاحتيال.

الانحدار: تستخدم خوارزميات الانحدار مجموعات بيانات التدريب المُسماة لتحديد أفضل علاقة ملائمة بين المدخلات والمخرجات حتى يمكن إجراء التنبؤات الرياضية للمدخلات الجديدة. على سبيل المثال، يمكن أن تستوعب خوارزمية الطقس مُتغيرات مثل الموسم والاتجاهات الحديثة والأنماط السابقة والمقاييس البيئية الحالية لإنشاء مخرجات التنبؤ.

على الرغم من أن التعلم الاستقرائي هو نهج تعلم آلي مثبت الكفاءة وفعَّال، إلا أنه يأتي مع العديد من التحديات. يجب على الفِرق مراجعة القضايا التالية قبل اتخاذ قرار بشأن المضي في التعلم الاستقرائي.

اختيار النموذج: تتراوح خوارزميات التعلم الاستقرائي من جانب التعقيد وكثافة الموارد. على سبيل المثال، يمكن لشجرة القرارات—وهي في الأساس مخطط انسيابي لنقاط القرار والنتائج المحتملة—يمكنها أن تعمل مع أثر بسيط لكنها تفتقر إلى الإمكانات اللازمة لتحقيق الدقة الصارمة في جانب مُعقد. من ناحية أخرى، تتطلب الشبكة العصبية العميقة المزيد من الموارد للتدريب والإنتاج على حد سواء، لكن يمكنها في النهاية إجراء تنبؤ دقيق وغير ذلك الكثير. يمثل الوصول إلى التوازن السليم الأساس لمشروع ناجح.

جودة بيانات التدريب: يتطلب أي مشروع تعلم آلي بيانات نظيفة من مصادر الجودة. بالنسبة إلى بيانات التدريب الاستقرائية، يعني ذلك على وجه التحديد البيانات ذات العلامات الدقيقة والمتسقة المتوافقة مع المصادر الأخرى المستخدمة للتدريب. إذا لم تكن مجموعات بيانات التدريب بالتنسيقات المتوافقة، فيجب تطبيق تقنيات تكامل البيانات وتحويلها قبل التدريب، مما يضيف الوقت والنفقات.

فهم قيود المشروع: يمكن لعوامل مثل الموازنة وموارد بيئة التدريب والمواعيد النهائية أن تنشئ قيودًا عملية تملي حقائق مشروع التعلم الآلي. نظرًا إلى أن هذه القيود يمكن أن تؤثر على تحديد الخوارزمية، فيجب على الفِرق تحديد المعلمات قبل البدء.

خلاصة القول هي أن التعلم الاستقرائي يمكن أن يكون نهج التعلم الآلي المناسب للمشروعات التي تتوفر فيها مجموعات البيانات المسماة. بالإضافة إلى ذلك، يجب أن تفهم الفِرق أن التعلم الاستقرائي يعمل بشكل أفضل عندما يكون الهدف التنبؤات أو القرارات الدقيقة بناءً على الأنماط المحددة—فكِّر في الاحتيال أو الكشف عن البريد المزعج، إذ يمكن تدريب الخوارزمية على أمثلة النتائج الصحيحة وغير الصحيحة. أخيرًا، فإن فهم أنواع مختلفة من نماذج التعلم الاستقرائي، مثل أشجار القرار والانحدار الخطي، سوف يُعلم إذا كان هذا هو النهج الصحيح لمشروع معين.

ما حالة استخدام الذكاء الاصطناعي الأفضل للتعلم الاستقرائي؟ اكتشف في هذا الكتاب الإلكتروني.

احصل على الكتاب الإلكتروني

الأسئلة الشائعة حول التعلم الاستقرائي

ما مثال خوارزمية التعلم الاستقرائي؟

يأتي مثال على خوارزمية التعلم الاستقرائي في إنشاء نموذج يتنبأ باحتمال وجود حالة طبية على أساس السجل الصحي الإلكتروني للمريض. يتم تدريب النموذج على مجموعة مُسماة من بيانات المريض، باستخدام عوامل مثل الأعراض والعمر ونتائج الفحص والحالات الموجودة مسبقًا وعوامل أخرى. يسمح هذا للنظام بتناول بيانات المريض وتحديد إذا كان أي شيء، قد يناسب حالة طبية غير مُشخصة والمطالبة بنظرة فاحصة.

ما هو مثال على التعلم الاستنتاجي؟

على عكس التعلم الاستقرائي، يتم تدريب خوارزميات التعلم الاستنتاجي باستخدام مجموعات البيانات دون علامات. يكمن الهدف من التعلم الاستنتاجي في السماح للخوارزمية باستكشاف البيانات وتحديد الأنماط بمفردها. يمكن بعد ذلك تطبيق هذا النموذج الناتج على البيانات الواردة. يأتي مثال على التعلم الاستنتاجي في نموذج تجزئة العملاء، والذي يمكن أن يأخذ أنماطًا في مجموعات البيانات الكبيرة لاستخدام العملاء وسجل الشراء لتجميع العملاء في مجموعات لأغراض التسويق.

هل شبكة CNN تمل بشكل استقرائي أم استنتاجي؟

تُعد الشبكة العصبية الترشيحية (CNN) تقنية تعلم استقرائي يتم تدريبها على مجموعات البيانات المُسماة لأغراض مثل تحليل الصور أو الفيديو، بالإضافة إلى التطبيقات ذات النماذج المماثلة مثل معالجة اللغة الطبيعية. تستخدم شبكات CNN طبقات متعددة لفصل المهام، مثل تحديد الميزات/الخصائص أو تطبيق التصنيف، وتحسين الموارد الحسابية.