يتضمن التعلم الآلي عرض كمية كبيرة من البيانات على الآلة حتى تتمكن من التعلم والتنبؤ أو العثور على الأنماط أو تصنيف البيانات، أنواع التعلم الآلي الثلاثة هي التعلم المعزز والخاضع للإشراف وغير الخاضع للإشراف.
التعلم الخاضع للإشراف هو نهج للتعلم الآلي (ML) يستخدم مجموعات البيانات المصنفة والمخرجات الصحيحة لتدريب خوارزميات التعلم على كيفية تصنيف البيانات أو التنبؤ بنتيجة.
كما أنه مفيد لتجميع البيانات في فئات محددة (التصنيف) وفهم العلاقة بين المتغيرات من أجل عمل تنبؤات (الانحدار).
يتم استخدامه لتقديم توصيات المنتج، وتقسيم العملاء بناءً على بيانات العملاء. كما يتم استخدامه في تشخيص المرض بناءً على الأعراض السابقة وتنفيذ العديد من المهام الأخرى.
شرح التعلم الخاضع للإشراف.
يمكّن التعلم الخاضع للإشراف الآلات من تصنيف الأشياء أو المشكلات أو المواقف بناءً على البيانات ذات الصلة التي يتم إدخالها في الآلات.
يتم تغذية الآلات ببيانات مثل الخصائص والأنماط والأبعاد واللون وارتفاع الأشياء أو الأشخاص أو المواقف بشكل متكرر. وذلك حتى تتمكن الآلات من إجراء تصنيفات دقيقة.
أثناء هذه العملية، يتم إعطاء الجهاز بيانات، تُعرف باسم بيانات التدريب في لغة استخراج البيانات، بناءً على تصنيف الجهاز.
على سبيل المثال، إذا كان النظام مطلوبًا لتصنيف الفاكهة، فسيتم إعطاؤه بيانات التدريب مثل اللون والأشكال والأبعاد والحجم. بناءً على هذه البيانات، سيكون قادرًا على تصنيف الفاكهة.
عادة ما يتطلب النظام تكرارات متعددة لهذه العملية حتى يتمكن من إجراء تصنيف دقيق.
نظرًا لأن تصنيفات الحياة الواقعية مثل الكشف عن الاحتيال في بطاقات الائتمان وتصنيف الأمراض هي مهام معقدة. فإن الآلات تحتاج إلى بيانات مناسبة والعديد من التكرارات لجلسات التعلم لتحقيق قدرات معقولة.
