تتعلم الآلة عن طريق مجموعة من الأساليب المختلفة، ومنها التعلم غير الخاضع للإشراف، والذي سنقوم بشرحه في مقالتنا التالية.
غالبًا ما يتم تبادل مصطلح “التعلم الآلي” بشكل غير صحيح مع الذكاء الاصطناعي، ولكن التعلم الآلي هو في الواقع مجال فرعي / نوع من الذكاء الاصطناعي.
غالبًا ما تتم الإشارة إلى التعلم الآلي أيضًا بالتحليلات التنبؤية أو النمذجة التنبؤية.
صاغ عالم الكمبيوتر الأمريكي آرثر صموئيل مصطلح “التعلم الآلي” في عام 1959. ويتم تعريفه بأنه “قدرة الكمبيوتر على التعلم دون برمجته بشكل صريح”.
يستخدم التعلم الآلي الأكثر أساسية خوارزميات مبرمجة تتلقى بيانات الإدخال وتحللها للتنبؤ بقيم المخرجات ضمن نطاق مقبول.
نظرًا لأنه يتم تغذية البيانات الجديدة لهذه الخوارزميات، فإنهم يتعلمون ويحسِّنون عملياتهم لتحسين الأداء، وتطوير “الذكاء” بمرور الوقت. هناك أربعة أنواع من خوارزميات التعلم الآلي: خاضع للإشراف، وشبه خاضع للإشراف، وغير خاضع للإشراف، ومعزز.
التعلم غير الخاضع للإشراف.
التعلم غير الخاضع للإشراف هو طريقة يتم استخدامها لتمكين الآلات من تصنيف الكائنات الملموسة وغير الملموسة دون تزويد الآلات بأي معلومات مسبقة حول الكائنات.
تتنوع الأشياء التي تحتاجها الآلات لتصنيفها، مثل عادات الشراء لدى العملاء، والأنماط السلوكية للبكتيريا وهجمات القراصنة.
الفكرة الرئيسية وراء التعلم غير الخاضع للإشراف هي تعريض الآلات لكميات كبيرة من البيانات المتنوعة والسماح لها بالتعلم والاستنتاج من البيانات. ومع ذلك، يجب أولاً برمجة الآلات للتعلم من البيانات.
تحتاج أنظمة الكمبيوتر إلى فهم الكميات الكبيرة من البيانات المهيكلة وغير المهيكلة وتقديم رؤى. في الواقع، قد لا يكون من الممكن تقديم معلومات مسبقة حول جميع أنواع البيانات التي قد يتلقاها نظام الكمبيوتر خلال فترة زمنية.
مع وضع ذلك في الاعتبار، قد لا يكون التعلم الخاضع للإشراف مناسبًا. خصوصاً عندما تحتاج أنظمة الكمبيوتر إلى معلومات ثابتة حول أنواع جديدة من البيانات.
على سبيل المثال، تميل هجمات القرصنة على الأنظمة المالية أو الخوادم المصرفية إلى تغيير طبيعتها وأنماطها بشكل متكرر. وقد يكون التعلم غير الخاضع للإشراف أكثر ملاءمة في مثل هذه الحالات نظرًا لأن الأنظمة تحتاج إلى التمكين للتعلم بسرعة من بيانات الهجوم واستنتاج أنواع الهجمات المستقبلية وتقترح إجراءات وقائية.