التعلم الآلي (ML) هو دراسة الخوارزميات والنماذج الرياضية التي تستخدمها أنظمة الكمبيوتر للتحسين التدريجي لأدائها في مهمة محددة.
حيث تبني خوارزميات التعلم الآلي نموذجًا رياضيًّا لبيانات العينات التجريبية ، تُعرف باسم “بيانات التدريب” ، من أجل إجراء تنبؤات أو قرارات دون أن يتم برمجتها بشكل واضح لأداء المهمة المطلوبة .
تُستخدم خوارزميات تعلم الآلة في التطبيقات مثل تصفية البريد الإلكتروني ، والكشف عن المتطفلين على الشبكة ، ورؤية الكمبيوتر وتحسين الاقتراحات و المسارات و الطرق ، حيث أنه من غير الممكن تطوير خوارزمية من تعليمات محددة لتنفيذ مهمات يمكن تغير معطياتها في كل مرة دون محددات .
ويرتبط التعلم الآلي ارتباطًا وثيقًا بالإحصاءات الحسابية ، التي تركز على إجراء التنبؤات باستخدام أجهزة الكمبيوتر. تقدم دراسة التحسين الرياضي طرقًا ونطاقات نظرية وتطبيقية في مجال التعلم الآلي.
ويعتبر تعدين البيانات هو مجال دراسي داخل التعلم الآلي ، ويركز على تحليل البيانات الاستكشافية من خلال التعلم الغير خاضع للإشراف المباشر .
ويشار أيضًا إلى التعلم الآلي في تطبيقه عبر مشاكل الأعمال على أنه التحليلات التنبؤية.
بصيغة إخرى
هل سبق لك أن تسوقت عبر الإنترنت؟
لذا أثناء التحقق من وجود منتج ، هل لاحظت وجود توصية بمنتج مشابه لما تبحث عنه؟
أو هل لاحظت أن “الشخص الذي اشترى هذا المنتج أيضًا اشترى هذا” مجموعة من المنتجات.
كيف يفعلون هذه التوصية؟ هذا هو التعلم الآلي.
هل تلقيت مكالمة من أي بنك أو شركة تمويل تطلب منك أخذ قرض أو بوليصة التأمين؟ ما رأيك ، هل يدعون الجميع؟
لا ،
إنهم يتصلون فقط بعدد قليل من العملاء الذين يعتقدون أنهم سيشترون منتجاتهم.
كيف يختارون؟
هذا هو التسويق المستهدف ويمكن تطبيقها باستخدام نظام المجموعات. هذا هو التعلم الآلي.
حيث يمكننا القول أن تعلم الآلة هو مجموعة فرعية من الذكاء الاصطناعي الذي يركز بشكل رئيسي على التعلم الآلي من الخبرات و التجارب وإجراء توقعات تستند إلى الى تلك التجارب و الخبرات .
وهو يمكّن أجهزة الكمبيوتر أو الآلات من اتخاذ قرارات تعتمد على البيانات بدلاً من أن تكون مبرمجة بشكل صريح لتنفيذ مهمة معينة.
وقد تم تصميم هذه البرامج أو الخوارزميات بطريقة تتعلم وتتحسن بمرور الوقت عند تعريضها للبيانات الجديدة.
كما تعلمون ، نحن نعيش في عالم البشر والآلات. لقد كان البشر يتطورون ويتعلمون من تجاربهم السابقة منذ ملايين السنين. من ناحية أخرى ، فإن عصر الآلات والروبوتات قد بدأ للتو. يمكنك أن تفكر في الطريقة التي نعيش بها حاليًا في العصر البدائي للآلات ، في حين أن مستقبل الآلة ضخم جدًا ويتخطى نطاق الخيال لدينا.
في عالم اليوم ، يجب برمجة هذه الأجهزة أو برامج الروبوت قبل البدء في اتباع التعليمات. ولكن ماذا لو بدأت الآلة في التعلم بمفردها من تجربتها ، والعمل مثلنا ، والشعور بنا ، والقيام بأشياء أكثر دقة منا؟ هذه الأشياء تبدو رائعة ، أليس كذلك؟ حسنا ، فقط تذكر أن هذا هو مجرد بداية العصر الجديد.
كيف يعمل التعلم الآلي؟
يتم تدريب خوارزمية التعلم الآلي باستخدام مجموعة بيانات التدريب لإنشاء نموذج.
عندما يتم إدخال بيانات إدخال جديدة إلى خوارزمية ML ، فإنه يجعل التنبؤ على أساس النموذج.
ويتم تقييم التوقع للتأكد من دقته وإذا كانت الدقة مقبولة ، يتم نشر خوارزمية التعلم الآلي. إذا لم تكن الدقة مقبولة ، يتم تدريب خوارزمية تعلم الماكينة مرارًا وتكرارًا مع مجموعة بيانات تدريب مُعزَّزة.
هذا هو مجرد مثال رفيع المستوى حيث هناك العديد من العوامل والخطوات الأخرى المعنية.
أنواع التعلم الآلي
أنواع التعلم الآلي
يتم تصنيف التعلم الآلي إلى ثلاثة أنواع:
1- التعلم تحت الإشراف – (دربني!)
2-التعلم بدون إشراف – (أنا مكتفي ذاتيا في التعلم)
3- تعزيز التعلم – (حياتي قوانيني)
ما هو التعليم المشرف؟
التعلم المرصود حيث يمكنك التفكير في أن التعلم موجه من قبل المعلم. لدينا مجموعة بيانات تعمل كمعلم ودورها هو تدريب النموذج أو الجهاز. بمجرد أن يتم تدريب النموذج ، يمكن أن يبدأ في التنبؤ أو اتخاذ القرار عند إعطاء بيانات جديدة إليه.
ما هو التعلم دون اشراف؟
يتعلم النموذج من خلال الملاحظة ويجد الهياكل في البيانات. وبمجرد إعطاء النموذج لمجموعة بيانات ، فإنه يجد تلقائيًا الأنماط والعلاقات في مجموعة البيانات عن طريق إنشاء مجموعات بها. ما لا يمكن فعله هو إضافة ملصقات إلى المجموعة ، كما لا يمكن أن نقول مجموعة من التفاح أو المانجو ، ولكنها ستفصل كل التفاح من المانجو.
لنفترض أننا قدمنا صورًا من التفاح والموز والمانغو إلى النموذج ، لذلك ما يفعله ، استنادًا إلى بعض الأنماط والعلاقات ، يخلق التجمعات ويقسم مجموعة البيانات إلى هذه العناقيد. الآن إذا تم تغذية البيانات الجديدة إلى النموذج ، فإنه يضيفه إلى أحد المجموعات التي تم إنشاؤها.
ما هو تعلم التعزيز؟
إنها قدرة الوكيل على التفاعل مع البيئة ومعرفة ما هي أفضل النتائج. يتبع مفهوم أسلوب الضربة والتجربة. تتم مكافأة الوكيل أو معاقبته بنقطة للحصول على إجابة صحيحة أو خاطئة ، وعلى أساس نقاط المكافأة الإيجابية التي اكتسبها النموذج نفسه. ومرة أخرى ، بعد التدريب ، تستعد للتنبؤ بالبيانات الجديدة المقدمة إليها.
