التعلم شبه الخاضع للإشراف

التعلم شبه الخاضع للإشراف هو مجال فرعي من التعلم الآلي يستخدم البيانات المصنفة وغير المصنفة لتدريب الخوارزمية. الهدف من التعلم شبه الخاضع للإشراف هو الاستفادة من البيانات غير المصنفة لتكملة البيانات المصنفة. يتيح ذلك لعملية التدريب الحصول على مزيد من المعلومات ليتم التدريب عليها مع الاستمرار في استخدام جزء صغير فقط من كمية البيانات المصنفة. التعلم شبه الخاضع للإشراف هو شكل من أشكال التعلم الخاضع للإشراف لأنه يستخدم بعض البيانات المصنفة، ولكنه يختلف من حيث أنه يستفيد أيضًا من البيانات غير المصنفة.

الفكرة الأساسية للتعلم شبه الخاضع للإشراف هي أنه عادة ما يكون من الأسهل إدراك قواعد البيانات غير المصنفة مقارنة بقواعد البيانات المصنفة. كما يتم استخدامه بشكل شائع عند توفر كمية صغيرة فقط من البيانات المصنفة. ولهذا السبب، أصبح نهجًا شائعًا في مجال التعلم الآلي.

هناك أنواع عديدة من خوارزميات التعلم شبه الخاضعة للإشراف. تنقسم هذه الخوارزميات عادةً إلى إحدى فئتين: النماذج التوليدية أو النماذج التمييزية. النماذج التوليدية هي خوارزميات تحاول نمذجة توزيع البيانات، في حين أن النماذج التمييزية هي خوارزميات تحاول نمذجة الاختلافات بين الفئات المعطاة للبيانات. فيما يلي بعض الأمثلة على الخوارزميات شبه الخاضعة للإشراف:

• شبكات الخصومة التوليدية (GANs): شبكات GAN هي نوع من النماذج التوليدية التي تستخدم شبكتين عصبيتين (المولد والمميز) لتوليد بيانات جديدة تتبع توزيع مجموعة البيانات الأصلية. يمكن استخدام شبكات GAN للتعلم شبه الخاضع للإشراف لأنها قادرة على إنشاء بيانات من مجموعة البيانات الأصلية من أجل زيادة البيانات المخصصة للتدريب.

• التدريب الذاتي: التدريب الذاتي هو نوع من تقنيات التعلم شبه الخاضعة للإشراف حيث يتم تدريب الخوارزمية على مجموعة بيانات مصنفة ثم يتم استخدامها لإخراج تسميات للبيانات غير المسماة المقابلة. يتم بعد ذلك استخدام تسميات الإخراج كجزء من البيانات المسماة للنموذج الذي سيتم التدريب عليه.

• نشر التسمية: نشر التسمية هو نوع محدد من تقنيات التعلم شبه الخاضعة للإشراف حيث يتم نشر التسميات من البيانات المسماة إلى البيانات غير المسماة المحيطة. يتم نشر التسميات بناءً على تشابه البيانات والبيانات المسماة.

بشكل عام، يعد التعلم شبه الخاضع للإشراف تقنية قوية للتعلم الآلي لأنه يسمح باستخدام كل من البيانات المصنفة وغير المصنفة لتدريب الخوارزمية. يتيح ذلك للخوارزمية الاستفادة من مصدري البيانات وبالتالي تكون قادرة على إنتاج نتائج أكثر دقة.