أنواع الطرق المستخدمة في مجال تعلم الألة The type of machine learning

The type of machine learning

تعرفنا في المقال السابق على مفهوم تعلم الألة و مالذي يميزها عن البرمجة العادية، و قلنا بأنه و من أجل العمل على مشروع يطبق مبادئ تعلم الألة فإننا نحتاج إلى أربع (4) عناصر أساسية و هي :

أ- قاعدة بيانات التعلم و تحتوي على بيانات و معلومات الشيء الذي نريد دراسته و العمل عليه.

ب-  خوارزمية من خوارزميات تعلم الألة (سنتعرف عليهم لاحقا).

ج- جزء من قاعدة بيانات التعلم نحتفظ به من أجل إختبار الخوارزمية المستعملة.

د- قياسات من أجل حساب و قياس أداء و فاعلية الخوارزمية التي إستعملناها. 

سنتعرف في هذا المقال على أنواع الطرق المستخدمة في مجال تعلم الألة و التي تختلف فيها بينها في أسلوب التعامل مع البيانات و التي فرضها الواقع بما يحتوى من بيانات متنوعة و مختلفة و متشابكة.

1- النوع الأول (Supervised Learning ) : في هذا النوع نحتاج إلى أن تكون البيانات التي سوف نعمل عليها معروفة الإنتماء أو القيمة يعني من الشكل ((x1, y1) ... (xn, yn) ). بحيث (xi) يمثل الشيء الذي  نعمل عليه. إن كنا نعمل على برنامج يتعرف على الإيمايلات الصحيحة من (spam) فإن (xi) يمثل محتوى الإيمايل، و (yi) يمثل قيمة أو صنف الشيء الذي نعمل عليه و في مشروع تصنيف الإيمايلات يمثل الصفة إما إيمايل صحيح أو (spam).  و كأننا نقول للخوارزمية هذه مجموعة من الإيمايلات الصحيحة و هذه مجموعة من (spam)، إستخراجي منهما علاقات قابلة للتعميم على جميع الإيمايلات. و بعدها نحن سنقدم لك مجموعة إختبار بحيث نخفي عنك صنفها و أنت تحاولين إخبارنا بالصنف و سنقيس أداءك أثناء الإختبار. بعض الخوارزميات التي تنتمي إلى هذا النوع (SVM, Neural networks). 

2- النوع الثاني (Unsupervised Learning )  في هذا النوع تكون البيانات غير مصنفة (The training data is unlabeled ) يعني من الشكل ((x1)... (xn)). نتعامل مع بيانات محددة و لكن صنفها غير معروف. مثلا لدي بيانات عن زبائن و قيمة إنفاقهم على المشتريات خلال سنة و أريد تقسيمهم إلى أربع فئات (زبون جيد، حسن، متوسط، ضعيف) و نحن نمتلك فقط إسم الزبون و قيمة المال الذي أنفقه خلال سنة فمن الصعب تطبيق النوع الأول و بالتالي نحن بحاجة إلى خوارزمية تجميعية لحل هذا المشكل و التي لا تحتاج إلى أن تعرف الأصناف أو (labels). كل الخوارزميات التي تعمل بهذا الأسلوب تكون ضمن هذا النوع. مثل (K-Means) و بعض أنواع الشبكات العصبية. 

النوع الثالث (Semis supervised Learning ) و هذا النوع يستعمل عندما تكون البيانات التي نتعامل معها فيها جزء مصنف و جزء أخر غير مصنف. حينها نكونوا مضطرين إلى المزج بين النوع الأول و النوع الثاني من أجل حل هذا المشكل.

4- النوع الرابع (Reinforcement Learning ) هذا النوع مختلف عن الأنواع السابقة. و هنا البرنامج يكون على شكل (agent) أو ربوت بحيث يتفاعل مع محيطه و يقوم بأفعال إتجاه محيطه و نحن نقوم بتقيم تلك الأفعال سواء بالإيجاب أو السلب و الهدف هو القيام بالأفعال التي قيمت بالإيجاب و تجنب التي قيمت بالسلب. يعني أن عملية التعلم تتم عن طريق (feedback)  من أجل التوافق مع محيط ديناميكي متغير. مثل الخوارزميات التي تستعمل في ألعاب الفيديو فكلما لعبت و تدربت أكثر كلما كان أدائها أفضل.

* هناك عنصر أخر يتم به تحديد أنواع الطرق المستخدمة في مجال تعلم الألة و هو ما إذا كان البرنامج قابلا للتعلم المستمر و المتزايد أو لا. و هناك صنفان :

5- النوع الخامس (Batch Learning ) هذا النوع غير قادر على التعلم المتزايد. عندما نحصل على بيانات جديدة نقوم بإضافتها للبيانات القديمة و ندرب نسخة جديدة من البرنامج على البيانات المحصل عليها من الصفر، ثم نقوم بتغير نسخة البرنامج القديمة بالنسخة الجديدة.

6- النوع السادس (On-line Learning ) هذا النوع قادر على التعلم المباشر بحيث كلما أتت بيانات جديدة يقوم بعملية تحديث مباشرة للبرنامج دون أن يتوقف عن العمل.

The type of machine learning

هشام فلواط - Hichem Felouat