فئات مهام التعلم الآلي

في هذا النوع قد لا تعرف العلاقات الداخلية للبيانات التي تقوم بمعالجتها ، لكنك تعرف جيدا آي المخرجات التي تحتاجها من النموذج الخاص بك. فمثلا:

“التنبؤ متى سيلغي المستخدمون اشتراكاتهم”.

هنا نجد آن مخرجات نموذجك محددة وهي: “هل سيقوم المستخدم X بالغاء اشتراكه”. ما قد لا تعرفه بعد هو كيفية معرفة المستخدمين الذين سيلغون اشتراكهم. لذا يمكنك استخدام مجموعة من البيانات الموجودة لتدريب نموذج ما على التنبؤ هذا الجانب الخاص بمستخدمك. عادة ما يستخدم تدريب

النموذج جزءا من البيانات “للتعلم” (training) ، وجزءا من البيانات للتحقق من مدى دقة النموذج وقياسه (test)

مثلا اذا كان لديك 1000 مستخدم. من هؤلاء، منهما 5000 تم الغاء اشتراكهم و 5000 لا يزالون مشتركين. هنا يمكنك آخذ بيانات من 4500

مستخدم من الذين آلغوا اشتراكهم ، و 4500 من المستخدمين الذين ما زالوا مشتركين (بيانات من 9000 مستخدم) وجعل النموذج الخاص بك يتدرب

على هذه البيانات ، والسماح له “رؤية” الذين آلغيت اشتراكاتهم والذين مازالوا مشتركين (رؤية الحل). بعد آن يتم تدريب نموذجك س يكون جاهزا لبدء

التنبؤ. لذلك يمكنك الان تغذية نموذجك ببيانات بقية المستخدمين (1000 مستخدم)، وهنا لن تسمح للنموذج بالاطلاع على الحل )من من الالف ما زال

مشترك ومن تم الغاء اشتراكه (سيعمل النموذج على ايجاد افضل نتيجة، ويمكنك مقارنة النتيجة مع القيمة الحقيقية (الحل)). اذا كان النموذج قد تنبأ بشكل صحيح مثلا بعدد 891 من آصل 1000 مستخدم ، ف ان النموذج لديه دقة تبلغ 89.1 بالمائة

1- التصنيف (Classification): التبوء بتصنيفات، مثل الالوان، آنواع الحيوانات و آنواع الفاكهة.

2- الانحدار او التوقع (Regression): التبوء بكمية، مثل توقع درجة الحرارة بناء على بيانات تاريخية، با لاضافة الى اتجاه الرياح والغيوم. وكذلك توقع آسعار المنازل بناء على معطيات كحجم البيت، مكان الحي، وعدد الغرف ودورات المياه.

في هذا النوع انت لا تعرف ما تريد استخراجه من النموذج. ربما تعتقد آن هناك بعض آنواع العلاقات آو الارتباط (correlation) بين البيانات المتوفرة

لديك. وقد تكون البيانات معقدة للغاية ولا يمكن التكهن ها. لذا في هذه الحالات تقوم بتنظيم بياناتك (normalize your data) في صيغة منطقية

للمقارنة ، ثم ترك النموذج يعمل عليها ومحاولة العثورعلى بعض العلاقات. تتمثل احدى الخصائص المميزة لهذه النماذج في آنه يمكن للنموذج اقتراح طرق مختلفة لتصنيف بياناتك آو ترتيبها ، والامرمتروك لك لاجراء مزيد من الابحاث لكشف النقاب عن شيء مفيد.

على سبيل المثال ، بعد معالجة جميع البيانات المتعلقة بجميع مستخدمي منتجك باستخدام خوارزمية غير خاضعة لللاشراف ، قد يتم انشاء طريقة لتجميع المس تخدمين الى مجموعتين، بعد فحص ومقارنة هاتين المجموعتين قد تجد آن المجموعة
(أ) في موقع جغرافي و مجموعة (ب) في موقع آ خر. يمكنك التصرف بناء على هذا التقسيم المحدد للبيانات (الامر متروك لك لمعرفة ذلك) ، و اذا لمتس تفيد من النتيجة يمكنك اعادة ترتيب البيانات والحصول على نتائج مختلفة تكون اكثرفائدة لك

في التعلم غير الخاضع للاشراف، يحاول النظام اكتشاف البنية الخفية للبيانات آو الارتباطات بين المتغيرات.

وفيه يجمع البرنامج البيانات المتشابهة الى مجموعات، ثم يتم تصنيف عينة الاختبار بناء على قربها آو بعدها من هذه المجموعات

من آشهر خوارزميات التعليم الغير خاضع للاشراف خوارزمية (K-Means). ومن التطبيقات التي تستخدم هذا النوع من التعلم كثيرا، تجميع العملاء اصحاب التفضيلات المتشابهة في نفس المجموعات او اكتشاف وتصنيف المجتمعات (الاشخاص ذوالاهتمامات المشتركة) في وسائل التواصل الاجتماعي