أشهر خوارزميات تعلم الآلة

أشهر خوارزميات تعلم الآلة

مقدمة

خوارزميات تعلم الآلة هي العنصر الرئيسي لجعل الآلة ذكية. أي أنها مكون أساسي من مكونات عمل الذكاء الاصطناعي. تحتوي على ثلاثة عناصر أساسية:

• «مجموعة البيانات-data set»
• «نموذج-model»
• مخرجات (توقعات)

وظيفة خوارزميات تعلم الآلة الأساسية هي التنبؤ بالمخرجات بشكل صحيح. أي أنها تظل تتعلم وتتطور من مجموعة البيانات إلى أن تكوّن نموذج دقيق بإمكانه توقع المخرجات بأقل نسبة خطأ ممكنة.

تصنف خوارزميات تعلم الآلة بشكل رئيسي حسب طريقة تعلم الآلة إلى ثلاث منهجيات:

( «التعلم الخاضع للإشراف-supervised learning» – «التعلم الغير خاضع للإشراف-unsupervised learning» – «التعلم المعزز-reinforcement learning» )

يمكنك معرفة المزيد عن كيفية عمل خوارزميات تعلم الآلة والفرق بينها وبين الخوارزميات التقليدية في مقدمة عن تعلم الآلة

«التعلم الخاضع للإشراف-supervised learning»

هو النهج القائم على تعلم الآلة من مجموعة البيانات المصنفة. حيث تحتوي تلك البيانات على عدة أزواج من المدخلات والمخرجات فتحللها وتتعلم من خلالها وتستخرج النمط الرابط بينها في شكل «نموذج-model» يمكن تحسينه واستخدامه فيما بعد مع مدخلات جديدة للتنبؤ بالمخرجات الأقرب إلى الصواب. فعلى سبيل المثال عند وجود مدخل X ومخرج Y فالهدف هو التعلم من مجموعة البيانات (X,Y) ثم إيجاد الرابط بينهما في شكل دالة f، حيث f(X) = Y. ومن خلال تحسين تلك الدالة يتم التنبؤ بالمخرجات بشكل دقيق عند إدخال مدخلات جديدة. (1)

تضم منهجية التعلم الخاضع للإشراف العديد من الخوارزميات المختلفة حسب نوع المشكلة التي يتم حلها ومجموعة البيانات المتاحة. من أشهر تلك الخوارزميات هما «الانحدار-Regression» و «التمييز-Classification»، كلًا منهما يقوم على إيجاد الرابط بين مجموعة المدخلات والمخرجات في شكل نموذج واستخدامه فيما بعد في عملية التنبؤ. الفرق بين خوارزميات الانحدار والتمييز هو أن المخرجات في حالة الانحدار عددية أما في حالة التمييز وصفية. أحد خوارزميات الانحدار هو «الانحدار الخطي-linear regression» وأحد خوارزميات التمييز هو «الانحدار اللوجستي-logistic regression».

«الانحدار الخطي-linear regression»

يعرف على أنه طريقة تحليل احصائية لتحديد العلاقات الكمية بين متغيرين أو أكثر من خلال تحليل الانحدار في الاحصاء الرياضي.
بعبارة أخرى، هو نموذج خطي يفترض وجود علاقة خطية بين متغيرات الإدخال x ومتغير الإخراج الوحيد y، أي يمكن حساب y من مجموعة خطية من متغيرات الإدخال x. عندما يكون هناك متغير إدخال واحد x فإنه يشار إلى الطريقة على أنها انحدار خطي بسيط- simple linear regression وعندما يوجد عدة متغيرات إدخال فتسمى الطريقة بالانحدار الخطي المتعدد-multiple linear regression.
(2)

فعلى سبيل المثال: من السيناريوهات المحتملة لاستخدام خوارزمية الانحدار الخطي هو عندما يوجد مجموعة بيانات لمساحات بعض المقرات السكنية ونود التنبؤ بسعر المنزل. فبوجود مجموعة البيانات التي تحتوي على أزواج (مساحة المنزل – سعره) يمكن تحليلها والتعلم منها وتكوين نموذج في شكل معادلة y = mx + c حيث أن x تمثل مساحة المنزل و y سعره. ويمكن تمثيل تلك المعادلة بيانيًا وتحسينها واستخدامها لاحقًا في التنبؤ بسعر المنزل.

الشكل المقابل يمثل رسمًا بيانيًا لمعادلة نموذج الانحدار الخطي
y = mx + c + e

y تمثل قيمة سعر المنزل
x تمثل قيمة مساحة المنزل
e تمثل نسبة خطأ النموذج في التوقع، وكلما قلت نسبة الخطأ ازدادت دقة النموذج في التوقع

حيث تمثل النقط الزرقاء القيم الفعلية للمتغير y بالنسبة للمتغير x (أي القيمة الفعلية لسعر المنزل الذي مساحته x)، ويمثل الخط الأحمر معادلة الانحدار الخطي. كل قيمة تقع على ذلك الخط تمثل قيمة المتغير y المتوقعة بناء على معادلة النموذج (أي سعر المنزل المتوقع بناء على المعادلة). ولذلك فالهدف من تحسين النموذج هو تقليل نسبة الخطأ الناتجة في القيمة المتوقعة، أي تقليل المسافة العمودية بين قيمة y الفعلية وقيمة y على الخط في التمثيل البياني للنموذج.

«الانحدار اللوجستي-logistic regression»

أحد أشهر خوارزميات التعلم الخاضع للإشراف وهي شبيهة جدًا بخوارزمية الانحدار الخطي ولكنها تختلف في نوعية مخرجاتها، ففي حالة الانحدار اللوجستي المخرجات وصفية وليست عددية، أي تنتمي لفئة معينة ولا تمثل عددًا بذاتها. فعلى سبيل المثال عند وجود مجموعة بيانات تحتوي على أزواج (شكل الوجه – جنسه) يمكن تحليلها واستخدامها في بناء نموذج يمكنه توقع جنس الشخص من مواصفات وجهه، في هذه الحالة فإن المخرجات وصفية ثنائية (إما ذكر أو انثى). (3)

«التعلم الغير خاضع للإشراف-unsupervised learning»

هي المنهجية القائمة على تعلم الآلة من مجموعة بيانات غير مصنفة وتحليلها وإيجاد التشابهات في الصفات الداخلية لتلك البيانات ومن ثم تقسيمها إلى عدة مجموعات تشترك عناصرها في الخصائص وهو ما يعرف ب «التجمع-clustering». من أشهر خوارزميات التجمع هي خوارزمية k-means.

خوارزمية K-means

تعد من أبسط خوارزميات التعلم الغير خاضع للإشراف. تقوم بتقسيم الملاحظات n إلى عدد k من المجموعات. حيث تنتمي كل ملاحظة إلى المجموعة التي يقترب متوسطها من تلك الملاحظة. (4)

مصادر

1 geeksforgeeks
2 machine learning mastery
3 java point
4 geeksforgeeks