التعلم غير الخاضع للإشراف

ما هو التعلم غير الخاضع للإشراف؟

في التعلم المُشرف، ناقشنا أن النماذج (أو المُصنِّفات) تُبنى بعد تدريب البيانات، وأن السمات مرتبطة بالسمة المستهدفة (أو تسمية). تُستخدم هذه النماذج بعد ذلك للتنبؤ بقيم سمة الفئة في بيانات الاختبار أو البيانات المستقبلية. أما التعلم غير المُشرف، فهو مختلف. لا توجد سمة مستهدفة أو فئة. تُستخدم أساليب التعلم غير المُشرف للعثور على الأنماط الأساسية في البيانات، وغالبًا ما تُستخدم في تحليل البيانات الاستكشافي.

في التعلم غير المُشرف، لا تُصنّف البيانات. بل تُركّز الأساليب على خصائصها. الهدف العام من هذه الأساليب هو إيجاد علاقات داخل البيانات وتجميع نقاطها بناءً على مصفوفة تشابه.

تتضمن بعض الأساليب والتقنيات الشائعة المستخدمة في التعلم غير الخاضع للإشراف ما يلي.

التجميع

يُعد التجميع أبسط استخدام وأكثرها شيوعًا للتعلم غير المُشرف. ويهدف التجميع إلى إيجاد مجموعات ، أو مجموعات فرعية، ضمن بيانات غير مُسمّاة. ستكون نقاط البيانات في المجموعة متشابهة قدر الإمكان، ومختلفة قدر الإمكان عن نقاط البيانات في مجموعات أخرى. يُسهّل التجميع رؤية الأنماط الكامنة في البيانات التي قد يغفلها المراقب البشري. يمكن تقسيم خوارزميات التجميع إلى فئتين رئيسيتين.

التجميع التقسيمي

الهدف من التجميع التقسيمي هو تقسيم نقاط البيانات إلى مجموعات منفصلة غير متداخلة. الهدف هو تعظيم معيار معين، مثل تقليل مجموع مربعات المسافات داخل المجموعات، وتُخصَّص كل نقطة لمجموعة واحدة. يمكن تقسيم خوارزمية التجميع التقسيمي إلى نوعين، سيتم مناقشتهما أدناه.

The $k$-means clustering algorithm is one of the most commonly used clustering algorithms. It divides the given data into $k$ clusters. The algorithm expects $k$ to be defined as the input to the algorithm.

One of the drawbacks of the $k$ ...