What is unsupervised learning?

Unsupervised learning is a type of machine learning where the algorithm is trained on unlabeled data. An unsupervised learning project starts with establishing the problem to be solved or other goal. With that information, the project’s leads can choose the type of algorithm for the project. This selection is usually based on the desired outcome: clustering, relationships, or dimensionality—the process of identifying and defining features or variables within a data set. Goals also drive the search for appropriate training data sets, as the project’s goals and algorithm types drive the type of data needed.

What are the two types of unsupervised learning?

Unsupervised learning techniques are generally classified as one of two different types. Clustering refers to the process of grouping data based on traits, with algorithms using analysis methods such as hierarchical clustering—creating clusters in hierarchical trees, such as customer purchasing power based on zip code—and probabilistic clustering, which uses probability scores that calculate the likelihood of belonging, such as a customer’s risk characteristics in loan analysis. Association rule learning refers to the process of identifying relationships between data points to determine patterns and trends, with algorithms using methods such as quantitative association—relationships associated based on numerical or quantitative attributes between data points, such as purchasing trends by age—and multirelational association, that is, relationships associated among multiple possible variables between data points, such as a pro athlete’s performance based on age, quality of teammates, salary, and college program.

What’s a good example of unsupervised learning?

A good example of unsupervised learning is an artificial intelligence LLM for the health care industry. In this case, the LLM trains on unstructured data sets, such as medical textbooks, patient records, and study data. Using iterative training, the LLM learns relationships and patterns, with the eventual goal for the LLM to answer queries using appropriate medical language with a high level of accuracy.

What’s the difference between supervised and unsupervised learning?

Supervised learning uses labeled data sets in algorithm training. With clear input and output labels, supervised learning builds off a foundation of established definitions. For example, an algorithm for identifying cats trains off photos clearly labeled as either having cats or not having cats. Unsupervised learning uses unlabeled data sets in training. Without labels, the algorithm explores the data sets to identify patterns and trends. Using the same example of identifying cats, the system could pretrain with large unlabeled data sets of general encyclopedia-style text and images to learn visual patterns and concepts related to cats, then refine by training on smaller image data sets for specific items, such as cat faces, paws, and tails.

What’s an example of unsupervised feature learning?

In machine learning, features are variables found in a data set. An example of a feature for a weather algorithm is the day of the year. In the specific case of unsupervised learning, features are identified as the algorithm explores the data. Going back to that weather example, the model may find via exploration that date is an important factor in making predictions and thus determine that’s a required input feature for the model.

ما المقصود بالتعلم الاستنتاجي؟

مايكل تشن | خبير استراتيجي للمحتوى | 17 يوليو 2024

في هذه المقالة

ما المقصود بالتعلم الاستنتاجي؟
الأسئلة الشائعة حول التعلم الاستنتاجي

يمثل التعلم الاستنتاجيهو تقنية التعلم الآلي التي تستخدم مجموعات البيانات غير المسماة للتدريب. باستخدام التعلم الاستنتاجي، لا يكون النموذج يحتوي على إرشادات مُحددة للنواتج أو العلاقات المرغوبة. بدلاً من ذلك، يتمثل الهدف في استكشاف البيانات، وعند القيام بذلك، يمكنك اكتشاف الأنماط والاتجاهات والعلاقات.

يمثل التعلم الاستنتاجي الخيار الأمثل لمشروع التعلم الآلي مع كمية كبيرة من البيانات غير المسماة، والمتنوعة في كثير من الأحيان، إذ تكون الأنماط والعلاقات غير معروفة حتى الآن. تكشف الخوارزمية غالبًا عن الرؤى التي ربما لم يتم العثور عليها بخلاف ذلك. على سبيل المثال، يمكن أن يكشف فحص مجموعة بيانات سجلات الشراء عن مجموعات من العملاء الذين يشترون بطرق مماثلة وغير معروفة سابقًا. يستخدم صانعو القرار هذه المعلومات لتطوير برامج مبيعات جديدة.

بسبب طبيعتها الاستكشافية، يعمل التعلم الاستنتاجي بشكل أفضل لسيناريوهات محددة. تشمل هذه المزايا ما يلي:

تحليل البيانات الأولية: يمكن لخوارزميات التعلم الاستنتاجي استكشاف كميات كبيرة جدًا وغير منظمة من البيانات، مثل النص، للوصول إلى الأنماط والاتجاهات. يأتي مثال على ذلك من استعلامات البريد الإلكتروني للعملاء السابقة، إذ يمكن لخوارزمية التعلم الاستنتاجي استكشاف مجموعة بيانات غير منظمة من رسائل البريد الإلكتروني للعملاء. على الرغم من عدم وجود علامات لتحديد جودة أو الغرض من هذه التفاعلات، يمكن للخوارزمية اكتشاف الأنماط التي قد تسلط الضوء على فُرص التحسين، مثل حجم كبير من الاستفسارات حول نفس المشكلة التقنية.

التجميعات: بالنسبة إلى تقسيم البيانات، يمكِّن التعلم الاستنتاجي فحص سمات نقاط البيانات لتحديد القواسم المشتركة والأنماط وإنشاء مجموعات. يأتي مثال على ذلك في مشروع لتدريب نموذج لغة كبير (LLM) للرد على إدخال العميل. باستخدام ملاحظات العملاء غير المنظمة من روبوتات المحادثة والرسائل، يمكن للخوارزمية معرفة تحديد الفئات بناءً على النص، مثل سؤال الفوترة أو الملاحظات الإيجابية أو السلبية أو السؤال الفني أو الاستعلام عن التوظيف. ثم يساعد هذا التصنيف النموذج في تحديد الاستجابات المناسبة من جانب كل من اللغة والنبرة.

العلاقات: على غرار التجميعات، يمكن للتعلم الاستنتاجي أن ينظر في الترجيح (أهمية الميزات أو المدخلات المتداخلة لنقاط البيانات)، والمسافة (مقياس التشابه العام بين نقاط البيانات)، وجودة العلاقات لتحديد طريقة اتصال نقاط البيانات. ضع في اعتبارك خوارزمية الكشف عن الاحتيال التي تتجاوز وضع علامات ثنائية على السجلات المشكوك فيها من خلال فحص نقاط البيانات المختلفة ذات الصلة، مثل عمليات الشراء المماثلة التي تمت بواسطة الحسابات التي تم وضع علامة عليها مُسبقًا أو عمليات الشراء الأخرى بواسطة الحساب المعني. يوفر تحليل العلاقات السياق، مما يتيح للمؤسسات تحديد إذا كان السجل الذي تم وضع علامة عليه مثيلاً لمرة واحدة أو جزءًا من نمط سلوك أكبر أو احتيال.

في كل من هذه الحالات، يحدد التعلم الاستنتاجي الأنماط والخصائص داخل البيانات. يمكن أن تؤدي هذه العملية إلى فهم أفضل لما يمكن معرفته لتعزيز عملية صنع القرار.

ما المقصود بالتعلم الاستنتاجي؟

يمثل التعلم الاستنتاجي نوع من التعلم الآلي، إذ يتم تدريب الخوارزمية على البيانات غير المسماة. يبدأ مشروع التعلم الاستنتاجي بتحديد المشكلة لحلها أو أي هدف آخر. باستخدام هذه المعلومات، يمكن للفرص التسويقية للمشروع اختيار نوع الخوارزمية للمشروع. يعتمد هذا التحديد عادةً على النتيجة المطلوبة: التجميع أو العلاقات أو البُعدية—عملية تحديد الميزات أو المتغيرات وتعريفها داخل مجموعة بيانات. تعزز الأهداف أيضًا البحث عن مجموعات بيانات التدريب المناسبة، إذ إن أهداف المشروع وأنواع الخوارزميات تؤدي إلى نوع البيانات المطلوبة.

بمجرد تعيين هذه الأجزاء، تخضع الخوارزمية إلى التدريب، باستخدام التجربة والخطأ لمحاكاة علاقات المدخلات/المخرجات التي تم إنشاؤها حتى يتم استيفاء معيار الأداء المقبول. يحلل خبراء البيانات النتائج لمعرفة إذا كان النموذج كشف عن الرؤى المطلوبة وقام بتكرارها من خلال تنقيحه المعلمات وتعديلها لتحسين الأداء.

ينطوي قرار استخدام التعلم الاستنتاجي على محاذير. نظرًا إلى أن التعلم الاستنتاجي هو طريقة تدريب أكثر تعقيدًا مقابل التعلم الاستقرائي أو شبه الاستقرائي، نظرًا إلى عدم وجود بيانات مُسماة من شأنها أن تساعد في التحقق من صحة النتائج، فإنه يتطلب عمومًا الإشراف من الخبراء الذين يمكنهم التحقق من أداء النموذج. بالتالي، في حين أن التعلم الاستنتاجي هو عملية دون تداخل من وجهة نظر وضع العلامات وإعداد البيانات، فإنه يحتاج إلى إشراف وثيق للبقاء على المسار الصحيح. على سبيل المثال، في نموذج الذكاء الاصطناعي التوليدي المكلَف بإنتاج رسوم بيانية واقعية، يحتاج خبراء المجال إلى مراجعة النتائج عن كثب لضمان دقة الأنماط والعلاقات التي تدعم إنشاء الصور في جوانب مثل الإضاءة والبنية والجدوى الهيكلية. خلاف ذلك، قد ينتهي بك الأمر بأشياء إضافية من كل جنب.

فيما يلي الأنواع الأكثر شيوعًا من التعلم الاستنتاجي:

التجميع: عندما تبحث الخوارزمية عن مجموعات من البيانات المتشابهة والخصائص المشتركة بينها. تتضمن أمثلة العالم الواقعي تجزئة العملاء وتصفية البريد الإلكتروني للفرز التلقائي.

قاعدة الربط: عندما تفحص الخوارزمية العلاقات بين نقاط البيانات، سواء كان على مستوى السطح أو طبقات متعددة مخفية في العمق. تتضمن الأمثلة في العالم الحقيقي أنماط شراء العملاء وعلاقات الأعراض للتشخيص الطبي.

تقليل البُعدية: عندما يفحص النموذج مجموعة بيانات لتقليل عدد الميزات (الأبعاد) المستخدمة غير ذات صلة. تتضمن أمثلة العالم الحقيقي التعرُّف على الصور وخوارزميات ضغط البيانات.

يتيح التعلم الآلي الاستنتاجي للشركات اكتشاف الأنماط والرؤى في مجموعات البيانات الكبيرة والمتنوعة وغير المنظمة التي تفتقر إلى فئات أو تسميات مُحددة مُسبقًا، دون تدخل بشري. انها أقرب إلى غربلة الآلاف من الحبوب من الرمال للحصول على نقاط الذهب الدقيقة، وربما الكشف عن فُرص جديدة للنمو والابتكار.

ما حالة استخدام الذكاء الاصطناعي الأفضل للتعلم الاستنتاجي؟ اكتشف ذلك والمزيد في هذا الكتاب الإلكتروني

احصل على الكتاب الإلكتروني

الأسئلة الشائعة حول التعلم الاستنتاجي

ما هما نوعي التعلم الاستنتاجي؟

يتم تصنيف تقنيات التعلم الاستنتاجي بشكل عام على أنها واحدة من نوعين مختلفين. يشير التجميع إلى عملية تجميع البيانات على أساس السمات، باستخدام الخوارزميات التي تستخدم طرق التحليل مثل التجميع الهرمي—إنشاء مجموعات في الأشجار الهرمية، مثل قوة شراء العميل استنادًا إلى الرمز البريدي—والتجميع الاحتمالي الذي يستخدم مجموع نقاط الاحتمالية التي تحسب احتمالية الانتماء، مثل خصائص مخاطر العميل في تحليل القروض. يشير تعلم قاعدة الربط إلى عملية تحديد العلاقات بين نقاط البيانات لتحديد الأنماط والاتجاهات، مع استخدام الخوارزميات أساليب مثل الارتباط الكمي—العلاقات المرتبطة على أساس السمات الرقمية أو الكمية بين نقاط البيانات، مثل اتجاهات الشراء حسب العمر—والارتباط متعدد العلائقية، أي العلاقات المرتبطة بين متغيرات محتملة متعددة بين نقاط البيانات، مثل أداء رياضي محترف على أساس العمر وجودة زملاء الفريق والراتب وبرنامج الكلية.

ما المثال الجيد على التعلم الاستنتاجي؟

من الأمثلة الجيدة على التعلم الاستنتاجي نموذج LLM للذكاء الاصطناعي لصناعة الرعاية الصحية. في هذه الحالة، يتدرب LLM على مجموعات البيانات غير المنظمة، مثل الكتب المدرسية الطبية وسجلات المرضى وبيانات الدراسة. باستخدام التدريب التكراري، يتعلم LLM العلاقات والأنماط، مع هدف نهائي لـ LLM للإجابة على الاستعلامات باستخدام اللغة الطبية المناسبة مع مستوى عال من الدقة.

ما الفرق بين التعلم الاستقرائي والاستنتاجي؟

يستخدم التعلم الاستقرائي مجموعات البيانات المُسماة في تدريب الخوارزميات. مع علامات واضحة للمدخلات والمخرجات، يبني التعلم الاستقرائي أساسًا للتعريفات المحددة. على سبيل المثال، خوارزمية لتحديد القطط تتدرب على صور مُعلمة بوضوح بأنها إما بوجود قطط أو عدم وجودها. يستخدم التعلم الاستنتاجي مجموعات بيانات غير معلمة في التدريب. دون علامات، تستكشف الخوارزمية مجموعات البيانات لتحديد الأنماط والاتجاهات. باستخدام نفس المثال لتحديد القطط، يمكن تدريب النظام مسبقًا على مجموعات بيانات كبيرة غير مُعلمة في شكل النصوص والصور العامة من الموسوعة لتعلم الأنماط البصرية والمفاهيم المتعلقة بالقطط، ثم تنقيحها من خلال التدريب على مجموعات بيانات الصور الأصغر لعناصر محددة، مثل وجوه القطط والكفوف وذيولها.

ما المثال على التعلم المميز الاستنتاجي؟

في التعلم الآلي، تُمثل الميزات متغيرات موجودة في مجموعة بيانات. يأتي مثال على ميزة خوارزمية الطقس في يوم من السنة. في الحالة المحددة للتعلم الاستنتاجي، يتم تحديد الميزات في ظل استكشاف الخوارزمية البيانات. بالعودة إلى مثال الطقس هذا، قد يجد النموذج من خلال الاستكشاف أن التاريخ هو عامل مهم في إجراء التنبؤات وبالتالي؛ يحدد أن تلك ميزة إدخال مطلوبة للنموذج.