التعلم غير الخاضع للإشراف

التعلم غير الخاضع للإشراف هو نوع من التعلم الآلي تتعلم فيه الخوارزمية الأنماط من البيانات غير المعنونة. ويُستخدم غالبًا في التجميع وتقليل الأبعاد واكتشاف الحالات الشاذة.

في هذا الدرس، ستستكشفون تقنيات التجميع مثل K-Means والتجميع الهرمي.

ما هو التعلم غير الخاضع للإشراف؟

يتضمن التعلم غير الخاضع للإشراف تحليل البيانات وتجميعها دون تسميات محددة مسبقًا. ويهدف إلى تحديد البنى أو الأنماط المخفية في البيانات.

تشمل المهام الأساسية ما يلي:

• التجميع: تجميع نقاط البيانات المتشابهة.
• تقليل الأبعاد: تقليل عدد السمات مع الاحتفاظ بالمعلومات المهمة.

التجميع باستخدام K-Means

‏K-Means خوارزمية تجميع شائعة تقسّم البيانات إلى K مجموعات استنادًا إلى تشابه السمات. لنرَ كيفية عملها:

# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np

# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

التجميع الهرمي

ينشئ التجميع الهرمي بنية شبيهة بالشجرة (مخططًا شجريًا) لتجميع نقاط البيانات المتشابهة. ولا يتطلب تحديد عدد المجموعات مسبقًا.

# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]

linked = linkage(X, 'single')
dendrogram(linked)
plt.show()

تقليل الأبعاد

يُبسّط تقليل الأبعاد البيانات من خلال تقليل عدد السمات مع الاحتفاظ بالمعلومات المهمة. ويُعد تحليل المكونات الرئيسية (PCA) تقنية شائعة لهذه المهمة.

# Example: PCA
from sklearn.decomposition import PCA
import numpy as np

# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)

تطبيقات التعلم غير الخاضع للإشراف

يُستخدم التعلم غير الخاضع للإشراف في:

• تقسيم العملاء إلى شرائح: تجميع العملاء استنادًا إلى سلوكهم.
• اكتشاف الحالات الشاذة: تحديد الأنماط غير المعتادة في البيانات.
• ضغط الصور: تقليل حجم الصورة مع الحفاظ على جودتها.

تصوّر العناقيد

يساعد تصوّر العناقيد على فهم كيفية تجميع نقاط البيانات. وتُعدّ Matplotlib وSeaborn مفيدتين لهذا الغرض:

# Example: Visualizing clusters
import matplotlib.pyplot as plt

# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]

for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()

تحديات التعلم غير الخاضع للإشراف

يواجه التعلم غير الخاضع للإشراف عدة تحديات، منها:

• تحديد عدد العناقيد: يتطلب K-Means تحديد عدد العناقيد مسبقًا.
• قابلية التفسير: قد لا تكون للعناقيد معانٍ واضحة دائمًا.
• قابلية التوسع: قد تتطلب معالجة مجموعات البيانات الكبيرة قدرًا كبيرًا من الموارد الحسابية.

الأخطاء الشائعة في التعلم غير الخاضع للإشراف

إليك بعض الأخطاء التي ينبغي تجنبها:

• اختيار عدد غير صحيح من العناقيد في K-Means.
• عدم إجراء معالجة مسبقة للبيانات، مثل تغيير مقياس السمات.
• المبالغة في تفسير العناقيد من دون التحقق من صحتها.

ما الذي تعلمناه؟

في هذا الدرس، تعلمتم:

• أساسيات التعلم غير الخاضع للإشراف ومهامه الأساسية.
• كيفية تطبيق K-Means والتجميع الهرمي.
• مفهوم تقليل الأبعاد باستخدام PCA.
• تطبيقات التعلم غير الخاضع للإشراف وتحدياته وأخطاؤه الشائعة.

أحسنتم! لننتقل إلى الموضوع التالي.