التعلّم الموجّه وغير الموجّه

ليست كل مشكلات تعلّم الآلة متشابهة. أحياناً عندك أمثلة معروفة الإجابة وتريد أن يتعلم النموذج منها، مثل رسائل بريد عليها علامة «مزعجة» أو «سليمة». وأحياناً عندك بيانات بلا إجابات، وتريد أن يكتشف النموذج فيها أنماطاً لم تخطر ببالك. هذا هو الفرق بين النوعين الكبيرين: التعلّم الموجّه والتعلّم غير الموجّه. وفي هذا الدرس سترى مثالاً قصيراً حقيقياً لكل نوع.

التعلّم الموجّه (Supervised Learning)

النموذج يتعلم من بيانات معها الإجابات الصحيحة (التسميات). كلمة «موجّه» تعني أن هناك «معلماً» يخبره أثناء التدريب: «هذا صحيح، وهذا خطأ».

مثل طالب يذاكر من كتاب تمارين محلولة: يرى السؤال والإجابة معاً، فيتعلم الطريقة، ثم يحل أسئلة جديدة وحده.

وللتعلّم الموجّه نوعان حسب شكل الإجابة:

الانحدار (Regression): توقع رقم

عندما تكون الإجابة رقماً: سعر، ودرجة حرارة، وعدد مبيعات. لنعد لمثال الشقق من الدرس الأول، لكن هذه المرة بنموذج حقيقي من scikit-learn:

from sklearn.linear_model import LinearRegression

X = [[50], [80], [100], [120]]       # المساحة بالمتر
y = [520, 790, 1010, 1180]           # السعر بالألف

reg = LinearRegression()
reg.fit(X, y)
print(round(reg.predict([[90]])[0]))

الناتج

899

• LinearRegression: نموذج الانحدار الخطي، يرسم أفضل خط مستقيم يمر قرب النقاط.
• fit(X, y): التدريب، أي تعلّم العلاقة بين المساحة والسعر.
• predict([[90]]): التوقع لشقة جديدة مساحتها 90 متراً: حوالي 899 ألفاً.

لاحظ أن X قائمة من القوائم: كل عينة قائمة بميزاتها، حتى لو كانت ميزة واحدة.

التصنيف (Classification): توقع فئة

عندما تكون الإجابة فئة من مجموعة محددة: مزعجة أو سليمة، وقطة أو كلب، وناجح أو راسب. مثال: تمييز التفاح من البرتقال بالوزن ونعومة القشرة:

from sklearn.neighbors import KNeighborsClassifier

# [الوزن بالجرام، نعومة القشرة من 1 إلى 10]
X = [[150, 9], [170, 8], [140, 9], [130, 3], [120, 2], [140, 3]]
y = ['تفاح', 'تفاح', 'تفاح', 'برتقال', 'برتقال', 'برتقال']

clf = KNeighborsClassifier(n_neighbors=3)
clf.fit(X, y)
print(clf.predict([[160, 8], [125, 2]]))

الناتج

['تفاح' 'برتقال']

خوارزمية الجيران الأقرب (K-Nearest Neighbors) فكرتها بسيطة جداً: لتصنيف ثمرة جديدة، انظر إلى أقرب 3 ثمار لها في بيانات التدريب، وخذ رأي الأغلبية. الثمرة الأولى ثقيلة وناعمة فتشبه التفاح، والثانية خفيفة وخشنة فتشبه البرتقال. كأنك تقول: «قل لي من جيرانك أقل لك من أنت».

	الانحدار	التصنيف
الإجابة	رقم متصل	فئة من مجموعة
أمثلة	سعر، وحرارة، وعمر	مزعج أو سليم، ومرض أو لا

التعلّم غير الموجّه (Unsupervised Learning)

البيانات هنا بلا تسميات: لا أحد يخبر النموذج بالإجابة. مهمته أن يكتشف بنية خفية في البيانات بنفسه.

مثل أن تعطي طفلاً صندوقاً فيه أزرار مختلطة، دون أي تعليمات، فيرتبها وحده في مجموعات: الأزرار الكبيرة معاً، والصغيرة معاً، والحمراء معاً. لم يخبره أحد بالمجموعات، لكنه اكتشفها.

التجميع (Clustering)

أشهر مهام التعلّم غير الموجّه: تقسيم البيانات إلى مجموعات متشابهة. مثلاً، متجر يريد فهم أنواع عملائه:

from sklearn.cluster import KMeans

# [عدد الزيارات الشهرية، متوسط الشراء بالجنيه]
customers = [[2, 50], [3, 60], [2, 55], [20, 400], [22, 450], [19, 420]]

km = KMeans(n_clusters=2, random_state=0, n_init=10)
labels = km.fit_predict(customers)
print(labels)

الناتج

[1 1 1 0 0 0]

لم نعطِ النموذج أي تسميات، ومع ذلك اكتشف وحده مجموعتين: العملاء الثلاثة الأوائل (زيارات قليلة وشراء قليل) في مجموعة، والثلاثة الآخرون (زيارات كثيرة وشراء كبير) في مجموعة أخرى.

• KMeans: خوارزمية تقسم البيانات إلى n_clusters مجموعة، بحيث يكون كل عنصر قريباً من «مركز» مجموعته.
• الأرقام 0 و 1 مجرد أسماء للمجموعات، وليس لها معنى أو ترتيب. ونحن البشر نفسرها بعد ذلك: «هذه مجموعة العملاء المميزين، وتلك مجموعة العملاء العاديين».

بعدها يستطيع المتجر أن يرسل عروضاً مختلفة لكل مجموعة.

أنواع أخرى

هناك أيضاً التعلّم المعزَّز (Reinforcement Learning): النموذج يتعلم بالتجربة والخطأ، ويحصل على «مكافأة» عند النجاح و«عقوبة» عند الفشل، مثل تدريب حيوان أليف. بهذه الطريقة تعلّم AlphaGo لعبة Go، وتتعلم الروبوتات المشي.

كيف تختار؟

اسأل نفسك سؤالين:

1. هل عندي إجابات صحيحة لأمثلة سابقة؟ نعم ← تعلّم موجّه. لا ← تعلّم غير موجّه.
2. في التعلّم الموجّه: هل الإجابة رقم أم فئة؟ رقم ← انحدار. فئة ← تصنيف.

المشكلة	النوع
توقع درجة الحرارة غداً	موجّه: انحدار
هل هذه المعاملة البنكية احتيال؟	موجّه: تصنيف
تقسيم قراء موقع لمجموعات حسب اهتماماتهم	غير موجّه: تجميع
التعرف على الحرف المكتوب بخط اليد	موجّه: تصنيف

جرّب بنفسك

ثبّت مكتبة scikit-learn بالأمر pip install scikit-learn، ثم:

1. شغّل مثال الشقق، وتوقع سعر شقة 150 متراً. هل النتيجة منطقية؟
2. في مثال الفاكهة، أضف ثمرة جديدة [135, 5] في المنتصف. ماذا يتوقع النموذج؟ ولماذا قد تكون هذه الحالة صعبة؟
3. في مثال العملاء، غيّر n_clusters إلى 3، ولاحظ كيف تتغير المجموعات.
4. صنّف هذه المشكلات: توقع عدد زوار موقع غداً، واكتشاف مجموعات من الأغاني المتشابهة، وتشخيص صورة أشعة.

أخطاء شائعة

• الخلط بين الانحدار والتصنيف: إذا كانت الإجابة فئات، فالمشكلة تصنيف حتى لو كُتبت الفئات كأرقام مثل 0 و 1.
• تفسير أرقام المجموعات كترتيب: في التجميع، المجموعة 1 ليست «أفضل» أو «أكبر» من 0.
• الثقة بنموذج تدرب على 6 أمثلة: أمثلة الدرس صغيرة للفهم فقط، والنماذج الحقيقية تحتاج مئات أو آلاف الأمثلة.

اختبر نفسك

سؤال

تريد نموذجاً يتوقع هل سيلغي العميل اشتراكه أم لا، ولديك بيانات عملاء سابقين وما حدث لهم. ما نوع المشكلة؟

تعلّم موجّه: تصنيفتعلّم موجّه: انحدارتعلّم غير موجّه: تجميع

سؤال

ما الذي يميز التعلّم غير الموجّه؟

يحتاج بيانات أكثر دائماًيتوقع الأرقام فقطيعمل على بيانات بلا تسميات ويكتشف الأنماط بنفسه

الخلاصة

• التعلّم الموجّه يتعلم من أمثلة معها إجاباتها، وغير الموجّه يكتشف الأنماط في بيانات بلا إجابات.
• الانحدار يتوقع رقماً، مثل LinearRegression لسعر الشقة.
• التصنيف يتوقع فئة، مثل KNeighborsClassifier لتمييز الفاكهة.
• التجميع يقسم البيانات لمجموعات متشابهة، مثل KMeans لأنواع العملاء.
• في scikit-learn الخطوات واحدة تقريباً: أنشئ النموذج، ثم fit، ثم predict.