أي نوع من التعلم يُستخدم عندما يُطلب من خوارزمية العثور على مجموعات في البيانات دون تصنيفات؟ أ) التعلم الخاضع للإشراف ب) التعلم غير الخاضع للإشراف ج) التعلم الانتقالي د) التعلم الإحصائي ؟؟
الإجابة الصحيحة من خلال موقع بوابة الإجابات هي:
ب) التعلم غير الخاضع للإشراف
الإجابة الصحيحة هي ب) التعلم غير الخاضع للإشراف (Unsupervised Learning).
لنفهم لماذا هذه هي الإجابة الصحيحة، يجب أن نعرف الفرق بين أنواع التعلم في الذكاء الاصطناعي ببساطة:
1. ما هو التعلم غير الخاضع للإشراف؟
في هذا النوع من التعلم، نقوم بإعطاء الحاسوب كمية كبيرة من البيانات دون أي تسميات أو تصنيفات مسبقة (أي أننا لا نقول له: "هذه صورة قطة" أو "هذا رقم 5"). بدلاً من ذلك، نترك الخوارزمية تحاول اكتشاف الأنماط أو العلاقات المخفية داخل البيانات بنفسها. هدفها الأساسي هو عملية تسمى "التجميع" (Clustering)، وهي وضع الأشياء المتشابهة في مجموعات معاً.
2. الفرق بينه وبين التعلم الخاضع للإشراف:
- التعلم الخاضع للإشراف (Supervised Learning): يشبه الطالب الذي يذاكر مع معلم؛ المعلم يعطيه السؤال ويعطيه الإجابة الصحيحة (التصنيف)، فيتعلم الطالب الربط بينهما.
- التعلم غير الخاضع للإشراف (Unsupervised Learning): يشبه الطالب الذي يقرأ كتاباً بلغة لا يعرفها، فيبدأ بملاحظة أن بعض الكلمات تتكرر مع بعضها، أو أن بعض الرموز تشبه بعضها، فيحاول تنظيمها في مجموعات بناءً على التشابه فقط دون أن يعرف معناها الحقيقي.
مثال توضيحي من حياتنا:تخيل أن لديك صندوقاً مليئاً بمكعبات "ليجو" بألوان وأشكال وأحجام مختلفة، ولكنك لا تملك أي تعليمات.
- إذا طلبت من شخص أن يضع كل المكعبات الحمراء معاً، وكل المكعبات الزرقاء معاً، دون أن تخبره ما هي الألوان، فهو هنا يقوم بعملية "تعلم غير خاضع للإشراف"؛ لأنه اعتمد على ملاحظة التشابه (اللون) لتشكيل المجموعات.
باختصار:عندما تسمع جملة
"دون تصنيفات" أو
"بدون تسميات" (Without Labels)، فالمقصود دائماً هو
التعلم غير الخاضع للإشراف، لأن المهمة هي اكتشاف المجموعات بناءً على الخصائص المشتركة وليس بناءً على إجابات جاهزة.
اذا كان لديك إجابة افضل او هناك خطأ في الإجابة علي سؤال أي نوع من التعلم يُستخدم عندما يُطلب من خوارزمية العثور على مجموعات في البيانات دون تصنيفات؟ أ) التعلم الخاضع للإشراف ب) التعلم غير الخاضع للإشراف ج) التعلم الانتقالي د) التعلم الإحصائي ؟ اترك تعليق فورآ.