هناك طرق مختلفة لتعلم التعلم الآلي. تتميز المناهج المختلفة للتعلم الآلي بشكل عام بعرضها لأنواع المشاكل التي تحتاج للحل، بالإضافة إلى نوع وكمية التعليقات المقدمة من المبرمج.

بشكل عام، يمكننا تقسيم التعلم الآلي إلى ثلاث مناطق فرعية:

• التعلم الخاضع للإشراف
• التعلم غير الخاضع للإشراف
• التعلم المعزز

رغم أن هذا قد يبدو وكأنه تصنيف مباشر، إلا أنه ليس من السهل دائمًا وضع نهج معين. دعونا نرى ما يميز هذه الفئات الثلاث.

لنفترض أنك تريد تعليم آلة أن تميز الكلاب من القطط. يمكنك إدخال صور فوتوغرافية بعنوان "قطة" أو "كلب". بدراسة الأمثلة، ستتعلم الخوارزمية التعرف على ما يميز القطة عن الكلب وتعيين التسمية الصحيحة لكل صورة جديدة تطلب منها تحليلها.

في التعلم الخاضع للإشراف، تحتاج الآلة إلى أمثلة مصنفة للتعلم. تستخدم هذه الأمثلة لتدريب الخوارزمية لتعيين التسمية الصحيحة تلقائيًا.

في السياق الصحفي، يمكن للتعلم الخاضع للإشراف، على سبيل المثال، تدريب الخوارزمية لتحديد الوثائق التي قد تكون مثيرة للاهتمام للتحقيق بشأنها. وقد أثبت ذلك في عدد من المناسبات أنه مفيد بالفعل للصحفيين الاستقصائيين الذين يضطرون للتعامل مع عدد كبير من الوثائق.

مع التعلم غير الخاضع للإشراف، لا تصنف الأمثلة المقدمة للآلة. يتم تكليف الخوارزمية بالتعلم بمفردها للتعرف على الأنماط في البيانات، على سبيل المثال، بهدف تجميع السجلات التي تشترك في نفس الخصائص معًا.

بمعنى آخر، تدرب الخوارزمية على اكتشاف البنية في البيانات غير المصنفة التي تطلبها لتحليلها. يمكن استخدام هذا من قبل شركة تجارية لفهم عملائها بشكلٍ أفضل، على سبيل المثال عن طريق تجميعهم في فئات تظهر سلوكيات تسوق مماثلة.

في مجال الصحافة، تم نشر هذه الأنواع من التقنيات من قبل الصحفيين الاستقصائيين لكشف التهرب الضريبي، ولمساعدة مراسلي تمويل الحملات على ربط سجلات التبرع المتعددة لنفس المانح.

على غرار التعلم غير الخاضع للإشراف، الذي لا يحتاج إلى بيانات مصنفة، وإنما يعتمد على فكرة معرفة الإجراءات التي يجب اتخاذها من خلال التجربة والخطأ، أو بعبارة أخرى: من خلال ارتكاب الأخطاء. في البداية تعمل الخوارزمية بشكل عشوائي، وتستكشف البيئة، لكنها تتعلم بمرور الوقت من خلال مكافأتها عندما تتخذ الخيارات الصحيحة.

يشيع استخدام التعليم المعزز لتعليم الآلات لعب الألعاب، وأشهر مثال على ذلك هو AlphaGo، برنامج الكمبيوتر الذي طورته شركة (DeepMind) والذي تمكن في عام 2016 من التغلب على أفضل لاعب في العالم في لعبة الطاولة الصينية، لي سيدول (Go).

التعلم العميق هو نوع آخر من التعلم صنع اسماً لنفسه في السنوات الأخيرة بفضل القوة الحاسوبية المتزايدة التي ناقشناها بالفعل. إنه في حد ذاته مجال فرعي للتعلم الآلي، ولكن بشكل يختلف عن المنهجيات التي درسناها للتو. يعرف التعلم العميق من خلال تعقيد وتعميق النموذج الرياضي المعني.

يشير عمق النموذج إلى استخدام طبقات متعددة من التحليل التي تسمح للخوارزمية بتعلم البنيات الأكثر تعقيدًا بشكل تدريجي. يعتمد التعلم العميق على الشبكات العصبية الاصطناعية، التي تستوحي بنيتها من الأنظمة البيولوجية البشرية، على سبيل المثال كيفية معالجة المعلومات المرئية بواسطة دماغنا من خلال أعيننا.

شبكات عصبية خاضعة للإشراف وغير خاضعة للإشراف وأخرى معززة ... أمور تعد مفاجأة وجديدة للكثيرين.

لم يصمم هذا الدرس ليشعرك بعدم الحماسة. من المهم أن تفهم مدى تعقيد مجال التعلم الآلي وتلبية احتياجات حقوله الفرعية، ولكن ما لم ترغب في التعمق أكثر في بئر علوم البيانات، فإن ما يجب عليك الاحتفاظ به من هذا الدرس بسيط إلى حد ما: تتطلب المشكلات المختلفة حلولًا مختلفة ومناهج تعلم آلي مختلفة للتعامل معها بنجاح.

في الدرس التالي، سوف نلقي نظرة على أي المواقف التي قد تجعلك تستعمل التعلم الآلي في عملك. وبعد ذلك، سوف نستكشف العملية التي تسمح للآلة بالتعلم وتقديم مفهوم التحيز، مع بعض النصائح حول كيفية التعامل معها.