التعلم الخاضع للإشراف وغير الخاضع: الفرق مع أمثلة عملية

عندما تبدأ في دراسة التعلم الآلي Machine Learning ستقابل بسرعة مصطلحين أساسيين جدًا: التعلم الخاضع للإشراف Supervised Learning والتعلم غير الخاضع للإشراف Unsupervised Learning. وقد تبدو الفكرة للوهلة الأولى مجرد تقسيم أكاديمي لأنواع الخوارزميات، لكنها في الحقيقة واحدة من أهم المفاهيم التي تحدد طريقة بناء أي مشروع تعلم آلي تقريبًا، لأن الاختيار بينهما يعتمد على طبيعة البيانات التي لديك، وعلى نوع السؤال الذي تحاول الإجابة عنه.

يمكن تبسيط الفكرة من البداية بهذا التشبيه: تخيل طالبًا يتعلم باستخدام كتاب يحتوي على أسئلة وإجابات نموذجية. يستطيع الطالب مقارنة إجاباته بالإجابة الصحيحة وتصحيح أخطائه، وهذا قريب من التعلم الخاضع للإشراف. أما إذا أعطيت الطالب مجموعة كبيرة من الأشياء دون أي أسماء أو تصنيفات وطلبت منه أن يكتشف بنفسه ما الذي يتشابه وما الذي يختلف، فهذا أقرب إلى التعلم غير الخاضع للإشراف.

لكن الاختلاف التقني أعمق من هذا المثال. في النوع الأول توجد لدينا عادة Labels أو Targets نعرفها مسبقًا، بينما في النوع الثاني لا توجد إجابات صحيحة جاهزة، بل نطلب من الخوارزمية البحث عن البنية الداخلية للبيانات. وفهم هذا الفرق سيساعدك على معرفة لماذا نستخدم بعض الخوارزميات في توقع الأسعار أو اكتشاف الرسائل المزعجة، بينما نستخدم خوارزميات أخرى في تقسيم العملاء إلى مجموعات أو اكتشاف أنماط غير معروفة مسبقًا.

التعلم الخاضع للإشراف وغير الخاضع الفرق مع أمثلة عملية

ما المقصود بالتعلم الخاضع للإشراف؟

التعلم الخاضع للإشراف هو نوع من التعلم الآلي يتدرب فيه النموذج باستخدام بيانات تحتوي على مدخلات ومخرجات صحيحة معروفة مسبقًا. بمعنى آخر، كل مثال في بيانات التدريب يأتي ومعه الإجابة التي نريد أن يتعلم النموذج الوصول إليها.

لنفترض أن لدينا بيانات عن ألف منزل، وكل منزل يحتوي على مساحة، وعدد غرف، وموقع، وعمر المبنى، وسعر البيع الحقيقي. المدخلات هنا هي خصائص المنزل، بينما السعر هو Target الذي نريد من النموذج تعلمه. أثناء التدريب يرى النموذج الأمثلة والأسعار الحقيقية، ثم يحاول اكتشاف العلاقة بين الخصائص والسعر.

لماذا يسمى خاضعًا للإشراف؟

لأن النموذج أثناء التدريب يحصل على نوع من "الإشراف" في صورة الإجابة الصحيحة. هو لا يخمن وحده دون مرجع، بل يمكنه مقارنة توقعه بالحقيقة وقياس مقدار الخطأ.

إذا توقع النموذج أن سعر منزل هو 500 ألف بينما السعر الحقيقي 550 ألفًا، يمكن حساب الفرق واستخدامه لتحسين النموذج. ومع تكرار هذه العملية عبر عدد كبير من الأمثلة، تتحسن قدرته على التنبؤ.

ما المقصود بالـ Label؟

Label هي الإجابة الصحيحة المرتبطة بكل مثال. في نظام اكتشاف الرسائل المزعجة، قد تكون الـ Label هي Spam أو Not Spam. وفي نظام توقع سعر منزل، يكون السعر هو Target.

وجود هذه الإجابة المعروفة هو العلامة الأساسية التي تميز التعلم الخاضع للإشراف.

أهم نوعين داخل التعلم الخاضع للإشراف

ينقسم هذا النوع عادة إلى مشكلتين رئيسيتين: التصنيف Classification والانحدار Regression. الفرق بينهما يعتمد على نوع المخرج الذي نحاول توقعه.

التصنيف Classification

في التصنيف، تكون النتيجة فئة أو مجموعة محددة من الفئات. مثلًا، نريد تحديد ما إذا كانت الرسالة مزعجة أم لا، أو ما إذا كانت صورة تحتوي على قطة أو كلب، أو إذا كان العميل معرضًا للمغادرة أم لا.

النموذج يتعلم حدودًا أو علاقات تساعده على فصل الفئات عن بعضها.

مثال عملي على التصنيف

لنفترض أن لدينا بيانات لآلاف الرسائل الإلكترونية، وكل رسالة مصنفة مسبقًا بأنها Spam أو Not Spam. نقوم بتحويل النصوص إلى تمثيل رقمي، ثم ندرب النموذج باستخدام الرسائل مع التصنيفات الصحيحة. بعد ذلك يمكن إعطاؤه رسالة جديدة لم يرها سابقًا ليحاول تحديد الفئة التي تنتمي إليها.

الانحدار Regression

في الانحدار، لا تكون النتيجة فئة، بل قيمة رقمية مستمرة. مثل سعر منزل، أو حجم مبيعات متوقع، أو درجة حرارة مستقبلية.

مثال عملي على الانحدار

إذا أردنا توقع استهلاك الكهرباء لمنزل في اليوم التالي، يمكن استخدام بيانات مثل درجة الحرارة، وعدد السكان، والاستهلاك السابق، والوقت من السنة. النموذج يتعلم العلاقة بين هذه المتغيرات والاستهلاك الفعلي، ثم يستخدم ما تعلمه لتوقع قيمة رقمية جديدة.

كيف يتعلم النموذج في Supervised Learning؟

تمر العملية عادة بعدة مراحل مترابطة. نبدأ ببيانات تحتوي على المدخلات والنتائج الصحيحة، ثم نقسم البيانات إلى مجموعة تدريب ومجموعة اختبار. يتم تدريب النموذج على الجزء الأول، وبعد ذلك نقيس أداءه على الجزء الثاني الذي لم يره أثناء التدريب.

أثناء التدريب، ينتج النموذج توقعًا لكل مثال، ثم تتم مقارنة هذا التوقع بالـ Label الحقيقية. بعدها تحسب دالة الخسارة Loss Function مقدار الخطأ. الخوارزمية تستخدم هذا الخطأ لتعديل النموذج تدريجيًا حتى تصبح توقعاته أفضل.

التعلم هنا مبني على الخطأ

هذه نقطة أساسية جدًا. النموذج لا يعرف من البداية ما هو الصحيح، لكنه يملك آلية تسمح له بقياس المسافة بين توقعه والحقيقة. وكلما تكررت العملية، يستطيع تقليل هذه المسافة تدريجيًا.

ما هي أشهر خوارزميات التعلم الخاضع للإشراف؟

هناك عدد كبير من الخوارزميات، واختيارها يعتمد على نوع البيانات والمشكلة، وليس على شهرة النموذج فقط. من أشهرها Linear Regression وLogistic Regression وDecision Trees وRandom Forest وSupport Vector Machines، إلى جانب الشبكات العصبية في المشكلات الأكثر تعقيدًا.

لا تحتاج كمبتدئ إلى حفظ جميع الخوارزميات، بل الأهم أن تفهم أن كل واحدة منها تحاول بناء علاقة بين المدخلات والمخرجات بطريقة مختلفة.

ما المقصود بالتعلم غير الخاضع للإشراف؟

في التعلم غير الخاضع للإشراف لا توجد Labels أو إجابات صحيحة نعرفها مسبقًا. لدينا بيانات فقط، ونريد من الخوارزمية أن تكتشف أنماطًا أو مجموعات أو بنية خفية داخل هذه البيانات.

لنفترض أن لديك بيانات آلاف العملاء، وتعرف أعمارهم، وعدد مشترياتهم، ومتوسط إنفاقهم، وعدد زياراتهم للمتجر، لكنك لا تعرف مسبقًا ما هي أنواع العملاء الموجودة. هنا يمكن استخدام خوارزمية Unsupervised Learning لتقسيم العملاء إلى مجموعات متشابهة.

الآلة لا تحصل على إجابة جاهزة

الفرق الأساسي هو أن الخوارزمية لا تقول لها "هذا العميل من الفئة الأولى وهذا من الفئة الثانية". بدل ذلك، تقوم بتحليل العلاقات والمسافات والتشابهات بين البيانات وتحاول اكتشاف مجموعات طبيعية.

هذا يجعل المهمة أكثر استكشافية

في Supervised Learning نسأل غالبًا: هل يمكننا التنبؤ بهذه النتيجة؟ أما في Unsupervised Learning فالسؤال يصبح: ماذا يوجد داخل هذه البيانات ولا نراه بسهولة؟

أهم المهام في التعلم غير الخاضع للإشراف

من أشهر المهام Clustering وDimensionality Reduction، بالإضافة إلى بعض أساليب اكتشاف الأنماط أو الحالات الشاذة.

التجميع Clustering

في التجميع، تحاول الخوارزمية تقسيم البيانات إلى مجموعات بحيث تكون العناصر داخل المجموعة الواحدة أكثر تشابهًا مع بعضها من العناصر الموجودة في المجموعات الأخرى.

مثال واضح هو تقسيم العملاء بناءً على سلوك الشراء. قد تكتشف الخوارزمية مجموعة من العملاء يشترون كثيرًا وينفقون مبالغ مرتفعة، ومجموعة أخرى تزور المتجر كثيرًا لكنها تشتري قليلًا، وثالثة تشتري فقط أثناء الخصومات.

هل تعرف الخوارزمية أسماء هذه المجموعات؟

لا. الخوارزمية قد تحدد Cluster 1 وCluster 2 وCluster 3 فقط. بعد ذلك يأتي دور الإنسان لتحليل خصائص كل مجموعة وتسميتها بطريقة مفهومة.

وهنا تظهر نقطة مهمة: الذكاء الاصطناعي يكتشف البنية، لكن تفسير هذه البنية غالبًا يحتاج إلى معرفة بشرية بالمجال.

ما هي أشهر خوارزميات Clustering؟

من أشهر الخوارزميات K-Means، وهي تحاول تقسيم البيانات إلى عدد محدد من المجموعات. هناك أيضًا DBSCAN وHierarchical Clustering وغيرها.

كيف تعمل K-Means بصورة مبسطة؟

لنفترض أنك تريد تقسيم العملاء إلى ثلاث مجموعات. تختار الخوارزمية في البداية ثلاث نقاط مركزية، ثم تربط كل عميل بأقرب مركز، وبعد ذلك تعيد حساب مراكز المجموعات وتكرر العملية حتى تستقر.

الفكرة رياضية، لكنها بسيطة في جوهرها: ضع العناصر المتشابهة بالقرب من بعضها.

اختيار عدد المجموعات قد لا يكون واضحًا دائمًا

إحدى مشكلات K-Means أنك تحتاج عادة إلى تحديد K مسبقًا. لكن في الواقع قد لا تعرف عدد المجموعات المناسب، ولذلك نستخدم أدوات تحليلية لمساعدتنا على الاختيار.

تقليل الأبعاد Dimensionality Reduction

بعض البيانات تحتوي على مئات أو آلاف الخصائص. التعامل مع هذا العدد الكبير قد يجعل التحليل صعبًا، وقد يؤدي إلى زيادة التكلفة الحسابية.

هنا نستخدم أساليب تقليل الأبعاد، التي تحاول تمثيل البيانات بعدد أقل من المتغيرات مع الاحتفاظ بأكبر قدر ممكن من المعلومات المهمة.

مثال مبسط

تخيل أن لديك بيانات تحتوي على 100 Feature لكل عنصر. قد تستطيع خوارزمية مثل PCA اختصار هذه المعلومات إلى عشرة مكونات رئيسية تحتفظ بجزء كبير من التباين الموجود في البيانات.

هذه العملية قد تسهل التصور، وتقلل بعض الضوضاء، وتسرع النماذج.

الفرق الأساسي بين Supervised وUnsupervised Learning

أبسط طريقة لفهم الفرق هي النظر إلى السؤال الذي تبدأ به. في Supervised Learning أنت تعرف الإجابة التي تريد تعلمها، ولديك أمثلة صحيحة تساعد النموذج. أما في Unsupervised Learning فأنت لا تعرف الإجابة مسبقًا، بل تريد اكتشاف شيء جديد داخل البيانات.

في الأول يوجد Target واضح. في الثاني لا يوجد Target مباشر.

مثال واحد يوضح الفرق

لنفترض أنك تملك بيانات عملاء متجر. إذا كان لديك عمود يحدد مسبقًا من الذي توقف عن الشراء ومن الذي استمر، ويمكنك استخدام هذه البيانات لتدريب نموذج يتوقع من سيغادر مستقبلًا، فهذا Supervised Learning.

أما إذا كانت لديك بيانات سلوك العملاء فقط، وتريد اكتشاف أنواع مختلفة من العملاء دون تصنيفات مسبقة، فهذا Unsupervised Learning.

لماذا وجود Labels يغير طبيعة التعلم بالكامل؟

وجود Labels يعطي النموذج هدفًا واضحًا. كل توقع يمكن مقارنته بإجابة صحيحة، وبالتالي يمكن حساب الخطأ وتحسين النموذج بطريقة مباشرة نسبيًا.

في Unsupervised Learning لا توجد إجابة مرجعية تقول إن هذه المجموعة صحيحة أو خاطئة بشكل مباشر. لذلك يكون التقييم أكثر تعقيدًا ويحتاج أحيانًا إلى معايير داخلية أو تحليل بشري.

التقييم في Supervised Learning أسهل نسبيًا

إذا كان لديك نموذج تصنيف، يمكنك مقارنة التوقعات بالواقع وحساب Accuracy وPrecision وRecall وغيرها.

أما في Clustering مثلًا، فقد لا توجد Labels أصلًا نستخدمها للمقارنة.

كيف نقيم نموذجًا غير خاضع للإشراف؟

هذه واحدة من النقاط التي تربك المبتدئين. إذا لم تكن لدينا إجابة صحيحة، فكيف نعرف أن النموذج نجح؟

الإجابة تعتمد على المهمة. في Clustering يمكن استخدام مقاييس تقيس مدى تماسك العناصر داخل المجموعة ومدى اختلاف المجموعات عن بعضها، مثل Silhouette Score. لكن هذه المقاييس لا تعوض دائمًا عن الفهم البشري للمشكلة.

النتيجة الرياضية قد لا تكون مفيدة عمليًا

قد تنشئ الخوارزمية مجموعات جيدة رياضيًا لكنها لا تعني شيئًا مهمًا من منظور العمل. لذلك يجب دائمًا ربط النتائج بالسياق.

مثال عملي متكامل على Supervised Learning

لنفترض أننا نريد بناء نموذج يتوقع ما إذا كان طالب سينجح في اختبار معين. لدينا بيانات تاريخية تشمل عدد ساعات الدراسة، ونسبة الحضور، ونتائج اختبارات سابقة، وفي النهاية نعرف هل نجح الطالب أم لا.

الـ Features هنا هي ساعات الدراسة والحضور والنتائج السابقة، والـ Label هي "نجح" أو "لم ينجح". ندرب النموذج على جزء من البيانات، ثم نختبره على طلاب لم يرهم أثناء التدريب. إذا كانت التوقعات جيدة على البيانات الجديدة، يكون النموذج قد تعلم نمطًا قابلًا للتعميم.

ما الذي قد يخطئ فيه النموذج؟

قد تكون البيانات متحيزة أو ناقصة. ربما لا تحتوي على عوامل مهمة مثل جودة التدريس أو الظروف الصحية. النموذج لا يعرف هذه العوامل إذا لم نقدمها له.

وهذا يوضح أن Supervised Learning ليس سحرًا؛ النموذج محدود بما تحتوي عليه البيانات.

مثال عملي متكامل على Unsupervised Learning

لنفترض أن متجرًا إلكترونيًا يملك بيانات عن العملاء تشمل متوسط قيمة الطلب، وعدد المشتريات شهريًا، وعدد مرات زيارة الموقع، ونسبة استخدام الخصومات. لا توجد فئات محددة مسبقًا.

يمكن استخدام K-Means لاكتشاف مجموعات داخل هذه البيانات. بعد التحليل قد نجد مجموعة تشتري كثيرًا دون استخدام الخصومات، ومجموعة تشتري فقط عند وجود عروض، ومجموعة تزور كثيرًا ولا تشتري إلا نادرًا.

كيف نستفيد من هذه المجموعات؟

يمكن لفريق التسويق تصميم عروض مختلفة لكل مجموعة. هنا لم يكن هدف الخوارزمية التنبؤ بإجابة معروفة، بل اكتشاف بنية ساعدتنا على فهم العملاء بشكل أفضل.

هل يمكن استخدام النوعين معًا؟

نعم، وفي المشاريع الواقعية يحدث ذلك كثيرًا. يمكن استخدام Unsupervised Learning لاكتشاف مجموعات أو تمثيلات داخل البيانات، ثم استخدام هذه النتائج كمدخلات في نموذج Supervised Learning.

مثال على الدمج

قد نقسم العملاء أولًا إلى Clusters، ثم نضيف رقم المجموعة كـ Feature داخل نموذج يتوقع احتمالية الشراء. هكذا نستفيد من كلا النوعين.

ما دور البيانات المصنفة في التكلفة؟

الحصول على Labels صحيحة قد يكون مكلفًا جدًا. إذا كنت تريد تدريب نموذج طبي، فقد تحتاج إلى أطباء متخصصين لتصنيف آلاف الصور. وإذا كنت تريد نظامًا لفهم النصوص، فقد تحتاج إلى أشخاص يراجعون ويصنفون الأمثلة.

لهذا السبب تعتبر البيانات المصنفة موردًا ثمينًا في كثير من المشاريع.

Unsupervised Learning يستفيد من البيانات غير المصنفة

ميزة كبيرة للتعلم غير الخاضع للإشراف هي القدرة على استخدام بيانات لا تحتوي على Labels، وهي عادة أكثر وفرة.

لكن غياب التصنيفات يجعل تفسير النتائج وتقييمها أكثر صعوبة.

هل التعلم غير الخاضع للإشراف يعني أن الآلة تتعلم وحدها تمامًا؟

لا. رغم عدم وجود Labels، الإنسان ما يزال يحدد الخوارزمية، ويختار Features، ويحدد الإعدادات، ويفسر النتائج.

الآلة لا تعرف تلقائيًا ما الذي يهمك تجاريًا أو علميًا.

الاستقلال أقل مما يبدو

حتى الأنظمة التي تبدو كأنها "تكتشف" الأنماط بنفسها تعمل داخل إطار صممه الإنسان.

أين يستخدم التعلم الخاضع للإشراف عمليًا؟

هذا النوع واسع الانتشار في التطبيقات التي نعرف فيها النتيجة المطلوبة ويمكن جمع أمثلة تاريخية عليها. يدخل في اكتشاف الاحتيال، وتوقع الأسعار، وتصنيف الصور، والتنبؤ بالمبيعات، وتحليل المشاعر، وتصنيف المستندات، وبعض أنظمة التشخيص ودعم القرار.

القاسم المشترك هو أن لدينا أمثلة سابقة يمكن استخدامها لتعليم النموذج.

وأين يستخدم التعلم غير الخاضع للإشراف؟

يستخدم في تقسيم العملاء، واكتشاف الأنماط داخل البيانات، وتحليل السلوك، وتقليل الأبعاد، والاستكشاف الأولي لمجموعات بيانات كبيرة.

كما يمكن استخدام بعض أساليبه للمساعدة في اكتشاف الحالات الغريبة أو الشاذة التي لا تشبه غالبية البيانات.

ما علاقة اكتشاف الحالات الشاذة Anomaly Detection؟

Anomaly Detection يهدف إلى العثور على أمثلة مختلفة بشكل واضح عن السلوك المعتاد. يمكن استخدامه في اكتشاف أعطال الأجهزة أو نشاط غير عادي في الشبكات.

بعض طرق اكتشاف الحالات الشاذة تكون غير خاضعة للإشراف عندما لا نملك Labels تحدد مسبقًا الحالات الطبيعية والشاذة.

الفكرة هي تعلم شكل الطبيعي أولًا

إذا فهم النظام كيف تبدو البيانات المعتادة، يمكنه الإشارة إلى الحالات التي تخرج عن هذا النمط.

ماذا عن Semi-Supervised Learning؟

الواقع ليس دائمًا أبيض أو أسود. أحيانًا يكون لدينا كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة. هنا يظهر التعلم شبه الخاضع للإشراف Semi-Supervised Learning.

الفكرة هي الاستفادة من كلا النوعين حتى نقلل الحاجة إلى تصنيف كل البيانات يدويًا.

لماذا هذا الأسلوب مهم؟

لأن عملية التسمية قد تكون مكلفة، بينما البيانات الخام قد تكون متاحة بكميات ضخمة.

وماذا عن Self-Supervised Learning؟

هناك أيضًا التعلم الذاتي الإشراف Self-Supervised Learning، وهو من التقنيات المهمة جدًا في الذكاء الاصطناعي الحديث. في هذا الأسلوب، يتم إنشاء مهمة التدريب من البيانات نفسها بدل الحاجة إلى Labels يضيفها الإنسان يدويًا.

في اللغة مثلًا، يمكن للنموذج أن يحاول توقع جزء مفقود أو الرمز التالي. وبذلك تصبح البيانات نفسها مصدرًا للإشراف.

لماذا يعتبر مهمًا للنماذج الحديثة؟

لأنه يسمح باستخدام كميات هائلة من النصوص أو الصور دون الحاجة إلى قيام البشر بتصنيف كل مثال يدويًا، وهذا كان عاملًا أساسيًا في تدريب كثير من النماذج الكبيرة.

هل Supervised Learning دائمًا أدق؟

ليس بالضرورة في كل سياق، لكن عندما تكون Labels عالية الجودة ومتوفرة، يكون من الأسهل عادة بناء نموذج لمهمة محددة وقياس أدائه بوضوح.

أما Unsupervised Learning فهدفه مختلف أساسًا، ولذلك لا يكون من الصحيح دائمًا مقارنته مباشرة من حيث الدقة.

المشكلة هي التي تحدد النوع وليس العكس

لا تقل: سأستخدم Supervised لأنه أفضل. اسأل أولًا: هل لدي Target؟ هل أعرف الإجابة الصحيحة لكل مثال؟ إذا لم تكن لديك Labels أصلًا، فقد لا يكون Supervised Learning خيارًا ممكنًا.

كيف تختار بين النوعين في مشروعك؟

ابدأ بالبيانات والسؤال. إذا كنت تملك نتيجة تريد التنبؤ بها ولديك أمثلة تاريخية تتضمن هذه النتيجة، فغالبًا ستستخدم Supervised Learning. أما إذا كانت البيانات بلا نتائج معروفة وتريد استكشاف بنيتها، فغالبًا ستتجه إلى Unsupervised Learning.

يمكنك التفكير في الأسئلة التالية:

• هل توجد Labels موثوقة؟

• هل أريد التنبؤ بنتيجة محددة؟

• أم أريد اكتشاف مجموعات أو أنماط؟

• هل أملك بيانات كافية لكل فئة؟

• هل يمكن قياس النجاح مباشرة؟

هذه الأسئلة تقودك عادة إلى الاختيار الصحيح.

خطأ شائع: اعتبار Unsupervised Learning أقل أهمية

قد يبدو Supervised Learning أكثر وضوحًا لأنه يعطي نتائج مباشرة، لكن التعلم غير الخاضع للإشراف مهم جدًا في فهم البيانات قبل النمذجة، واكتشاف الأنماط التي لم تكن معروفة مسبقًا.

في كثير من المشروعات، تكون المرحلة الاستكشافية هي التي تكشف السؤال الصحيح الذي ينبغي بناؤه لاحقًا كنموذج خاضع للإشراف.

الاكتشاف قد يسبق التنبؤ

قبل أن تتنبأ بسلوك العميل، قد تحتاج أولًا إلى فهم أنواع العملاء الموجودة أصلًا. هنا يصبح Clustering خطوة منطقية قبل بناء نموذج تنبؤي.

خطأ آخر: الاعتقاد أن Labels صحيحة دائمًا

حتى في Supervised Learning، قد تكون Labels نفسها خاطئة أو غير متسقة. إذا صنف أشخاص مختلفون البيانات بمعايير مختلفة، فسيتعلم النموذج من هذه الأخطاء.

جودة الإشراف تحدد جودة التعلم

لذلك يجب مراجعة Labels بعناية، خصوصًا في المشكلات الحساسة.

الفرق في التفسير للمستخدم المبتدئ

إذا أردنا تبسيط الفكرة لأقصى درجة، تخيل صندوقًا مليئًا بصور فواكه. إذا كانت كل صورة مكتوبًا عليها "تفاحة" أو "برتقالة"، وأردنا تعليم النموذج كيف يميز بينهما، فهذا Supervised Learning. أما إذا كانت الصور دون أسماء وطلبنا من النظام أن يضع الصور المتشابهة معًا، فهذا Unsupervised Learning.

في الحالة الأولى نعطيه الإجابة ليتعلم منها. وفي الثانية نعطيه البيانات ونطلب منه أن يكتشف البنية بنفسه.

هل يمكن لنفس البيانات أن تستخدم بالطريقتين؟

نعم. نفس مجموعة البيانات يمكن أن تخدم أكثر من هدف. بيانات العملاء مثلًا يمكن استخدامها في Clustering لاكتشاف الشرائح، ثم يمكن لاحقًا استخدام Labels معينة لتدريب نموذج يتوقع من سيشتري منتجًا.

وهذا يوضح أن الفرق ليس فقط في شكل البيانات، بل في السؤال الذي نطرحه عليها.

الخلاصة: الفرق الحقيقي هو وجود الإجابة من عدمها

التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف ليسا مجرد مصطلحين أكاديميين، بل طريقتان مختلفتان جذريًا لاستخراج القيمة من البيانات. في النوع الأول نمتلك أمثلة تحتوي على إجابات معروفة، وندرب النموذج ليكتشف العلاقة بين المدخلات والمخرجات حتى يستطيع التنبؤ بحالات جديدة. لهذا يستخدم بشكل واسع في التصنيف والانحدار.

أما في النوع الثاني، فلا توجد Labels جاهزة، ولذلك تكون مهمة الخوارزمية هي اكتشاف الأنماط والبنية الداخلية للبيانات. يمكن أن تستخدمه لتقسيم العملاء إلى مجموعات، أو تقليل عدد الأبعاد، أو البحث عن أنماط غير واضحة من النظرة الأولى.

المهم أن تدرك أن أحدهما ليس "أفضل" من الآخر بشكل مطلق. كل نوع صُمم لسؤال مختلف. إذا كنت تعرف الإجابة التي تريد التنبؤ بها ولديك أمثلة كافية، فغالبًا تحتاج إلى Supervised Learning. وإذا كنت لا تعرف ما الذي تبحث عنه تحديدًا وتريد استكشاف البيانات نفسها، فغالبًا يكون Unsupervised Learning هو البداية المناسبة.

وعندما تفهم هذا الفرق جيدًا، ستبدأ في النظر إلى أي مشروع تعلم آلي بطريقة أكثر نضجًا. بدل أن تسأل مباشرة: ما الخوارزمية التي سأستخدمها؟ ستسأل أولًا: هل لدي Labels؟ وما السؤال الذي أحاول الإجابة عنه؟ وهذا السؤال البسيط هو أحد أهم مفاتيح اختيار منهج التعلم الصحيح وبناء نموذج يخدم المشكلة فعليًا.