التعلم الآلي مقابل التعلم العميق: فهم الاختلافات

المقدمة: المفاهيم التي غالبا ما تكون مربكة

التعلم الآلي والتعلم العميق والشبكات العصبية هي مصطلحات تسمعها باستمرار في أخبار الذكاء الاصطناعي. يستخدم العديد من الأشخاص هذه الكلمات بالتبادل، لكنهم يصفون تقنيات مختلفة، لكل منها نطاقها وتطبيقها الخاص.

يحدث الارتباك لأن أحدهما موجود في الآخر: الشبكات العصبية هي تقنية للتعلم الآلي، والتعلم العميق هو تطور للشبكات العصبية. يعد فهم هذا التسلسل الهرمي أمرًا ضروريًا لفهم كيفية عمل الذكاء الاصطناعي والأدوات التي تحل المشكلات المختلفة.

في هذا الدليل، سنقوم بتفصيل هذه المفاهيم ونعرض أمثلة عملية لكيفية عمل كل منها في العالم الحقيقي.

التعلم الآلي: مظلة جميع الخوارزميات

ما هو التعلم الآلي؟

التعلم الآلي هو المجال الأوسع، والذي يشمل أي نظام يتعلم من البيانات، دون أن تتم برمجته بشكل صريح لكل موقف. وبدلاً من اتباع تعليمات صارمة، تحدد خوارزميات التعلم الآلي الأنماط الموجودة في البيانات وتستخدم تلك الأنماط لإجراء التنبؤات.

تخيل مرشح البريد الإلكتروني العشوائي. لا يستطيع المبرمج كتابة قاعدة لكل بريد إلكتروني غير مرغوب فيه محتمل. لذلك تقوم خوارزمية التعلم الآلي بتحليل ملايين رسائل البريد الإلكتروني (التي تم وضع علامة عليها كرسائل غير مرغوب فيها أو شرعية) وتتعرف تلقائيًا على الميزات التي تشير إلى البريد العشوائي: الكلمات المشبوهة، والمرسل غير المعروف، والتنسيق الغريب، وما إلى ذلك.

الأنواع الثلاثة الرئيسية للتعلم الآلي

التعلم الخاضع للإشراف: تتعلم الخوارزمية من البيانات المصنفة بالفعل. أنت تقدم أمثلة إدخال مع الإجابة الصحيحة، ويتعلم النظام النمط. مثال: تصنيف رسائل البريد الإلكتروني على أنها رسائل غير مرغوب فيها أو غير بريدية باستخدام سجل رسائل البريد الإلكتروني المصنفة بالفعل.

التعلم غير الخاضع للرقابة: لا توجد إجابات صحيحة محددة مسبقا. تجد الخوارزمية الهياكل أو المجموعات في البيانات بنفسها. مثال: تحليل عملاء المتجر للعثور على مجموعات ذات سلوكيات مماثلة، دون معرفة عدد المجموعات الموجودة مسبقًا.

التعلم المعزز: تتعلم الخوارزمية من خلال التجربة والخطأ، وتتلقى المكافآت أو العقوبات، على سبيل المثال، روبوت يتعلم المشي أو برنامج يتعلم لعب الشطرنج من خلال تحسين استراتيجيته تدريجيًا.

الشبكات العصبية: نوع محدد من التعلم الآلي

كيف تعمل الشبكات العصبية

الشبكات العصبية هي طريقة في التعلم الآلي مستوحاة من الدماغ البشري. وهي تتكون من طبقات من الوحدات المترابطة تسمى الخلايا العصبية الاصطناعية. تتلقى كل خلية عصبية المعلومات وتعالجها وتمررها.

تتكون الشبكة العصبية البسيطة من ثلاثة أجزاء: طبقة الإدخال (البيانات)، والطبقات المخفية (المعالجة)، وطبقة الإخراج (النتيجة). أثناء التدريب، يتم ضبط أوزان الاتصالات بين الخلايا العصبية لتقليل الأخطاء.

متى يتم استخدام الشبكات العصبية بدلاً من الخوارزميات الأخرى

تتألق الشبكات العصبية عندما تكون لديك الكثير من البيانات e أنماط معقدة أمثلة حقيقية: التعرف على الوجوه في الصور، فهم الكلام الطبيعي، تشخيص الأمراض من الصور الطبية.

بالنسبة للمشكلات البسيطة التي تحتوي على القليل من البيانات، تكون الخوارزميات القديمة مثل أشجار القرار أو الانحدار الخطي أكثر كفاءة. تعد الشبكة العصبية التي تحتوي على ملايين المعلمات مبالغة في التنبؤ بما إذا كان العميل سيجدد اشتراكًا بناءً على 3 خصائص.