ثلاثة نماذج التعلّم

إشارة التعلّم — التعريف الدقيق

معلومة تستغلها خوارزمية لتقييم جودة الفرضية الحالية واشتقاق اتجاه تصحيح معاملاتها. تتخذ شكل قيمة هدف مرتبطة بكل ملاحظة، أو معيار داخلي للاتساق معرَّف على البيانات وحدها، أو قيمة عددية للمكافأة تصدرها بيئة استجابة لفعل.

نموذج التعلّم — التعريف الدقيق

صنف من المشاكل معرَّف بطبيعة الإشارة المتاحة، وبالتالي بشكل مشكلة التحسين المطروحة: تصغير مخاطر تجريبية على أزواج موسومة، أو تحسين معيار داخلي للبنية، أو تعظيم توقّع مكافأة تراكمية.

ترجمة إلى اللغة اليومية

الإشارة هي ما يتيح للخوارزمية معرفة ما إذا كانت تخطئ؛ و النموذج هو عائلة المشاكل المعرَّفة بما نملكه للتعلّم.

نقطة انتباه

في غياب أي إشارة، لا يوجد تعلّم بمعنى Mitchell (1997): بدون مقياس أداء P، لا يمكن لأي خبرة E أن تحسّن أي شيء.

التعريف الدقيق

ليكن فضاء مدخل X وفضاء مخرج Y. نملك عيّنة تعلّم من n زوجاً

S = { (x_1, y_1), ..., (x_n, y_n) },  x_i ∈ X,  y_i ∈ Y

يُفترَض أنها ناتجة عن سحب مستقل ومتطابق التوزيع وفق قانون مشترك P(X, Y) مجهول وثابت. يتمثّل التعلّم المُوجَّه في اختيار، في صنف فرضيات H، دالة f: X → Y تصغّر المخاطر المتوقَّعة R(f) = E[ L(f(X), Y) ]، حيث L دالة فقد تقيس الفجوة بين القيمة المتنبَّأ بها والقيمة الملاحَظة. ولما كان القانون P مجهولاً، تصغّر الخوارزمية عملياً المخاطر التجريبية المحسوبة على S، تحت قيد تنظيم.

ترجمة إلى اللغة اليومية

نقدّم أمثلة جوابها الصحيح معروف، ونطلب من الخوارزمية بناء الدالة التي تعيد إنتاج هذا التقابل بأفضل ما يمكن، لتطبيقها على حالات جوابها مجهول.

مصطلح «مُوجَّه»

يحيل إلى وجود موجِّه — مشغّل أو عملية أو ملاحظة لاحقة — وفّر القيمة الصحيحة لكل مثال، عند تكوين مجموعة البيانات وليس أبداً أثناء التدريب.

نقطة انتباه

فرضية التوزيع الثابت بنيوية. عندما يتطوّر P(X, Y) بين التدريب والاستغلال، تتوقف المخاطر التجريبية عن تقدير المخاطر المتوقَّعة ويتدهور الأداء: ظاهرة تُعالَج في الفصل 082.

التعريف الدقيق

ملاحظة رُصدت فيها قيمة المتغير الهدف، إضافة إلى المتغيرات التوضيحية، وهذه القيمة معرَّفة بطريقة أحادية و متجانسة على كامل مجموعة البيانات.

ترجمة إلى اللغة اليومية

صف في الجدول جوابه معروف سلفاً.

مصدر الوسوم

ملاحظة مؤجَّلة (سُدِّد الائتمان أم لا)، وسم بشري (أخصائي أشعة يؤهّل صورة)، تسجيل نظام (ألغى العميل) أو قياس فيزيائي (انكسرت القطعة عند 412 ساعة).

نقطة انتباه

تكلفة الحصول على الوسوم هي غالباً العامل المحدِّد لمشروع مُوجَّه: المتغيرات التوضيحية وفيرة، والوسوم نادرة.

التعريف الدقيق

مشكلة تعلّم مُوجَّه يكون فيها فضاء المخرج Y مجموعة منتهية من الأنماط { $c_1$, ..., $c_k$ }. يقدّر النموذج عموماً الاحتمال الشرطي P(Y = $c_j$ | X = x)، وتنتج الفئة المتنبَّأ بها من تطبيق قاعدة قرار على متجه الاحتمالات هذا.

ترجمة إلى اللغة اليومية

وضع كل ملاحظة في إحدى الفئات المحدَّدة مسبقاً.

الأنواع الفرعية: ثنائي (نمطان متنافيان)، متعدّد الفئات (k أنماط متنافية)، متعدّد الوسوم (k أنماط قابلة للتراكم)، ترتيبي (k أنماط مرتَّبة، مثلاً تصنيف مخاطر من A إلى E).

نقطة انتباه

تُعرَّف الأنماط قبل التدريب وتشكّل جزءاً من مواصفات المشكلة. ولا يمكن لنموذج تصنيف أن ينتج فئة لم يصادفها قط.

التعريف الدقيق

مشكلة تعلّم مُوجَّه يكون فيها فضاء المخرج Y مجموعة جزئية من الأعداد الحقيقية. يقدّر النموذج دالة انحدار، في أغلب الأحيان التوقّع الشرطي E[Y | X = x]، بتصغير فقد تربيعي أو مطلق.

ترجمة إلى اللغة اليومية

تقدير عدد بدلاً من فئة.

تنبيه اصطلاحي

كلمة «انحدار» لا تحمل، في استخدامها الحديث، أي معنى تراجع أو عودة إلى الخلف. وهي موروثة من أعمال Francis Galton (1886) عن انتقال القامة بين الأجيال، التي وصفت انحداراً نحو المتوسط: أطفال آباء شديدي الطول كانوا يميلون، في المتوسط، إلى أن يكونوا أقل طولاً من آبائهم. كان المصطلح يشير إلى ظاهرة إحصائية خاصة؛ ثم امتد إلى طريقة الضبط المستخدَمة لإبرازها، ثم إلى كل تنبؤ بمقدار عددي. فلا ينبغي إذن استنتاج أي شيء من الكلمة نفسها: «انحدار» يعني فقط أن الهدف عدد.

التباس يجب تجنّبه

الانحدار اللوجستي خوارزمية تصنيف، رغم اسمه: ينحدر لوغاريتم نسبة الأرجحية على المتغيرات التوضيحية وينتج احتمالاً للانتماء إلى فئة.

يحضّر تلميذ امتحاناً انطلاقاً من امتحانات سابقة. كل امتحان سابق يتضمّن نصاً وحلاً نموذجياً. يحلّ التلميذ النص، ويقارن إنتاجه بالحل، ويحدّد الفجوة، ويضبط طريقته. بعد عدد كافٍ من التمارين، يواجه موضوعاً جديداً حلّه النموذجي غير موجود بعد.

تمديدات

التلميذ الذي يحفظ الحلول دون اكتساب الطريقة ينجح في الامتحانات السابقة و يفشل في الموضوع الجديد: هذا فرط التخصيص (overfitting)، يُعالَج في الفصل 040. والتلميذ الذي يملك الحل أثناء الامتحان يحصل على درجة ممتازة لا تقيس شيئاً: هذا تسرّب بيانات، يُعالَج في الفصل 028.

حد التشبيه

التلميذ يفهم ما يفعل وينقل إلى مجال مجاور. أما النموذج فلا يثبت إلا تقابلاً إحصائياً ولا ينقل خارج المجال الذي تغطيه بيانات تدريبه.

التعريف الدقيق

صنف من المشاكل نملك فيه عيّنة { $x_1$, ..., $x_n$ }، $x_i$ ∈ X، بلا متغير هدف مرتبط. الهدف تقدير بنية التوزيع P(X): تجزئة فضاء الملاحظات، متنوّعة جزئية ضعيفة البعد تقارب سحابة النقاط، كثافة، أو انتظامات تواجد مشترك. ويقع التحسين على معيار معرَّف حصراً انطلاقاً من البيانات، بلا مرجع إلى قيمة متوقَّعة.

ترجمة إلى اللغة اليومية

نقدّم ملاحظات بلا أي جواب مرتبط ونطلب من الخوارزمية إبراز التنظيم الداخلي لهذه البيانات.

مصطلح «غير مُوجَّه»

يشير إلى غياب جواب مرجعي، لا إلى غياب تدخّل بشري: اختيار المتغيرات والمسافة وعدد المجموعات و التطبيع يندرج بالكامل تحت المحلّل.

نقطة انتباه

خوارزمية غير مُوجَّهة تنتج دائماً نتيجة، حتى عندما لا تتضمّن البيانات أي بنية: تجزئة إلى أربع مجموعات ستعيد أربع مجموعات على سحابة منتظمة تماماً. فإنتاج نتيجة لا يشهد إذن أبداً على وجود بنية.

التعريف الدقيق

مشكلة تتمثّل في بناء تجزئة أو تغطية لمجموعة ملاحظات في مجموعات بحيث يكون مقياس التشابه داخل المجموعة أقصى والتشابه بين المجموعات أدنى، بمعنى مسافة يحدّدها المحلّل. طريقة تجزئة بالعطالة تصغّر هكذا مجموع مربعات الفجوات الداخلية:

argmin  Σ      Σ      || x - μ_j ||²
   C   j=1..k  x ∈ C_j

حيث $\mu_j$ يشير إلى مركز المجموعة $C_j$.

ترجمة إلى اللغة اليومية

تجميع الملاحظات المتشابهة، دون معرفة مسبقاً أي مجموعات موجودة ولا كم عددها.

المعاملات على عاتق المحلّل

عدد المجموعات، مقياس المسافة، التطبيع، اختيار المتغيرات. كل من هذه الاختيارات يعدّل النتيجة؛ ولا توجد تجزئة «حقيقية» تكتشفها خوارزمية مستقلة عنها.

نقطة انتباه

المجموعات المنتَجة بلا اسم. وتسميتها وتفسيرها فعل مهني لاحق للخوارزمية، وليس أبداً مخرجاً منها.

التعريف الدقيق

مشكلة تتمثّل في بناء تطبيق g: X → Z، مع dim(Z) < dim(X)، يحافظ بأفضل ما يمكن على خاصية للتوزيع الأصلي: التباين المفسَّر لتحليل المكوّنات الرئيسية، بنية الجوار المحلي لطرائق التضمين غير الخطية، قدرة إعادة البناء للمشفِّرات الذاتية. والمعيار المحسَّن داخلي للبيانات.

ترجمة إلى اللغة اليومية

تمثيل الملاحظات نفسها بمتغيرات أقل، مع أقل فقدان ممكن للمعلومة.

غايات تشغيلية: تصوّر، ضغط، إزالة ضجيج، معالجة مسبقة لنموذج مُوجَّه، تخفيف لعنة الأبعاد.

نقطة انتباه

عند استخدامه قبل نموذج مُوجَّه، يجب ضبط تقليص الأبعاد على بيانات التدريب وحدها ثم تطبيقه كما هو على بيانات التحقّق والاختبار. وضبطه على مجموع البيانات يشكّل تسرّب بيانات، يُعالَج في الفصل 028.

التعريف الدقيق

إطار تعلّم يتفاعل فيه فاعل تتابعياً مع بيئة. في كل خطوة زمنية t، يلاحظ الفاعل حالة $s_t$، ويختار فعلاً $a_t$ وفق سياسة π، ويتلقّى مكافأة عددية $r_{t+1}$ و يلاحظ حالة جديدة $s_{t+1}$. وتُصاغ المشكلة في أغلب الأحيان كعملية قرار ماركوفية (S, A, P, R, γ)، مع γ ∈ [0, 1[ عامل الخصم. والهدف تحديد سياسة π تعظّم توقّع الربح التراكمي المخصوم:

مرجع تركيبي: Sutton و Barto، Reinforcement Learning: An Introduction (1998، الطبعة الثانية 2018).

ترجمة إلى اللغة اليومية

لا يتعلّم الفاعل من أجوبة صحيحة مقدَّمة مسبقاً بل عبر محاولات متتالية: يفعل، وتعاقبه البيئة أو تكافئه، و يضبط استراتيجيته بحيث يراكم أكبر قدر ممكن من المكافأة.

ما يميّز المكافأة عن الوسم

يشير الوسم إلى الجواب الصحيح، ويسبق التدريب ويتعلّق بملاحظة معزولة. أما المكافأة فتقيّم الجواب المنتَج، وتُولَّد أثناء التفاعل، وتتعلّق بتسلسل أفعال وتعتمد على أفعال النموذج نفسه.

نقطة انتباه

الطابع المؤجَّل للمكافأة يولّد مشكلة إسناد الفضل: عندما تحدث مكافأة في نهاية مئات الأفعال، تحديد أيّها أسهم فيها يشكّل الصعوبة المركزية للنموذج.

تعلّم ركوب الدراجة لا ينطلق من حل نموذجي: لا يمكن لأحد أن يوفّر، لكل جزء من الألف من الثانية، القيمة الدقيقة لزاوية المقود و ميل الجذع. وتعليم «حافظ على التوازن» ليس وسماً. والإشارة المتاحة عاقبة: يبقى المتعلّم واقفاً، أو يسقط. والرابط بين الحركة الخاطئة وعاقبتها مؤجَّل بضع ثوان.

ما يبرزه التشبيه

تُكتسَب المهارة بالتفاعل لا بحفظ أزواج سؤال-جواب: لا يمكن نقلها بعرض، و اكتسابها يتطلّب عدداً كبيراً من المحاولات، بما فيها الفاشلة. يسقط طفل عشرات المرات؛ ويتطلّب فاعل اصطناعي عادة ملايين الحلقات. عندما تكون لكل حلقة تكلفة مادية أو بشرية، يصبح التدريب في شروط حقيقية غير عملي — ومن هنا ضرورة محاكٍ.

التعريف الدقيق

صنف من المشاكل تجتمع فيه العيّنة مجموعة فرعية موسومة $S_l$ = { ($x_i$, $y_i$) } بحجم l ومجموعة فرعية غير موسومة $S_u$ = { $x_j$ } بحجم u، مع u >> l عموماً. تستغل الطرائق التوزيع الهامشي P(X) المقدَّر على $S_u$ لتقييد تقدير P(Y | X) المتعلَّم على $S_l$، تحت فرضيات انتظام: استمرارية، تجميع، متنوّعة.

ترجمة إلى اللغة اليومية

نملك ملاحظات كثيرة وأجوبة معروفة قليلة؛ والكتلة غير الموسومة تُستخدَم لاستغلال العدد الصغير من الوسوم المتاحة بشكل أفضل.

نقطة انتباه

فرضيات الانتظام ليست مستوفاة دائماً. عندما لا تكون كذلك، قد يؤدّي إضافة بيانات غير موسومة إلى تدهور الأداء مقارنة بنموذج مدرَّب على البيانات الموسومة وحدها.

التعريف الدقيق

صنف من الطرائق يُبنى فيه المتغير الهدف تلقائياً من البنية الداخلية للبيانات، بلا تدخّل موسِّم. تُعرَّف مهمة تُدعى ذريعة بحيث يكون وسمها قابلاً للاشتقاق من البيانات الخام؛ ويُدرَّب النموذج على هذه المهمة بتصغير مخاطر تجريبية كلاسيكية، ثم يُعاد استخدام التمثيل المحصَّل للمهمة الهدف.

ترجمة إلى اللغة اليومية

تصنع الخوارزمية بنفسها تمارينها وحلولها النموذجية انطلاقاً من البيانات الخام، وهو ما يلغي تكلفة الوسم.

دقة حاسمة

آلية التعلّم تبقى مُوجَّهة بصرامة: توجد قيمة هدف، ودالة فقد، ومقارنة بين التنبؤ والهدف. ولا يتغيّر إلا مصدر الوسم — مستخرَج من البيانات بدلاً من أن يوفّره مشغّل. فالذاتي التوجيه إذن ليس نموذجاً رابعاً، بل صيغة للحصول على الوسوم.

نقطة انتباه

تعتمد جودة التمثيل بالكامل على صلة مهمة الذريعة. مهمة قابلة للحل بأثر سطحي تنتج تمثيلاً بلا قيمة للمهمة الهدف.

التعريف الدقيق

مشكلة تتمثّل في تحديد الملاحظات التي يكون توليدها غير محتمل بالنظر إلى توزيع الملاحظات الموصوفة بأنها طبيعية. حسب توفّر أمثلة شذوذات موسومة، تُصاغ كتصنيف مُوجَّه شديد الاختلال، أو كتقدير كثافة أو دعم غير مُوجَّه، أو كتصنيف لفئة واحدة.

ترجمة إلى اللغة اليومية

رصد ما يخرج عن المعتاد، سواء ملكنا أمثلة حالات غير طبيعية أم لا.

الموضع التصنيفي

كشف الشذوذات يمتد على نموذجين. ولا يشكّل عائلة إضافية: يشير إلى غاية تجارية قابلة للمعالجة في أحد النموذجين حسب البيانات المتاحة.

يطلب قسم تسويق نموذجاً يتنبأ بـ «العملاء ذوي الإمكانات المرتفعة». لا يوجد أي متغير بهذا الاسم في نظام المعلومات: نية التنبؤ لا تكفي لخلق مشكلة مُوجَّهة. مخرجان ممكنان، ويجب اختيار واحد صراحة: تعريف هدف قابل للقياس و قابل للتحقق في السجلّ التاريخي — مثلاً «رقم أعمال الاثني عشر شهراً التالية يتجاوز 5 000 $» — أو تولّي مقاربة استكشافية غير مُوجَّهة تنتج مجموعات يجب تفسيرها.

الصياغة الصحيحة: «تتطلّب مشكلة مُوجَّهة متغير هدف معرَّفاً وقابلاً للقياس وحاضراً في السجلّ التاريخي. وما دام غير مُكوَّن، فلا توجد مشكلة مُوجَّهة.»

ينتج الاثنان مجموعات، وهو ما يكفي لإدامة الالتباس. و المعيار الفاصل ليس المخرج بل المدخل: هل الفئات موجودة مسبقاً في بيانات التدريب؟ ونتيجة تُلاحَظ بانتظام: تجميع يُقدَّم كنموذج تنبؤي، مصحوب بمقاس دقة مزعوم، وهو بلا موضوع في غياب تجزئة مرجعية.

الصياغة الصحيحة: «يسند التصنيف ملاحظة إلى فئات معرَّفة مسبقاً ومتعلَّمة على أمثلة موسومة؛ أما التجميع فيكوّن مجموعات انطلاقاً من التشابهات وحدها، بلا فئات موجودة مسبقاً ولا دقة قابلة للقياس.»

غياب الوسوم يخفّف الجمع ويعطي انطباع مشكلة أقل تطلّباً. والعكس على مستوى التحقّق: بدون حقيقة مرجعية، يُحرَم المشروع من معيار توقّف موضوعي، وعدد المجموعات والمسافة والتطبيع تندرج تحت اختيارات لا يحسمها أي مقياس. يُختَم مشروع مُوجَّه بأداء مرقَّم على مجموعة اختبار؛ ومشروع غير مُوجَّه بقرار قبول مهني.

الصياغة الصحيحة: «التعلّم غير المُوجَّه أقل تطلّباً في البيانات الموسومة وأكثر تطلّباً في التفسير: صعوبته منقولة من الجمع إلى التحقّق.»

التعداد «مُوجَّه، غير مُوجَّه، معزَّز، تعلّم عميق» يخلط مستويي تصنيف. المصطلحات الثلاثة الأولى تشير إلى نماذج، معرَّفة بطبيعة إشارة التعلّم؛ والرابع يشير إلى صنف نماذج، معرَّف بمعمارية. شبكة عصبية مدرَّبة على صور موسومة تندرج تحت المُوجَّه، ومشفِّر ذاتي تحت غير المُوجَّه، و شبكة تحسّن سياسة بالمكافأة تحت المعزَّز.

الصياغة الصحيحة: «التعلّم العميق صنف نماذج قابل للاستخدام في النماذج الثلاثة؛ ويقع على مستوى تصنيف آخر.»

للتنبؤ بالانسحاب خلال 90 يوماً، تحتفظ فريق كمتغير توضيحي بعدد المكالمات لخدمة الإلغاء. الأداء ممتاز في التحقّق ومعدوم في الإنتاج: في اللحظة التي يجب فيها إنتاج التنبؤ، لم تحدث هذه المكالمة بعد. والمتغير ليس تنبؤياً، بل مكوِّن للحدث المراد التنبؤ به. وهذا الشكل من تسرّب البيانات، المعالَج في الفصل 028، غير قابل للكشف بالمقاييس: بل يحسّنها.

قاعدة تحكّم: لكل متغير توضيحي، التحقّق من أن قيمته ستكون فعلاً متاحة في اللحظة التي سيُستعلَم فيها النموذج في الإنتاج.

الصياغة الصحيحة: «الوسم لاحق للمتغيرات التوضيحية؛ ويجب استبعاد أي معلومة معاصرة أو لاحقة لتحقيق الهدف من مجموعة التدريب.»

«الصحة تعلّم مُوجَّه» أو «التسويق تجميع» أقوال بلا أساس. تنتج الصحة تنبؤاً بإعادة إدخال (مُوجَّه)، وتحديد مجموعات فرعية من المرضى (غير مُوجَّه) و تكيّفاً تتابعياً لبروتوكول جرعة (معزَّز). وينتج التسويق تنبؤاً بإلغاء، وتقسيماً و تخصيصاً ديناميكياً لعروض بقطاع الطرق.

الصياغة الصحيحة: «يُحدَّد النموذج بطبيعة إشارة التعلّم المتاحة، وليس أبداً بقطاع النشاط.»