Unsupervised Learning
التعلّم غير الموجه (Unsupervised Learning) Unsupervised Learning
التعلّم غير الموجه يكتشف بنية البيانات من دون تسميات: التجميع يجمع عيّنات متشابهة، والتخفيض يختزل الأبعاد مع الاحتفاظ بأكبر قدر من المعلومات.
في التعلّم غير الموجه ليس لديك تسميات y — فقط المُدخلات X. مهمة النموذج إيجاد بنية داخل البيانات: التجميع (Clustering) يقسّم العيّنات لمجموعات متشابهة، تخفيض الأبعاد (Dimensionality Reduction) يختزل عدد الميزات مع الاحتفاظ بأكبر قدر من المعلومات، واكتشاف الحالات الشاذة (Anomaly Detection) يميّز النقاط المختلفة عن البقية.
أشهر الخوارزميات: K-Means للتجميع، DBSCAN للتجميع بكثافة، t-SNE وPCA لتخفيض الأبعاد، Isolation Forest للشذوذ. تُستخدم كثيرًا في مرحلة استكشاف البيانات قبل أي تعلّم موجه.
من أشهر تطبيقاته: تقسيم العملاء لتجميعات، ضغط البيانات، أنظمة التوصية، واكتشاف الاحتيال. التحدي الأكبر: لا إجابة "صحيحة" واضحة لتقييم النتائج — تحتاج حكمًا بشريًا أو مقياسًا غير مباشر.
الصياغة
X = load_unlabeled_data() # بدون y # التجميع clusters = model.fit_predict(X) # تخفيض الأبعاد X_2d = reducer.fit_transform(X)
📄 مثال
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
X, _ = load_iris(return_X_y=True) # نتجاهل التسميات
model = KMeans(n_clusters=3, n_init=10)
clusters = model.fit_predict(X) # تعلّم بدون إشراف
# النموذج لم يرَ y، لكنه قد يكتشف المجموعات الثلاث طبيعيًا
print(f"عدد المجموعات المُكتشفة: {len(set(clusters))}")أهم النقاط
| النقطة | الوظيفة |
|---|---|
| X (no labels) | مصفوفة مُدخلات فقط — لا يوجد y |
| Clustering | تجميع عيّنات متشابهة في مجموعات (K-Means, DBSCAN, Hierarchical) |
| Dimensionality Reduction | اختزال عدد الأبعاد مع الاحتفاظ بالمعلومات (PCA, t-SNE) |
| Anomaly Detection | اكتشاف عيّنات شاذة عن النمط العام (Isolation Forest, LOF) |
💡 نصائح عملية
- استخدم PCA قبل التصور حين تكون الميزات كثيرة (>10) — يصعب فهم >3 أبعاد بصريًا
- اختر n_clusters في K-Means بطريقة Elbow أو Silhouette — لا تخمّن
⚠️ أخطاء شائعة
- خلط التقييم الداخلي بالاستخدام غير المشروع للتسميات في التدريب — مقارنة عناقيد النموذج بالتسميات الحقيقية بعد التدريب تقييم خارجي مشروع (Adjusted Rand Index، Normalized Mutual Information)، بشرط أن تلك التسميات لم تُستخدم في تدريب النموذج أو ضبط معاملاته
- تطبيق K-Means على بيانات غير عنقودية (مثل دوائر متداخلة) — DBSCAN أنسب لها
خصائص ذات صلة
🎓 تريد فهم الصورة الكاملة خطوة بخطوة؟ ابدأ من مسار AI-ML الكامل بالعربي.